💬 NLP

Fidelity Is Not Safety: Gently-Compressed LLMs Pass Every Data-Free Quality Guard Yet Invent Procedure Steps in Agentic Execution

यह शोध पत्र प्रकट करता है कि हल्के रूप से संकुचित (gently-compressed) बड़े भाषा मॉडल सभी मानक डेटा-मुक्त गुणवत्ता और निष्ठा संबंधी सुरक्षा मानकों को पार कर सकते हैं, फिर भी एजेंटिक निष्पादन के दौरान प्रक्रियात्मक चरणों (procedural steps) में मतिभ्रम (hallucination) का शिकार हो सकते हैं, जो कि संपीड़न त्रुटियों के परिमाण के बजाय उनकी सुसंगतता (coherence) से प्रेरित एक विशिष्ट विफलता मोड है जिसके लिए पता लगाने हेतु एक नए द्वि-अक्षीय स्क्रीनिंग मीट्रिक की आवश्यकता है।

मूल लेखक: I. Kennedy, T. Kennedy

प्रकाशित 2026-07-31

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: I. Kennedy, T. Kennedy

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो एक विशाल, जटिल रेसिपी बुक को एक छोटे से पॉकेट नोटबुक में समेटने की कोशिश कर रहे हैं। आप चाहते हैं कि किताब इतनी छोटी हो कि उसे कहीं भी साथ ले जाया जा सके, लेकिन फिर भी आपको उसी स्वादिष्ट भोजन को बिल्कुल सटीक रूप से बनाना है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इस "सिकुड़ने" को कंप्रेशन (compression) कहा जाता है। लार्ज लैंग्वेज मॉडल्स (वे सुपर-स्मार्ट AI दिमाग जो कोड लिखते हैं, कहानियाँ सुनाते हैं और हमसे बात करते हैं) बहुत विशाल होते हैं, इसलिए इंजीनियर उन्हें छोटा और तेज़ बनाने के लिए क्वांटाइजेशन (quantization) (अंदर के नंबरों को सरल बनाना), प्रूनिंग (pruning) (अनचाहे कनेक्शन को काट देना), और लो-रैंक फैक्टराइजेशन (low-rank factorization) (एक सरल गणितीय कंकाल खोजना) जैसे तरीकों का उपयोग करते हैं।

लेकिन आप यह कैसे जानते हैं कि सिकुड़ी हुई किताब अभी भी काम करती है? आप हर एक व्यंजन को चख नहीं सकते। इसके बजाय, आप "क्वालिटी गार्ड्स" (गुणवत्ता रक्षकों) का उपयोग करते हैं। आप देखते हैं कि क्या AI अभी भी बुनियादी व्याकरण समझता है (परप्लेक्सिटी/perplexity), क्या वह सामान्य ज्ञान के सवालों के सही जवाब दे सकता है (जैसे MMLU), और क्या उसके आंतरिक "विचार" मूल विशाल मस्तिष्क के समान दिखते हैं जब आप उसे रैंडम सवालों से उकसाते हैं। ये जाँचें तेज़ होती हैं और इनके लिए नए डेटा की आवश्यकता नहीं होती है। बड़ा सवाल यह है: क्या ये गार्ड्स यह साबित करने के लिए पर्याप्त हैं कि AI वास्तविक दुनिया में कार्य करने के लिए सुरक्षित रूप से भेजा जा सकता है? यह पेपर एक डरावनी संभावना की गहराई में जाता है: क्या होगा अगर AI सभी परीक्षणों में पास हो जाए, लेकिन जब वह किसी प्रक्रिया का पालन करने की कोशिश करे, तो वह खुद से नियम बनाने लगे?

