大语言模型的格表示假说

基于摘要分析。本文研究大语言模型的嵌入几何能否承载概念层级与逻辑结构，提出 Lattice Representation Hypothesis：以几何中的符号骨架连接连续表征与符号抽象。 核心机制是将 Linear Representation Hypothesis 与 Formal Concept Analysis（FCA，形式概念分析）统一起来：带分离阈值的线性属性方向，通过半空间交集诱导概念格。作者将几何 meet（交）与 join（并）操作用于解释符号推理，并指出当属性方向线性无关时，该结构具有规范形式。摘要不足以核对这些操作的严格定义、适用条件及规范形式的推导。 作者报告，在 WordNet 子层级上的实验为 LLM 嵌入编码概念格及其逻辑结构提供了经验支持。具体模型、属性方向与阈值的获取方式、子层级选择、评价指标、对照基线、消融及统计信息尚未验证，因此不能据此判断结论在不同模型或概念体系中的普适性。 平台推测（待验证）：若 EEG 表征具有可分离的语义属性方向及明确的概念层级监督，可尝试复用其半空间与概念格分析工具，检验表征是否保持属性组合关系；需改造属性定义、阈值估计和层级标注，而非直接迁移语言概念结构。低信噪比、跨被试与通道差异、小样本条件可能使方向及阈值不稳定。一个可证伪的小实验是：在具有明确属性层级的 EEG 任务中，仅用训练集估计方向与阈值，在留出被试上检验属性组合关系，并与打乱层级的对照比较。该假设不是本文已验证的结果，相关 EEG 工作尚未检索确认。