llcore 验证 arc 合集(#38–#42):防御性公开 × 2ⁿ 壁垒 × 强梯度胜过进化 × 兰顿蚂蚁的幻象 + 补遗
🌐 语言: 日本語 | English | 中文 | 한국어
📚 FullSense 合集系列
- llcore 验证 arc 合集（this）
- lldarwin / 进化 arc 合集
- llive 完全解说合集
- llmesh 合集
- 通俗版合集
目录
- 一天之内跑完「反证检验 → 专利清查 → 放弃申请 → 防御性公开」
- 「窗在实现里关上了，但墙纹丝不动」的报告
- 「我以为赢了的那一刻，自己的框架把自己拦住了」的报告
- 把三篇束于一点：「简单的确定性规则制造出表面的秩序」
- 为什么我想要一幅「在 3D 里漫步 LLM」的画面
- 进度条不动时，你能等几分钟
第1章 一天之内跑完「反证检验 → 专利清查 → 放弃申请 → 防御性公开」
📖 一句话概括
一句话概括，这是花一整天去彻底怀疑「我们的研究，真的钻进了世界上谁都没做过的缝隙里吗？」的故事。我们让 56 个充当批判角色的 AI 去搜寻「这个主张应该早就有先行研究了」的反例，连专利数据库都拿来比对，最后确认到「四个条件在同一个点上同时重叠的缝隙」确实还空着。一般来说这时就该去申请专利了，但权衡了金钱与时间之后，我们放弃申请，转而选了一招防守棋——「把技术连同日期全部公开、先把旗插上（= 防止日后被别人用专利圈起来）」。这是一份关于这个决策的记录。
2026 年 6 月 6 日，我（笔者）向 AI（Claude Code）提出 「请检验我们所做的事情是否真的具有差异化」。AI 以 反证检验（adversarial verification） —— 让大量验证角色的 AI 故意去反证、否定我们自己的主张，看它是否仍能存活的方法 —— 来回应。56 个验证代理从 7 + 3 个角度去搜寻「这个主张应该能用先行研究反证」的反例，另一支别动队甚至查询了专利数据库。
结果如下。
- 学术文献中的反证（breaks）：0 件（对 44 个候选逐个判定，没有任何人填满了「四隅同时」）。
- 专利中的反证：0 件（在英文 14 + 日文 3 个查询里，没有专利占据这个交叉点）。
- 于是我决定不申请专利（成本判断），转而立起一面叫**防御性公开（defensive publication）**的旗。
这篇文章，是那一天的故事（反证检验的设计与结果、以及决策）加上**我们所公开的内容（= 四点交叉点的技术）**的拆解版。文章的顺序一如既往：①术语说明 → ②拆解（平易） → ③详细。
① 术语小辞典（免得在正文里卡住）
| 术语 | 一句话 |
|---|---|
| 反证检验 (adversarial verification) | 不是去肯定自己的主张，而是让大量验证角色（AI）故意去反证、否定它，再以它是否仍能存活来衡量主张的强度。可以想象成雇批评者而非捧场者。 |
| 防御性公开 (defensive publication) | 不是去「取得」专利，而是把技术公开、使其成为先行技术。这是一种「先立旗」的防御，让某人（包括大厂）日后无法用同一发明申请专利来束缚我方或公众。 |
| 先行技术 (prior art) | 能让你说出「那个发明已经是公知了」的既有公开物。否定新颖性的材料。日期是命门。 |
| 收缩性 (contraction, ρ<1) | 回声（过去的扰动）随时间衰减的性质。谱半径 ρ 小于 1。可以想象成一根弹簧总会回到静止位置。记忆核不暴走、会「遗忘」的性质。 |
| 健全的证明 (sound proof) | 一旦说「证明出来了」就真的正确（绝不发出假合格）的证明。与统计上「大概安全」是两回事。 |
| prove-then-reject 门 | 一道关卡，证明之后才采用变异（更新），不行就棄却。fail-closed（无法证明就不放行）。 |
| 记忆核 (memory core) | 罩在 LLM 周围的「记忆部件」。本研究中是带漏与饱和的递归（RWKV 系）s_{t+1} = decay⊙s + (1−decay)⊙tanh(W s + V x)。 |
| 进化循环 (evolution loop) | 转动变异 → 选择 → 下一代来搜寻优秀个体的最优化。这里把证明门放在那个选择的关卡上。 |
| SMT 求解器 (Z3 等) | 解判逻辑式是否可满足的万能求解器。很重。本研究的结论是它「其实并不需要（只是装饰）」。 |
| tracking tube（追踪管） | 保证实际与「理想轨道」的偏差收在一个**管（半径 r）**之内。r = G·w̄/(1−L)。 |
| SSGM | 仅以理论提出「统御进化记忆」write 门的先行研究（arXiv:2603.11768, 2026）。在招牌上最接近的对手。 |
| navigability（可探索性） | 进化是否「易于移动的地形」。与学习变聪明是两回事。验证器的功效在这一侧。 |
② 拆解 —— 3 分钟看懂全貌
先从生物学的生态位（niche）讲起。在进化里，「钻进了一个生态位 —— 一个还没有其他物种占据的缝隙 —— 的物种」会存活下来。AI 的世界也类似。大厂（OpenAI/Google 等）是「平均上聪明的大型物种」，占据着广阔的平原。我们在那片平原上赢不了。所以我们去找谁都没填的缝隙，再造一个正好嵌进去的部件。这一次，恰好嵌进那个缝隙的，是一个叫 llcore 的具体系统。
llcore 用一句话说，就是 「一个拥有记忆的 AI 部件，为了不让自己暴走，给自己加上了一道『证明的关卡』的系统」。记忆核每更新一次就会变异（进化），但在采用任何变异之前，都必须先通过这道关卡（门）。关卡只放行**能在数学上证明「即便加入这次更新、记忆也不会暴走」**的那些变异，证明不出来就一律拒之门外（fail-closed）。
这个系统之所以能恰好嵌进那个「缝隙」，是因为下面 4 个条件在同一个点上重叠。
- 健全的收缩性证明（在数学上保证回声必定衰减，而且绝不发出假合格）。
- 把它打在LLM 记忆核的内部（不是控制机器人也不是分类器，而是「记忆部件」本身）。
- 在进化循环之中，把不行的变异棄却（丢掉 = 不是把它推回去 = 不是射影）。
- 而且有能跑的实现与实验（不止步于纸上谈兵）。
把这 4 件同时满足的先行研究，即便让 56 个验证角色 AI 来批判性地检验、查询专利 DB，也没找到。每一个条件都有先行（我们诚实地把名字全部列出）。但没有人「同时占据四隅」。这就是四点交叉点（four-point intersection）。用生物学的生态位来说，llcore 正好坐落在那四条边界线交汇的那一个点的缝隙里（用孙子的话说，「避实击虚」）。
还有一个重要决策。这个缝隙在专利里也是空白。一般来说接下来就会是「那就去申请专利吧」。但专利又花钱又花时间。我放过了那里，转而选择了**「公开、先立旗」的防御性公开**。目的不是进取而是防御 —— 未雨绸缪地使其失效：日后有人（大厂，或 SSGM 的后续实现）用同一概念申请专利来束缚我方或公众。只要带着日期公开了，它就成了公知的先行技术，后出的专利会因新颖性而被否定。
不过 —— 这是我们一以贯之的纪律 —— 我们不注水。我们不说「世界首创」。正确的说法是**「在我们反证检验的范围内，同时占据四隅的先行为零」**。我们一定保留「探索范围之外不得而知」的留白。
③ 详细 —— 一天的会话，以及所公开技术的内容
3.1 反证检验的设计（为了可复现）
自己说「我的研究很强」没有意义。所以 AI 搭了一套反证主导的工作流。
- 从 7 个角度搜寻反证：证明门的谱系 / certified training / Transformer 稳定性 / 进化 × 验证 / verified memory / runtime assurance / 产业·专利。
- 追加 critic 指出的 3 个盲点角度：从形式方法会议一侧的反查 / certified continual learning 的词汇系 / 内部状态·SSM 的解释。
- 用 5 轴评分表对 44 个候选逐个判定（是否对更新设门 / 是否健全证明 / 是否 LLM 记忆核 / 是否在进化循环内 / 是否有实现）。判定方的 AI 必定用 WebFetch 确认一手信息（arXiv 的 abstract/HTML）（禁止道听途说）。
- 并行地，内部的 AI 抽取我们自己论文草稿的弱点（honest disclosure：自家人挑刺）。
确定结论是 breaks 0 / narrows 36 / background 8（44 件）。存活下来的差异化核心，就是上面的四点交叉点。
3.2 「四隅」各自最接近的对手（全部列名）
新颖性的诚实，取决于「能否用一句话点名全部」。逐隅，用一句话点出最接近的先行：
- SSGM（arXiv:2603.11768） —— 仅以理论抢先拿下「统御进化记忆」的招牌。门是 NLI（矛盾检测），并非健全的形式证明，也没有实现。→ 作为扛招牌的对手必须引用。实现 + 证明的窗口是空着的。
- SEVerA（arXiv:2603.25111） —— 对自进化代理施以 Dafny/SMT 验证。但对象是输出契约，不是对记忆核收缩性的每次更新设门。
- PSV-Verus（arXiv:2512.18160） —— self-play 循环内的健全 SMT 门。但验证对象是生成代码的正确性。
- Provably Safe Model Updates / LID（arXiv:2512.01899） —— 用抽象解释把更新认证为 δ-safe。但它是**射影（推回去）**而非 prove-then-reject，对象是 frozen-embedding 的分类 head。
- GP × 模型检查（Katz & Peled, arXiv:1402.6785, 2014） —— 在进化循环里放一道健全检查门的模式先例。所以我们不主张门这个模式本身是新颖的。只有把它应用到记忆核的收缩性上，才是未踏之地。
- Enforced-Lipschitz Transformers（arXiv:2507.13338）/ R2DN（arXiv:2504.01250） —— 用结构来强制（by-construction）收缩性。这是最强的对抗设计：「根本不需要门，一开始就内嵌进去」。我们把by-construction 对 prove-then-reject作为设计轴来对比（结构强制牺牲表现力，棄却门则在无结构约束下检查任意更新）。
- Safeguarded AI（ARIA programme） —— 最具权威的 proof-gated-gatekeeper 概念。但门的对象是行为/计划（输出门），不是对权重/记忆更新设门，而且还停留在 programme 阶段。
- Emergent FV / substrate-guard（arXiv:2603.21149） —— 用 Z3 验证 AI 的输出的、能跑的系统。但它是事后监视，不是每次更新设门。
（以上 arXiv ID 只使用在论文草稿中已与 abstract 核对过的那些。）
🗒️ 「唔…考察还是太浅了。不能再深入想想吗…？」—— 仅把先行研究列个名就满足，是我们的自戒（© Forbidden shibukawa / SHUEISHA・Snack Basue）
3.3 专利面的查询（补学术审计留下的窟窿）
学术审计只看了文献，没看专利 DB（作为不在证据偏弱）。于是一支别动队用英文 14 + 日文 3 个查询，查询了 Google Patents / USPTO。
- 占据交叉点的专利：零件。
- 最接近的专利只有 3 个谱系，且都在交叉点之外：
- US11715005B2 —— 用哈希匹配来验证 NN 的真正性（是密码哈希，不是健全证明）。
- US10896032 —— certify-then-deploy 的治理门（根据是程序性 attestation）。
- US11868855 —— 模型/权重的「stability」验证（但大概率是可用性·耐故障意义上的蓋然性）。
- 一个有趣的结构性证据：当你查询「用健全证明对更新/记忆/进化设门」时，即便对专利 DB 指定了 site，结果也几乎全部偏到了 arXiv。这是「这个概念还停留在学术阶段、尚未被专利化」的间接证据。
→ 结论：专利面也 clear。不过由于 US10896032 / US11868855 在词汇上部分重叠，我们在论文的 related work 里先发地放了 1～2 句对比：「与展开治理型门 / 运营稳定性验证不同，本研究是用健全证明对权重更新的解析性 contraction 性质设门」。
3.4 所公开技术的内容（防御性披露的本体）
防御性公开如果不写到「当业者可实施的详细度」，作为先行技术就会偏弱。所以披露文件里，把以下内容写到了可实现的层级。
(a) 健全收缩性证明器的梯子（ladder）。 从便宜的开始，共 3 级：
-
cert_inf—— 闭式 ∞-范数上界（O(n²)）。利用各行绝对值之和在端点处取最大的性质，无需求解器。 -
cert_two—— 在全部2^n个顶点上做 SVD。 -
cert_sdp—— 用凸 LMI（内点 SDP, CLARABEL）求共同 Lyapunov 矩阵。
这里是诚实点：项目的旧俗称是「Z3-gated」，但实际的门并没有用 SMT(Z3)。专门跑了一条 Z3 收缩性轨道来确认后，它与闭式 ∞-范数证明器逐字节一致（3270 件中 0 件不一致，连边界附近也是 8000 件中 0 件）。也就是说，在这个不变量类里，Z3 是装饰。所以我们把招牌改正为「健全收缩性证明器的梯子」（这不是撤退而是强项 —— 可以规避求解器依赖与不完全性）。
(b) prove-then-reject 门（fail-closed）。 提出一个子个体 → 证明通过则采用，不行则 resample 直到上限，再不行就采用一个已知安全的 fallback。未证明的子绝不采用。我们把 gate_mode="contraction" / "state_norm" additive 地加入，而默认的 "none" 与既往行为逐字节一致（= 对既有进化基盘的纯粹罩层）。