महान "आविष्कार" डकैती (The Great "Invention" Heist)

इस पेपर के लेखकों ने यह पता लगाया कि AI को टेस्ट करने के तरीके में एक छिपा हुआ अंधा कोना (blind spot) है। उन्होंने पाया कि एक AI मॉडल हर मानक सुरक्षा परीक्षण में पास हो सकता है, कागज़ पर एकदम सही दिख सकता है, और फिर, जब उसे एक एजेंट (निर्देशों का सख्ती से पालन करने वाला डिजिटल कार्यकर्ता) के रूप में कार्य करने के लिए कहा जाता है, तो वह ऐसे कदम आविष्कार करने लगता है जो निर्देशों में कभी थे ही नहीं।

इसे एक ऐसे छात्र के रूप में सोचें जो गणित की परीक्षा में शानदार प्रदर्शन करता है, लेकिन जब उससे केक बनाने की रेसिपी का पालन करने के लिए कहा जाता है, तो वह "चुटकी भर ग्लिटर" डालने का निर्णय लेता है क्योंकि उसे लगता है कि यह सुनने में अच्छा लगेगा। छात्र गणित की परीक्षा में फेल नहीं हुआ; वह केवल निर्देशों का सटीक रूप से पालन करने के विशिष्ट कार्य में विफल रहा।

शोधकर्ताओं ने इसका परीक्षण तीन अलग-अलग AI मॉडल परिवारों (Mistral, Qwen, और Llama) पर किया। उन्होंने उन मॉडल्स को लिया जिन्हें SVD (लो-रैंक फैक्टराइजेशन का एक प्रकार) नामक विधि का उपयोग करके "हल्का कंप्रेस" किया गया था। ये मॉडल्स इतने अच्छी तरह से कंप्रेस किए गए थे कि वे "परप्लेक्सिटी गार्ड" (उनका भ्रम स्तर मूल मॉडल से केवल 1.069 से 1.17 गुना अधिक था, जो 1.15 की सुरक्षित सीमा के भीतर है) और "फिडेलिटी गार्ड" (उनके आंतरिक विचार मूल के समान थे) में पास हो गए।

लेकिन जब उन्होंने इन मॉडल्स को एजेंट के रूप में कार्य करने और एक स्टैंडर्ड ऑपरेटिंग प्रोसीजर (SOP)—जैसे कि सर्वर ठीक करने या ऑर्डर प्रोसेस करने की चेकलिस्ट—का पालन करने के लिए कहा, तो मॉडल्स ने कन्फैबुलेशन (confabulation) शुरू कर दिया। उन्होंने ऐसे अतिरिक्त कदम जोड़ दिए जो मौजूद ही नहीं थे।

Mistral-7B मॉडल पर, कंप्रेस्ड वर्जन ने प्रति क्वेरी औसतन +1.729 अतिरिक्त कदम आविष्कार किए।
Qwen3-8B मॉडल पर, इसने +0.208 अतिरिक्त कदम आविष्कार किए।
Llama-3.1-8B मॉडल पर, "हल्के से कंप्रेस" किए गए वर्जन ने नॉइज़ फ्लोर (noise floor) पर बने रहकर (केवल +0.056 कदम आविष्कार करके) दिखाया, जिसका अर्थ है कि यह टेस्ट इस विशिष्ट बिल्ड के लिए नॉन-डायग्नोस्टिक (non-diagnostic) था। मॉडल के आंतरिक स्पेक्ट्रम में इस "आविष्कार प्रभाव" को ट्रिगर करने के लिए पर्याप्त "लो-रैंक हेडरूम" नहीं था। विफलता तभी दिखाई दी जब Llama मॉडल को अधिक आक्रामक रूप से कंप्रेस किया गया, जिससे वह मानक सुरक्षा गार्ड से बाहर निकल गया।

डरावनी बात क्या है? जो मॉडल्स ऐसा कर रहे थे, वे वे थे जिन्होंने "फिडेलिटी" टेस्ट पास किया था। टेस्ट ने कहा, "हे, तुम्हारा दिमाग मूल के जैसा ही है!" लेकिन वास्तविकता यह थी, "वास्तव में, तुम्हारा दिमाग अब नए नियम गढ़ रहा है।"

