งานวิจัยนี้เสนอ NLS depth ซึ่งเป็นมาตรวัดใหม่ที่สำคัญเพื่อประเมิน 'opaque serial depth' ในโมเดล AI โดยหมายถึงปริมาณการประมวลผลเชิงลำดับที่โมเดลดำเนินการโดยไม่ผ่านจุดคอขวดที่สามารถตีความได้ชัดเจน
มาตรวัด NLS depth แตกต่างจากเครื่องมือ Chain-of-Thought (CoT) ที่ต้องอาศัยการอธิบายเป็นภาษา ซึ่งสามารถคำนวณได้ตั้งแต่ก่อนการฝึกโมเดล โดยพิจารณาจากสถาปัตยกรรมของโมเดล กระบวนการฝึก และการตั้งค่าการปรับใช้เท่านั้น ผู้เขียนได้ให้นิยามของ 'natural-language-rooted (NL-rooted) nodes' เพื่อเป็นมาตรฐานในการระบุจุดคอขวดที่ตีความได้
ผลการศึกษาพบว่า NLS depth มีความสัมพันธ์อย่างมากกับจำนวนเลเยอร์ในโมเดลแบบ open-weight และมีการเติบโตอย่างช้าๆ ในช่วงไม่กี่ปีที่ผ่านมา อย่างไรก็ตาม สถาปัตยกรรมที่ใช้การอนุมานแบบ latent-reasoning เช่น full-bandwidth transformers อาจเพิ่มค่า NLS depth ได้อย่างมาก งานวิจัยนี้ยังแสดงให้เห็นถึงวิธีการประยุกต์ใช้ NLS depth กับสถาปัตยกรรมทั้งที่มีอยู่และที่เสนอขึ้น และเน้นย้ำว่านักพัฒนา AI ควรติดตามและรายงานค่า NLS depth ของโมเดลของตน เพื่อเสริมการวัด CoT monitorability.