(c) tracking tube 检查指标。 这是对用户要求「不只要『收缩到某处』，还要看『追踪理想轨道』」的回答。复用门已经在算的量（状态 Lipschitz L、输入增益 G）与外扰上界 w̄，以零额外证明成本报告追踪误差收住的管 r = G·w̄/(1−L)。即便在小规模实测里，收缩性 PASS 的 3 gene 误差/外扰比为 0.50/0.78/1.04，处于理论管之内；而非收缩性的对照则放大 9.3 倍（= 门是 load-bearing，不是装饰）。
(d) verified memory evolution 的 2 条路线。
- 路线 (a)：用健全证明对代理记忆库的更新设门（与 SSGM 的 NLI 理论之差 = 健全证明 + 能跑的门）。
- 路线 (b)：对记忆核的内部状态 dynamics设门（本书已实施）。
(e) 合成：SPC 管制图 runtime 门 + 双层伦理门。 把进化指标通过管制图（X̄–R / CUSUM），在线对时间方向的异常设门。再加上探索自由·采用验证的双层伦理（探索层遵循孙子的「诡道」= 奇手 OK，采用层遵循论语的「仁」= 诚实、门不可避）。
3.5 本日的实现事实（reduced to practice）
它不是纸上谈兵的证据：
- 证明门已正式配线进出货侧的
evolve()（additive 地追加gate_mode/resample_cap，默认"none"逐字节一致，并以测试实证与 research 侧的参考实现全模式一致）。 - tracking tube 报告器也落地了（
r = G·w̄/(1−L)，限定cert_inf，read-only，golden 值一致）。 - 覆盖门 + 报告器的测试 294 件。
- 观测到的门的成本约为 20～60 倍（不隐瞒地披露：证明不是免费的）。
3.6 honest 局限（不弱化）
即便是防御性披露，我们也不弯折 honest disclosure。
-
规模小：核是
n=8（72 个实数 gene）、16 KB 语料、byte vocab。「LLM 记忆核」是机构实证的意思。 - 验证器的 payoff 是 navigability 而非学习（L3）：效果是 EA 固有的，在梯度法里会消失。
- 门是 ~20～60 倍的成本：只在短训练里看着像免费。
- 「false admit 为零」是经验观测，而非机器检查：证明器的条件是健全的，但承载它的实现并未做端到端的形式验证。
- 「未发现」的范围：仅限于反证检验 + 表层专利检索的范围。CNIPA（中文）未查询，专利最长有 18 个月的公开滞后。「在探索范围内」的留白始终保留。
总结 —— 旗是为了「守」而非「攻」才立起来的
今天一天，我们让 56 个验证角色 AI 批判性地检验自己的研究，连专利 DB 都查询了，还是确认到了残留的「四隅空白」。一般来说这时就会去谋求专利，但权衡成本之后，我们放过了申请，转而用带日期的防御性公开立起一面旗。
目的很简单 —— 未雨绸缪地使日后有人用专利把这个空白圈起来、束缚我方或公众的企图失效。为此，我们以当业者可实现的详细度把一切都公开了。并且自始至终，守住不注水的说法：不说「世界首创」，而说「在我们检验的范围内，同时占据四隅的先行为零」。
防御性公开的本体（带日期的开示），如下方追记所述，已升格为包含实现与全部数据的 public 仓库：github.com/furuse-kazufumi/llcore。
下一回（#39 以后），打算 report 这个四点交叉点的本丸 —— verified memory evolution 的小 PoC（记忆库更新路线）的落地。趁 SSGM 以理论拿下招牌的那扇窗，还没被实现合上之前。
追记（2026-06-07）—— 旗变成了实现
本文的次日，预告过的 verified memory evolution PoC 完成了，防御性公开也从「文件」升格为「实物」。
- public 仓库: github.com/furuse-kazufumi/llcore —— 论文草稿（PAPER_DRAFT.md）+ 全部实验代码/数据（570 个文件、318 个测试 green），以带日期的单一提交公开
- trajectory-tube gate（预告过的本丸）: 以预注册 n=40 的决着确认了对记忆 horizon 的效果（论文 §9）
- 更进一步: 「让 AI 自己持有验证器会怎样」—— 在可致死环境中对记忆形成 3 机构（自我预见/复活修复/社会观察）的测量也包含在公开内容里（论文 §9.6）
- 知见幻灯片（CC BY 4.0）: slides/ —— 注明出处即可商用的 10 页摘要（日英）。当前版本是信息密度有限的摘要版 —— 随着研究推进，今后一年将持续扩充（实验设计细节、完整图表、复现步骤、采用决策材料）
「趁 SSGM 的窗被实现合上之前」的预告，就这样兑现了。
第2章 「窗在实现里关上了，但墙纹丝不动」的报告
📖 一句话概括
这是把上一章立起的「带证明地进化的记忆 AI 部件」那面旗，从纸面上的话推进到真正能跑的程序的报告。打个比方，就是把设计图（理论）做成了真正的机器（实现），而且一个危险部件都没漏掉地让它跑了起来 —— 这是前进。不过老实说，也留下了没攻克的作业：每当部件尺寸增大、确认安全与否的计算量就指数级膨胀的「2 的 n 次方之墙」，这次依然没破，能安全进化的暂时只限于极小的部件 —— 这个极限被如实地写了下来。是赢了一半、作业留一半的一天。
上一回（#38）结尾，我们这样预告：「下一回将 report 四点交叉点的本丸 —— verified memory evolution 的小 PoC。趁 SSGM 以理论拿下招牌的那扇窗，还没被实现合上之前。」
2026 年 6 月 9 日，那个 PoC 跑完了。用一句话说结论：「窗在实现里关上了。但墙（可扩展性的墙）纹丝不动。」
具体来说：
- 我们让带证明地进化的记忆核（包含真正把结构变大的手术
width_grow）在 零观测 false-admit 下跑了起来（= 一件假合格都没发，就完成了进化）。 - 同时，把此前一直诚实地留作「未测定」的 cert_sdp（SDP 证明器）首次测量，发现它是最「易通过」（navigable）的健全证明器（把真正收缩的个体的 90～99% 判为合格）。
-
尽管如此，包括 cert_sdp 在内，计算成本仍是
2^n（维度 n 的指数）。 也就是说，「既易通过、在大规模下又便宜」的证明器，这次也没找到。 目前能 verified 地做结构进化的，仅限于小部件（n≤6）。
这篇文章，按惯例的顺序 ①术语 → ②拆解 → ③详细，不注水地写下那一天「能做到的」与「做不到的」。最后还公开把自己的数值主张让 6 个验证 AI 并行反证的结果（零 MAJOR 不一致）。
正本数据：github.com/furuse-kazufumi/llcore（论文草稿 + 全部实验代码/数据）。
① 术语小辞典（免得在正文里卡住）
| 术语 | 一句话 |
|---|---|
| 可塑性 (plasticity) | 通过学习/进化能「改变形状」的性质。这里指事后把记忆核自身的结构（矩阵大小=维度）变大。 |
| verified-plasticity（带验证的可塑性） | 每次「改变形状」时，都先证明该变更安全（不暴走）再采用。本研究的主轴。 |
| width_grow（宽度成长） | 把网络层从 n → n+1 变大的结构手术（Net2Net 系）。是实际执行的，不是纸上。 |
| 收缩性 (contraction, ρ<1) | 过去的扰动随时间衰减的性质。谱半径 ρ 小于 1。记忆不暴走、会「遗忘」的性质。 |
| false-admit（假合格） | 明明危险（ρ≥1=可能暴走），证明器却放行为「安全」的漏检。这一项为零是健全性的命门。 |
| 健全 (sound) | 一旦说「合格」就真的安全（绝不发假合格）的性质。与统计上「大概安全」是两回事。 |
| navigability（易通过/可探索性） | 「能把多少真正安全的个体判为合格」。过严的证明器连安全个体也弹掉=进化动不了。越高，进化越能在地形上自由移动。 |
| 证明器格子 (cert ladder) | 按便宜优先三级：cert_inf（∞-范数上界、无需求解器）→ cert_two（全 2^n 顶点 SVD）→ cert_sdp（凸 LMI/SDP）。 |
| prove-then-reject 门 | 证明之后才采用变异，不行则棄却的关卡。fail-closed（无法证明就不放行）。 |
| SSGM | 仅以理论提出「统御进化记忆」write 门的先行研究（arXiv:2603.11768）。实现 + 健全证明的窗口对它而言是空着的。 |
| empirical_rho（经验 ρ） | 用大量采样从下方逼近真谱半径的预言机。「零观测 false-admit」是这种从下方审计的结果（=强一致性证据，但非绝对证明）。 |
| 2^n 墙 | 证明成本对维度 n 呈指数 2^n 增长的极限。cert_two/cert_sdp 要看全部顶点，所以撞上这堵墙。 |
🗒️ 注：此图标签为日语。（2ⁿ 壁垒＝随着块尺寸增大，证明成本呈指数级膨胀。）
② 拆解 —— 3 分钟看懂全貌
#38 立的旗是**「带证明地进化的记忆核」。记忆核每次更新都会变异（进化），但在采用任何变异前，都必须先过关卡（门），只放行能在数学上证明不暴走**的变异，证明不出来就拒之门外（fail-closed）。这就是 prove-then-reject 门。
这次做的，是把那面旗从「文件」推进到「能跑的实物」。有三件「能做到」。
能做到①：一边把形状变大，一边零假合格。 此前只试到「证明变异（内部微调）」。这次实际跑了把结构本身变大的手术（width_grow，n→n+1），确认变大之后证明器仍以零观测 false-admit保持「安全（ρ<1）」。发散域（ρ 达 1.85～2.21 的危险个体）全部被正确棄却。
能做到②：第一次测到了最「易通过」的证明器。 把此前诚实留下的「cert_sdp 未测定」这个洞补上了。在能用 SDP 求解器（CLARABEL）的环境里首次测量，发现 cert_sdp 是三级证明器中最「易通过」的 —— 把真正收缩的个体的 90～99% 判合格（便宜的 cert_inf 只通 20～40%，中位的 cert_two 40～50%）。「太严、进化动不了」的问题，被 SDP 大幅缓解。
能做到③：小部件的话，计算轻松够用。 n≤6 的小核，verified 进化的整个循环只吃 30 小时预算的 0.04%（0.013 小时）。「带证明的进化是不是太重跑不动？」的担心，在小规模下是杞人忧天。
…听到这里像是「全赢了」。但 honest disclosure（诚实开示）是我们的纪律。把没赢的三件事明明白白写下来。
没做到①：2^n 墙没破。 cert_sdp 确实抬高了「易通过性的天花板」。但代价是成本仍为 2^n（看全部顶点）。cert_two 在 n=12 是 1 次证明 1.3 秒，n=14 超预算。「既易通过、大规模下又便宜」的证明器，这次也不存在。 所以目前能 verified 地做结构进化的仅限小部件（n≤6） —— 这个结论与上一回（Phase −1）没有变。SDP 不是翻过了墙，而只是在墙前抬高了天花板。
没做到②：「零假合格」是经验观测，并非机器证明出来的。 零观测 false-admit，是用从下方逼近真 ρ 的预言机（大量采样）去找反证的结果。证明器的条件在数学上健全，但承载它的实现并未做端到端的形式验证。「零观测」是强一致性证据，不是「对所有输入都安全」的绝对证明 —— 这里不夸张。
没做到③：模型并没变聪明。 证明器的功效是 navigability（进化的可移动性），不是模型变聪明（学习性能提升）。而且效果是进化算法（EA）固有的，在梯度法里会消失。再者这次的适应度（fitness）是合成 proxy，实 GPU 训练下的确认留到下一阶段（Phase 2）。
总之这一天是「机构在实现里证明了，规模的墙诚实地留着」—— 赢一半、作业留一半的一天。
③ 详细 —— 五个实验，以及没能潰掉的留白
主轴是 Verified-Plasticity Evaluation Framework（带验证的可塑性测量框架）。在主张「我们的方法强」之前，先造度量的尺子。用那把尺子跑了五个实验（全部 $0 / CPU、torch 2.12+cpu、固定 seed、可复现）。
3.1 固定结构下证明器的健全性与格子
在 n={4,6,8} 各采样数百个跨越收缩～发散的个体，把 3 证明器的合格与真 ρ（empirical_rho 6000 采样）做突合。
| n | 收缩(ρ<1) | false-admit (inf/two/sdp) | 真正收缩个体的合格率 (inf/two/sdp) |
|---|---|---|---|
| 4 | 453/600 | 0 / 0 / 0 | 0.41 / 0.51 / 0.95 |
| 6 | 426/600 | 0 / 0 / 0 | 0.29 / 0.43 / 0.94 |
| 8 | 280/400 | 0 / 0 / 0 | 0.23 / 0.40 / 0.91 |
确定知见：
- 三个证明器全部零观测 false-admit（首次确认 cert_sdp 的健全性）。与证明器的数学健全性一致。
-
cert_sdp 压倒性 navigable —— 真正收缩的个体中，便宜的 cert_inf 只通 23～41%、cert_two 40～51%，而 cert_sdp 通 91～95%。注：
two⊆sdp（cert_two 通则 cert_sdp 通）是实现 fast-path 带来的结构性保证（同义反复），不是经验发现 —— 为不注水而写明。
3.2 实结构手术（width_grow）下的健全性 × 非平凡性
实际用 width_grow（Net2Net/fresh）把 base 从 n→n+1 变大，判定各门是否在成长下仍保持零 false-admit ∧ 开出≥1 个非平凡合格（1 格 = 1536 个成长后个体）。
- 成长下健全性：全 16（格×门）零观测 false-admit。 成长 ρ 最大 1.85～2.21（发散域）全部正确棄却。这是 North Star #1（成长操作下零假合格） 在实结构手术下的确认。