अपराधी: कोहेरेंस (Coherence), न कि नुकसान (Damage)

ऐसा क्यों हुआ? लेखकों ने पाया कि यह इस बारे में नहीं था कि मॉडल कितना नुकसान पहुँचा (त्रुटि का "मैग्निट्यूड")। उन्होंने "SVD" कंप्रेशन की तुलना मैग्निट्यूड प्रूनिंग (magnitude pruning) (सबसे छोटे नंबरों को काटने) से की।

जब उन्होंने दोनों विधियों को इस तरह मैच किया कि वे बिल्कुल समान मात्रा में भ्रम (परप्लेक्सिटी) पैदा करें, तो परिणाम बहुत अलग थे:

SVD मॉडल (जो एक "कोहेरेंट" त्रुटि बनाता है, जैसे कि एक सुचारू, संरचित विरूपण) टेस्ट में फेल हो गया, जिसने कदम आविष्कार किए।
प्रूनिंग (Pruning) मॉडल (जो एक "मेसी" या अव्यवस्थित त्रुटि बनाता है, जैसे कि रैंडम स्टैटिक) टेस्ट में पास हो गया, जिसने लगभग कुछ भी आविष्कार नहीं किया (लगभग -0.146 कदम, जो प्रभावी रूप से शून्य है)।

लेखकों ने महसूस किया कि समस्या गलती के आकार की नहीं है, बल्कि उसके रूप (shape) की है। वे इसे "कोहेरेंस × रेट" (Coherence × Rate) तंत्र कहते हैं।

कोहेरेंस (Coherence): त्रुटि संरचित और सुचारू है (जैसे कि लो-रैंक SVD)।
रेट (Rate): मॉडल का कितना हिस्सा प्रभावित है।

यदि आपके पास एक सुचारू, संरचित त्रुटि है जो मानक परीक्षणों की नज़र से बचने के लिए बस पर्याप्त बड़ी है, तो AI नए प्रक्रियात्मक कदमों का "भ्रम" (hallucinate) करने लगता है। यह ऐसा है जैसे सुचारू विरूपण AI को यह विश्वास दिलाने के लिए धोखा देता है कि उसे एक शॉर्टकट पता है जो अस्तित्व में ही नहीं है। "नुकसान" (परप्लेक्सिटी) ने इसकी भविष्यवाणी नहीं की; नुकसान की "सुचारूता" (smoothness) ने इसकी भविष्यवाणी की।

"कैनरी" और नया डिटेक्टर

यह सिद्ध करने के लिए, शोधकर्ताओं ने एक विशेष टेस्ट बनाया जिसे वे "कैनरी" (canary) कहते हैं। यह कोयले की खान में कैनरी पक्षी की तरह है। उन्होंने AI को 10 चरणों वाली एक नकली SOP और एक सशर्त 11वां चरण दिया, और फिर उससे चरणों की सूची बनाने को कहा। यदि AI ने निर्देशों में मौजूद नहीं होने वाला कोई चरण सूचीबद्ध किया, तो वह फेल हो गया।

उन्होंने पाया कि वही AI वेट्स (weights) जिन्होंने मानक "फिडेलिटी टेस्ट" में जीत हासिल की थी (यह साबित करते हुए कि वे मूल के समान दिखते हैं), वे "कैनरी टेस्ट" में हार गए (यह साबित करते हुए कि वे कदम आविष्कार कर रहे हैं)। यह एक "डिसोसिएशन" (dissociation) है: मानक परीक्षण इस विशिष्ट प्रकार की विफलता के प्रति अंधे हैं।

लेकिन लेखक केवल समस्या खोजने तक ही नहीं रुके; उन्होंने इसे तैनाती से पहले पकड़ने के लिए एक डेटा-फ्री डिटेक्टर (data-free detector) बनाया। उन्होंने महसूस किया कि वे बिना किसी नए डेटा के दो चीजों को माप सकते हैं:

कोहेरेंट फ्रैक्शन (Coherent Fraction): त्रुटि कितनी "स्मूथ" और संरचित है?
एरर रेट (Error Rate): कुल मिलाकर त्रुटि कितनी बड़ी है?

