대규모 언어 모델은 데이터가 부족한 최적화 문제를 해결하기 위해 대리 모델 (surrogate models) 로 사용되고 있지만, 최적화기 (optimizer) 가 받는 예측값과 그 불확실성은 여전히 잘 이해되지 않았습니다. 우리는 희소 관측 (sparse observations) 환경에서 LLM 에서 유도된 대리 신념 (surrogate belief) 을 연구하여, 이는 프롬프트 텍스트와 쿼리 프로토콜에 강하게 의존함을 보여줍니다. 우리는 샘플 일관성 함수들 사이의 잔여 모호성 (residual ambiguity among sample-consistent functions) 과 모델 불확실성이 일치하는지 측정하는 불확실성 정렬 기준 (uncertainty-alignment criterion) 을 소개합니다. 통제된 추론 과제와 베이지안 최적화 연구에서, 구조적 프롬프트는 효과적인 사전 확률로 작용하며, POINTWISE 와 JOINT 쿼리는 다른 신념을 유도하고, 순차적 증거는 비모노토닉 (non-monotonic), 순서 민감한 신뢰도 업데이트를 유발함을 찾았습니다. 이러한 효과들은 후속 획득 결정과 regret 를 변화시키며, elicitation protocol 이 LLM surrogate 의 스펙ification 이 아니라 형식화 세부 사항에 불과함을 보여줍니다.