- 便宜门（cert_inf）健全但在小 n 脆弱 —— n=6 最保守边缘（headroom 0）非平凡合格 0 个 → 门 FAIL。即便有 headroom，非平凡合格也仅 3 个，卡在 τ 边缘。= 「便宜门的 navigability 脆弱」。
- navigable 门（cert_two/cert_sdp）全格 PASS —— cert_two 开 114～168、cert_sdp 开 673～733 个非平凡健全合格。→ 「把 per-component 门升级到 cert_two/sdp、限定 small-n」由数据正当化。
3.3 块间结合（coupling）的盲点
把 2 个块残差结合，用真 ρ 测**「各块单独合格、合成却暴走」的盲点**。
- per-block AND（把各块单独合格做 AND）在结合下确实不健全 —— 结合强度 γ≥1.0 时，单独合格里的 24～34%（γ=1.0）～ 80～96%（γ=2.0）合成真 ρ≥1（暴走）。→ per-block AND 禁止确定。
- full-system cert（把整个系统一次性证明）全 γ 零 false-admit = 健全。
- 这里同样 cert_sdp 最 navigable，但抬高维度（块数 2→3）与结合强度，coverage 会下降（full=6、γ=1.0 时 cert_inf/cert_two 为 0%，仅 cert_sdp 75.8%）。= SDP 解决过保守，但维度墙对 SDP 也起作用。
- ⚠ 诚实留白：块数 3 时 SDP 求解器发了几条「解可能不准确」警告。用独立特征值复检保证健全性（false-admit=0），但 coverage 数值可能含近似解带来的微小抖动。
3.4 feasibility（是否真能在预算内跑）
由实测 per-op wall-time 外推到 30 小时预算。
| n | 每次 eval | 总时间 | 30h 内 |
|---|---|---|---|
| 4 | 769μs | 0.011h | 是 |
| 6 | 912μs | 0.013h | 是 |
| 8 | 9.2ms | 0.131h | 是 |
| 10 | 38.6ms | 0.550h | 是 |
| 12 | 1.31s | 18.6h | 勉强 |
| 14 | — | (cert_two 2^14 外推 = 不能) | 否 |
确定知见：
- small-n（n≤6）计算上自明 feasible —— 预算的 0.04%。
- 2^n 墙在 n≥10～12 binding —— cert_two 在 n=12 是 1.3 秒/证明（=18.6h，余量薄），n=14 超预算。
- ⚠ 留白：此处 fitness 是
RotationNDObjective的合成 adapter proxy，实 GPU 训练里 base forward（CE）会成为 dominant。该外推是「每次 eval 课金一次证明的保守上限」，实 GPU 实测留待 Phase 2 确认。
3.5 向第 2 个 base（Mamba）的可移植性
确认框架是否能载到 SmolLM2 以外的 base。Mamba-130M 在 CPU 上 load 成功（确认了 coherent 生成），在其 hidden 上 cert_two 门 load-bearing（有/无门合格率移动 +0.287，与 SmolLM2 的 +0.320 相洽）。= 「换上新 base」plug-point 的实证。
- ⚠ 留白：此处健全性预言机不是 §3.1-3.4 的 empirical_rho，而是弱预言机（单一摄动），合格 n=7 的小集团。Mamba 自身的固有稳定性（base-level Lyapunov）未测定，留待 Phase 2。本阶段 deliverable 仅限「框架可移植性 + Mamba CPU 动作确认」（不是固有稳定性的正对照）。
3.6 综合判定 —— Decision gate 1 = PASS（small-n）
| gate | 条件 | 判定 |
|---|---|---|
| 成长下 soundness ∧ 非平凡 admit≥1 | width_grow N 次 false-admit=0 ∧ 非平凡合格≥1 | PASS（便宜门在 n=6 trivial → 必须 cert_two/sdp） |
| coupling-aware 合成 soundness | per-block AND 禁止 + full cert 健全 | PASS |
| feasibility | small-n 循环在 30h 预算内 | PASS（small-n） |
→ Decision gate 1 = PASS → 进入 Phase 2（small-n per-component 域，在 Phase −1 确定的约束内）。 Phase 1 的 deliverable 是**「健全·feasible 的 small-n verified 结构适应测量框架 + 证明器格子（inf/two/sdp）的完整特性评价」**。
3.7 honest 局限（没能潰掉的）
即便是防御性开示，honest disclosure 也不弯折。把这次测量潰掉/留下的，叠在 #38 的留白之上。
- 2^n scalability 墙不变（最大作业）：cert_sdp 把 navigability 天花板抬到 ~0.9（从 Phase −1 的 cert_two ~0.45 大幅改善），但 2^n 顶点成本不变。「navigable 且 scalable 的健全证明器依然不在」= 高维 verified 结构进化不成立 堅持。SDP 只抬了天花板，没破墙。
- empirical_rho 是从下方估计：零观测 false-admit 是强一致性，不是「对全部 (s,x) ρ<1」的绝对证明。可能漏掉 near-boundary。
- net2net 是 incoming-copy 近似（非 exact function-preserving）→ 函数变化 Δfunc 是近似评估。
- fitness 是合成 proxy：实 SmolLM2 CE 上的 capability 副线（EXISTS/NULL/ARTIFACT）是 Phase 2 必须。
- Mamba 固有稳定性未测定：门挂在 adapter 上，Mamba base 自身的 Lyapunov 未验证 → 留待 Phase 2。
敌对验证 —— 让 6 个 AI 并行反证自己的数值
honest disclosure 的核心是「出现异常好的结果时，在自觉赢之前先怀疑内訳」（[feedback_benchmark_honest_disclosure]）。于是把本 verdict 的数值主张，对各实验的 results.json + 实现 .py，让6 个独立验证 AI 并行突合。
结果 = 零 MAJOR issue（无能覆盖结论的不一致），全是 MINOR。 检出的指摘已反映进正文：
- 修正 4 件转记舍入误差（maxΔfunc 0.108→0.107 等）。
- §3.1 的
two⊆sdp写明是实现上的同义反复，而非经验发现。 - 把「便宜门在 n=6 trivial」精炼为「仅 n=6 最保守边缘 trivial、有 headroom 也脆弱」。
- 「cert_sdp 98% 救济」写明限块数 2，块数 3 是 75.8% / inf·two 0%。
- 透明化 fitness 是合成 proxy、外推的保守性、CPU→GPU 外推前提。
→ 验证后 Decision gate 1 = PASS、SDP navigability 知见、small-n 限定结论不变。 指摘全是 honest-disclosure 的精度提升，无一动摇机构性结论。
总结 —— 「窗关上了，墙留下了」
#38 立的旗，这次从文件推进到了能跑的实物。我们让带证明地进化的记忆核，一边真把结构变大，一边以零观测 false-admit跑起来，补上了此前未测定的 SDP 证明器，确认了 small-n 的 feasibility。SSGM 以理论拿下招牌的「实现 + 健全证明」的窗，就这样在实现侧关上了。
另一方面，最大作业 2^n 墙 这次也纹丝不动。「既易通过、大规模下又便宜」的证明器依然不存在。所以我们不注水：堅持上一回的结论 —— 能 verified 地做结构进化的，目前仅限 n≤6 的小部件。
下一回（#40 以后）是 Phase 2 —— 把校准好的「多峰性 instrument」当到实损失地形上，以 proper power 确定一件关于进化如何在地形上移动的事（capability 副线）。尺子造好了。下一步，是用那把尺子去量实地形。
正本：github.com/furuse-kazufumi/llcore —— 论文草稿 + 全部实验代码/数据（5 实验 + 敌对验证 workflow）。
☕ 闲话休题 —— 为什么「证明不是免费的」
正文里轻描淡写地写着「证明的成本约为 20～60 倍」，这里不妨停一停，把它翻译成日常的感觉。把一个计算「做出来」，和「确认这个计算绝对没错」，后者要费力得多。心算出一个答案很快，但要让第三者相信这个答案真的对，你得把每一步算式都写出来、用另一种方法验算、连极端情况都试一遍 —— 转眼就成了好几倍的时间。AI 的世界里也一样，「加入这个更新」只是一瞬，而「用数学保证加入这个更新后绝对不会暴走」，要花上几十倍的计算。
所以靠速度打招牌的项目，多半都偷偷省掉了「确认」这道工序。正文之所以反复披露「证明不是免费的」，也是一种宣言：这种省略，我不允许自己去做。不掩盖重量、把它摆出来 —— 这件事本身，也许最能体现这项研究的姿态。
第3章 「我以为赢了的那一刻，自己的框架把自己拦住了」的报告
📖 一句话概括
这是讲研究里最可怕的瞬间 ——「结果好得过头时」—— 我是如何怀疑自己的。在真实的小型 LLM 所造的地形上，进化（一种搜索手法）以 20 比 0 战胜了普通的学习法。一瞬间我以为「赢了！」。但就像在棒球里对业余球队 20 连胜也证明不了自己强一样，也许只是对手（弱的学习法）太弱。于是我遵循自己定下的「赢了就请强对手」的规矩，请来了认真的学习法（真正的 LLM 训练所用的那种），结果这次反而输了。也就是说胜利是幻觉。「进化更聪明」无法主张 —— 但这个结果同时也确认了：一开始就决定不拿聪明、而拿安全性来一决高下的方针是对的。
上一篇（#39）我们这样收尾：「带证明地进化的记忆核心做出来了。但只到 n≤6 的小部件。可扩展性的墙纹丝不动。」
这次（2026 年 6 月 10 日）我们终于回答了一直被搁置的核心问题：
「那么，这个『会进化的记忆』真的会变聪明吗？比梯度法（普通的学习）更强吗？」
一句话结论：「在真实小型 LLM 生成的真实地形上，进化以 20 比 0 战胜了普通梯度法。一瞬间我以为赢了。但遵循自己框架的纪律换上『强对手』之后，那场胜利只是幻觉。」
这是研究中最可怕的瞬间 —— 「出现了异常好的结果的瞬间」 —— 在得意之前如何怀疑自己的记录。仍按 ①术语 → ②通俗解释 → ③细节 的顺序，不夸张地写。最后公开让验证 AI 并行反驳我的数值主张的结果（零个 MAJOR 不一致）。
正本数据：github.com/furuse-kazufumi/llcore（全部实验代码/数据 + verdict）。
① 术语小词典
| 术语 | 一句话 |
|---|---|
| capability(性能) | "会变聪明吗"。这里指预测下一个的好坏(交叉熵 CE 越小越好)。 |
| guarantee(保证) | "会不会失控"。带证明地保持稳定(收缩 ρ<1)。本研究的主轴。不混淆这两者是 honest-disclosure 的生命线。 |
| MAP-Elites(进化) | 在格子里囤积多样解同时搜索的进化式探索。这里的"进化"方。 |
| finite-diff 梯度(弱) | 通过微调函数值来估计斜率的朴素梯度法。每步要维数+1 次评估＝慢而弱。 |
| 解析(exact)梯度(强) | 用自动微分(backprop)一次得到精确斜率。真实 LLM 训练用的就是它。本次的决定因素。 |
| meta-gate | 当进化"赢了"，换上更强的对手确认增益是否消失。消失则是幻觉(ARTIFACT)。 |
| ARTIFACT(假象) | 不是真实性能差，而是因对手太弱产生的表面胜利。 |
| 兰顿蚂蚁 | 规则简单却先显混乱后突现秩序的著名系统。比喻"表象 ≠ 本质"。 |
② 通俗解释 — "对弱对手 20 连胜，什么也说明不了"
用棒球打比方。你的队(进化)对某对手(finite-diff 梯度)20 比 0。强，没话说。
…但如果那对手是业余球队呢？20 连胜不能证明你强 —— 也许只是对手弱。
在研究里这么干会出大事故。你在论文里写"进化赢了梯度！"，后来有人说"不，你比的那个梯度法太弱了"。这就是 capability 的陷阱。
所以我们的框架从一开始就内置了规矩(meta-gate)：
进化赢了，得意之前先请"职业选手"再战。
我们请来了职业选手(解析梯度＝真实 LLM 训练用的精确梯度)。结果：
- 对业余(finite-diff)：进化 20–0(平均 CE 领先 +0.029)
- 对职业(解析梯度)：进化 1–19(职业反超)
也就是说进化能赢只是因为对手弱。换上强梯度，梯度更好。"进化会变聪明(capability)"无法主张。
关键在于：输本身不是失败。 我们框架的价值从一开始就不在"聪明"一侧(capability)，而在**"不失控"一侧(guarantee)。这次的结果意味着那个方针在数据上是对的** —— 没拿聪明来卖是对的。
🗒️ 「这家伙……无聊死了！！」—— 对弱对手 20 连胜，只是无聊，什么也说明不了（风间）（© Forbidden shibukawa / SHUEISHA・Snack Basue）
③ 细节 — 在真实 LLM 地形上，测了什么、怎么测
3-1. 地形从"合成"到"真实"
