Do Large Language Models Play Six Degrees of Separation? Measuring Topological Compression in Long-Context Manifolds

• 类型：arxiv
• 标识：2608.17950
• 链接：http://arxiv.org/abs/2608.17950v1
• 主分类：evaluation
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar
• S2被引：0
• 影响力被引：0
• TLDR：This work mathematically formalizes how transformers execute abstract reasoning and provides a novel, strictly geometric signature for evaluating factual reliability, proving that deep LLM latent spaces natively organize into Small-World networks.
• 待LLM分类：否
• 成熟度：research
• 场景：LLM评估、几何分析、事实可靠性
• 标题中文：大语言模型是否在玩"六度分隔"？长上下文流形中的拓扑压缩度量
• TLDR中文：该工作数学形式化了 Transformer 如何执行抽象推理，并提出一种新颖的严格几何签名用于评估事实可靠性，证明了深度 LLM 潜空间天然组织为小世界网络。
• 来源文件：
• /inbox/tom/_candidates/2026-08-19-agent-rag-longcontext-candidates.json
• [S2 enrich]
• /inbox/tom/_candidates/2026-08-20-agent-rag-longcontext-candidates.json