lldarwin / 进化 arc 合集 — 单一栽培进化 / 选择压力 / 指挥者合奏 / 证伪与 Goodhart / 进化可视化 / Codex 双柱 / llcore CPU 进化 × 第三个轴

Last updated at 2026-06-14Posted at 2026-05-09

lldarwin / 进化 arc 合集 — 单一栽培进化 / 选择压力 / 指挥者合奏 / 证伪与 Goodhart / 进化可视化 / Codex 双柱 / llcore CPU 进化 × 第三个轴

🌐 语言: 日本語 | English | 中文 | 한국어

📚 FullSense 合集系列

llcore 验证 arc 合集

lldarwin / 进化 arc 合集（this）

llive 完全解说合集

llmesh 合集

通俗版合集

把 AI 进化了 500 代之后，世界上只剩下"我"和"预测编码之父卡尔·弗里斯顿"两个人 #25 — monoculture 的 honest disclosure 与选择压组件 lldarwin
仅靠「用眼镜测量」无法驱动进化 —— 选择压组件 lldarwin 的设计与实测 #26
一夜之间重写了 AI 进化 —— 真实 LLM 的 12 小时运行又一次在满分处饱和，6 个 PoC、4 个 Agent 与 Perplexity「各自独立地收敛到同一个结论」的那一夜 #27
让"指挥者"指挥不断进化的 AI 群体合奏来作答 — llive 的乐团式进化, 以及治好饱和的 3 个装置 #28
"镜片饱和时,选择压力无能为力" — 用反证锤炼进化设计 #29(Goodhart 定律与 proxy fitness 的极限)
「展示」进化的技术谱系 #30 — 从 Conway 的生命游戏到 3DGS
让 AI 把 AI 当作下属来使用 #31 —— Claude 主导 + Codex 配属的「两根支柱」开发体制
(连载 #32) llcore CPU PoC battery 完成
(连载 #33) 过于整齐的结果不是胜利，而是警报 —— 用 proper power 给第三轴 ③ 一锤定音的一天
(连载 #34) 六连战爬山实验弄清了「进化的③何时起作用」——而且 100 年前的进化生物学早已给出同样的答案

第1章把 AI 进化了 500 代之后，世界上只剩下"我"和"预测编码之父卡尔·弗里斯顿"两个人 #25 — monoculture 的 honest disclosure 与选择压组件 lldarwin

📖 一句话概括

一句话概括：把 AI 群体以 8 位天才的"思维习惯"为种子进化了整整 500 代，结果活下来的却只有作者和弗里斯顿两个人——这是一份重大失败的记录。乍看像是一个"预测编码最强!"的感人故事，真相却恰恰相反。测验把所有人都打成了 100 分（满分通胀），无论选谁都拉不开差距，进化就此沦为一场"抽签"。打个比方，就好比在一个全员满分的班里选班长，票数分散，最后只剩下 2 个人而已。原因在于评价函数（给成绩打分的眼镜）坏掉了，本章正是讲到从这里意识到："测量"之后还需要一件专门负责"淘汰"的工具 lldarwin。

📚 FullSense 知识库指南
FullSense 开发全史 60+ 篇文章（4 种语言版、故事化的阅读顺序指南、通俗易懂版、四格漫画）均已汇总至 Qiita Team FullSense KB（仅限团队成员）。

📚 连载导航（lldarwin 弧）: #24-05 群体进化 → #25 本文（monoculture 的失败） → #26 设计篇 → #27 climax（实 LLM 饱和→开放端转折）。※ 各文均可单独阅读（链接用于回游）。

概念 hook: 在 llive 的派生群体进化中，我把人物 persona 作为 8 个系统的"种子"
播了下去。古瀬（=我）、弗里斯顿、米利奇、矶村、冈洁、格罗滕迪克、
冯·诺依曼、费曼。代表世界的 8 个智慧，在打完 500 代之后，活下来的会是谁——。

结果，活下来的只有 我（52%）和预测编码之父卡尔·弗里斯顿（48%）这 2 个人。
冈洁、格罗滕迪克、冯·诺依曼、费曼，没有一个人留下后代，全都灭绝了。

……这听起来像是一段感人的进化故事吗? 不是。这是一份大失败的记录。
进化并不是"选择了强者"，而是由于选择压为零，仅仅凭运气（遗传漂变）
偏向了 2 个系统而已。本文就是关于这件事的 honest disclosure，以及在
"测量（lleval）"之后所需的"淘汰（lldarwin）"组件的设计故事。

0. 用三行讲剧情（落语里的"垫话"）

做了什么: 把 8 位智慧作为 persona 种子投入 llive 的派生群体进化，用 rich-proxy 评价跑了 500 代。
发生了什么: 第 1 代 best_score 就 钉在了 1.0，之后一直满分。8 个系统收敛为 古瀬 52% / 弗里斯顿 48% 这 2 个系统，其余 6 人灭绝。
真因: "满分一直出现"＝选择压为零。无论选谁 fitness 都一样，所以进化实质上变成了掷骰子（遗传漂变）。

简而言之就是 "想在一场所有人都考 100 分的测验里排名次"。那谁能合格
当然就成了抽签。是测验不好。眼镜（lleval）起雾了。

1. 为什么把"人物"作为种子来播

llive 的进化层 (v0.B〜v0.F) 并不是让 1 个 LLM 变聪明，而是
让 N 个 llive 个体（genome）进行世代更替并相互评价的派生群体进化
（连载 #24-05 中详述）。

向那个 genome 初始注入"思考癖好"的机制就是 PERSONA_FX。
像"用预测编码观察世界的 Friston""从沉默与情绪中立起数学的冈洁"
那样，把实在智慧的认知风格映射到 genome 的 factor_affinity（对思考因子的
偏向）上，作为种子（founder）播下。

播下的 8 个系统:

founder	认知风格的种子
古瀬（我）	来历志向・源流追踪・现实连接
卡尔·弗里斯顿	预测编码・自由能最小化
贝伦·米利奇	active inference 的实现志向
矶村	（用户指定的 persona）
冈洁	情绪・整体直观・接受不确定性
格罗滕迪克	抽象化・一般化・结构的发现
冯·诺依曼	形式化・计算・多领域横跨
费曼	重组・第一原理・直观验证

🍵 休息点: 到这里如果脑海里浮现出"8 位天才被丢进 VR 大逃杀"
这幅画面就 OK。问题在于，这场大逃杀的 规则（评价函数）坏掉了。
正题从下一节开始。

2. 结果 — 只活下来 2 个人

500 代之后的系统占有率（max_lineage_share 的内訳）:

古瀬           ████████████████████████████  52%
弗里斯顿       ██████████████████████████    48%
米利奇         (灭绝)
矶村           (灭绝)
冈洁           (灭绝)
格罗滕迪克     (灭绝)
冯·诺依曼      (灭绝)
费曼           (灭绝)

乍一看，似乎可以写出一个"预测编码（Friston）和来历志向（古瀬）战胜了
抽象数学（格罗滕迪克）和形式计算（冯·诺依曼）"的故事。

实际上在 SNS 上，"把 AI 进化一下，结果预测编码最强"或许还会刷屏。
但不做这件事，正是 FullSense 的 honest disclosure 规则
（[[feedback_benchmark_honest_disclosure]]）。当出现异常漂亮的结果时，
在觉得自己赢了之前先怀疑内訳。

怀疑的结果，就是下一节。

🗒️ "动动脑子啊" — 活下来的 2 个并不是因为聪明（只是靠 drift 残留）的自嘲（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

3. 真因 — "满分通胀"消灭了选择压

3.1 症状: best_score 从第 1 代就是 1.0

看日志，best_score 在第 1 代就已经是 1.0。之后 500 代一直 1.0。
在进化计算中，fitness 立即饱和（plateau）是典型的危险信号。

选择（淘汰）是"按 fitness 之差挑选亲代"的操作。可是所有人都满分的话，
就不会产生 fitness 之差。没有差异，那么锦标赛选择和轮盘选择都
退化为实质上的随机选择。

这就是 选择压为零 的状态。进化停止了，之后群体只是凭借遗传漂变
(genetic drift) 自行偏移而已。8 个系统缩成 2 个，并不是"因为强"，
而是 单纯的概率性吸入。

🤔 打比方（相声风）:
逗哏「在一个所有人都考 100 分的班里选班长，结果票分散，只剩 2 个人……」
捧哏「那不是选举，那是抽签啊!」
——进化身上发生的，正是这种"抽签化"。

这里把"遗传漂变（genetic drift）"稍微讲细一点。从生物学上说，就是
不受选择压作用的中立基因，随着世代更替仅凭偶然就让频率发生偏移的现象。
即便往小池子里放 8 种颜色的金鱼，只要没人吃，几代之后 碰巧增多的 2 种颜色
就会占据池子。不是因为强，只是骰子的点数恰好那样滚出来。这次的 8→2，
正是这种"捞金鱼的池子"状态。

🤔 打比方（落语风）:
「八公，掷 500 次骰子，按出现最多的点数定大将，你看怎么样」
「那可不是实力，那纯属赌博啊」
「正是。让进化去赌博，就是这次失败的真相。」

3.2 根本原因: 评价函数 `fitness_rich` 的双重坍塌

为什么满分会一直出现。追踪代码，fitness_rich（rich-proxy 评价器）有
2 个设计缺陷。

缺陷 1 — 把 factor_affinity 在所有层做成同值
genome 本应以"思考因子 × 内存层"的 2 维矩阵来拥有个性。可是在
archetype 生成时用 np.tile 把 factor_affinity 以相同值复制到了所有内存层。
逐层的差异＝个性的一半，在进入评价之前就被压垮了。

缺陷 2 — 把 nearest 用 max(sims) 压成单一标量
个体与 archetype 的接近度，是从与多个 archetype 的相似度向量中
用 argmax（=只取最大值 1 个） 取出的。只看"和哪位天才最相似"，
而把"和其他天才有何不同"全部丢弃。结果，只要稍微和某一个相似就得高分 →
立刻钉在天花板上。

本应如此: pressure profile = [典型性, 多样性, 专门性, ...] ← 多轴向量
实际实现: fitness = max(个体与各 archetype 的相似度)        ← 单一标量
                          ↑ 用 argmax 压垮 = 多目标性消失