此前的 capability 实验在人工多峰地形(造出来的有多个山的地貌)上测。我们诚实地留了保留："这不是真实 LLM 的损失地形。"
这次用真实的 SmolLM2-135M(Apache-2.0 小型 LLM)补上：
- 让文本通过 SmolLM2，取出中间层(layer 15)的真实内部表示(hidden state)。
- 投影到小维度(n=6)，构造预测"下一个内部表示的簇"的 CE 地形 —— 不是合成高斯，而是源自模型自身内部动态的真实预测任务。
- 在该地形上，用同样的预算(评估次数)跑进化(MAP-Elites)/随机/弱梯度/强解析梯度，在**未见过的句子(held-out)**上以 20 个种子比较。
3-2. 结果(held-out 平均 fitness = −CE，越高越好)
| 方法 | held-out 平均 | 备注 |
|---|---|---|
| 强解析梯度(torch Adam) | −1.446 | 全部最佳 |
| 进化(MAP-Elites) | −1.454 | 第 2 |
| 随机 | −1.473 | |
| 弱梯度(多重启) | −1.481 | |
| 弱梯度(finite-diff) | −1.483 | 最末 |
| 进化+ρ<1 gate | −1.483 | 加 gate 后探索被约束到 finite-diff 水平 |
- 进化 vs 弱梯度：+0.029 平均，20–0，p<1e-6 → 4 条件 AND 成立(看似 EXISTS)。
- 进化 vs 强解析梯度：−0.008 平均，1–19，梯度以 p=3.5e-4 反超 → 4 条件 AND 不成立。
→ 判定 = ARTIFACT+NEGATIVE。 进化的胜利源于对手弱。换强梯度，梯度 ≥ 进化 = 即便在真实 LLM 地形上 capability 也是 NEGATIVE。
3-3. 还确认了两种地形上一致(cross-check)
"那之前合成地形的'平局(NULL_TIE)'是不是也被弱梯度低估了？" —— 这个疑问也用数据确认了。给合成地形加上强解析梯度重跑，解析梯度平均最高(0.575 > 进化 0.535)。只是合成地形运气波动(方差)大，配对检验止于平局。真实地形波动小，梯度的优势达到了显著(19/20)。
结论：capability NEGATIVE 在两种地形上一致(强梯度在两边都最佳)。区别只在方差。
3-4. "框架看穿真相"的一侧 PASS
capability 卖不了。那么立得住的是 —— guarantee(安全性的判别力)。同一节里确认了三点：
- 判别力：基于经验的 gate 漏掉 84% 的"危险结构"(会失控却当作"安全"放行)。健全证明器漏 0%。尤其 cert_sdp 零误许且过度拒绝仅 4.6%＝健全且最易通过。
- base 级判别：Mamba(结构上稳定的 SSM)全 24 层固有稳定 → 自明通过。标准 Transformer 的 SmolLM2 没有状态递归 → 安全性必须靠后加的 gate 才被赋予。框架能在 base 级分开"安全底座"和"需要 gate 的底座"。
- 可扩展性(framework 性)：基质·目的·证明器三个插口，可用单对象替换载入(单元测试 17 项 green)。但"多样性帮助泛化"的假说为 NULL(不成立) —— 也诚实公开。
3-5. 用"动"来看 —— 范数不会暴走，只有敏感度暴走
附带发现。这个基质用 tanh 让状态始终有界，所以即使不稳定，输出范数也不发散。更甚，ρ≈2.9 的失控个体在某一条轨道上扰动看起来在衰减(正是兰顿蚂蚁＝表象背叛本质)。看状态范数、做有限视野的"遗忘测试"，都看不穿 ρ≥1。能看穿的只有证明器的最坏情况评估(box-sup)。demo 把这"经验被骗、唯证明器能看穿"做成了一张图(phase2_demo_gate_discrimination.svg)。
honest disclosure — 最可怕的瞬间，我怀疑了什么
最危险的是看到"进化 20–0"的瞬间。一个适合社交媒体的标题闪过("发现进化战胜梯度的真实 LLM 地形！")。
拦住我的不是新灵感，而是从一开始就内置的规矩(meta-gate)："赢了就请强对手。"请了，输了。所以不能写。
这不是输的报告，而是框架奏效的报告。没有 meta-gate，我就会发布一个谎言。"异常好的结果，得意之前先怀疑内幕" —— 这条纪律，在数据上实实在在地拦下了一个假阳性。
剩余的诚实保留：
- 是隐藏簇 CE 的 proxy，不是全词表 softmax CE(小 n 下全词表会退化)。
- 加 gate 在真实地形上掉 −0.028 性能(可测量地削减可塑性)。但因进化没有 capability 优势，不影响结论。
- "强梯度最佳"的前提是 backprop 免费给出精确梯度 —— 这正是真实 LLM 训练所做的，所以是现实的比较。
🗒️ 「撒谎可不行啊！」—— 弹掉「20 胜」表象的验证（meta-gate）的拟人化（© Forbidden shibukawa / SHUEISHA・Snack Basue）
验证 — 让 AI 反驳我自己的主张(MAJOR 0)
最后，让独立的验证 AI 并行反驳三个实验的数值主张。尤其主结果(capability)，验证 AI 自己加载 SmolLM2 独立重跑 3 个种子，确定性地重现"强梯度胜过进化"。零个 MAJOR 不一致。 所有指摘都是改善可复现性/措辞/保留精度，无一推翻结论(一处发现验证用随机数不可复现的缺陷，当场改为确定性并重跑)。
总结 — "可进化的 LLM"的真面目
三篇(#38→#39→#40)的弧，我们落到这里：
- #38：防御性公开 —— "带证明的记忆"的窗在理论上打开。
- #39：窗在实现上关闭。但可扩展性的墙纹丝不动(带证明地进化只到 n≤6)。
- #40(本篇)：那会变聪明吗？→ 不会。 即便在真实 LLM 地形上，强梯度也胜过进化。capability 卖不了。
所以"可进化的 LLM"的真面目是：不是"进化在性能上取胜的 AI"，而是"对在线改变结构也不失控·不灾难性遗忘这一点，带证明地保证并测量的框架"。 朴素。但既然决定不夸大聪明、以安全取胜，这就是诚实的样子。
下次计划用"看穿兰顿蚂蚁幻象之眼"这一比喻来总结这个框架。经验被表象欺骗；唯证明器看见本质 —— 在这一点上，三篇的 honest disclosure 全部汇聚。
☕ 闲话休题 —— 我问 AI「这幅画，你看像什么？」
稍微离开正题一下。我试着给写这个 arc 的 AI（Claude）看了 Forbidden 澁川老师《Snack Basue》里的一格 —— 一幅故意把背景画得乱糟糟的「看图猜物」游戏画 —— 然后问它「看像什么？」。它给自己打的分是这样的：**「氛围和搞笑的套路能读懂八成。但角色是什么动物、手里拿的是什么这些细节只有五成，没把握。」**省略线条、靠留白说话的画，AI 越容易看走眼。
🗒️ 「这幅画」「看像什么？」—— 把图给 AI 看并发问这件事，格子里的角色已经抢先替我们做了（© Forbidden shibukawa / SHUEISHA・Snack Basue）
这跟正文简直一模一样。AI 能抓住「大概是那么个样子」的整体，一到「细节真伪」就靠不住了。所以我们决定，不用表象（像不像）、而用证明书（数学）来度量 —— 这恰恰是下一章的脊梁。把图给 AI 看，一张就能看清它的弱点。
第4章 把三篇束于一点：「简单的确定性规则制造出表面的秩序」
📖 一句话概括
这一章是用「兰顿蚂蚁」这一个比喻，把至今三篇捆束起来的总结章。兰顿蚂蚁只靠两条极简单的规则移动，却会先无序地走一阵、然后突然造出漂亮的图案，是「简单之物制造出表面的秩序·表面的聪明」的著名例子。在这项研究里我们一次次撞上的，正是同一个陷阱 —— 本该暴走的部件一观测起来却看似稳定，本该是托弱对手的福进化却看似很强。经验（用眼睛看到的观测）必定被这种表象欺骗，唯有数学证明才看穿藏在底下的本质。所以价值不在「变聪明」，而在「能保证不暴走」—— 全部收束到这一点。
这是 llcore 验证 arc(#38 → #39 → #40)的总括(capstone)。上一篇(#40)结尾我们预告："下次计划用'看穿兰顿蚂蚁幻象之眼'这一比喻来总结这个框架。经验被表象欺骗；唯证明器看见本质 —— 在这一点上，三篇的 honest disclosure 全部汇聚。"
兑现这个承诺。先说一句话：
"越用越聪明/自我进化的 AI"和"世界模型给你安全"都是悦耳的标题。但若不能用 sound certificate(健全证明)falsifiable 地判别"变聪明了/稳定了"是真是幻，那就只是"表象"。verified-plasticity 正是那个判别器。价值在 GUARANTEE(保证)，不在 capability(聪明)。
概念钩子是兰顿蚂蚁。仅由几条确定性规则驱动的蚂蚁，先无序地走一阵，然后突然开始建造称为"高速公路"的规则轨迹。简单的规则制造出表面的秩序与表面的复杂。 这是核心比喻：我们在 #38-#40 反复撞到的，正是"经验观测被简单之物制造的'表象'所欺骗"。
- 本该发散(暴走)的结构，观测起来看似稳定(#40 的兰顿蚂蚁)。
- 进化，观测起来像是 20 比 0 战胜梯度(#40 的兰顿蚂蚁 ver.2)。
两者都是"表象"，其下的本质(真正的不稳定、真正弱的对手)经验看不穿，唯 sound certificate 看穿。在这一点上，三篇合为一体。
仍按 ①术语 → ②通俗 → ③详细。不注水。只用确定的 verified 数值，未验证就写"未验证"。绝不混淆 capability(进化胜过梯度)与 guarantee(带证明的稳定) —— honest disclosure 的生命线。
正本：github.com/furuse-kazufumi/llcore。
① 术语小词典
| 术语 | 一句话 |
|---|---|
| verified-plasticity | 在真实小型 LLM 上后加小结构块(n≤16 的 verified recurrent adapter),把其在线结构适应"是否不发散/是否收缩(健全地保持 ρ<1)"作为第一级指标,可证伪地衡量任意方法的评价框架。本研究主轴。 |
| capability(性能) | "会变聪明吗"。预测下一个的好坏(交叉熵 CE 越小越好)。 |
| guarantee(保证) | "会不会失控"。用 sound certificate 保持稳定(收缩 ρ<1)。不混淆这两者是 honest disclosure 的生命线。 |
| 收缩性 (contraction, ρ<1) | 过去的扰动随时间被遗忘(衰减)。谱半径小于 1。echo-state property 的合格条件。 |
| echo-state property | 状态由输入历史决定,初始扰动被遗忘。"成立(ρ<1)"=安全,"失败(ρ≥1)"=可能暴走。 |
| false-admit(假合格) | 明明危险(ρ≥1)却被 gate 当作"安全"放行的漏检。为零是健全性命门。 |
| sound(健全) | 一旦说"合格"就真的安全(绝不假合格)。与统计"大概安全"是两回事。 |
| navigability(易通过) | "能把多少真正安全的个体判为合格"。过严的 gate 连安全个体也弹掉=进化动不了。越高越好。 |
| 经验 gate | 不是健全证明,而靠有限视野观测(遗忘测试等)判"看似安全"的 gate。本研究负对照之一(STABLE 风)。 |
| sound certificate(健全证明器) | 带保证地从上方压住最坏情况的证明器(cert_inf / cert_two / cert_sdp)。唯它看穿"表象"。 |
| MAP-Elites(进化) | 在格子里囤多样解同时搜索的进化探索。"进化"方。 |
| finite-diff / 解析梯度 | 弱梯度(微调估计斜率,dim+1 评估/步) vs 强梯度(backprop 一次得精确斜率)。 |
| meta-gate | 进化"赢了"时换更强对手(解析梯度)确认增益是否消失。消失则是幻觉(ARTIFACT)。 |
| 兰顿蚂蚁 | 由几条确定性规则驱动的蚂蚁;先无序后突现"高速公路"。简单确定性制造表面秩序/复杂的比喻。 |
② 通俗 —— 兰顿蚂蚁的幻象,三个场景
场景 0: 兰顿蚂蚁是什么(为何用此比喻)
兰顿蚂蚁在格子上只靠两条规则("白格右转并翻色"/"黑格左转并翻色")移动。最初几百步无序乱走,但约一万步后突然建出称为"高速公路"的104 步周期规则模式并径直前进。
这里藏着本研究两大核心:(1)简单的确定性规则制造表面的秩序/复杂 —— 规则极简,结果却看似复杂("无序→突现秩序")。(2)表象与本质相背 —— 观测乱走中的蚂蚁无法预见高速公路,反之亦然。经验观测被简单之物制造的"表象"欺骗。
主张:AI 世界也如此。"表面的稳定"和"表面的进化(monoculture=表面优势)"在其下都坍缩为 deterministic-simple(简单确定性)。经验被骗,唯 sound certificate 看穿幻象。
场景 1: "表面的稳定" —— 暴走结构观测起来看似稳定
后加于 LLM 的小记忆块用 tanh 让状态始终有界。所以即便不稳定(ρ≥1),输出范数也不发散。
于是:真 ρ=2.9(完全发散域)的结构,沿某一条轨道观测,初始扰动也"看似在衰减" —— 实测扰动 1 缩到 2e-14,宛如安全。这是 tanh 饱和 + 扰动方向错位偶然叠加之果。
朴素手段全军覆没:看状态范数→有界无异常(被骗);有限视野"遗忘测试"→看似遗忘(被骗);单一轨道扰动敏感度→看似衰减(被骗)。这正是兰顿蚂蚁。简单力学(tanh 有界)给危险结构制造"安全"表象。 唯一看穿的是 sound certificate 的最坏情况评估(box-sup) —— 它压住所有输入/状态的最大放大,不被偶然安全的一条轨道骗。实测 σ_max = 4.87 > 1 并正确 reject。
场景 2: "经验 gate 漏掉 84%" —— 幻象的规模
群体规模:95 个发散 gene(真暴走)+ 305 个收缩 gene(真安全)的 400 个集团,各方法漏检多少危险(false-admit)?
