2026年10月26日にarXivプラットフォームで公開された論文「From Target Selection to Condition Reuse: Auditing Residual Interventions in Tool-Use Models」は、大規模言語モデルがツール利用の場面において条件の再利用能力を有するかどうかに焦点を当てています。本研究ではQwen3.5-27Bモデルを対象とし、新たに構築した32の“世界”（fresh worlds）において実験を実施しました。課題設定では、時間や権限などの条件に基づいて、ツールの呼び出し資格およびターゲットの選択を判断することが求められました。
結果は次のとおりです。二つのケース特化型の残差書き込み（residual-writing）による介入手法により、既知のターゲット選択の正答率はそれぞれ35/128から119/128へ、33/128から114/128へ向上しました。しかし、タスクにおいて既知の事実と識別子を再構成すると、これらの改善効果は完全に消失し、むしろモデルは以前に報酬を得た識別子を選択する傾向を強めました。さらに、介入効果は出力形式の違いにかかわらず安定していたものの、『ある候補が資格を有しているかどうか』あるいは『選ばれるべきかどうか』といった独立した判断能力については、ほとんど向上しませんでした。
さらに分析を行ったところ、事前に設定された二次的な比較タスクにおいて、初期層のソースパッチは、ソース事実が呼び出された場合には64件中50件の判断結果を変更する一方で、ソースが呼び出されなかった64件ではわずか1件のみ不適切な変化を引き起こすにとどまりました。この選択的な影響は、完全な動作が正しく実行されたことを意味するものではありません。これにより、本研究は、介入効果の評価は「目標とする答えを出力できるかどうか」に留まるべきではなく、編集後のモデル状態が実際に各種の下流計算にどのように利用されるかを検討することで、目標の選択、条件判断、およびアクション実行の三者の間にある本質的な分離を明らかにすべきであると強調しています。