也就是说 "本应用多把尺子去量的东西，只用 1 把尺子的最大值去打分"。
眼镜（lleval）只有 1 片镜片，而且还是会立刻满格冲顶的粗糙镜片。

🍵 休息点: 这里是本文的高潮。问题不在于"结果偏了"，而在于
"让结果偏掉的原因是评价函数的坍塌"，意识到这个两段式结构，
这篇文章你就算读完了。剩下的是"那么怎么修"。

🗒️ "成见可真深啊…" — 给"预测编码最强"那种过度自信的笃定泼盆冷水（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

4. 对策 — "测量"之后是"淘汰": lldarwin

llive 家族里已经有 lleval（眼镜 = 评价框架, 连载 #24-08）。
这次明白的是，即便眼镜能"测出"差异，如果不把那个差异正确地
转换成"谁能存活"，进化就会坏掉。

于是我设计了新成员 lldarwin（选择压 = 淘汰组件）。
ll- 家族的分工变成这样:

lleval   = 测量  （把个体的行为转换成多轴的 pressure profile）
lldarwin = 淘汰  （把那个 profile 转换成"下一代的亲代"）

4.1 设计的核心 — "不聚合"的选择压

这次失败的本质就是 "把多个轴聚合成 1 个标量再 argmax"。
所以 lldarwin 的第一原则是 不聚合多个选择压的多目标淘汰。

采用的 3 层融合（用 rad-research 横跨 evolutionary_computation 616 件选定）:

ε-lexicase 选择 — 把评价轴逐一依次独立应用。在某个轴上突出的
specialist（其他轴平庸）也能存活 → 多极结构被自动维持。
如果格罗滕迪克在"抽象化轴"上第 1，即使其他轴平庸也不会消失。
minimal-criterion QD (MAP-Elites) — 按 behavior 维度的每个 cell 保留 elite。
只要哪怕 1 个 cell 残留就不会全灭＝在结构上让 monoculture 不可能发生。
down-sampling — 每一代只使用评价 case 的一个子集。由于标的会移动，
就无法钉在特定的 peak 上 → 摧毁 plateau（满分通胀）。

在此之上再加 minimal-criterion gate（不按连续排名，而按"是否满足最低标准"
来划分能否繁殖 = 抑制一强通吃）和 per-dim z-score 标准化（让"所有轴平均都高"＝
无特征者不占优势）。

4.2 把"LLM 的短板"当作选择压

另一个方针是，把 LLM/VLM 现实中薄弱、且可测量的轴 选作 pressure
（避开无法验证的领域）。例如:

pressure	LLM 的短板	proxy/实
typo_robustness	对错字・噪声输入的一致性	可 proxy（合成 typo 注入）
polysemy_wsd	多义词的语境依赖理解	可 proxy（WSD bench）
multistep_robustness	多步推理的 cascade error	可 proxy
calibration	信心估计（token confidence ≈ random）	可 proxy
visual_qa	图像识别・visual hallucination	必须实 VLM（Stage 后段）

从可用 proxy 测量的轴做 PoC、实 LLM/VLM 轴放在后段，这种测量纯度的分离
也从一开始就纳入了设计（[[feedback_llive_measurement_purity]]）。

4.3 监控全灭 — SPC 报警

FullSense 的核心思想是 SPC（统计过程控制）。在 lldarwin 中也
每一代记录 max_lineage_share / archive 增长 / behavioral diversity，
用 SPC_ALARM 检测 monoculture 比 > 0.8 来自动调整 cadence 和参数。
目标是让这次的"8→2"在结构上不可能再发生。

5. 教训（作为 honest disclosure 留下）

异常漂亮的结果（best=1.0 立即饱和、收敛为 2 个系统）不是胜利而是警报。
怀疑内訳的结果，胜者并非凭实力，而是评价函数缺陷所产生的幻影。
"测量"和"淘汰"是两码事。 即便眼镜（lleval）能测出差异，如果用 argmax
把那个差异压成 1 条，淘汰就会坏掉。淘汰器（lldarwin）不可以聚合。
不抹掉失败。 不丢弃这次 500 代的 run，在配线 lldarwin 之后，
用它作为 baseline 来重跑验证"冈洁・格罗滕迪克等人是否存活"。
8→2 是否改善，是第一个合格判定标准。

下回预告: 实现 lldarwin 的 PoC Stage 0（proxy 轴 + ε-lexicase 配线 + QD archive），
重跑同样的 8 founder。这次冈洁真的能存活吗。
我们要去覆写"世界上只剩我和弗里斯顿"的那条世界线。
（设计的细节在 #26，把自己的反证抛向那个设计的 honest disclosure 续接到 #27。）

5.5. "眼镜"与"淘汰器"的 2 段结构 — 为什么要分开（深入）

本文最希望你带走的概念图就是这个:

个体 ──▶ [ lleval = 眼镜 ] ──▶ pressure profile（多轴的 case 向量）
                                       │
                                       ▼
              [ lldarwin = 淘汰器 ] ──▶ 下一代的亲代

#25 的失败，本质在于这 2 段两者都坏掉了:

眼镜侧的故障: fitness_rich 用 nearest = max(sims) 把多个轴压成 1 个标量，而且立即满分。
→ 没在测量（看不见差异的眼镜）。
淘汰器侧的缺位: 不聚合的多目标淘汰（ε-lexicase / QD）压根没有被配线。
→ 无法淘汰（没有过滤器）。

重要的是 只修其中任意一侧都无法让进化恢复。
往饱和的眼镜里插入高级淘汰器，也淘汰不了"零差异"；
没有好的淘汰器只把眼镜修好，也用不上 profile。
"测量"和"淘汰"是不同的故障，需要分别去修 ——这就是 #25→#26 的桥梁。
（"不修眼镜只把淘汰器升级也是白费"这一反证，会在 #27 正面处理。）

🍵 休息点: 用摄影的比喻来说，lleval 是"测光表"，lldarwin 是"采用哪一张照片"。
测光表坏了做不出相册，没有采用标准也做不出相册。两者都需要。

5.6. 图解构想（投稿前 SVG 化的候选）

为了让本文"用动态来吸引人"想准备的图（投稿前 SVG 化）:

系统占有率的崩塌动画 — 沿世代轴让 8 个系统的条带被吸入 2 个系统的 animated SVG（金鱼池隐喻）。
best_score = 1.0 立即饱和图 — 在第 1 代就钉到天花板的平坦线（一眼看出选择压为零）。
argmax 压垮图 — 多轴向量 [典型性, 多样性, 专门性, ...] 被 max() 压成 1 根柱子的 before/after。
2 段结构图 — 把 §5.5 的"眼镜 → 淘汰器"作为 hero 图做成 animated。
ll- 家族角色图 — 用 1 张图呈现 lleval（测量）/ lldarwin（淘汰）/ llive（个体）的关系。

这些计划搭载到 [[project_fullsense_animemd_branch_token_viz]] 的 animated SVG 表现层（声明式动画 → SMIL）上。

6. 相关

连载 #24-05「群体学习的 AI」— 派生群体进化的总结（本文的前提）
连载 #24-08「制作眼镜」— lleval（测量侧）
连载 #26「lldarwin 的设计」— 淘汰器的多目标淘汰 / ε-lexicase / QD（本文的续篇）
连载 #27「眼镜起雾时淘汰也无力」— 反证调查・Goodhart's law（honest disclosure）
设计书: lldarwin（淘汰侧）— 本文的原始素材
相关 memory: [[feedback_benchmark_honest_disclosure]] / [[feedback_llive_measurement_purity]] / [[project_persona_genome_integration]]

第2章仅靠「用眼镜测量」无法驱动进化 —— 选择压组件 lldarwin 的设计与实测 #26

📖 一句话概括

上一章弄明白了"眼镜（评价）坏掉了"，本章便着手设计一件全新的淘汰工具 lldarwin，并真正把它跑起来。要记住的关键词只有一个："不聚合"。因为一旦把多把尺子的分数加总成一把，那种只在数学上满分的天才般的"尖锐个体"就会输给平均分的优等生而被淘汰消失。于是我们把逐轴单独审视的 ε-lexicase 等手法捆在一起来拯救那些尖锐个体，再加上一个"每一代都悄悄复活灭绝谱系的中立贮藏库"，结果冈洁也好、格罗滕迪克也好，全员复活了。最后一直讲到实测：面对真正的本地部署 LLM，进化 prompt 策略，把不擅长的任务从 0 分改善到满分。

概念 hook: 在上一篇 #25 中，我曝光了一次巨大的失败：「把 AI 进化 500 代之后，世界上只剩下我和 Friston了。」
冈洁、格罗滕迪克、冯·诺依曼，全都在进化途中悄然消失。原因在于：评价函数（眼镜 = lleval）持续给出满分，导致选择压降为零。即使能「测出」谁更优秀，如果无法把这个差异转换为「谁能存活」，进化就堕落为单纯的遗传漂变。

那么——既然眼镜让我们能「测出」差异，那把这个差异正确转换为「淘汰」的装置该如何制造？
那就是本篇的主角，lldarwin。它是 ll- 家族的新成员，是**专门负责淘汰（选择压）**的组件。

本文希望你记住的关键词，只有一个：「不要聚合」。把多把尺子加总成一把的那一刻，进化就坏掉了。为什么会这样，以及我如何用实测跨越它——接着失败往下讲，这次说的是实际跑起来了的故事。

0. 三行概述（落语的「枕」）

落语在正题之前有「枕」。先用三行勾勒全貌。

lleval 测量，lldarwin 淘汰 —— 进化只有作为「测量」与「淘汰」的两段式结构，才第一次有意义。
淘汰的第一原则是不聚合多个选择压的多目标淘汰。在此结构性地切断 #25 失败的真因（用单一标量的 argmax 压垮了它）。
采用的三大支柱 = ε-lexicase + minimal-criterion QD + down-sampling（横向调研 evolutionary_computation 语料库 616 篇后选定）。

而且这次与 #25 的区别在于：不仅有骨架，还有实测。用 novelty pressure 把行为多样性从 7.12 → 14.88（+109%）翻倍，用中立贮藏库实际全员复活了「已灭绝的冈洁、格罗滕迪克谱系」，最后面对本地部署的真实 LLM（llama3.2），进化 prompt 策略，把不擅长的任务从 0.0 → 1.0 改善。按顺序逐一来看。