- 无 gate:把 95/95 发散全当"安全" = false-admit 100%。
- STABLE 风经验 gate:95 个发散中漏 80 个(84.2%)。
- sound certificate:发散 false-admit 0%。
84% 的冲击在于:它几乎没比"不检查 100%"改善。经验 gate 以为在检查,却被兰顿蚂蚁幻象骗了 84%。原因如场景 1:tanh 有界力学下,发散结构在有限视野观测里"看似遗忘扰动",经验 gate 立足于有限视野观测,便照单全收。sound certificate 带保证地压最坏情况,不被表象左右。尤其 cert_sdp 保持 false-admit 0% 而过度拒绝仅 4.6% —— 健全且最易通过。
场景 3: "表面的进化" —— 进化看似 20 比 0 取胜(却是幻)
兰顿蚂蚁 ver.2 发生在 capability 侧。
在真实 SmolLM2 造的真实地形上,进化(MAP-Elites)对弱梯度(finite-diff)→ 进化 20 比 0(平均 CE +0.029,p=9.5e-7)。看似出现进化胜梯度的"秩序",适合社媒的标题闪过。
但这也是兰顿蚂蚁。对手(finite-diff)只是弱。 框架从一开始就内置 meta-gate(赢了就请强对手)。换强解析梯度(backprop=真实 LLM 训练用的精确梯度)同预算,梯度以 19/20 反超(diff +0.008,p=3.5e-4)。进化的胜利是弱对手的 artifact。判定 = ARTIFACT + NEGATIVE。
最关键:没有 meta-gate(健全的比较对手),我就会发布"进化在真实地形 20/20 capability 取胜"的 false-positive。"得意之前先怀疑内幕"在数据上拦下一个假阳性 —— 这也是健全判别器看穿兰顿蚂蚁。
本文主张(三场景的统合)
经验被表象欺骗。唯 sound certificate(及其 capability 版的 meta-gate)看见本质。所以 verified-plasticity 的价值不在"变聪明"(capability),而在"能保证·测量不暴走"(GUARANTEE)。
③ 详细 —— H-discriminative 数值、capability 顛末、framework 性、small-n 墙
3.1 verified-plasticity 测什么
主轴是 Verified-Plasticity Evaluation Framework。主张"我们强"前先造尺子。尺子由六装置守护:(1)预登记 (2)Holm 连言判定 (3)artifact 纪律 (4)反证条款 (5)自检出力审计(正对照) (6)反 over-claim critic。
被测方法四个:VSOA(cert-gated 拓扑进化,本命)、无 gate(负对照)、STABLE 风经验 gate(既踏比较)、Mamba-130M(stable-by-construction 正对照)。
准确说,稳定性指标不是"状态是否发散"而是 "echo-state 扰动遗忘"。kernel 用 tanh 始终有界(场景 1 幻象之源),测的是"初始扰动是否被遗忘(收缩 ρ<1 = echo-state property 成立)"。
3.2 H-discriminative —— 框架判别力(核心数值)
n=6,95 发散 / 305 收缩 集团。
| method | 是否 sound | false-admit(漏检发散) | 过度拒绝(收缩) |
|---|---|---|---|
| 无 gate | ✗ | 95/95 = 100% | 0% |
| STABLE 风经验 gate | ✗ | 80/95 = 84.2% | (经验 gate) |
| cert_inf | ✓ | 0% | 70.5% |
| cert_two | ✓ | 0% | 52.8% |
| cert_sdp | ✓ | 0% | 4.6%(最易通过) |
正对照(0 发散安全 family 集团,Mamba 风)中全 method 0 false-admit —— 不会误弃安全 family。
为何 STABLE 风 gate 漏 84%(教育性): echo-state 合格条件是"真 ρ<1"。但 kernel tanh 始终有界时,真 ρ≥1 的发散结构在有限视野观测里也看似遗忘扰动 —— tanh 饱和把暴走放大藏在观测窗内。STABLE 风 gate 立足有限视野观测,便把此表象判为"安全"。这就是兰顿蚂蚁幻象。sound certificate 从上方压最坏情况(证明而非观测),不被左右。
更深的幻象(连单轨道敏感度都被骗): ρ≈2.9 的发散 gene 连单轨道扰动敏感度都不发散(实测 1→2e-14),因 tanh 饱和 + 扰动方向错位叠加。于是状态范数监视、有限遗忘测试、单轨道敏感度三重漏掉 ρ≥1 —— 唯 box-sup sound certificate(σ_max=4.87>1 reject)看穿。这是"非 sound certificate 看不穿"最强实证。
3.3 capability 诚实顛末 —— synthetic NULL_TIE → 实 CE ARTIFACT+NEGATIVE
(1) synthetic 多峰地形(K=6 basin)= NULL_TIE。 ME ≈ gradient ≈ random。ME vs gradient mean_diff +0.028 / Wilcoxon p=0.39 / sign_delta=0(n=20)。四条件 AND 全向不成立 = 纯平局 = capability 优势未实证。
(2) 实 SmolLM2-CE 地形 = ARTIFACT + NEGATIVE。 由 SmolLM2 layer 15 hidden state 造"预测下一内部表示簇"的 CE 地形,同预算四法对战(held-out 平均,越高越好):
| 方法 | held-out 平均 | 名次 |
|---|---|---|
| 解析梯度(torch Adam) | -1.446 | 第 1(全部最佳) |
| 进化(MAP-Elites) | -1.454 | 第 2 |
| random | -1.473 | 第 3 |
| finite-diff(弱梯度) | -1.483 | 第 4 |
- 进化 vs finite-diff:ME 20/20 胜(diff +0.029,p=9.5e-7,看似 EXISTS)。
- 进化 vs 解析梯度:解析 19/20 反超(diff +0.008,p=3.5e-4)。
→ ME 的胜是 finite-diff 弱(cold-start / dim+1 评估/步 / 预算内 ~95 步)的 artifact。强梯度下 gradient > evolution = 实地形上 capability 也 NEGATIVE。
honest disclosure 真价(拦下假阳性): 没有 strong-gradient meta-gate,我就会误结论"进化在实地形 20/20 capability 取胜"的 false-positive。"得意前疑内幕"实际排除一个假阳性 —— 健全判别器(meta-gate)看穿兰顿蚂蚁 ver.2。
3.4 framework 性(F8)—— (b) PASS / (a) NULL
(b) 3 plug-point swap = PASS。 GeneCodec / Objective / VerifierBackend 三插口各以单对象替换,src 无改(git diff 空),pytest 17 green;per-gene two⇒sdp / inf⇒sdp 在 3000 gene 上 0 违反。
(a) 结构多样性 → 泛化 load-bearing = NULL。 "结构多样性帮助泛化"假说不成立(held-out diff +0.011,p=0.55,第一级 NULL)。诚实公开 —— 可替换属实,但"多样性有效"未实证。
3.5 Mamba SSM Lyapunov 正对照(§7.3)
为审计尺子自检出力(能否把安全底座正确判安全),用 Mamba。Mamba-130M 全 24 层 A=-exp(A_log)<0(589,824 ch) → λ_max≤0 自明 → stable-by-construction PASS。SmolLM2 无 SSM(llama 架构,仅 self_attn+mlp,无状态递归)→ 安全须靠后加 gate。框架在 base 级区分"安全底座(Mamba)"与"需 gate 底座(SmolLM2)"(PASS)。留保:这是 parameterization 的自明性 —— 任意 valid Mamba 结构性成立,检定的是"参数化保证稳定"而非"学到稳定"。
3.6 敌对验证
用 3 独立 skeptic + 实机 3 seed 再跑 突合本 verdict 数值主张。结果 = MAJOR 0 / 全 MINOR,数值零 mismatch,无推翻机构结论的指摘。尤其主结果(capability),验证方实际加载 SmolLM2 独立再跑 3 seed,确定性重现"强梯度胜进化"。
3.7 small-n 墙(第一级 negative)
guarantee 立得住,但规模墙诚实地留着。verified 结构进化仅限 small-n per-component(n≤4-6)。高维 navigable 且 sound 的 certifier 不存在(第一级 negative)—— #39 的 2^n 墙之续。SDP(cert_sdp)只抬高 navigability 天花板,没破 2^n 成本墙。
honest 留保(禁止 over-claim)
作为三篇总括,所有留保集于一处。为不混淆 capability 与 guarantee,务必一读。
- capability NULL_TIE 是"非显著平局"。既非"进化劣于梯度的 decisive proof",也非"powered 等价 proof"(power 未分析)。不可把 NULL_TIE 断定为"进化的失败" = 未实证。
- 40 basin 可能是高维 hillclimb 不收敛 artifact。稳健只说"多峰(>1)"。
- gate 中立性仅限 held-out、capability flat regime 观测。train 侧在 0.25 差有 archive 探索约束。
- STABLE 84% 设定依赖(EPS_FORGET=1e-2 / T=64 / K_PROBE=8 固定,敏感度未测)。方向(STABLE 漏危险)稳健,但"84%"非设定无关数值。
- empirical_rho 从下方。0 观测 false-admit 是强一致性,非绝对/机械证明。
- 实 CE 是 hidden 簇 CE proxy(非全词表 softmax;小 n 全词表退化)。
- verified 结构进化仅 small-n per-component(n≤4-6)。高维 navigable-sound certifier 不在(第一级 negative)。
- 实 LLM transfer(tiny→SmolLM2 的 load-bearing)未验证。
🗒️ 「这种事，犯不着那么认真啦。」—— 连发八条留保之后的一口气（© Forbidden shibukawa / SHUEISHA・Snack Basue）
关于竞品的自我改进主张 —— 不贬低,只述"未验证"之事实
"越用越聪明/自我进化"的潮流是真的。2026-06-10 竞品扫描:hermes-agent(NousResearch, 189k★)—"20+ 技能快 40%";ECC(211.8k★)— Continuous Learning;headroom learn — 持续学习系。但这些性能主张全为第三方未验证的自家 benchmark(截至 2026-06-10)。star 数证明人气,不证明性能优势。
重点不是贬低竞品。它们"变聪明"的主张可能真,可能是兰顿蚂蚁幻象 —— 没有可证伪判别工具,外人无法区分。verified-plasticity 正是此工具。连我们自己的主张(#40 进化 20-0)都在 meta-gate 下被证为幻,判别器的必要性已自证。
连世界模型都开不出保证 —— 区分贡献与保证
另一大潮流是世界模型:agent 内置环境模拟器预测行动。很强,也有助于安全设计。但作为技术事实,世界模型系手法一般有助于安全设计,却不给出形式化的保证(guarantee)。这是技术社区广泛共有的观察(2026 年的讲演也表达了同旨。藤吉弘亘教授)。贡献(contribution)与保证(guarantee)须作为两回事对待。