उन्होंने एक सरल "गेट" (पास/फेल चेक) बनाया:

यदि Coherent Fraction > 0.007 और Error Rate > 0.01 है, तो मॉडल FAIL है।
यदि यह दोनों शर्तों को पूरा नहीं करता है, तो यह PASS है।

इस गेट ने उनके टेस्ट में सभी फेल होने वाले मॉडल्स की सही पहचान की। उदाहरण के लिए, वह Mistral मॉडल जिसने कदम आविष्कार किए थे, उसका कोहेरेंट फ्रैक्शन 0.0080 और एरर रेट 0.0159 था, जिसने अलार्म बजा दिया। सुरक्षित प्रूनिंग मॉडल का कोहेरेंट फ्रैक्शन 0.0054 था, जो "कोहेरेंस" चेक से बच गया और पास हो गया।

मुख्य निष्कर्ष (The Takeaway)

पेपर यह निष्कर्ष निकालता है कि परप्लेक्सिटी, MMLU, और डेटा-फ्री फिडेलिटी चेक यह प्रमाणित करने के लिए पर्याप्त नहीं हैं कि एक AI एजेंटिक कार्यों (एजेंट के रूप में कार्य करना) के लिए सुरक्षित है। सिर्फ इसलिए कि एक AI ने "स्कूल की परीक्षाओं" में पास कर लिया है, इसका मतलब यह नहीं है कि वह काम के दौरान नियम नहीं बनाएगा।

लेखक सुझाव देते हैं कि किसी भी कंप्रेस्ड AI को एजेंट के रूप में तैनात करने से पहले, हमें यह नया "कोहेरेंस स्क्रीन" चलाना चाहिए। यदि कोई मॉडल "लो-रैंक मेथड्स" (SVD) का उपयोग करके "जेंटली कंप्रेस्ड" किया गया है और वह इस नए गेट को ट्रिगर करता है, तो इसकी पूरी संभावना है कि वह कदम आविष्कार करेगा और निर्देशों का पालन करने में विफल रहेगा, भले ही वह अन्य सभी परीक्षणों में एकदम सही दिखे।

संक्षेप में: AI पर सिर्फ इसलिए भरोसा न करें क्योंकि उसने टेस्ट पास कर लिया है। यह जाँच लें कि क्या वह "स्मूथली" टूटा हुआ है, क्योंकि तभी वह चीजें बनाना शुरू करता है।

तकनीकी सारांश: फिडेलिटी (Fidelity) सुरक्षा नहीं है

समस्या विवरण (Problem Statement)

अभ्यासकर्ता वर्तमान में डेटा-सस्ते गुणवत्ता गार्डों के एक मानकीकृत "स्टैक" के आधार पर संपीड़ित (compressed) लार्ज लैंग्वेज मॉडल्स (LLMs) तैनात करते हैं। इन गार्डों में आमतौर पर शामिल हैं:

परप्लेक्सिटी (Perplexity): मूल मॉडल के एक छोटे कारक (जैसे, $\le 1.15\times$ ) के भीतर रहनी चाहिए।
डाउनस्ट्रीम सटीकता (Downstream Accuracy): मेट्रिक्स जैसे MMLU बेसलाइन के कॉन्फिडेंस इंटरवल के भीतर होने चाहिए।
डेटा-मुक्त फिडेलिटी (Data-Free Fidelity): रैंडम प्रोब इनपुट्स के तहत मूल और संपीड़ित नेटवर्क की तुलना करने वाले आंतरिक प्रतिनिधित्व संकेत (जैसे, CKA या कोसाइन सिमिलरिटी)।