1. 为什么要把「测量」与「淘汰」分开

llive 家族中已经有 lleval（眼镜 = 评价框架，连载 #24-08）。它是观测个体行为、按多个轴打分的装置。

然而 #25 揭示的是一个致命的真相。即使能用眼镜测出差异，一旦用 argmax 把那个差异压成一个，淘汰就坏掉了。 具体来说，fitness_rich 把多个 archetype 相似度用 nearest = max(sims) 折叠成了单一标量。这就是 SEL-2 违规——「best=1.0 饱和，所有人都拿满分，选择梯度消失」的真因。

明确区分职责的话，是这样。

lleval   = 测量  （把个体行为转换为「多轴的 pressure profile」）
lldarwin = 淘汰  （把那个 profile 转换为「下一代的亲本」）

lleval 的输出是 case 向量（各轴分数排列成的数组）。lldarwin 把它作为输入契约接收，不聚合地进行淘汰。两者的职责边界正在于此。如果 lleval「把轴加总成一把之后」再交过来，lldarwin 就什么都做不了。所以对 lleval 一侧课以契约：「必须保留并传递 breakdown（按轴的分解）」。

lldarwin 的 Pressure 接口，由以下最小契约表达。

name —— 轴的名称（typo_robustness 等）
evaluate(individual_output) -> case_scores: list[float] —— 把个体行为转换为「按轴的分数数组」
is_proxy: bool —— 是 proxy 测量还是真实 LLM/VLM 测量（测量纯度的区分）
minimal_criterion: float | None —— 该轴的最低繁殖标准（None 则无 gate）

要点在于：evaluate 的返回值是列表，而非标量。一个轴之内也有多个 case（测试用例），不压垮它们而直接流向 lldarwin。这种「不压垮」的设计，是后面拯救 specialist 的伏笔。

🍵 休息点: 把眼镜（lleval）与滤镜（lldarwin）分开的意义，用摄影来说就是「测光」与「决定采用哪一张」的区别。即使测光完美，选错最佳镜头相册也就毁了。即使曝光表（lleval）告诉你「这一张亮度 80 分、构图 30 分、表情 95 分」，你是把它四舍五入成「平均 68 分」而丢弃，还是「把表情 95 分的那一张另设一格保留」，相册的丰富程度会有天壤之别。lldarwin 是「采用判断」的专家。让测量者与挑选者一人兼任，通常两边都会变得粗糙。

2. 设计的核心 —— 「不聚合」的 7 个阶段

lldarwin 把从 lleval 接收的 pressure profile（多轴的 case 向量）通过以下 7 个阶段进行淘汰。对每一个都附上「为什么需要 = 防止哪种失败」。

Standardizer —— per-dim z-score。不偏向那种仅仅「全轴平均偏高」、毫无特征的优等生，而把各轴上的偏离转换为选择压。中心一致（与大家相同）被排除。
- 防止的失败: 「仅仅平均分高」的平庸者获胜、尖锐个体消失的 monoculture 入口。
MinimalCriterionGate —— 按各轴的最低标准划分繁殖资格。不让仅凭连续排名就「赢者通吃」。
- 防止的失败: 一强独占全部繁殖名额的全灭场景。以「只要满足标准谁都能繁殖」的「最低保障」保留多样性的地基。
EpsilonLexicaseSelection —— 把各轴作为 case 一个一个独立评价。在某个轴上突出的 specialist（其他轴平庸）也能存活。
- 防止的失败: 聚合 argmax 导致的 specialist 灭绝。这正是产生 #25 的 8→2 的机制本身。
QD / MAP-Elites archive —— 把 pressure profile 转换为 behavior 描述子，按 cell 保留 elite。archive 单调增长。
- 防止的失败: 结构性全灭。只要一个 cell 中哪怕残存一个个体，那个行为就不会消失。
Niching / FitnessSharing —— 对同一 niche 的个体降权，让多峰并存。
- 防止的失败: 向单峰的凝聚（monoculture）。
Down-sampling —— 每一代只用 case 的子集来评价，扰动环境。
- 防止的失败: 对特定 peak 的过适应与 plateau（停滞高原）。通过使其成为 moving target，不允许「用同样的方式获胜」。
NoveltyScorer —— 停滞时，向「与过去不同的行为」施加探索压。
- 防止的失败: 探索枯竭。当改善停止时，把新颖性本身作为奖励，推向外部。

与 #25 的 8→2 monoculture 对比，核心是三个：(3) ε-lexicase、(4) QD archive、(2) minimal-criterion。在 #25 中这些全部缺失，只有单一标量 argmax 在运转。所以「平均最强的一个谱系」把连续排名通吃，其余在漂变中消失。lldarwin 通过「不聚合地把这三个捆在一起」，构建出即使世代累积也不崩溃的结构。

🤔 比喻（漫才风）:
捧哏「把考试分数全加起来排名，结果只剩下平均分高的优等生了。」
逗哏「那不是零多样性吗！数学 100 分、其他都 0 分的天才不见了啊！」
捧哏「不过，论总分还是优等生更高啊……」
逗哏「别看总分！ 一个科目一个科目看的话，那个天才在『数学』这个 case 上谁都赢不了。ε-lexicase 就是拯救这个的机制。一加总，天才就死了。」
——加总（聚合）杀死 specialist。因为 ε-lexicase「一个科目一个科目地看」，尖锐的家伙才能存活。这就是 lldarwin 的头号要义。

3. 为什么是这 3 大支柱（rad-research 的支撑）

作为「即使世代累积也不崩溃」的最有力融合方案，我横向调研了 evolutionary_computation 语料库 616 篇后选定。来历很重要：我不是自己发明的，而是从既有研究中甄选并捆绑了「不聚合」的谱系。

方法	效用	出处
ε-lexicase	specialist 保存、high population diversity	La Cava 2019 (arXiv 1905.13266) / 2204.06461
QD / MAP-Elites	凭 per-cell elite 实现全灭不可能	Fontaine CMA-ME 2019 (1912.02400) / MNSLC GECCO 2024
down-sampled lexicase	环境扰动、降低成本	Helmuth & Spector 2021 (2106.06085)
island + extinction/repopulation	防止早熟收敛（将来选项）	Lyu 2020 (2005.07376)

三大支柱看似各不相干，实则可以被**一个思想「不聚合」**串成一串。ε-lexicase「不聚合各轴」。QD「不聚合行为空间（按 cell 保留）」。down-sampling「不固定评价环境（每代扰动）」。它们都在「不把它们揉成一把」这一点上共享相同的哲学。所以即使组合，思想也不冲突，反而相乘增益。

🍵 休息点: 有人问「为什么不自己发明？」答案很简单：因为既有研究的组合已经足够强。我的开发规则（[[feedback_originality_over_imitation]]）写道：「外部算法的采用是甄选而非穷尽。排除崩溃风险与单纯模仿，只采纳能为原创设计增值的东西。」lldarwin 的原创性不在于「发明了新的选择算法」，而在于「不聚合地把它们捆起来的捆法，以及把它实际接线进 llive 的进化循环」。用做菜来说，不是创造世界首创的食材，而是把既有的名食材「不混合地盛在一盘」的手艺。把混合就会毁掉的食材，不混合地使其共存。

4. Stage1 —— 用 criteria 排除 + novelty pressure 把行为多样性翻倍

从这里开始是实测。Stage1 中，没有一下子把设计全部实现，而是只放入最可能有效的两个改动来测量（llive, branch optimize/core-2026-05-20, commit 8060204）。

改动 1: criteria 排除。 从 ε-lexicase 的 case 中，移除了 factor_score（= max-archetype 的单一标量 = argmax，正是 #25 的 best=1.0 饱和的真因）与 nearest_persona_idx（= 顺序无意义的类别 index）。这是一次「把坏尺子从淘汰的判断材料里清除」的打扫。

改动 2: novelty pressure。 启用 MultiPressureSelector(use_novelty=True)。每一代计算与过去世代 archive 的 k-NN 平均距离（Lehman-Stanley 流的 novelty），在群体内做 z-score 化（STD-1），作为附加的 lexicase case 混入淘汰。把「在做着与大家不同的行为」这件事本身，作为轴之一来评价。

测试方面，把 tests/unit/test_evolutionary_lldarwin.py 从 8 → 10 个扩展（增加排除、novelty 保存）。进化系 847 个 green，无回归。

实测条件是 rich-proxy、8 founders + pop24、150 代、seed 0。结果如下。

4.1 行为多样性 (diversity_l2) —— novelty 见效的指标

条件	mean	tail30 min	final
BASELINE（排除前、相当于 Tournament 的旧 lldarwin）	7.12	0.68	0.83（崩溃）
A: 仅 criteria 排除	9.16	1.57	1.57
B: 排除 + novelty	14.88（+109%）	6.56（9.6×）	11.73（避免崩溃）

novelty pressure 把行为（genome 空间）的多样性维持在约两倍，防止了终盘的多样性崩溃。仅 criteria 排除单独也有效（清除了 spurious 的 argmax 压那部分）。BASELINE 在 final 0.83 处崩溃，而条件 B 在 final 11.73 处站稳了脚跟。这是「不聚合」设计的第一份手感。

把两张并排，终盘行为的差异一目了然。baseline 的多样性曲线贴在地板上，而有 novelty 的则保持高水平一路跑到终点。

🍵 休息点: 用金鱼池来比喻 novelty pressure——如果只留下围着饵（高 fitness）扎堆的金鱼，迟早会变成所有金鱼在同一处做同样动作的池子。novelty pressure 就是那个「给在不同地方游的金鱼也发奖金」的角色。结果是一个金鱼散布各处、看不腻的池子。但在这里不能松懈。下一节，会发现潜伏在这「热闹的池子」里的陷阱。

5. honest disclosure（最重要）—— 我把行为多样性与谱系存活混为一谈了

这是本文最重要的一节。即使出了好数字（+109%）也不能就此自以为赢——这是我的铁律（[[feedback_benchmark_honest_disclosure]]）。我怀疑了内幕。然后，找到了错误。

