대형 예측 모델이 훈련 데이터를 단순히 따라 하는지 아니면 진정한 통찰력을 생성하는지에 대한 물리적 설명이 부족하다는 점에서 시작한다. 본 연구는 다음 토큰 예측과 미래 경로 엔트로피를 임계적으로 균형을 이루는 학습의 준안정적 단계로서 나타나는 직관의 원시적인 형태를 보고한다. 직관 메커니즘은 mind-tuning을 통해 발견되었으며, 이는 제어 온도 유사 매개변수 $\lambda$를 사용하여 예측 모델에 Maximum Caliber를 부과하는 최소 원리이다. 결정론적 미로에서의 랜덤 워크 학습은 모방(낮은 $\lambda$), 규칙 위반 환각(높은 $\lambda$), 그리고 강한 프로토콜 의존성(이력 현상)과 다중 안정성을 나타내는, 모델이 자발적으로 새로운 목표 지향 전략을 발견하는 취약한 중간 창을 포함하는 풍부한 위상 다이어그램을 보여준다. 이러한 결과는 효과적인 저차원 이론으로 포착되며, 직관을 현재의 기억과 미래에 대한 궁금증 사이의 임계 균형에서 나타나는 속성으로 프레임한다.