यह शोध पत्र इन स्वीकृति मानदंडों में एक महत्वपूर्ण अंधे धब्बे (blind spot) की पहचान करता है। वे मॉडल जो सभी गार्ड्स को पास कर लेते हैं, वे अभी भी एक विशिष्ट एजेंटिक व्यवहार संबंधी विफलता प्रदर्शित कर सकते हैं: जब उन्हें एक मानक संचालन प्रक्रिया (SOP) निष्पादित करने का कार्य दिया जाता है, तो वे ऐसे प्रक्रियात्मक चरणों का "आविष्कार" करते हैं जो निर्देशों में कभी मौजूद नहीं थे। यह "प्रक्रिया का मनगढ़ंत निर्माण" (confabulation of procedure) एजेंटिक परिनियोजन (deployment) के लिए एक सुरक्षा जोखिम पैदा करता है, फिर भी यह वर्तमान फिडेलिटी और सटीकता मेट्रिक्स द्वारा अनकहा रह जाता है।

कार्यप्रणाली (Methodology)

प्रयोगात्मक सेटअप: द "इन्वेंटेड-स्टेप कैनरी" (The "Invented-Step Canary")

इस विफलता मोड का पता लगाने के लिए, लेखकों ने एक सिंथेटिक मूल्यांकन बेंचमार्क ("कैनरी") बनाया:

कार्य: मॉडल्स को एक लक्षित SOP (10 क्रमबद्ध चरण + 1 सशर्त चरण) और एक डिस्ट्रैक्टर (distractor) SOP दिया जाता है। उन्हें विशिष्ट सिस्टम स्थितियों के तहत सटीक चरणों को सूचीबद्ध करना होता है।
मेट्रिक: निर्णायक अक्ष क्रॉस-प्रोसीजर इन्वेंशन ( $invented\_x$ ) है, जिसे वैश्विक SOP शब्दावली से लिए गए उन स्टेप-स्ट्रिंग्स की संख्या के रूप में परिभाषित किया गया है जो आउटपुट में दिखाई देते हैं लेकिन न तो लक्षित SOP का हिस्सा हैं और न ही कंडीशनल लॉजिक का।
स्केल: 24 SOPs और 3 रैंडम सीड्स में प्री-रजिस्टर्ड, जो प्रत्येक प्रयोगात्मक आर्म के लिए 144 युग्मित घटनाएं उत्पन्न करता है।

संपीड़न ऑपरेटर (Compression Operators)

अध्ययन विफलता के कारण को अलग करने के लिए मैच्ड परप्लेक्सिटी डोज़ पर संपीड़न तकनीकों की तुलना करता है:

कोहेरेंट लो-रैंक ट्रंकेशन (SVD): प्रति-टेंसर सिंगुलर वैल्यू डिकंपोजिशन ट्रंकेशन।
इनकोहेरेंट मैग्नीट्यूड प्रूनिंग (Incoherent Magnitude Pruning): बिना रीस्केलिंग के यूनिफॉर्म प्रूनिंग।
क्वांटाइजेशन (Quantization): तंत्र विश्लेषण में डोज़ कंट्रोल के रूप में उपयोग किया गया।

मूल्यांकित मॉडल्स

तीन डेंस डिकोडर आर्किटेक्चर (7–8B पैरामीटर्स):

Qwen3-8B
Mistral-7B
Llama-3.1-8B

मुख्य निष्कर्ष और परिणाम

1. अंधा धब्बा और विच्छेद (The Blindspot and Dissociation)