5.1 谱系固定 (founder_counts) —— novelty 无法改善的指标

在同一份实测里，看另一个指标。「8 个 founder（祖先谱系）中，有几个谱系存活到了最后？」

结果是——在所有条件下，最终都从 8 → 2 个谱系（furuse-kazufumi + friston）收敛。oka-kiyoshi（冈洁）/ grothendieck（格罗滕迪克）/ von-neumann / feynman / millidge / isomura 全部灭绝。

明明放入了 novelty 把行为多样性翻倍，谱系的存活却与 #25 完全相同，是同样的 2 个谱系。

5.2 为什么 —— 我混淆了两种「多样性」

设计书（#25 时点）的 TODO 写着「在重跑中验证冈洁、格罗滕迪克谱系是否存活」。这就是把行为多样性与谱系存活混为一谈了。

poc_evolution_env.py 的作者注释（L129-132）精确地点中了这个混淆。

"monoculture = BEHAVIORAL concentration (max archive-cell occupancy)…
neutral drift (Kimura) regardless of mechanism — that is expected, not collapse.
The OE signal is behavioral spread. lineage_fixation … to keep it <1 needs QD niching on lineage / PERSONA-FX, not pure novelty"

掰开来讲，是这样。

已证实的 monoculture 0.05 是行为性的（archive-cell 的占有率），而不是谱系性的。novelty/lexicase 改善的是「行为的扩散」，而非「祖先的存活」。
谱系固定因中立漂变（木村资生的中立进化论）而趋向 monoculture，是理论上正常的。这不是崩溃。novelty 与 lexicase 都只拥有保存既有个体的机制，而没有让一旦灭绝的谱系复活的机制。所以谱系固定从结构上无法阻止。
此外，archetype 之间的距离也被压缩在 0.068～0.29（相似度密集于 0.71～1.0），选择梯度弱，drift（漂变）占主导。friston 是最非中心的（centroid 距离 0.162），却存活了 = 不是中心性（强度），而是凭运气（drift），2 个谱系被固定了下来。

也就是说——我「希望冈洁、格罗滕迪克存活」的愿望，是一种用提升行为多样性的药绝对治不好的病。我用错了药。这是值得诚实记录的教训。

🍵 休息点: 用漫才来说。
捧哏「在池子里增加了各种五颜六色动作的金鱼！多样性满分！」
逗哏「那，血统呢？原本有的 8 个金鱼家系，还剩几个？」
捧哏「……2 个。」
逗哏「动作那么花哨，家谱却空空如也啊！动作的多样性和血统的多样性是两码事！」
——「行为多样」与「谱系多样」，是看起来相像、实则完全不同的指标。我把它们混淆了。诚实曝光。

6. Stage1.5 —— 用中立贮藏库让灭绝的谱系复活

一旦弄清病的真面目，就能换药。谱系存活所需要的，是「让灭绝的谱系每代 re-inject 的机制」——lineage-niched 中立贮藏库（reservoir）。

6.1 先用 PoC 确认机制

没有一上来就改造正式循环，而是先用 standalone PoC 确认机制能转起来（[[feedback_poc_feasibility_first]] = 需求 → PoC → 可行性 → 详细设计，llive scripts/poc_lineage_reservoir.py, commit 0d0537d）。

selection 沿用 Stage1 的 MultiPressureSelector（criteria 排除 + novelty）。fitness 是 rich-proxy。谱系从 parent_a 继承。reservoir = 按谱系保留 best-ever genome，并把灭绝的谱系每代 re-inject（替换掉低 score 的子代；best 不破坏）。用 8 founders + pop24 + 150 gens + seed 0 测量。

reservoir	最终 named 谱系	lineage_fixation (tail30 mean)	diversity_l2 (tail30)
OFF	1（oka-kiyoshi 24/24 = 完全 monoculture）	1.00	1.58
ON	8（全 founder 存活）	0.31（≪ 0.8 OE-3）	1.69

reservoir ON 时，包括冈洁（oka）、格罗滕迪克（grothendieck）在内的全部 8 个谱系存活。最终 shares 为 friston 7 / furuse 6 / grothendieck 4 / oka 3 / 其余 4 个谱系各 1。强谱系带着子孙繁殖，弱谱系由贮藏库维持生命，这是理想的行为。行为多样性也未下降（1.69 vs OFF 1.58）。

Honest 保留（PoC 阶段）: 由于贮藏库再投入 frozen elite（被冻结的代表），弱谱系（各 1 体）的「存活」是来自再投入，而非主动进化。这符合中立贮藏库的定义（保留代表，使其可再组合），是正当的，但我不主张「弱谱系仍在活跃地持续进化」。

6.2 嵌入正式 EvolutionLoop（additive + default-off）

由于 PoC 已确认机制，我把它嵌入了正式的 EvolutionLoop（commit b03cbda）。设计的关键是 additive 且 default-off——丝毫不改变既有行为，只在立起标志时才生效。死守了向后兼容。

增加 EvolutionLoop.on_population_bred hook（可在 breed 之后、评价之前转换 bred 列表；默认 None = 向后兼容）。
LineageReservoir（lineage_reservoir.py）: 祖先追踪（继承 parent_ids[0]）+ 按谱系保留 best-ever + 灭绝保护谱系的 re-inject。共享 founder_map，与谱系日志保持一致。
增加 run_persona_evolution(lineage_reservoir=True) / run 脚本 --lineage-reservoir。
tests: test_evolutionary_lineage_reservoir.py 6 个 + 进化系 937 green（无回归）。

在真实 EvolutionLoop 中的实测（rich-proxy + lldarwin + novelty, 8 founders / pop24 / 150gens / seed0）。

条件	named 谱系存活	max_share	lineage_fixation (tail30)	diversity_l2 (tail30)
reservoir OFF (Stage1)	2/8（furuse 17 + friston 7）	0.71	0.70	14.88
reservoir ON (Stage1.5)	8/8（全谱系）	0.33	0.29（≪ 0.8 OE-3）	9.20

包括冈洁（oka 3）、格罗滕迪克（grothendieck 1）在内的全部 8 个谱系，在真实循环中存活。正式实现以 0.29 复现了 PoC 的预测（fixation 0.31）——这是机制按设计运转的证据。

这是本文最大的看点。请对比下面两张。

OFF（上）：随着世代推进，stream 被吞入 2 种颜色——这是 #25 的「只剩我和 friston」的再现。ON（下）：8 种颜色作为带子一直保留到最后。冈洁、格罗滕迪克，都没有消失。

🍵 休息点: #25 中我哀叹「只剩我和 Friston」的那个寂寞的世界。这次它变成了冈洁、格罗滕迪克、冯·诺依曼全都在场的热闹世界。这不是捏造，而是实际跑出来的结果（遵循 [[feedback_benchmark_honest_disclosure]]，既不写虚假的失败，也不写虚假的成功）。但是——在得意忘形之前，请回想 §5 学到的态度。「出了好数字就怀疑内幕」。在下面的 §6.3，我诚实写下这次成功也是有代价的。

6.3 Honest 保留 —— 谱系保持与行为多样性是弱权衡

reservoir ON 时谱系全员存活。但仔细看，diversity_l2 从 14.88 → 9.20 下降了。由于每代再投入 frozen elite（冻结代表），genome 空间的扩散稍有减少。

不过，OFF 时的崩溃（final 0.83）被避免了。也就是说，这是一种弱权衡关系：「取谱系保持，行为多样性的峰值会略降，但能防止崩溃」。它不是零代价的魔法。我诚实写下来。而这个代价能压到多小，成为下一个 sweep 的主题。

7. 再投入频率 sweep —— 非单调最优点这一非平凡发现

我用 reinject_interval（执行再投入的世代间隔；默认 1 = 每代）的 sweep，对 §6.3 的 honest 保留（frozen elite 再投入会使 diversity 下降）做了特性化（commit da93dd3）。增加 LineageReservoir.reinject_interval + --reinject-interval 标志（test 7 个）。8 founders / pop24 / 150gens / seed0。

interval	named 存活	lineage_fixation (tail30)	diversity_l2 (tail30)
1（每代）	8/8	0.32	9.91
5	5/8	0.37	12.84（最大）
10	3/8	0.41	11.41
20	2/8	0.44	10.75

这里有一个非平凡的发现。 直觉上你会预想「减少再投入（提高 interval），frozen elite 的塞入就减少，diversity 单调恢复」对吧？然而——diversity 并未单调增加，而是在 interval=5 处达到峰值，在 10/20 处反而下降了。

想想原因就能信服。把谱系放任过度（interval 太大），则 (a) 来自贮藏库的多样性注入减少，(b) 少数谱系被固定，结果 diversity 也长不上去。「再投入过多」和「放任过度」两边都不行，最优点在中间。这是不实际跑 sweep 就无法预测的知见。

运营指南变成了这样。

若以谱系保持为最优先 → interval=1（8/8 全谱系存活）。
若想兼顾行为多样性 → interval=5（保住 5/8 的同时 diversity 最大）。

兼顾的最优点依赖于 fitness 的设计与群体规模，所以正式环境中要用 sweep 重新标定。

🍵 休息点: 就像落语的 sage（包袱），这里有一个「背叛预期的转折」。本以为「越做越好」，结果是「做过头反而有害」。和给植物浇水一样：浇太少会枯，浇太多会烂根。最优点在中庸。做进化计算时，会一次又一次遇到这种「不单调的曲线」。所以要测基线，跑 sweep。直觉，常常被背叛。

8. Stage2 前半 —— 用 proxy 把「LLM 的弱点」变成选择压

到此为止都是用 rich-proxy（基于 persona 相似度的 heuristic）确认机制。接下来实现设计的另一根支柱：把「LLM/VLM 现实中弱、且可测量的轴」变成 pressure（一系列 commit, pressures.py）。

我把设计 §3 列出的 5 个可 proxy 的轴做成了 plugin。

pressure（LLM 弱点）	相关思考因子（case）
typo_robustness（噪声耐受）	consistency / reality_link / uncertainty
polysemy_wsd（多义词）	multiview / consistency / reality_link
multistep_robustness（多步推理）	structurize / closed_loop / self_extend
calibration（置信度估计）	uncertainty / provenance
context_management（无关上下文耐受）	consistency / provenance / recompose

make_pressure_fitness() 把各 pressure 的 case（共 14 个）输出到 breakdown，lldarwin 的 ε-lexicase 不聚合地按轴淘汰 specialist。增加 --fitness pressure-proxy。tests test_evolutionary_pressures.py 4 个 + 进化系 942 green。

end-to-end 实测（pressure-proxy + lldarwin + novelty + reservoir, 8 founders / 120gens）: named 谱系 8/8 存活 / lineage_fixation (tail) 0.67 / diversity_l2 (tail) 17.91。14 个弱点轴 case 被独立淘汰，行为多样性高。谱系由 reservoir 维持（由于 pressure-proxy 不直接奖励 persona 的同一性，优势谱系的 share 比 rich-proxy 的 0.29 更高，为 0.67）。

