다음은 요청하신 텍스트의 전문적인 한국어 번역입니다.내재 차원(Intrinsic Dimension, ID)은 현대 대규모 언어 모델(LLM) 분석에 있어 중요한 도구로서 학습 역학, 스케일링 동작(scaling behavior) 및 데이터셋 구조 연구에 정보를 제공하고 있으나, 이를 결정짓는 텍스트적 요인에 대해서는 아직 충분히 연구되지 않았습니다. 본 연구는 크로스 인코더(cross-encoder) 분석, 언어적 특징, 그리고 희소 오토인코더(Sparse Autoencoders, SAE)를 통해 ID를 해석 가능한 텍스트 속성에 기반을 둔 최초의 포괄적인 분석 결과를 제시합니다.본 연구에서는 세 가지 핵심 결과를 도출했습니다. 첫째, ID는 엔트로피 기반 지표와 상호 보완적입니다. 텍스트 길이를 통제했을 때 두 지표는 상관관계가 없으며, ID는 예측 품질과는 독립적(orthogonal)인 기하학적 복잡성을 포착합니다.둘째, ID는 견고한 장르별 계층화를 보입니다. 테스트한 모든 모델에서 과학 산문은 낮은 ID(약 8), 백과사전식 콘텐츠는 중간 ID(약 9), 창작물 및 오피니언 글은 높은 ID(약 10.5)를 나타냈습니다. 이는 최신 LLM이 과학 텍스트를 "표현적으로 단순(representationally simple)"하다고 인식하는 반면, 픽션(fiction)은 추가적인 자유도를 필요로 함을 보여줍니다.셋째, SAE를 활용하여 인과적 특징을 식별했습니다. 과학적 신호(격식 있는 어조, 보고서 템플릿, 통계)는 ID를 감소시키는 반면, 인간화된 신호(개인화, 감정, 서사)는 ID를 증가시킵니다. 조향(steering) 실험은 이러한 효과가 인과적임을 확인해 줍니다.결론적으로 현대 모델들에게 과학적 글쓰기는 비교적 "쉬운" 것으로 나타나는 반면, 픽션, 오피니언, 정서(affect)적 요소는 표현의 자유도를 증가시킵니다. 우리의 다각적인 분석은 ID의 올바른 사용과 ID 기반 연구 결과의 타당한 해석을 위한 실용적인 지침을 제공합니다.