गार्ड इवेजन (Guard Evasion): सौम्य रूप से संपीड़ित SVD मॉडल अक्सर परप्लेक्सिटी स्वीकृति बैंड (जैसे, Mistral-7B के लिए $1.069\times$ ) के भीतर रहते हैं, फिर भी वे महत्वपूर्ण संख्या में चरणों का आविष्कार करके कैनरी को विफल कर देते हैं (जैसे, $+1.729$ चरण/क्वेरी)।
ऑपरेटर विशिष्टता: मैच्ड परप्लेक्सिटी पर, कोहेरेंट SVD ट्रंकेशन विफलता उत्पन्न करता है, जबकि इनकोहेरेंट मैग्नीट्यूड प्रूनिंग (उसी परप्लेक्सिटी पर मैच की गई) ऐसा नहीं करती है। प्रूनिंग वाले मॉडल्स लगभग शून्य ( $\approx 0$ ) के करीब चरण आविष्कार करते हैं।
विच्छेद (Dissociation): वही संपीड़ित वेट्स जो पेयर्ड आउटपुट-फिडेलिटी टेस्ट में CI-win (कॉन्फिडेंस इंटरवल जीत) करते हैं (यह सिद्ध करते हुए कि आंतरिक प्रतिनिधित्व संरक्षित हैं), कैनरी टेस्ट में CI-fail करते हैं। यह दर्शाता है कि आंतरिक प्रतिनिधित्व के प्रति फिडेलिटी एजेंटिक निष्पादन में सुरक्षा की गारंटी नहीं देती है।

2. तंत्र: कोहेरेंस $\times$ रेट (The Mechanism: Coherence $\times$ Rate)

विफलता क्षति के परिमाण (परप्लेक्सिटी वृद्धि) से नहीं, बल्कि कोहेरेंट कंप्रेशन एरर और उसके रेट के मेल से प्रेरित होती है।

कोहेरेंस (Coherence): SVD त्रुटियां संरचित/लो-रैंक हैं; प्रूनिंग त्रुटियां असंरचित हैं।
रेट (Rate): प्रभाव त्रुटि दर के साथ स्केल करता है।
साक्ष्य: क्वांटाइजेशन कंट्रोल्स, जो फेल होने वाले SVD डोज़ की तुलना में अधिक कच्ची परप्लेक्सिटी क्षति ले जाते हैं, फिर भी कैनरी को पास कर देते हैं, जबकि SVD कम डोज़ पर भी विफल हो जाता है। विफलता का आरंभ (onset) जल्दी होता है (2% परप्लेक्सिटी डोज़ के भीतर) और यह स्थानीयकृत होने के बजाय वितरित (distributed) है।
स्पेक्ट्रम स्थिति (Spectrum Condition): अंधा धब्बा स्पेक्ट्रम-कंडीशनल है। यह वहां प्रकट होता है जहां मॉडल पर्याप्त "इन-गार्ड लो-रैंक हेडरूम" (जैसे, Qwen और Mistal) स्वीकार करता है। Llama-3.1-8B में ऐसा बहुत कम हेडरूम है; इसका SVD ट्रंकेशन आविष्कार के आरंभ होने से पहले ही परप्लेक्सिटी को क्रैश कर देता है, जिससे परप्लेक्सिटी गार्ड गलती से विषाक्त बिल्ड को पकड़ लेता है।

3. एक डेटा-फ्री डिटेक्टर (A Data-Free Detector)

लेखक लेबल किए गए डेटा के बिना इस विफलता की जांच के लिए कंप्रेशन एरर ( $\Delta W = W_{base} - W_{mod}$ ) से प्राप्त दो-अक्षीय सांख्यिकी प्रस्तावित करते हैं:

कोहेरेंट फ्रैक्शन (Coherent Fraction): कुल एरर एनर्जी के अनुपात में लो-रंक/स्ट्रक्चर्ड एरर एनर्जी का अनुपात।
$\text{coherent\_fraction} = \frac{\sum_t \sigma^2_{1:k}(\Delta W_t)}{\sum_t \|\Delta W_t\|_F^2}$
एरर रेट (Error Rate): कुल वेट एनर्जी के अनुपात में कुल एरर एनर्जी का अनुपात।
$\text{error\_rate} = \frac{\sum_t \|\Delta W_t\|_F^2}{\sum_t \|\Delta W_t\|_F^2}$

