（如图6a所绘）中随机行走，其序列对应的信息熵是2比特，而当将所有节点视作一个聚簇时，随机游走时对应的信息熵变为了0比特，此时信息熵的减少可视为模型压缩带来的收益。聚簇的个数越少，压缩带来的收益越多。
图6：量化模型压缩带来的收益，发现对于个人（图6c）和群体（图6d），知识网络在构建时，其压缩带来的收益都超过了零假设，从而支持了好奇心是由模型压缩驱动带来的这一假说。
以上两种对好奇心的解释，各自有各自的不足。信息差假设下，学习者只追求知识的成长和完整性。而在压缩收益的解释下，追随好奇心是为了努力揭示世界的潜在组织。但在一个更复杂的环境中，随着新的未知事物的出现，无知的边界迅速扩大，好奇心所要承担的责任，不仅是有效地添加或放弃信息，更包括承认我们已经拥有的东西的价值。然而以上两种解释，都只关注了新增信息的价值，没有考虑对已有信息之间关联的改变带来的收益。
由此，作者对好奇心提供了一种新的解释，将好奇心定义为知识网络构建过程中局部内部刚性（rigidity）和全局外部灵活性（flexibility）之间的平衡。刚性和灵活性是一种需要将感兴趣的对象嵌入到物理空间中的机械概念。假设知识网络嵌入在欧几里得空间中，网络拥有多个自由度。灵活性可以看成网络经过构象变化而不改变其拓扑结构的能力。
刚性和灵活性是两个来自机械网络的概念。如图7a中的网络就具有刚性，而图7b的网络则具有灵活性，通过将具有刚性和灵活性的网络模块组合，可以生成图c这样即具有局部刚性、又具有全局灵活性的网络。通过节点之间边的重连，也可以生成包含338个节点、672个边的quadrifolium，该网络在局部是稳定的，在全局来看又具有很高的自由度。
图7. 机械网络中的构象变化示意图
节点之间代表全局灵活性的指标d，在个体和集体的知识网络构建过程中显著高于随机连接的网络，从而支持好奇心的驱动力是构建在全局具有灵活性的知识网