Honest 保留（设计 §7 / §7.1 已明示的已接受局限）: 个体不是真实 LLM，而是 genome（llive 配置）。本 pressure 测量的是「genome 具备多少与该弱点相关的思考因子」这一行为的代理，而不是 production 的 LLM 能力。这仅限于 mechanism feasibility（机制能转起来）的验证。Goodhart 风险（hack proxy 的表面策略会进化）也是已接受的局限。真实 LLM/VLM 弱点轴的实测，留到 Stage2 后半（以 OLLAMA_HOST 设置 + 个体→真实 LLM 映射为前提）。

🍵 休息点: 这里容易被误解，所以再叮嘱一遍。我还没有说「用进化克服了 LLM 的弱点！」proxy 测的只是「机制是否转起来」。真实 LLM 是否变得对 typo 更鲁棒，在这个阶段完全不得而知。即使 proxy 出了花哨的数字（17.91），那也是「装置在运转」的证明，而非「内容变聪明了」的证明。一旦把这条线模糊掉，研究就成了谎言。所以接下来，我面对真实的 LLM。

9. Stage2 后半 —— 面对真实的本地部署 LLM，进化 prompt 策略

由于发现 localhost 的 ollama（llama3.2:latest 等）可达，终于可以进行真实 LLM 评价了（commit 2fb2912）。因为 localhost = on-prem，所以也满足 measurement purity（测量纯度，不与 cloud LLM 混用）的纪律（[[feedback_llive_measurement_purity]]）。

9.1 个体 → 真实 LLM 的映射（Promptbreeder 系）

关键是「如何让 genome 在真实 LLM 上生效」。我在 real_pressures.py 中实现了 个体 → 真实 LLM 映射。

把个体的 c_prompt（PromptChromosome）转换为 system prompt: skill_set → 指示文 / prompt_template_id → 推理风格 / language_style → 语调。把这个 system prompt 套在固定的 LLM（llama3.2）上，让它解 5 个弱点轴的真实任务并打分。
固定 LLM 本体，进化 prompt 策略（genome） = 用实测淘汰「哪种 prompt 策略能缓解 LLM 的弱点」。这是 Promptbreeder（用进化方式优化 prompt 的研究系列）的做法。
temp=0（greedy）确定性地进行。把 (system_prompt, task) 缓存（同一策略不再评价）。
robust: per-call try/except（ollama 的 hiccup 当作 task 的失分处理，运行继续）。
增加 --fitness real-pressure / --ollama-model / --max-wallclock-seconds。tests 5 个 + 进化系 947 green。

9.2 真实选择信号的实证 —— CoT+structure 策略把 multistep 从 0.0 → 1.0

然后，观测到了真实的选择信号。

CoT+structure 策略（chain_of_thought + structurize + loop）把 llama3.2 的 multistep（多步推理）从 0.0 → 1.0 改善（terse 策略以 0.0 失败；score 从 0.80 → 1.00 上升）。

这意味着，lldarwin 的主张「用 prompt 策略的进化可以缓解 LLM 的弱点」，不是用 proxy，而是在真实 LLM 上实证了。即使是同一个 llama3.2 本体，根据套上去的 system prompt（= 进化后的 genome）不同，多步推理任务时而能解、时而不能解。进化实际选取了「能解的 prompt 策略」。

9.3 12h 连续运行

真实 LLM 评价很重，所以启动了长时间的连续运行（out/lldarwin_12h_realpressure_2026_05_26/）。

--fitness real-pressure --selection lldarwin --novelty --lineage-reservoir
--genome3d --population 24 --max-wallclock-seconds 43200 --checkpoint-every 5

在 wallclock 12h 处 safely 停止（已 snapshot → 可用 --resume 继续）。在连续运行中达到了 best_score=1.0。

9.4 Honest 保留（真实 LLM 评价的局限）

这里是从 #25 学到的态度的总决算。正因为出了花哨的结果（0.0 → 1.0、best 1.0），我才彻底诚实地写下内幕。

(a) 参与 fitness 的只有 c_prompt。 persona / c_factors 是中立的（谱系由 reservoir 维持，初始选择由 novelty 承担）。也就是说，这是「prompt 策略的进化」，而非「persona 的进化」。不是冈洁的人格变聪明了，而是与冈洁这个谱系绑定的 prompt 策略被选中了。
(b) 全部 founder 的初始 c_prompt 相同（default）。 所以探索是 mutation 驱动的（按 founder 使 prompt 多样化是今后的改善）。由于起点相同，初始的谱系差异对 prompt 策略没有作用。
(c) 小电池（每轴 2 题）= 噪声大的估计。 0.0 → 1.0 这一戏剧性数字，也因题目数量少而含有噪声。要做统计上稳健的主张，需要更大的电池。
(d) on-prem only（measurement purity）。这不是关于一般能力的主张。 这是在 llama3.2 这一特定模型、特定任务上的观测，我不说「LLM 一般会这样」。

如果把这些藏起来，就能写出「进化让 LLM 变得戏剧性地聪明了！」这样花哨的故事，但那是谎言。lldarwin 实证的，只到「机制在真实 LLM 上产生选择信号」为止。越过那条线的主张，我不做。

🍵 休息点: 研究中最爽的，是喊出「0.0 变成 1.0 了！」的那一刻。但正是那一刻，[[feedback_benchmark_honest_disclosure]] 才发挥作用。「出了诡异地好的数字，自以为赢之前先怀疑内幕。」就这次而言——赢的是「prompt 策略」，而非「LLM 本体」也非「persona」。题目数量也少。只有 1 个 on-prem 模型。把这些全写出来，才第一次能说「实证了」。honest disclosure，是忍住炫耀的肌肉训练。

10. 既有资产的再利用（基于 codex 代码调查）

为了不让设计沦为画饼，我让配下的 Codex 调查既有代码，结果发现很多都是已实现、未接线。

mating.py:139 LexicaseSelection（带 ε，已实现但未接线 → 只需接线）
nsga2.py:197 NSGA2Selection（用于 ≤3 目标 lane）
diversity.py:94 NoveltyScorer / quality_diversity.py MAPElitesGrid / speciation.py SpeciationLayer

新实现: Standardizer / MinimalCriterionGate / Pressure 群 / MultiPressureSelector（核心）/ LineageReservoir（Stage1.5）/ SelectionAudit。
接线点: 在 loop.py:122 的 selection 注入 MultiPressureSelector，在 persona_evolution.py:606 增加注入口，把 LineageReservoir 接到 EvolutionLoop.on_population_bred hook。

🍵 休息点: 「已实现但未接线」最多，是最大的教训。即使做出好部件，不接线（编排）进化就仍然坏着。#25 之所以变成 8→2，是因为 ε-lexicase、NoveltyScorer、QD 都「在箱子里却没接线」。lldarwin 的本质，与其说是新算法的发明，不如说是「把既有的好部件不聚合地捆起来，并实际接线进进化循环」。即使把电子元件全凑齐，不焊接收音机也不会响。

11. 防止崩溃的保证 —— 不会全灭的多层结构（已由实测支撑）

反证 #25 的 monoculture（8→2）的多层结构，按设计齐备，而且这次得到了实测的支撑。

MinimalCriterionGate —— 以最低标准定繁殖资格 → 抑制一强通吃。
QD per-cell elite —— 只要残存 1 个 cell，谱系就不可能全灭（archive 单调增长）。
Niching / FitnessSharing —— 对同 niche 降权 → 多峰并存。
Down-sampling —— 用 moving target 破坏 plateau。
per-dim z-score + 中心一致排除 —— 不偏向无特征者。
LineageReservoir（Stage1.5 中追加） —— 灭绝谱系的中立贮藏库 → 从结构上阻止谱系全灭（实测 8/8 存活）。
monoculture 监视 + SPC —— 每代记录 max_lineage_share，用 SPC_ALARM 检测 >0.8 → 自动调整。

特别是 (6)，是承接 §5 的 honest disclosure（novelty 无法阻止谱系固定）而事后追加的一层。用实测找到设计的漏洞并堵上。实测的 lineage_fixation 为 OFF 0.70 → ON 0.29，大幅低于 OE-3 标准（<0.8）。以「不聚合」+「让灭绝谱系复活」的两段式，从结构上压垮 #25，是本文的到达点。

12. honest disclosure / 风险（前置铺垫）

我不盲信设计。把已接受的局限（下一篇 #27 深挖）再总结一次。

Goodhart's law / proxy 偏离 —— 把 LLM 弱点做成 proxy fitness，「hack 指标的表面策略」就会进化（typo → 背诵特定替换、WSD → 利用测试的 heuristic 等）。proxy 仅限于 mechanism feasibility，不主张 production 能力。
设计者依赖性 —— lexicase=case / QD=描述子 / novelty=距离尺度，无论哪个，「多样性的方向」都由设计者决定。生物进化级别的未预想涌现是有限的。
minimal-criterion 的停滞⇄崩溃权衡 / QD 的维度诅咒 + archive 饱和。
真实 LLM 评价的局限（§9.4 重述） —— 仅 c_prompt 参与 fitness、founder 初始 prompt 相同、小电池、on-prem only。

下回预告（#27）: 我会诚实曝光最痛的反证——「当眼镜饱和，选择压就无力」，连同 Goodhart's law 与 proxy fitness 的局限。lldarwin 并非万能。能主张到哪里，是 #27 的主题。正因为这次出了「8/8 存活」「0.0→1.0」这样的好数字，下次才用反证来彻底锤炼它。