verified-plasticity 的定位由此清晰。世界模型系手法止于"贡献",而 verified-plasticity 用 sound certificate 开出 GUARANTEE —— 用证明而非表象压住"收缩(ρ<1,不暴走)"。非替代而是互补:世界模型聪明地预测行动,verified-plasticity 保证其结构适应不暴走。
从技术上说,这与一个一般观察一致:AI 历史一直朝着"机器自我获得(进化)原先靠人手设计的结构"的方向前进。本研究的进化命题也在同一方向上。谁来保证那"自我获得的结构"不暴走?verified-plasticity 的回答:"sound certificate 保证。"
总结 —— 三弧汇于一点
把 #38 → #39 → #40 → #41 的弧,用兰顿蚂蚁这一点捆束。
- #38:防御性公开 —— 理论上拿下"带证明记忆"的四点交叉点,以公开而非专利立旗。
- #39:窗在实现关闭,但 2^n 墙(small-n 墙)纹丝不动。
- #40:会变聪明吗?→ 不会。实地形上强梯度也胜进化。capability 卖不了(meta-gate 看穿兰顿蚂蚁 ver.2)。
- #41(本篇):全部汇于一点 —— "简单确定性制造表面秩序/复杂,经验被骗,唯 sound certificate 看见本质。"
"可进化的 LLM"的真面目是 "不是进化在性能取胜的 AI,而是用 sound certificate 保证并测量在线结构改变不暴走·不灾难性遗忘的框架"。朴素。但"越用越聪明"和"世界模型给你安全"虽是悦耳标题,可证伪地判别"变聪明了/稳定了"是真是幻的工具却几乎没有。verified-plasticity 就是那个判别器。
价值在 GUARANTEE 而非 capability。世界模型开不出保证(止于贡献);verified-plasticity 用 sound certificate 开出保证。经验被表象欺骗 —— 唯证明器是看穿兰顿蚂蚁幻象之眼。
正本:github.com/furuse-kazufumi/llcore — 论文草稿 + 全部实验代码/数据。
☕ 闲话休题 —— 和 AI 玩二人羽织，最后却抢起了光标
前面接连几章都很重，说一段离正题稍远的后台话。这个连载的实验与验证，并不是笔者一个人写的，而是和 AI 编程环境（Claude Code）三脚并行地推进。可这套「二人羽织」，一跳起舞来意外地常踩脚。比如在开发一个让 AI 自走的个人工具时，屏幕上什么都不显示，笔者判断「坏了」就把它停了，结果背地里 AI 正默默工作了几分钟 —— 它不是沉默，只是被显示的接线给憋住了，这就是个包袱（详见第 6 章）。
更不起眼也更顽固的，是和日文输入法（IME）的搏斗。在终端画面上，正在转换、尚未确定的文字，和 AI 频繁改写的画面，争抢着同一块地方，光标互相撞车，显示动不动就崩。对手是几十年累积下来的终端历史规格，修好一处，另一种组合又坏。最后，笔者干脆把终端本身扔了，搬进普通的 GUI。本以为在和 AI 一起做最前沿的研究，到头来最折磨人的，竟是「把日文干净地显示在屏幕上」这个半世纪前就存在的不起眼问题 —— 我觉得这是个相当有味道的包袱。
第5章 为什么我想要一幅「在 3D 里漫步 LLM」的画面
📖 一句话概括
这是一份记录，从「想用漂亮的 3D 影像，走进研究的内核来展示」这份憧憬开始，绕了一大圈，最后连计划都重做了一遍。我把一个有名的 3D 可视化工具复制（fork）过来一试，发现有两个窟窿 —— ①这个工具没有许可证，要做一个公开的改造版就得拿到授权；②说到底，要映出来的「自己的内核」（一个像样的 LLM）本身还很薄。打磨一个没有引擎的驾驶舱毫无意义。于是笔者下定决心「比起好看的画面，先做出真正该被映出来的内核」，把做验证器的事先搁一边，把计划改向「先自己做一个真正能跑的 LLM」。这是一个领悟的故事：可视化不是目的，而是用来照出内核是否货真价实的诊断仪器。
【前置知识】GPT 系 LLM 极粗略的内部（嵌入→注意力→输出），以及「训练＝降低损失」这种程度即可。难懂的术语正文里会随时拆开讲。
【整体脉络】3D 可视化的 fork → 借来之物的极限（许可证 ＋「内核太薄」）→ 自制的实数据验证查看器 → 意料之外的转折 → 重画计划。
【到达目标】(1) 让真实数据带上「来历」的可视化范式，(2) 比起「好看的画面」更优先「内核」的判断基准，(3) 失败（fork 看似近路实为远路）的诚实记录。全部都带着实际跑出来的数字。
fork 了 Brendan Bycroft 先生的 llm-viz 的头一天，屏幕里 token 正美丽地在 3D 空间中流动。完美。
正因如此，我不相信那幅画面。 因为那个 3D，没有映出我的模型的任何一个真实数字。
这篇文章，从那幅「美得让人无法相信的画面」开始，做出自制的实数据验证查看器，最终连项目计划都重画了一遍 —— 是这一天的记录。先把结论说出来——我扔掉了 fork，把 llcore 重新设计为「优先确保作为 LLM 的功能」。 为什么我要暂时放手「会动的 3D」、转向那个方向，下面带着跑出来的实数据一起拆开讲。
我在做一个叫 llcore 的研究项目。让 Transformer 的核「进化」，并对它的稳定性做形式化验证 —— 这是个尖锐（而且老实说，有点朴素）的题目。越是朴素的题目，越需要会动的画面。
于是我盯上了 Bycroft 先生的 llm-viz（bbycroft.net/llm）。这是用 WebGL2 + TypeScript 自研 3D 引擎做的名作，能真正在 3D 里漫步一个会跑的 nano-GPT 的 forward pass。源自 Andrej Karpathy 先生的 minGPT 的极小模型（只做 A/B/C 重排、3 层·3 头·嵌入 48 维·词表 3 的「豆 GPT」）的权重是真的，token 穿过矩阵化为预测的过程，真的能用眼睛跟着看。
「把它 fork 过来，让自己的模型在 3D 里漫步就行了。是近路。」—— 我这么想。
先跑起来。corepack yarn install → yarn dev → 在浏览器里打开 /llm。HTTP 200，717 个模块在 Node v24 上编译成功。 借来的引擎，确实转起来了。到这里都很顺。
到这里为止。
借来的画面，有两个「窟窿」
以为是近路的 fork，头一天就开了两个窟窿。
窟窿①：没有许可证。 llm-viz 的仓库里不存在 LICENSE 文件（package.json 也是 "private": true）。按著作权法的默认，这意味着「all rights reserved（不得擅自使用）」。公开在 GitHub 上 ≠ 可以自由公开衍生作品。
【拆解】「没有许可证」不是「自由」，而是「全部不行」。clone 到本地学习·实验是通常的使用范围，但要公开·发布改造版，就得拿到作者的授权。 顺带一提，随附字体的一部分（BaKoMa Computer Modern）也是 "All Rights Reserved"。minGPT 的权重是 MIT（Karpathy 先生），那部分是另一回事。
这里我意识到一条重要的界线。「在 3D 里漫步 GPT」这个想法本身，不属于任何人。 著作权保护的是 Bycroft 先生「代码的具体表达」，而不是「发想」。也就是说，想公开的话，有一条不用他的代码、**自己重写（clean-room，洁净室）**的路。fork 的本质不是「代码的复制」，而是「想法的再利用」—— 正是这一句，结果让今天的成果物「从一开始就可公开」。
窟窿②：说到底要映出来的「内核」太薄了。 这个更痛。正想把自己的数据灌进借来的引擎时，我猛然发觉：我想在 3D 里漫步的 llcore 的核，连豆 GPT 解的「A/B/C 重排」那种「像模像样的语言任务」都还做不利索。
没有值得用漂亮 3D 来映的、拿得出手的内核。就像一个带驾驶舱的飞行模拟器，关键的引擎却没装上去（而且更糟——「准备飞却飞不了」。比喻好用，但不说清它在哪里会失效，就会把读者带向错误的笃定）。
本该是近路的 fork，忽然看起来像远路了。但是，跌倒了也别空手起来。借来的东西用不了，那就用自己的代码、把自己的实数据、诚实地映出来——从这里重做就行。
转折点：比起「会动的画面」，更要「实数据的来历」
我扔掉借来的东西，决定把实数据灌进自制的 Apache-2.0 工具（raptor-render-landscape，一个从 JSON 规格画出「点在适应度地形上攀登」动画 SVG 的自制工具。这次为了实数据做了改动）。完全不碰 Bycroft 先生的代码 ＝ 从一开始就可公开。
题材是 llcore 的实验结果：对某「进化出来的小型递归核」的 900 个个体，分别测了 (a) 作为语言模型的性能（held-out 交叉熵 ＝ 越低越好）和 (b) 稳定性分数 ρ（contraction 的实测值。ρ<1 是「不发散的健全系统」，ρ≥1 是「可能暴走的系统」）—— 这是一张真实的表。
【拆解】perplexity / 交叉熵：「能多准地猜中下一个字」的指标。明确低于瞎猜（均匀分布）就说明「至少，是个语言模型了」。
ρ（contraction）：反复做递归计算时，状态是缩小(<1)还是膨胀(≥1)。膨胀的话输出就暴走。是「安全阀有没有关上」的仪表。
后面出现的地形的高度「获得 bits」，就是把上面的交叉熵比基线（瞎猜）下降了多少 ＝变聪明了多少，直接当成海拔。
这里撞上了诚实的墙。表里有性能和 ρ，但各个个体的「基因本身」（72 维向量）没有被保存下来。地形的 (x,y) 坐标是由基因生成的，可那个基因没了。捏造坐标蒙混过去？—— 那违背 llcore 最讨厌的「诚实开示」。
但是，有一条出路。实验是从固定种子（20260604）采样基因的。那么就能从同一个种子「确定性地再生」基因。而且，作为再生正确的证据，把再生出的每个基因都送进 classify_region（决定该基因属于哪个安全区域的纯函数），与保存下来的区域标签比对。
结果：900 个全部区域一致（900/900）。 证明了坐标不是捏造，而是「源自真实的基因」。把 72 维用标准化 PCA 降到 2D（＝把 72 维的基因，尽量保留特征地压缩到地图的横纵两轴）。然后地形的高度＝「获得的 bits（比 unigram 多得几个比特）」，点的颜色＝实测 ρ（绿 ρ<1 ＝ 691 个／红 ρ≥1 ＝ 209 个），就这样画了出来。
这里招认一下 llcore Phase 2 的诚实结论。「进化能造出比梯度（gradient）更好的 LLM 吗？」的答案，是平局～负。 一遇上强解析梯度，进化的胜利就消失了（capability 是负面）。剩下的价值是「健全性的保证」，而不是「强 LLM」。
…于是「以为赢了的高光 → 诚实的内幕 → 剩下的价值」这三幕，我一边做着这份可视化，一边对自己上演了一遍。然后我醒悟。这不是可视化的问题。是要映出来的「本体（＝像样的 LLM）」太薄的问题。
实数据上的决着：点，真的越过了边界
转折之后，最后再推一把。我把**实际的进化轨迹（点在攀登的动画）**叠到同一张地形上。不过——按 llcore 的规矩，用同一基质·同一 PCA 基底跑真正的 GA，把每一代的最佳个体投影上去。跑两条：
- 🟠 无门（只追性能）
- 🟢 cert_inf 门（用 fail-closed 强制健全性）
两者从同一初始群体出发（差别只在门 ＝ 公平）。结果——不捏造，照原样写：
| 跑者 | 交叉熵（改善） | ρ（安全性） | 落点 |
|---|---|---|---|
| 🟠 无门 | 3.589 → 3.536 | 0.992 → 1.038 | 越过了健全边界（ρ≥1） |
| 🟢 cert_inf | 3.594 → 3.564 | 0.936 → 0.915 | 保持 ρ<1 的同时改善 |
无门的那条，以降低性能为代价，让点物理地越过了 ρ=1 的安全边界。带门的那条几乎同等地降性能，却守在了健全的一侧。安全的代价（safety tax）在交叉熵上仅 0.028。
这是统计变成悬念的一刻。
（这幅图不是理想化的示意图，而是实终端运行的 replay ＝「动起来的，就是数据本身」。在某些显示环境下动画可能变成静止图，但地形、900 个个体、两条轨迹的最终状态依然可读。）
而就在这幅画面做完的瞬间，开头那个问题的答案已经出来了。
退一步看：可视化不是目的，是诊断仪器
请回想最初那幅「美得让人不信的 3D」。那是「借来的动」，没有持有我的模型的任何一个数字。如今手里这幅，也许朴素，但它带着实数据的来历，让真实的点越过了 ρ=1 的边界。这一次，数字可以相信了。
但更重要的领悟在更深处。打磨可视化这件事本身，并不是目的。 它只是照出「内核是否货真价实」的诊断仪器。而对转折点抛来的「本体太薄」这个诊断，我在这里下了决心。
老实说，比起一个劲地造验证器，我更想做 LLM 本身。 这不是逃避，而是顺着自己的 bench 结果（capability 负面）的正确嗅觉。所以我重画了计划：
llcore 重新规划（capability-first）
- 最优先＝确保 LLM 功能。 验证可塑性·可视化降格为「功能／说明物」（但不丢弃）。