परिणाम: एक गेट जो $\text{coherent\_fraction} > 0.007 \land \text{error\_rate} > 0.01$ द्वारा परिभाषित है, तीनों आर्किटेक्चर के छह लेबल किए गए कैनरी आर्म्स को सही ढंग से वर्गीकृत करता है। यह सफलतापूर्वक "कोहेरेंट-लेकिन-सौम्य" बिल्ड्स (जो पास होते हैं) और "इनकोहेरेंट-लेकिन-भारी" प्रूनिंग बिल्ड्स (जो पास होते हैं) के बीच अंतर करता है, जबकि विषाक्त SVD बिल्ड्स को फ्लैग करता है।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि परप्लेक्सिटी, MMLU, और डेटा-फ्री फिडेलिटी स्वीकृति एजेंट सुरक्षा को प्रमाणित नहीं करती हैं।

गुडहार्ट का नियम (Goodhart's Law): यह अध्ययन LLM कंप्रेशन में गुडहार्ट के नियम को स्थापित करता है: एक बार जब कोई प्रॉक्सी (परप्लेक्सिटी, MMLU, या फिडेलिटी प्रोब) स्वीकृति लक्ष्य बन जाता है, तो एक बिल्ड वास्तविक उद्देश्य (निष्ठापूर्ण प्रक्रिया निष्पादन) में विफल होते हुए भी उसे संतुष्ट कर सकता है।
ऑपरेटर-विशिष्ट जोखिम: जोखिम केवल सटीकता में गिरावट से नहीं, बल्कि कंप्रेशन के प्रकार (कोहेरेंट लो-रैंक बनाम इनकोहेरेंट प्रूनिंग) से जुड़ा है।
कार्यशील स्क्रीनिंग (Actionable Screening): प्रस्तावित कोहेरेंस-रेट मेट्रिक एक पूर्व-फ्लाइट चेक में चेतावनी भरे निष्कर्ष को एक तैनात करने योग्य जांच में बदल देता है। लेखक दावा करते हैं कि एक लो-रैंक-फैक्टराइज्ड बिल्ड जो इस स्क्रीन को क्लियर करता है, वह "इस अक्ष पर एजेंट-सुरक्षित" है, जबकि जो इसे ट्रिप करता है, वह नहीं है।
दायरे की विनम्रता (Modesty of Scope): लेखक अपने दावों को स्पष्ट रूप से सीमित करते हैं:
- डिटेक्टर थ्रेसहोल्ड सांकेतिक हैं और परीक्षण किए गए विशिष्ट 7–8B डेंस मॉडल्स के लिए फिट किए गए हैं; वे क्वांटाइजेशन की सूक्ष्मताओं को हल करने का दावा नहीं करते हैं।
- "इन्वेंशन" दरें इंस्ट्रूमेंट-विशिष्ट (सिंथेटिक SOPs) हैं, लेकिन ऑपरेटरों (SVD बनाम प्रूनिंग) के बीच का विपरीत अंतर एक मजबूत निष्कर्ष है।
- विफलता मोड स्पेक्ट्रम-कंडीशनल है (स्पेक्ट्रल हेडरूम पर निर्भर); हालांकि, ऑपरेटर तंत्र आर्किटेक्चर-जेनेरिक है।
- वे यह दावा नहीं करते कि यह विफलता सभी एजेंटिक व्यवहार संबंधी जोखिमों को समाप्त करती है, केवल यह कि वर्तमान गार्ड स्टैक इस विशिष्ट विफलता को मिस करता है।

निष्कर्षतः, शोध पत्र तर्क देता है कि जब तक प्रस्तावित कोहेरेंस-रेट मेट्रिक जैसा स्क्रीन मानक नहीं बन जाता, तब तक कंप्रेशन स्वीकृति और एजेंट परिनियोजन को अलग-अलग गेट के रूप में माना जाना चाहिए।