13. 结论

进化是「测量（lleval）」与「淘汰（lldarwin）」的两段式。淘汰的核心是 「不聚合」。
Stage1: 用 criteria 排除 + novelty pressure，把行为多样性从 7.12 → 14.88（+109%）翻倍，避免了终盘崩溃。
honest disclosure: novelty/lexicase 保住的是行为多样性，但谱系固定会因中立漂变（Kimura）趋向 monoculture。我混淆了两种多样性——诚实记录。
Stage1.5: 用 lineage-niched 中立贮藏库，在真实 EvolutionLoop 中实现 OFF=2 谱系 / ON=全 8 谱系存活（含冈洁、格罗滕迪克），lineage_fixation 0.29（≪0.8）。这不是捏造，而是实际跑起来了。
再投入频率 sweep: 谱系保持↔行为多样性的权衡。diversity 在 interval=5 处达峰（非单调）这一非平凡知见。
Stage2 前半（proxy）: 把 5 个弱点轴做成 Pressure plugin（仅 mechanism feasibility）。
Stage2 后半（真实 LLM）: 用个体 c_prompt → system prompt 映射，对固定的 on-prem LLM（llama3.2）做真实任务打分。CoT+structure 策略把 multistep 从 0.0 → 1.0 改善。12h 连续运行达到 best=1.0。
不乐观、不自以为赢、分内幕地报告（[[feedback_benchmark_honest_disclosure]] / [[feedback_llive_measurement_purity]]）。

仅做出好部件，进化仍然坏着。不聚合地捆绑、实际接线、让灭绝的谱系复活、在真实 LLM 上确认选择信号——做到那一步，才终于把 #25 的「只剩我和 Friston」的世界，变成了冈洁、格罗滕迪克也都在的热闹世界。在下一篇 #27 中，我用反证重新追问：对这次的成功，能寄予多少信任。

14. 相关

连载 #25「只剩我和 Friston」—— 本文的动机（失败的记录）
连载 #24-08「制造眼镜」—— lleval（测量的一侧）
连载 #27「眼镜起雾，淘汰也无力」—— 反证调查（honest disclosure）
设计书: lldarwin（淘汰的一侧）docs/vision/LLDARWIN_DESIGN.md
实测正本: docs/research/lldarwin_stage1_results_2026_05_26.md
llive commits: Stage1=8060204 / 中立贮藏库 PoC=0d0537d / Stage1.5=b03cbda / reinject sweep=da93dd3 / Stage2 真实 LLM=2fb2912
相关 memory: [[feedback_benchmark_honest_disclosure]] / [[feedback_llive_measurement_purity]] / [[feedback_originality_over_imitation]] / [[feedback_poc_feasibility_first]]

☕ 闲话休题 —— AI 沉默的夜晚 —— llterm 开发的后台轶事

稍微离开正题，讲一件作者手头另一件工具的故事。为了让 Claude Code 跑起来，我自制了一个专用终端 llterm，可这玩意儿一点都不省心。最让我后背发凉的，是一个"AI 突然不说话了"的 bug。让它长时间自主运行时，会在某一轮之后应答戛然而止。这跟相声抖完包袱、观众安静下来不一样——这边是演员（AI）一声不吭地僵在台上，把后台的舞台监督（人）急出一身冷汗。原因其实很朴素：本该在每一轮交接处递过去的"那一句指令"，从处理的缝隙里漏掉了，于是 AI 不知道下一步该干什么。

另一件后台轶事是抢光标。绘制 AI 输出的处理，和人敲键盘输入的处理，争抢同一块屏幕上的光标，字就跑到奇怪的位置乱码了。再掺进中文/日文输入法（IME），连转换中尚未上屏的待定字符都被卷进来，显示一团糟。这种"屏幕里的小打小闹"，跟本文那些进化、淘汰之类光鲜的主题离得很远，是朴素而又脏又累的活儿。可要让 AI 长时间正经干活，正是这种后台的管线在默默起作用——这一点，或许和正篇里 lldarwin 看重"朴素的接线胜过华丽的数字"，多少有点异曲同工。喝杯茶歇歇吧。

第3章一夜之间重写了 AI 进化 —— 真实 LLM 的 12 小时运行又一次在满分处饱和，6 个 PoC、4 个 Agent 与 Perplexity「各自独立地收敛到同一个结论」的那一夜 #27

📖 一句话概括

这次终于用真正的 LLM（llama3.2）连续进化了 12 个小时——结果又在第 5 代就钉死在满分上，整整 65 代纹丝不动。也就是说，这仍然只是"带筛子的随机搜索"，哪怕换上真正的 LLM 也还没成为真正的进化。于是作者熬了一整夜：亲手跑了 6 个小实验（PoC），另外并行放出 4 个 AI，再让 Perplexity 去翻文献，为的就是"把方策定下来"。结果到了早晨，所有人各自独立地抵达了同一个结论——"再怎么打磨淘汰器都是白费。要让评价（尺子）本身开放端化（做成不会在满分处停住的机制）"。正因为是从各自不同的路抵达同一个答案，才值得信任——这是一份通宵的决策日志。

📚 连载导航（lldarwin 弧线）：#24-05 群体进化 → #25 monoculture 的失败 → #26 设计篇 → #27 本文（高潮） → 实现篇（计划中）。※ 每篇文章都可单独阅读（链接用于回览）。

概念 hook：在上一篇 #25 中，我曝光了一个重大失败：把 AI 进化 500 代之后，世界上只剩下弗里斯顿和我。原因是评价函数（眼镜 = lleval）一直给出满分，导致选择压力降为零。

「那么这次，用真实的 LLM 来验证吧。」抱着这个想法，我对着 on-prem 的 llama3.2 连续进化了 12 个小时。不是 proxy（合成的尺子），而是真实 LLM。

结果。在 gen5 就钉死在满分，此后 65 代纹丝不动。不会全灭，但也不会累积。这不是进化，而是单纯的「带筛子的随机搜索」——不仅 proxy，即使用真实 LLM，也还没有成为进化。

由此，一个通宵。为了「决定方策」，我亲自跑了 6 个 PoC，并行启动了 4 个 Claude Agent，让 Perplexity 去翻文献。到了早晨，**所有人都各自独立地收敛到同一个结论。**这就是那份「通宵决策日志」的 honest disclosure。

0. 三行概要（落语中所谓的「开场垫话」）

落语在正题之前有「开场垫话」。先用三行说。

又饱和了 —— 真实 LLM(llama3.2) 跑 12h，gen5 就钉在 best=1.0，65 代无进展。不全灭但也不累积 = filtered random search（带筛子的随机搜索）。真因与 #25 相同：「固定的人工尺子的饱和」。
一夜之间决定了方策 —— 6 个自跑 PoC + 4 个并行 Agent + Perplexity 各自独立地收敛到同一个结论：「保持尺子固定却去打磨淘汰器是徒劳。让评价本身开放端化。」
独创性浮现了 —— 让一个持续进化的群体，在任意一瞬间不停下来地合奏（MoA）出一个答案的「现场管弦乐团（live orchestra）」，被证明是先行研究中的 white-space（空白地带）。

简言之：**「一旦眼镜（评价）饱和，无论怎么打磨淘汰器（lldarwin）都无力。」**所以改变打磨的对象——让评价本身开放端化，这就是本轮的结论。

1. 为什么「又」做了一次 —— #25 / #26（设计）的延续

用三行回顾迄今的连载：

#24-05「群体学习的 AI」—— 不是让一个 LLM 变聪明，而是建立了让 N 个 llive 个体（genome）世代更替、相互评价的派生群体进化框架。
#25「只剩下弗里斯顿和我」—— 把 8 位智者作为人格种子撒入该群体，跑 proxy 500 代后产生重大失败：满分饱和 → 选择压力为零 → 仅靠运气（遗传漂变）偏向 2 个谱系。眼镜蒙了。
#26（设计篇）「只靠眼镜测量并不会进化」—— 设计了淘汰器 lldarwin，实现了「不聚合的多目标淘汰（ε-lexicase / QD / 中性储库）」。在 proxy 中防住了谱系灭绝。

到这里为止，全部都是关于 proxy（确定性启发式，不依赖 LLM）的。proxy 能展示「机制能转」，却无法展示「进化找到了有意义的东西」（[[feedback_benchmark_honest_disclosure]]）。

所以，理所当然的下一步：用真实的 LLM 来验证。

由于 localhost 的 ollama（llama3.2:latest）可达，我把每个个体的 c_prompt（prompt 策略的基因）转换为 system prompt，覆盖在固定的 llama3.2 之上去解实际任务——这是一种 Promptbreeder 系的映射——启动了 12 小时的连续进化运行。这就是本文的出发点。

🍵 休息点：如果你已经到了「proxy 里机制转起来了——那真实 LLM 呢？」这个问题，就够了。研究的好处就是可以实际去跑这个「那真实的呢？」而这一次，真实的——毫不留情。

2. 出发点 —— 真实 LLM 12h 运行的「诚实的不及格」

这是 12 小时真实 LLM 进化运行（on-prem llama3.2，严守 measurement purity = 不与 cloud LLM 混用，[[feedback_llive_measurement_purity]]）的结果。

事实	数值	含意
完跑	71 代 / 12h（≒10.3 分/代，真实 LLM 顺序执行）	吞吐量为瓶颈
best_score	gen5 = 1.0 → 固定至 gen70	目标饱和。65 代无进展
mean	在 0.85 触顶，1.0 策略不席卷	适应不累积
各轴	10 题中 6-7 题饱和，梯度仅在 multistep（2 题）	有效分辨率太小
fitness 依赖	仅 c_prompt。c_factors(40 维)/c_impl/c_meta 中性漂移	43 个维度选择压力为零
群体健康	pop=24 维持・min ≥ 0.70・未全灭	机制（GA）没坏

这里就是 FullSense 的 honest disclosure 规则让你停下脚步的地方（[[feedback_benchmark_honest_disclosure]]）。写成「没全灭！达到了 best=1.0！」听起来很成功。但看明细就一目了然。

判定：未全灭，但也不是累积进化（≈ filtered random search）。

10 题测试中，仍保有梯度（差异）的只有 multistep 的 2 题。其余 8 题很早就全员满分。也就是说 10 题中有 8 题，已经无论选谁都一样。选择压力的有效分辨率只剩下大约 2 题份。而且 4 条染色体中只有 c_prompt 这一条参与 fitness，其余 43 维（思考因子 40 维 + 实现 + 元）都是选择压力为零的中性漂移。

