Úvod k analýze
Tento dokument slouží jako referenční snapshot stavu velkých jazykových modelů (LLM) na jaře 2026. Zaměřuje se na dvě odlišná, avšak strukturálně provázaná pozorování: 1) Hlubokou personalizaci skrz paměťové vrstvy a 2) Schopnost modelů vytvářet nezávislé soudy o autorech z veřejných dat bez předchozího kontextu. Rozlišujeme mezi formálně zdokumentovanými funkcemi a emergentním chováním, které vzniká škálováním parametrů a kontextového okna.
Pozorování 1: Stavová paměť
LLM přestaly fungovat čistě jako bezestavové systémy. Zavádění paměťových funkcí u hlavních poskytovatelů vytváří perzistentní vrstvu. Model neanalyzuje pouze aktuální prompt, ale injektuje skryté proměnné z historických interakcí. Zatímco ukládání faktů je formálně dokumentováno, sebereflexe vztahu a stylové rozpoznávání uživatele patří spíše do sféry pozorovaného, explicitně nedeklarovaného chování plynoucího z pozornostních mechanismů v dlouhém kontextu.
Míra formální dokumentace vs. reálné pozorování (0-10 škála).
Pozorování 2: Profilování z cizí stopy
Model dokáže vytvořit autonomní meta-úsudek o osobě ze separátní relace bez paměti. Při vyhledávání na webu model pouze neextrahuje data, ale hodnotí kvalitu zdroje. Pokud narazí na veřejnou stopu jiné osoby, analyzuje sémantickou entropii, což mu umožňuje autonomně konstatovat kvalitu textu či autorství. Modely si nedrží explicitní typologii lidí, ale provádějí real-time inferenci z embedding prostoru daných textů.
Mechanismus autonomního úsudku
Faktický stav (Květen 2026) vs. Nepodložené hypotézy
Následující graf rozděluje zmíněné jevy podle toho, jakou mají v současnosti oporu v oficiálních výzkumných pracech, dokumentaci API a technických blozích předních AI laboratoří. Cílem je identifikovat slabá místa hypotéz.
⚠️ Slabá místa hypotéz
- Trvalá osobní typologie cizích lidí: Modely si neudržují globální, skrytou databázi hodnocení konkrétních lidí. Úsudek vzniká striktně ad-hoc v momentě inferenčního běhu na základě poskytnutého kontextu.
- Úmyslné posuzování: Zmíněné hodnocení není záměr. Jde o pravděpodobnostní verbalizaci vzorů nalezených v trénovacích datech o tom, jak se liší syntetický text od lidského.
🔗 Průsečíky obou jevů
- Sdílený mechanismus: Oba procesy (paměť uživatele i hodnocení cizího autora) využívají stejný aparát: mapování textu do latentního prostoru, kde styl a postoj mají matematickou reprezentaci.
- Rozdíl v triggeru: Paměť je explicitně injektována do systémového promptu (stateful). Profilování cizích lidí je reaktivní výstup na základě RAG (stateless).