연구진은 모듈 시스템에서 증거 가시성을 제한하는 것이 학습에 미치는 영향을 테스트했어요. 4개의 셀로 구성된 사회는 고정된 사전 훈련된 언어 모델과 저랭크 어댑터를 공유하며, 고정된 모델 폭의 연속 벡터를 통해 통신해요.
제한된 가시성을 가진 사회는 10개의 일치된 제한/전역 쌍에서 9쌍 모두 20% 이상의 성능 향상을 보였고, 깊이별 중간 우위는 각각 0.7648과 0.6050이었어요.
통신을 차단하면 제한된 사회는 무작위 수준으로 돌아가고, 훈련에 나타나지 않은 복합 함수를 가진 프로그램에서 깊이 3의 우위는 0.558로 유지돼요.
동일한 값의 패킷을 전송하면 6개의 감사된 제한된 사회에서 모든 테스트 인터페이스에서 0.94~1.00의 동작을 유지하고, 파괴적인 개입은 성능을 저하시키며, 반사실 패킷은 수학적으로 예측된 답변을 향해 출력을 리디렉션해요.