真因 = 人工固定尺子的饱和。用户在 #25 中言明的洞见「一旦眼镜饱和，选择压力就无力」，这次我们不是用 proxy 而是用真实 LLM 实证了。把眼镜从 proxy 换成真实 LLM 也没用：**只要尺子是「固定的 10 题」，就会很快在满分处饱和。**换了镜片厂商，刻度若粗也是一样。

🤔 比喻：即使把判分者换成「真正的老师」（真实 LLM），如果每次出的题都一样，几轮内大家都会拿满分，此后无论考多少次都拉不开差距。不是题目不好，而是试卷固定且太简单。把判分者（眼镜）从 proxy 换成真实 LLM，只要尺子（题目）固定就会饱和。这就是「诚实的不及格」的本质。

🍵 休息点：很多人此时会想「连真实 LLM 都饱和，岂不是无解了？」我也这么想过。但正题从这里开始。如果**「把尺子固定下来才是错的」，那要修的既不是淘汰器也不是 LLM，而是造尺子的方式本身**。我用一个通宵、6 个 PoC、4 个 Agent 和 Perplexity 验证了这一点。

3. 一夜的作战 —— 为「决定方策」而进行的分布式调查

用户给来的指示是这样的：

「彻底整理需求，作为进化型系统拿出更多独创性。PoC 也反复多跑。一直到明早，用小单位不停地跑 PoC 来决定方策。」

这里关键在于，目的不是「完成实现」而是「决定方策」。所以不是跑一个大型正式运行，而是采取大量跑小 PoC、用真实数据一个一个地敲掉设计判断的作战（[[feedback_poc_feasibility_first]] = 需求 → PoC → 可行性 → 详细设计）。

并行运转的工作者是这些（[[feedback_parallel_first_execution]] = 独立任务默认启动并行 Agent）。

#	工作者	任务
A	Claude Agent	开放端 sweep PoC（实证 baseline = 饱和/全灭 vs 开放端 = 回避，≥1 万代）
B	Claude Agent	观测基础（响应日志 / 个体分数时序查看器 / lineage 复原）
C	Claude Agent	管弦乐团 PoC（MoA 是否超越单一 best，多样性选拔 vs 冗余选拔）
P	Perplexity	QD/novelty/MoA/agentic 进化的 SOTA 综述（补足文献缺口）
X	Codex	设计的独立批评 + 3 个最小 PoC 提案 + 盲点指出
自身	我（main）	直接实现并执行自跑 PoC #1〜#6（orchestrator 兼最重要任务负责）

🍵 休息点：这个「六人合力」体制，其实是本文隐藏的主角。为什么不用一个人（一个 context）全部做完？答案就在 honest disclosure 的核心。**用同一个脑袋想出的结论，会被同一种偏见牵着走。**用不同的方法（合成 PoC / 真实 LLM / 文献调查）各自独立地验证，只有当它们一致时才信任结论。这就是我所称的 honest cross-validation。它的威力在后半段显现。

这里记下一个诚实的哑弹。Codex（X）用不了。ChatGPT 账号的许可模型不匹配（API 侧全面拒绝 codex 系模型）导致受阻。本应在 10x promo 期间，API 却返回 "not supported when using Codex with a ChatGPT account"。由于这是环境问题，目前把主轴切换为自跑 PoC + 并行 Agent + Perplexity。「本应能用却用不了的工具」也照记不误，不隐藏。

4. 第一记决定性打击 —— 是否舍弃「固定尺子」（自跑 PoC #1 / #2）

最先该敲掉的假设，是最根本的问题：「把尺子从固定难度改为自适应难度，饱和会被修好吗？」

4.1 自跑 PoC #1 —— 自适应难度修好饱和，但杀死多样性

用合成的 competence 向量的 proxy，去除混杂后（按 score 选 elite）做对比。

baseline（固定难度）：能力在 0.627 低位停滞（best 0.757）。在 proxy 中重现 12h 的病理。
adaptive（难度 = 跟随群体 60 分位）：能力上升到 0.952（best 1.0）。

让难度跟随群体（能解的题增多就把题变难），饱和被解开、能力上升。但是——adaptive 牺牲了多样性（diversity 崩塌 0.310 → 0.134）。在为难题优化的过程中，群体凝聚到了一个正确策略上。

4.2 自跑 PoC #2 —— 自适应难度 × novelty 可以兼容

那么，在「自适应难度（维持梯度）」上加「novelty 选拔（维持多样性）」会怎样？

配置	最终能力	best	多样性	plateau
baseline（固定难度）	0.627	0.757	0.310	gen82
adaptive（难度跟随）	0.952	1.000	0.134（崩塌）	gen63
adaptive + novelty	0.881	1.000	0.316（维持）	gen99（最长探索）

adaptive + novelty 同时兼顾了能力（比 baseline +40%）与多样性（比 adaptive 2.4 倍，与 baseline 相当）。让出 7% 能力，换来多样性的完全维持。

至此，方策的核心由自有数据确定。

「自适应难度＝维持梯度」与「QD/novelty＝维持多样性」互补，两者都必须。
固定尺子单独（baseline）也好，自适应难度单独（adaptive）也好，都不够。

honest 保留：这是抽象 proxy（competence 向量），并非真实 LLM 映射。仅限于验证 mechanism feasibility（机制是否运转）。plateau@gen 的数字指「停滞的世代」，但本质是停滞的水平——baseline 在低位（0.627）停滞，adaptive 系在天花板附近停滞。

🤔 比喻：当所有人都满分时就把题变难（自适应难度）。于是分数拉开了，但这次大家又收敛到了同一种解法（千篇一律）。于是再加上「对奇特解法也给奖励」（novelty），能力与多样性就兼容了。「变难」与「奖励奇人」的双刀流——这就是 PoC #2 的要点。

5. 主战场的证据 —— 开放端进化的 1 万代 sweep（Agent A）

自跑 PoC 让「方向」浮现。下一步，是大规模、严格地敲打它。我让并行 Agent A 跑了各 1 万代 × pop256 × 19 配置 × 2 巡的开放端 sweep。

判定基准是是否「open-ended（开放端）」——是否不饱和、避免 monoculture（向单一文化的收敛）、archive（多样性的储库）持续增长？

5.1 决定性的判定表

verdict（gen9999 时点）：全 scalar 配置 = False / 全 novelty・lexicase 配置 = True

label	选择	std	MC	reservoir	archive	open-ended	occupied	monoculture	uniq_lineages
baseline_scalar	scalar	-	-	0	none	False	9	0.74	1.0
baseline_scalar_mc	scalar	-	✓	0	none	False	9	0.90	1.0
scalar_qd	scalar	-	-	0	map-elites	False	—	—	—
novelty_std	novelty	✓	-	0	none	True	100	0.13	1.0
novelty_std_qd	novelty	✓	-	0	map-elites	True	—	—	—
novelty_std_res256	novelty	✓	-	256	map-elites	True	95	0.05	31.9
novelty_std_res1024	novelty	✓	-	1024	map-elites	True	98	0.04	15.2
full_oe	novelty	✓	✓	1024	map-elites	True	90	0.05	15.3
lexicase_std(_mc)	lexicase	✓	-/✓	0	none	True	111–122	0.03	1.0

由此得出四个决定性发现。

选择压力是决定性的。scalar（单一标量 fitness），即使加上 MAP-Elites 的 archive（scalar_qd）也全灭（False）。也就是说「加个储库就能守住多样性」是错的——**除非选择本身是开放端的（novelty / lexicase），否则开放端根本不成立。**单靠 archive 救不了。让选择压力本身开放端化才是本质。
**标准化（z-score）把 QD 覆盖扩大一个数量级。**在 novelty 上加 per-dim z-score 标准化，occupied cells 从 9 → 100+。把各轴的「偏离」变成选择压力，行为空间的覆盖就扩大一个数量级。
**中性储库恢复谱系多样性。**只用 novelty_std 时 uniq_lineages 为 1.0（谱系固定为一个）。加上 reservoir256 就到 31.9。行为多样性与谱系多样性是不同的轴，后者需要储库（这是对 #26 设计篇已实现知见的再确认）。
**规模有效。**把 latent 维度 256 → 1024，niche 从 101 → 166，archive 从 1021（饱和）→ 2234（持续增长）。多样性可以用「容量」买到。

5.2 Agent A 给出的「诚实的局限」

恰恰是在出好结果（open-ended 成立）时，才要写局限。Agent A 自己指出：

novelty/lexicase 保持描述符整体的多样性，但不保证特定语义维度（factor）的多样性。
在大 latent 下会发生 factor drift，fspread（factor 的展开度）需监视。

也就是说，即使「整体上多样」，也可能在「思考因子这个特定语义维度上收敛」。这催生了新需求 factor-subspace QD（对语义维度逐个保护的 QD）（在后述 PoC #6 中应对）。

🍵 休息点：这是本文最硬的一节。希望带走的一行——**「单靠加 archive（储库）救不了。不让选择压力本身开放端就不行。」**自 #25/#26 设计篇起我们一直说「不聚合」，而其主战场就是「让选择的方式开放端化」，这被 1 万代的真实数据所断言。越过这里，剩下的就是独创性的话题了。

6. 独创性的核心 —— 「让持续进化的群体，不停下来地合奏」

至此「在结构上回避饱和的选择核（S1）」已经稳固。下一步，是用 PoC 与文献为用户在对话中给出的独创性 3 轴做背书。

用户言明的 3 轴是这些。

持续进化群体 = 现场管弦乐团（ORCH） —— 持续进化的群体当场做 MoA（Mixture-of-Agents）聚合产出一个答案。进化不停。最大的差异化候选。
具备调查功能的个体（AGENT） —— 个体自己去调查。Voyager 系。
观测・对话控制（OBS） —— 看个体分别的响应 + 选择分数的时序，能停、能续。

6.1 Perplexity 背书的 white-space

并行运转的 Perplexity 的 SOTA 综述（1143 行）返回了最重要的背书。

「整合 online evolution + online answering 的持续运转系统」没有明确的先行研究 = research white-space（空白地带）。最接近的是 MoA / Self-MoA / sequential aggregation / routing，但没有相同的。