- 不丢弃进化。 但不抹掉「在权重最优化上输给梯度」这一事实，把进化重新部署到进化能赢的擂台＝架构搜索（NAS）。权重＝梯度，结构＝进化。
- 第一合格线：日文 char-LM 能生成自然的续写，且 held-out perplexity 明确低于 unigram。先在 CPU（无 GPU）上，用 tiny-shakespeare 规模（数 MB 级）的小日文语料，自己训练出一个「最低限度的 LLM」。
- 然后——让训练好的「自己的模型」，在洁净室 3D 里漫步。 「造」与「看」，到这里才终于对齐。
最初想要的是「在 3D 里漫步 LLM 的画面」。绕了一大圈才明白，赋予那幅画面价值的，是该被漫步的「真正的内核」那一侧。fork 看似近路，实为远路。但正是那段远路，决定了「该先做什么」。远路，不坏。
🗒️ 「这不就是科学怪人的烦恼嘛」—— 比起验证器，更想创造一个真正的 LLM（© Forbidden shibukawa / SHUEISHA・Snack Basue）
带得走的东西（以可复用的形式）
- fork 的本质是「想法的再利用」，而非「代码的复制」。没有许可证的名作，本地学习，公开部分用洁净室重写。
- 可视化只有带上实数据的「来历」才成为价值。 连坐标都不捏造。从固定种子确定性地再生 ＋ 区域一致（900/900），就能证明「真」。
- 把「动＝数据」。比起示意图，更要实跑的 replay（点真的越过边界）。3DGS 那种重表达对低维是过剩，看得清第一。
- 诚实的失败（fork 是远路／capability 负面），是最强的高潮。 比起隐藏，剖开它，才能赢得读者的信任和下一步的正确落子。
下一回打算写「让在 CPU 上训练的『自己的小 LLM』在 3D 里漫步」的故事。这次，先装上引擎，再坐进驾驶舱。
附录（复现·出处）
-
llm-viz：Brendan Bycroft 先生 / https://github.com/bbycroft/llm-viz （无许可证＝仅限本地研究。公开部分用洁净室重新实现） - minGPT：Andrej Karpathy 先生 / MIT
- 验证地形·轨迹的绘制：自制 Apache-2.0 工具（实 900 个体 / 实 GA 2 系 / 区域一致 900/900）
- 环境：Python 3.11·torch 2.12+cpu（无 GPU）·Node v24·Next 13.4.19
☕ 闲话休题 —— 一旦决定「不注水」，文章就会变得朴素
读这个连载，你也许会注意到，「世界首创」「碾压级」这类华丽的词几乎不出现。这是有意为之。写作者决定了，要像「在我们检验的范围内先行为零」那样，必定带着但书来说。夸张能让读者一瞬间兴奋，可一旦日后发现「其实也没那么厉害」，此前积累的信任就会一下子崩塌。所以宁可忍住华丽，也要选朴素却经得起验算的说法。
有意思的是，越是一丝不苟地加但书，文章就越变越朴素。「结果好得过头就在高兴之前先怀疑内幕」这条纪律，会从写作者手里拿走「能上热搜的标题」。但放长远看，正是这些朴素的但书，才是让读者能安心相信这些数字的地基。华丽与信任常常是此消彼长的，而这个连载毫不犹豫地选了信任 —— 带着这种眼光去读，每一章的「诚实的局限」一节，就不再是无聊的收尾，而会显出它最诚实的看点。
第6章 进度条不动时，你能等几分钟
📖 一句话概括
这一章从硬核的研究话题里抽身出来，是一本轻松的小故事集，收的全是笔者为了让 AI 通宵自走而做的个人工具「llterm」开发中真实发生的失败谈。第一话是：进度条不动，我以为「坏了」按了 Stop，其实背地里 AI 一直在好好工作 —— 以此开头，还有占用率仪表指到 156%（桌上摊着桌子 1.5 倍的文件）的 bug、把不存在的设定当成标准的误会、限流时把接力棒交给另一个 AI 的巧思、与日文输入显示崩坏搏斗到最后扔掉终端的决断，以及「停的方式才是 UX」的收尾，共六话。聪明 AI 的桥段几乎不出现，出场的全是显示的诚实、仪表的诚实、交接备忘这类老派的工程学和职场智慧 —— 是一章卸下力气的轻松章。
概念钩子
安装程序的进度条卡住不动，你等了 3 分钟，按下了取消。后来才知道「其实背地里它一直在好好跑」，是不是有点尴尬？
我就在昨天，对着 AI 干了这事。屏幕的那一头，AI 在默默工作。它太安静了，安静到我判定它故障，按了 Stop。 错在 AI，还是我？—— 都不是。错在做出「默默工作的设计」的我。
本稿是用自走循环来驱动 Claude Code 的个人 GUI 工具 llterm 在 2026-06-12 真实会话里实际发生过的事，结集成的小故事集。AI 沉默的话、上下文仪表指到 156% 的话、点菜点了菜单上没有的超大份的话 —— 每一话都带着小小的包袱，和只有在现场才捡得到的教训。
先用三行把本文的教训说尽。
沉默 ≠ 故障。但让人沉默的 UI，就是故障。
仪表指出离谱的值时，要怀疑的不是燃料，而是仪表的实现。
停的方式的设计才是 UX —— Stop 按钮可以不是「杀死按钮」，而是「交接按钮」。
仍按 ①术语 → ②前提的拆解 → ③正题（小故事）的顺序，不注水地写。出现的数值全部来自实会话的记录（ledger / 会话记录）。
① 术语小辞典（免得在正文里卡住）
| 术语 | 一句话 |
|---|---|
| Claude Code | Anthropic 的 AI 编程代理 CLI。以对话写代码、跑测试、改文件。 |
| llterm | 本稿的主角。用自走循环驱动 Claude Code 的个人 GUI 工具（基于 Qt）。未公开的个人工具。 |
| 自走循环 | 不是人每次逐条下指令，而是 AI 自己持续转动会话的运转模式。详见 ②。 |
| 上下文窗口 | LLM 一次能参照的「工作桌面的大小」（token 数）。装满了就得叠起来交接。详见 ②。 |
| rotate（轮转） | 在桌面（上下文）装满之前，写下交接备忘把会话叠起来，在新会话里接着开始。 |
| ConPTY | Windows 的伪终端（pseudo console）机构。夹在终端应用与 CLI 程序之间的「翻译间」。详见 ②。 |
| IME / composition | 日文输入的转换引擎，及其「正在转换、尚未确定的悬空字符串」。在终端上它容易与画面重绘冲突。 |
| 限流（rate limit） | 单位时间内的使用量上限。定额订阅的约束不来自钱，而来自频率。详见 ②。 |
| 提供方链（provider chain） | 把多个 AI 提供方（这里是 Claude / Codex）按优先级排好，只在一方不可用期间自动切到下一个的机制。 |
| ledger | 仅追加（append-only）的审计记录。把发生过的事以日后无法篡改的形式留存的「航海日志」。本稿的小故事都靠它佐证。 |
| stream-json | Claude Code 无头（无画面）执行模式的输出格式。1 行 = 1 个事件的 JSON 流过来。 |
communicate() |
Python 标准库 subprocess 里的函数。等子进程结束为止，最后把输出一次性全部接收。第一话的真凶。 |
| graceful shutdown | 不是立刻杀掉进程，而是做完善后（这里是记下交接备忘）再停止。第六话的主角。 |
② 拆解 —— 前提只讲三个，讲得长一点
在进入小故事之前，请让我只共享三个前提。这里讲细一点，各话的包袱就能当「常见梗」笑出来。赶时间的读者跳到 ③ 也能读。
前提 1：「自走循环」是什么
Claude Code 通常是人打入「做这个」、AI 回应、人再打入 —— 这种对话式用法。相对地，自走循环是 AI 自己持续转动下一回合的运转模式。
打个比方，对话式是「坐在旁边一起做菜」，那自走循环就是「夜里把备料交给它，让它在天亮前做好」。睡前交代「把这个测试修好」，AI 就自己读代码、改、跑测试、记下结果，再进到下一项工作。
为什么能这样？因为 Claude Code 有无头模式（无画面地执行一回合、以 stream-json 返回结果）和会话续接（从上次的续上重开）。llterm 用这两样转出一个循环：「开新会话 → 续接上次 → 上下文快满就写交接备忘叠起来 → 在新会话里继续」。作为安全装置，里面装了「连续出错就停」、成本上限、全事件 ledger 记录等等。
这里关键是，自走的一回合要花数分钟～数十分钟。AI 要读一大片代码库、思考、改写、跑测试，自然如此。这个「一回合很长」的性质，生出了第一话的事件。
前提 2：「上下文窗口」是什么，为什么需要仪表
LLM 有一次能参照的信息量上限，叫上下文窗口。单位是 token（大致是单词的碎片）。
打个比方，就是工作桌面的大小。桌上能摊开的文件量有限。对话历史、读过的代码、写过的代码，全堆在这张桌上。桌子满了，新文件就没地方放了。
与人对话的话，一句「差不多该总结一下重开吧」就行；但在自走循环里，AI 得自己判断桌面的拥挤程度，在装满之前写好交接备忘、轮换（rotate）桌子。换得晚了，连写交接备忘的空白都不剩。所以 llterm 的 GUI 里显示着一个「桌面占用率仪表」—— ctx% 条。
从实现侧说为什么能这样：Claude Code 的无头输出里，含有每回合用了多少 token 的信息（usage）。读取它算出「用了窗口的百分之几」，超过阈值（比如 70%）就 rotate —— 这是自走循环的基本动作。也就是说这个仪表不是装饰，而是自走的生命线。 那仪表一旦失灵会怎样，是第二话。
前提 3：「ConPTY」「IME」「限流」—— 三个伏兵
ConPTY 是 Windows 的伪终端机构。请把它想成夹在终端应用（外观）与 CLI 程序（内核）之间，转传光标移动、颜色等画面控制码的「翻译间」。Unix 系 OS 很早就有 PTY 这种类似机制，但 Windows 装上 ConPTY 是相对晚近的事，留有一些行为上的怪癖。翻译间会重新解释控制码再转发，所以视时机和实现的组合，绘制有时会崩。
IME 是日文输入的转换引擎。出问题的是「正在转换、尚未确定的字符串」（composition），它一边在画面某处临时显示，一边得和应用侧的绘制协调。可像 Claude Code 这样的 TUI（终端上的对话画面）会频繁重绘。正在转换的那一刻画面被改写，未确定字符的显示就会崩。 长文、多行、日文这几个条件一叠加，越容易崩。这是第五话积年的怨念。
限流是单位时间内的使用量上限。用定额订阅时，约束以「钱花光」之外的形式来 —— 是「单位时间的额度用尽」。像自助餐（定额），但一次能给你端上来的盘子数有限。额度恢复的时刻（resetsAt）会作为事件通知，所以能机械地知道「要等到什么时候」。这是第四话的前提。
🍵 休息点：到这里是前提。一句话，llterm 是「让 AI 干夜班的装置」，靠桌面占用率仪表和交接备忘运转。那么，这台装置头一天闯了什么祸 —— 小故事开始。
③ 正题 —— llterm 小故事集（全六话）
第一话 「AI 沉默了」
把自走循环装上 GUI，第一次实跑的日子。按下 Start，AI 的会话开始了。
…………。
屏幕上什么都没出。过了 1 分钟，过了 2 分钟。窗口没卡死。但什么都不显示。我判断了：「这坏了。」按下了 Stop。
后来查 ledger（实跑的仅追加记录），上面这样记着 —— 会话开始 2.5 分钟后 cancelled（2026-06-12 03:20 UTC 的实跑记录）。也就是说停它的确实是我。而同一份 ledger，又甩出另一个事实：那 2.5 分钟里，AI 一直在正常工作。
真凶是 communicate()。它是 Python 里接收子进程输出的标准函数，但其设计是阻塞到子进程那一回合结束为止，最后才把输出一次性返回。如前提 1 所写，自走的一回合要花数分钟～数十分钟。也就是说在这个实现里，到一回合结束为止，GUI 在结构上就什么都显示不了。AI 不是沉默，而是被噤声了。
修正是改为「按行实时读取输出」的方式。修正后的实测：从一回合开始 2.9 秒初始化，18.1 秒第一段文本出现在画面上，38.4 秒一回合完成。旧实现里这 38.4 秒全程无显示。连一个区区 38 秒的回合都能让用户不安，那么数十分钟的回合被按 Stop 是必然的。
包袱：判定故障把它停了的是人，真正坏掉的只是「让它把工作的样子显示出来」的接线。AI 无罪。实现它的我有罪。
教训：沉默 ≠ 故障。但强迫用户面对沉默的 UI，就是故障。 看不到进度的系统，即便在正确运转，也会被当成「坏了」—— 而对用户来说，那实质上就和坏了一样。
🗒️ 「…………」—— 沉默不是故障（让人沉默的 UI 才是故障）（© Forbidden shibukawa / SHUEISHA・Snack Basue）
第二话 「仪表指到 156%」
显示修好了，正心情舒畅地看着自走，这回轮到 ctx% 条 —— 前提 2 讲过的「桌面占用率仪表」—— 死死贴在了 100%。看内部计算值是 156%。
156%。桌上摊着桌子 1.5 倍的文件。是对物理定律的挑战。
