Et nyt forskningspapir fra arXiv introducerer 'Revelation Control' – en ramme til at vælge, hvilke informationer en AI-model skal afsløre under træning og inferens, så kun viden, der faktisk kan ændre en beslutning, bliver synlig. For beslutningstagere, der bygger eller køber AI-systemer, handler det ikke om teknisk detalje, men om at forstå, hvordan man kan få mere værdi ud af modellerne – og undgå at betale for unødvendig kompleksitet.
Kernen er, at systemet skal afsløre skjult tilstand kun i det omfang, det kan påvirke en konkret beslutning. Papiret adskiller ren informationsværdi fra produktiv genbrug og giver et præcist kriterium for, hvornår ekstra information er beslutningsrelevant. Det betyder, at man kan designe modeller, der er billigere at træne og køre, fordi de ikke spilder ressourcer på at lære detaljer, der alligevel ikke ændrer udfaldet.
Empiriske tests på Qwen2.5-7B og Mistral-7B-v0.3 viser, at dybere fremtidige læringssonder har positiv beslutningsværdi, og at produktiv genbrug giver fordele ved samme beregningskraft. Qwen viser desuden tegn på et regime, hvor lavvandet afsløring er beslutningsrelevant, mens Mistral understøtter, at en simpel fortsættelsesarkitektur kan være tilstrækkelig inden for en bestemt arkitekturfamilie.
Vigtigst for strategiske beslutninger: Papiret argumenterer for, at den teoretiske ramme og evalueringsprotokollen er strukturelt overførbare mellem systemer, mens empiriske detaljer – som koefficienter og tærskler – er systemspecifikke. Det betyder, at virksomheder kan bruge samme metode til at vurdere og optimere deres egne modeller, uden at skulle starte forfra.
Læs hele papiret på arXiv for de tekniske detaljer og bevisførelsen.
