프런티어 LLM 11개·15개 분포 대상으로 native probabilistic sampling 능력을 통계적으로 감사한 첫 대규모 연구. 두 프로토콜(Batch Generation: 한 응답에 N=1000 샘플 / Independent Requests: stateless 1000 호출)에서 sharp 비대칭 — Batch는 7% 중간 통과율, Independent는 11개 모델 중 10개가 모든 분포에서 fail. 분포 복잡도와 N 증가에 따라 sampling 충실도 단조 감소. MCQ 답안 위치 균일성 위반·인구통계 텍스트-이미지 프롬프트 시스템 편향 등 다운스트림 task에 직접 영향. 통계 보장이 필요한 응용에는 외부 sampler 필수.

• •11개 프런티어 LLM·15개 분포에서 native probabilistic sampling 통계적 감사 — 첫 대규모 연구.
• •Batch Generation 7% 중간 통과 vs Independent Requests 11개 중 10개 전부 실패 — sharp 비대칭.
• •분포 복잡도·sampling horizon N 증가에 따라 sampling fidelity 단조 감소.
• •MCQ 답안 위치·인구통계 T2I 프롬프트 등 다운스트림 task에 systematic bias 전파.
• •통계 보장 필요한 응용에는 LLM 내부 sampler 대신 외부 도구 필수.