본 논문은 대규모 언어 모델(LLM)을 확률적 기호론적 엔진으로 개념화하고, 그 출력이 능동적이고 비대칭적인 인간 해석을 요구하는 새로운 기호론적 프레임워크를 제안한다. 정보 이론적 도구를 사용하여 표현적 풍부함(기호론적 폭)과 해석적 안정성(해독성) 사이의 트레이드 오프를 공식화한다. 폭은 소스 엔트로피로 정량화되고, 해독성은 메시지와 인간 해석 간의 상호 정보로 측정된다. 이 트레이드 오프를 관리하는 생성적 복잡성 매개변수 (lambda)를 도입하고, lambda의 함수로서 폭과 해독성을 모두 정의한다. 핵심 트레이드 오프는 lambda에 대한 개별 응답의 창발적 속성으로 모델링된다. 청중과 컨텍스트에 의해 매개변수화된 기호론적 채널을 정의하고, lambda를 최적화하여 정의된 의미 전달에 대한 용량 제약 조건을 제안한다. 이 프레임워크는 불투명한 모델 내부에서 관찰 가능한 텍스트 아티팩트로 분석의 초점을 전환하여 폭과 해독성을 경험적으로 측정할 수 있게 한다. 모델 프로파일링, 프롬프트/컨텍스트 설계 최적화, 모호성을 기반으로 한 위험 분석, 적응형 기호론적 시스템 등 네 가지 주요 응용 분야에서 프레임워크의 유용성을 입증한다.
