위험 가격 책정, 자본 배분, 환자 분류, 네트워크 침입 대응 같은 중대한 정량적 의사결정에서의 발전이 대형 언어모델(LLM)의 발전을 따라올 것이라는 응용 머신러닝의 통념에 이 논문은 의문을 제기한다. 언어모델은 사람이 서술한 세계의 표현으로 학습되는데, 서술은 정량적 기록의 손실 압축 인코딩이며 이 손실은 되돌릴 수 없어 어떤 규모의 다운스트림 모델도 서술이 담지 못한 정보를 복원할 수 없다. 저자들은 이를 모델 용량이 아니라 학습 표현 자체의 속성으로 정식화하고, 중대한 상황이 요구하지만 언어 기반 구조로는 원천적으로 제공할 수 없는 세 가지 추가 속성으로 재현성, 모든 출력에서 근원 기록으로의 계보 추적, 보정된 불확실성을 제시한다. 이 속성들이 대형 언어모델과 구분되는 새로운 모델군, 즉 '대형 정량 모델(LQM)'을 정의한다고 주장한다.

• •정량적 의사결정 발전이 LLM 발전에서 자동으로 따라온다는 통념에 이론적으로 반박
• •서술은 정량적 기록의 손실 압축이며 이 손실은 어떤 모델 규모로도 복원 불가능함을 정식화
• •재현성·출처 계보 추적·보정된 불확실성을 언어 기반 모델이 원천적으로 제공 못하는 속성으로 제시
• •이 속성들이 LLM과 구분되는 새로운 모델군 '대형 정량 모델(LQM)'을 정의한다고 주장