原因在分子的计算。实现成了把每回合结果里的 usage（使用 token 数）累计相加，而那里头重复加上了缓存重读的部分。拆开说：AI 每回合都「重读」过去的上下文。其中从缓存重读的那部分，只是把桌上的同一份文件又看了一遍，并不是新文件多了出来。可累计方式下，每重看一次就当作「来了新文件」。看 10 遍就当成 10 份。于是占用率与实情无关地堆高，捅破 100% 冲到了 156%。
修正是改为「只看最后一回合的 usage（那一刻桌面的占用量）」。实测里，旧实现显示 8.4% 的场面，修正后是 4.3%。再查下去，分母里也有 bug：所用模型的实际上下文窗口是 1M token，分母却用了默认值 200K —— 把占用率高估了 5 倍，rotate 跑得早了 5 倍。分子高估，分母低估。仪表是双重失灵。
这里请回想第一话。占用率仪表是自走的生命线，AI 看着这只仪表来决定「要不要叠桌子」。仪表指到 156%，就会把还宽宽敞敞的桌子叠起来搬家。等于信着失灵的油表，开着满油的车一次次拐进加油站。
包袱：油箱连一半都没装，油表却指着 156%。车没坏。坏的是仪表的加法。
教训：仪表指出不可能的值时，要怀疑的不是世界，而是实现。 156% 这种「离谱」其实是幸运 —— 假如重复加得温和一点，落在 90% 上下，没人会怀疑，都会信「哦快满了」。高估 bug 最危险的形态，是落在看似合理的值上的高估。
🍵 休息点：到这里两话都是「显示」的事。AI 本体一次都没坏，人却按了 Stop，循环还差点白搬一次家。自走系统的可靠性，先于本体的聪明，由仪表的诚实决定 —— 这是前半的小结。
第三话 「能切到 ultracode 吗？」
我平时在另一个项目里用一个安全研究用的 Claude Code fork 环境。那里 effort（AI 思考得多深的程度设定）有个最高档叫 ultracode，启动时灌入 /effort ultracode 成了我的日常。
于是给 llterm 的 GUI 加 effort 选项时，我理所当然地想：「最高档是 ultracode 吧。」
实机确认的结果：原生 claude CLI 的 --effort 最高档是 max。ultracode 这个值不存在。ultracode 是那个安全研究 fork 自己定义的概念，原生 Claude Code 的词汇里没有。顺带又一个实机确认：/effort 命令在任务注入（自走循环作为 prompt 灌入的通路）里不生效。也就是说「靠注入切到 ultracode」是双重不可能。
假设你常去的定食店有个「隐藏菜单的超大份」。常去久了，有超大份成了理所当然。某天进了连锁的另一家分店点「来份超大份」，店员一脸茫然 —— 超大份是那家店的大将私自开的隐藏菜单，连锁的官方菜单只到大份。就是这么回事。
包袱：在隔壁镇的店里，点了菜单上没有的大份。该羞愧的不是店，而是把方言当成标准语的客人。
教训：每天在用的环境里的扩展功能，不知不觉就会显得像「世界的标准」。 自己工具箱里什么是标准、什么是本地扩展，最好定期盘点。AI 代理的设定项尤其如此，fork·包装器·插件层层叠叠，「这功能是哪一层提供的」值得在实机上确认一次。这次因为在做 GUI 选项前先实机确认，才没把不存在的选项出货。
第四话 「撞上限流，就甩给隔壁的 AI」
如前提 3 所写，定额订阅自走最先撞上的墙不是钱，而是限流。通宵自走，迟早会把单位时间的额度用尽。那时自走循环该怎么办？
朴素的答案是「等到额度恢复的时刻（resetsAt）」。llterm 也先实现了这个 —— 检测到限流事件，就（以可中途打断的形式）等到 resetsAt，再重试同一回合。为了不被误检拖着空等，对「allowed（还能用）」的限流事件直接放行。
但等着的时间太可惜。于是有了提供方链。只在 Claude 因限流不可用期间，把工作切到 Codex（OpenAI 的编程代理 CLI），等 Claude 的额度恢复就回来。Codex 在 ChatGPT Pro 订阅范围内运行，所以无需额外付费。各提供方分别管理「封锁到何时」，并能用 GUI 的开关选择启用/禁用。
这里有意思的是交接。Claude 和 Codex 是不同的 AI，互相看不到对方的会话历史（桌面）。那工作的上下文怎么传 —— 会话记录（SESSION_SUMMARY）来搭桥。为 rotate 而写的「交接备忘」，同时也能当作给别的提供方的交接备忘。夜班的交接笔记，不仅能用于内部换班，还能用来给来支援的别家公司的人做说明。
包袱：给 AI 立替补的机制，其心脏不是什么高级协议，而是「把交接笔记好好写」这件和人类职场一样的东西。
教训：冗余的关键，与其说是切换机构，不如说是交接信息的质量。 切换本身只是一个条件分支，但上下文传不过去，替补就得从白纸开始。为 rotate 而备的交接备忘，原样成了提供方之间的桥 —— 好设计会干两份活，这就是实例。
🍵 休息点：剩下两话，是 llterm 的出生秘密（为何扔了终端），和对第一话事件的最终回答（停的方式的设计）。是个闭环结构，再陪我一小段。
第五话 「扔掉终端的那天」
llterm 一开始并不是 GUI。原本如其名是个终端（terminal）宿主。把 Claude Code 的 TUI 原样显示在终端上，同时在画面最底部切出一条 IME 稳定的专用输入栏 —— 是这样的设计。
为此投入的匠艺，稍微列几样。把子进程（claude）跑在比实终端小 4 行的伪终端上，把最底 4 行留作自制输入栏。用终端的滚动区域指定（DECSTBM 这个控制码）把子进程的重绘隔在输入栏之外。把子进程结束后也回不来的读取处理隔到守护线程里逃生。为避免修饰键的重复洪水触发重绘而做节流——。能跑是能跑了。自动测试也有数十件 green。
可它还是不停地崩。日文 IME 的转换中字符串与重绘冲突，光标互相争抢，Windows 的输入模式与 ConPTY 的怪癖一组合，每次对话总有某处显示崩掉。摁住一个原因，另一个组合就崩。在跟我打仗的不是自己的代码，而是终端这一层历史规格的层层累积。
这时飞来一句话：「llterm 不好用。为什么不用 GUI？用 Qt 不就完了。」
…我斟酌了。对话里不停崩的问题，全部源自 terminal_io（Windows 的输入模式 / ConPTY / 光标竞争）。换成 GUI，那整片战场就消失了。 文本输入栏里的 IME 动作、画面绘制，在 Qt（确切说是 PySide6）里都是标准行为。坐享别人几十年测过来的成品行为就好。
我转了方向。扔掉终端，把显示换到 Qt 的 GUI。自走循环的心脏被分离成了不依赖显示的层，所以迁移里失去的只有匠艺的自尊。
包袱：几周的终端控制匠艺，败给了「往 Qt 的文本栏里放字，它就好好显示」这一个标准行为。是败北，也是完胜 —— 因为换了决胜的擂台。
教训：在解题之前，先想想能不能搬到那个问题会消失的地方。 工程师容易沉迷于「在当下站着的战场上取胜」（说的就是我），但像 IME×ConPTY×TUI 这种「历史层之间的摩擦」，有时不是个人能修的那类问题。撤退不是败北，而是设计判断。
第六话 「停的方式的设计」
最终话，是对第一话的最终回答。
第一话里我按了 Stop。那时的 Stop，是立刻杀掉运行中 AI 进程的按钮。这里有自走循环特有的问题。自走中的 AI，把「现在做到哪、接下来打算做什么」只持在自己的上下文（桌面）里。一旦即杀，那就连桌子一起没了。下次启动的会话，要从「什么做到哪了都不知道」的白纸开始。用人来说，就是连写交接备忘的工夫都没有就被带出了职场。
于是我把 Stop 做成两段。第一次 Stop 是「graceful（温和）停止」：让 AI 把工作内容写进会话记录（SESSION_SUMMARY）之后再叠起来。其间 GUI 显示一个沙漏 —— 是「正在让它写交接备忘，请稍等」的信号。第二次 Stop 是强制 kill：那也等不及、或者真的卡死了的时候的最后手段。顺手还给窗口的 × 按钮加了确认对话框，防的是自走中误点一下就让夜班工作消失。
与第一话并排，闭环就合上了。第一话的事件是「因为怠慢了显示的设计，按下了本不必按的 Stop」。第六话是「为了那个终究会按下 Stop 的日子，设计一个按了也不坏的停法」。显示创造信任，停法守护信任。
而如第四话所见，这个「Stop 时写下的交接备忘」既是 rotate 的交接，也是提供方换班的桥。在 llterm 这台装置里，干得最卖力的，也许不是 AI 也不是 GUI，而是交接备忘。
包袱：做了一天自走 AI 工具后明白的最重要组件，既不是最新的 AI 也不是 GUI 框架，而是「交接笔记」。和我们职场一样。
教训：停的方式的设计才是 UX。 Start 按钮的体验谁都会精雕，但用户能否信任系统，取决于「不安时·想停时会发生什么」。正因有「停了工作也不丢」的保证，才能安心地让它跑 —— graceful shutdown 不是功能，而是信任的前提条件。
④ 总结 —— 把六话压成三行
| 小故事 | 发生了什么 | 教训 |
|---|---|---|
| 第一话 AI 沉默 | 全阻塞设计导致数十分钟无显示 → 人判定故障按 Stop（ledger 实证） | 沉默 ≠ 故障。但让人沉默的 UI 就是故障 |
| 第二话 156% | usage 累计 + 缓存重读的重复加导致占用率 156%（分母也低估 5 倍） | 仪表要怀疑的不是世界而是实现 |
| 第三话 ultracode | 把 fork 自有的 effort 值当成标准。原生 claude 最高档是 max | 别把本地扩展混同为世界标准 |
| 第四话 提供方链 | 仅限流时换 Codex，无额外付费。桥是交接备忘 | 冗余的关键是交接质量胜过切换机构 |
| 第五话 扔掉终端 | 把与 IME/ConPTY 的搏斗换成 Qt 的标准行为 | 搬到问题会消失的地方也是设计 |
| 第六话 停的方式 | Stop 第一次 = 记录后再停（沙漏），第二次 = 强制 kill | 停的方式的设计才是 UX |
压成三行，就回到了开头的宣言。
沉默 ≠ 故障。但让人沉默的 UI，就是故障。
仪表指出离谱的值时，要怀疑的不是燃料，而是仪表的实现。
停的方式的设计才是 UX —— Stop 可以不是「杀死按钮」，而是「交接按钮」。
自走 AI 工具的一天，是几乎不出现 AI 聪明话题的一天。出场的，是显示的诚实、仪表的诚实、交接笔记、撤退的判断 —— 也就是说，全是自古就有的工程学和职场智慧。做一台让 AI 自走的装置，其实就是给 AI 搭一个职场 —— 这是今日的下回分解…不，是小结（没胆量自称落语，就以小故事集的身份打烊）。
honest 留保（禁止 over-claim）
- llterm 是未公开的个人工具。本稿不是工具宣传，而是开发过程的小故事，不打算提供复现步骤。
- 本稿的数值（2.5 分 / 2.9 秒 / 18.1 秒 / 38.4 秒 / 156% / 4.3% vs 8.4% / 200K vs 1M / 测试 186 passed）是 2026-06-12 实会话·特定环境（Windows、当日的 Claude Code CLI）的记录值，不是可一般化的性能主张。
- 156% 是 llterm 侧的实现 bug，不是 Claude Code 本体的缺陷。第三话的 ultracode 同样是「fork 环境与原生 CLI 的差异」，不是哪一方有缺陷的事。
- 限流·订阅的规格（resetsAt 的通知形式、计费的处理等）基于撰写时点的观测。将来可能改变。
- 「切到 Codex 无额外付费」指的是在既有 ChatGPT Pro 订阅的范围内，不是免费的意思。
References
- Microsoft — "Introducing the Windows Pseudo Console (ConPTY)", Windows Command Line blog, 2018.
- Qt for Python (PySide6) — 官方文档。
- Python
subprocess— 官方文档（communicate()的行为规格）。 - frankbria/ralph-claude-code — 自走循环的 prior art（resume + 终止信号 + circuit breaker）。
- claude-resurrect — 自走循环的 prior art（summary → self-exit → resume）。
- （内部）本系列 #31 — Claude 主导 + Codex 配下的「两根支柱」开发体制（提供方链的背景）。
⚡ 本系列与 Claude Code 携手写成
文章中的实现、验证与可视化均与 Claude Code(Anthropic 的 AI 编程环境)一起完成。
Claude Code 提供 1 周免费试用。如果你喜欢并通过下方的推荐链接订阅付费方案,
作者将获得「继续开发的额度」,从而支持本系列持续更新。👉 免费试用 / 推荐链接 → https://claude.ai/referral/0sqPw8E_lw
🗒️ 「真恶心。」— 想靠介绍链接赚点小钱，连我自己都有点看不下去。（© Forbidden shibukawa / SHUEISHA・Snack Basue）