Abstract
В работе исследуется возможность использования больших языковых моделей (LLM) в качестве источников стохастических бинарных после-довательностей с управляемыми статистическими свойствами. Показано, что ги-перпараметр температуры, регулирующий дисперсию выходного распределения вероятностей токенов, может рассматриваться как инструмент контролируемого управления энтропией генерируемых данных. На основе модели GPT-2 реализована методика преобразования вероятностных выходов LLM в бинарные последователь-ности фиксированной длины и проведена их оценка с использованием энтропийно-го анализа и адаптированного набора статистических тестов, аналогичных NIST SP 800–22. Экспериментальные результаты демонстрируют монотонный рост энтропии с увеличением температуры и существенное улучшение статистических характери-стик последовательностей. При температурах T ≥ 2.0 достигается прохождение до 83,3 % применённых тестов, что соответствует уровню качественных псевдослучай-ных последовательностей для некриптографических применений. Одновременно выявлено ограничение подхода, связанное с наличием слабовыраженных периоди-ческих компонент, обусловленных архитектурной детерминированностью модели. Полученные результаты определяют границы применимости LLM в задачах модели-рования, синтеза данных и тестирования алгоритмов.