也就是说，「停下进化、用造好的最强个体来回答」是寻常做法。「不停下进化、让进化中的群体本身合奏来回答」——还没有人做过。ORCH §1.11 的差异化得到确认。

6.2 不过 Perplexity 也给了反证警告

作为 honest disclosure，我以同等分量写下 Perplexity 给的反证警告。

在 2025 年的 Self-MoA 研究中，多样性并非自动占优。单一顶级模型的反复，在 AlpacaEval 上超过异种混合 MoA 达 6.6%（quality-diversity 权衡）。

「把群体合奏起来就比单一个体强」并非不言自明。先行研究警告，多样性反而可能起反效果。所以 ORCH 是「用实测来证明，诚实设定 pass-bar」。我用 Agent C 和自跑 PoC #3/#4 验证了这一点。

🍵 休息点：这里是考验研究诚实度的分岔口。正想为「online 进化 + online 回答是 white-space！独创性！」而飘飘然时，Perplexity 泼来冷水「但有反证说多样性不是自动就好」。**让飘飘然的素材和冷水，在同一次调查里同时接受。**做到这一点，结论会强很多。下一节，我来揭开那盆冷水的真面目。

7. 揭开 Self-MoA 反证的「真面目」（自跑 PoC #3 → Agent C 真实 LLM）

「多样性并非自动占优」——不是在 proxy，而是在机制层面揭开这个反证，是这里的高潮。

7.1 自跑 PoC #3 —— 是投票，还是路由？

首先，在 proxy 里无法验证（在饱和的 fitness 下 single best 已是满分 = headroom 为零，拉不开差距）。于是我合成了**「单一个体无法满分的难任务」**（专家分散，single_best=0.5）来测。

配置	best_of（routing）	majority（vote）	domain coverage
single_best	0.500	—	2/4
MoA redundant（top-k）	0.750	0.500	3/4
MoA diverse（max-cover）	1.000	0.000	4/4

这里出现了决定性的发现。

多样 MoA 在 best-of / routing 下为 1.000（单一 best 的两倍）。ORCH 成立。
然而在 naive majority（多数决）下，多样性起反效果（diverse = 0.000）。在各 sub-task 中，那一位 competent 的专家被无知的多数派 negate（抵消）。冗余 MoA 的 majority（0.500）反而更高。

也就是说，**Self-MoA 反证（多样性 ≠ 自动占优）的真面目，是「聚合器是投票还是路由」。**投票/平均杀死多样性，competence-aware 的 routing/gating 激活多样性。这是「有指挥的管弦乐团」与「人人随心所欲出声的喧嚣」之间的区别。

7.2 Agent C 的真实 LLM 独立地给出了同一结论

然后——并行 Agent C，用真实 LLM（llama3.2，105 次 LLM 调用，15 任务），与自跑 PoC #3 独立地给出了同一结论。

单一 best = 0.933。MoA best_of + k≥5 达 1.000（+0.067）。majority / weighted 一次都没超过 0.933。
diverse > redundant（多样选拔以更少的 k 更早地拾取不同 QD cell 的互补 specialist）。
改善整整来自 multistep 的 1 题（「把 5 翻倍再减 3」）。CoT 个体群一齐落掉的那 1 题，被多样选拔的异种个体解出。

🔑 独立交叉验证（本文的核心）：自跑 PoC #3（合成・专家分散）与 Agent C（真实 LLM・llama3.2），用不同方法达成同一结论——「MoA 只有在 competence-aware routing（best_of）下才超越单一 best / 投票达不到 / 多样性只在 routing 下才有价值」。两种方法一致，在 honest disclosure 意义上是极强的证据。

7.3 最大的漏洞 —— 「真实路由器」能达到 oracle 吗（自跑 PoC #4）

这里 Agent C 指出了最大的漏洞。「best_of 是 oracle routing（神知道哪个个体正确的上限），而实际上『预测哪个个体 competent』的 gate 的精度才是瓶颈。实际投票（majority）达不到 oracle。」

我用自跑 PoC #4（真实路由器 vs oracle，20 seed 平均）来填补。

κ（校准）	single	majority	conf_router	specialty_router	oracle
0.0	0.675	0.338	0.525	0.902	1.000
0.3	0.675	0.338	0.883	0.910	1.000
0.6	0.675	0.338	1.000	0.912	1.000
0.9	0.675	0.338	1.000	0.912	1.000

descriptor / specialty-router 无需校准就 robust 地达 0.90（稳定超过单一 best 0.675，接近 oracle）。而且 routing 键可以复用为 QD 已经计算的 behavior descriptor——QD 与 ORCH 共享同一描述符基础的协同效应。
**confidence-router 在校准 κ≥0.6 时达到 oracle。**但小型 LLM 可能校准偏弱 → 以 descriptor-router 为第一选择（不依赖校准）。
majority = 0.338 确定性地不适用（与 PoC #3、Agent C 第三度一致）。

结论：Agent C 指出的「实际投票达不到 oracle」这一漏洞，用 descriptor-routing（复用 QD 描述符）实用地填上了。ORCH 在 proxy +（部分）真实 LLM 上端到端成立。

🤔 比喻：召集 10 位专家让他们投票，无知的多数派会抵消掉正确的专家。把数学题派给数学家——需要一个分派的人（指挥 = routing）。而且那位指挥的乐谱（behavior descriptor）可以复用为管理多样性时已经算好的东西。投票（majority）杀死专家，指挥（routing）激活专家。这就是 PoC #4 的要点。

8. 给个体赋予「调查之力」（自跑 PoC #5）

独创性 3 轴的第二个，具备调查功能的个体（AGENT）。构想是让个体能在搜索空间里做沙箱只读调查。但「调查不是免费的」——计入成本后，进化会用好调查吗？

自跑 PoC #5（改变成本 λ，观察调查阈值 θ 如何进化，20 seed 平均）。

λ	θ*（=λc, 最优阈值）	θ_evolved（进化获得的阈值）	evolved	always	never
0.0	0.00	0.049	21.46	21.47	11.70
0.3	0.30	0.476	21.34	21.26	21.20
0.6	0.60	0.659	21.24	21.06	21.21
0.9	0.90	0.888	21.21	20.85	21.21

进化自力获得了选择阈值 θ → λc（= 根据情形「只在该调查时才调查」的选择性调查涌现）。
调查功能的价值显而易见：λ=0（调查免费）时，never（完全不调查）= 11.70 = 45% 的损失。
**成本 λ 让「always 调查」劣化，强制选择。**AGENT-3（成本原理）成立。

honest 保留：中间 λ 处的 margin 很小（浅报酬地形），这也是抽象 proxy（真实 LLM × 知识库另当别论）。即便如此，「有成本时，选择性调查涌现」这一机制在 proxy 中被确认。

9. 规模「质性地增加多样性」（Round 3）

最后，我用母数（群体规模）也验证了 Agent A 指出的「用容量买多样性」。用 full_oe 配置（novelty + std + MC + reservoir1024 + map-elites），把 pop 从 256 → 4096 扫了一遍。

pop	gens	occupied niches	monoculture	uniq_lineages	distinct_genomes	bspread_tail
256	5000	171	0.047	14	256	0.939
1024	3500	467	0.019	74	1022	1.003
2048	2500	754	0.009	188	2041	1.071
4096	1200	1219	0.006	372	4054	1.253

随母数规模，open-endedness 单调向上（niches 171 → 1219 / monoculture 0.047 → 0.006 / uniq_lineages 14 → 372 / 行为展开度 bspread 也单调增）。POP-1 假说（母数增加多样性）在 proxy 中得到支持。

honest（明示混杂）：这里有一个诚实的陷阱。为了把 pop 提上去，我缩短了 gens（5000 → 1200）。这是对 niche 蓄积不利方向的混杂。即便如此仍是单调增——也就是说 POP 效应是 robust 的下界（本来应该更有效）。反过来说，「可能更有效」在这个实验里没能证明。这个论断仅限于 proxy mechanism feasibility。

🍵 休息点：「一扩大规模多样性就增加」很直觉，但这里重要的是**「即便加入不利的混杂，仍然单调增」**这份诚实。削减 gens 通常对多样性不利。即便如此仍增加了。所以才能称为「下界」。把好结果写成「下界」而不夸张成「上界」——这也是 honest disclosure 的做派。

10. 早晨，所有人都到达了同一个结论 —— 已确定的方策

一夜之间，**6 个自跑 PoC + Agent A/B/C + Perplexity 各自独立地收敛到同一个结论。**这就是 honest cross-validation 的威力。我们舍弃了固定尺子路线，把以下确定采用为 lldarwin v2 的核心。

S1. 选择核（在结构上回避饱和）

废除固定标量 quiz fitness（baseline 在 1 万代饱和 + monoculture 0.9 + 多样性崩塌 = 大规模再现 12h 病理，open-ended 0/6）。
选择 = novelty / ε-lexicase（必须 z-score 标准化）+ minimal-criterion。 仅靠 MAP-Elites archive 不行（scalar_qd 也全灭）= 让选择压力本身开放端化。
也需要品质，所以用 QD（每 cell 品质 × 多样性）：纯 novelty 牺牲标量品质（0.77-0.83）→ 与自适应难度（条件课程）搭配以供给品质梯度（PoC #2）。
谱系多样性用中性储库另行确保（行为多样性 ≠ 谱系多样性，res256 使 uniq_lineages 1 → 32）。
追加 factor-subspace QD（逐个保护语义维度的多样性，应对 Agent A 的 factor-drift 局限，PoC #6）。

S2. 产出方式 = 持续进化 × 现场管弦乐团（独创性的核心）

成果物不是单一 best，而是让 QD archive 持续进化，在任意时点做 MoA 管弦乐团合奏产出一个答案（ORCH；整合 online 进化 + online 回答是 white-space = 独创性，Perplexity 确认）。
聚合必须是 competence-aware routing/gating（指挥），而非投票（自跑 PoC #3/#4 + 真实 LLM Agent C 三重一致）。
routing 键复用 QD 的 behavior descriptor（descriptor-router 不依赖校准、接近 oracle 的 0.90）= QD 与 ORCH 共享同一描述符基础（设计的节约）。

S3. 个体 = 具备调查功能的 agentic 个体（分阶段引入，已 proxy 验证）

在搜索空间里仅做沙箱只读调查（实际 I/O 在经 Approval Bus 单向昇格后）。调查计入成本。
已 proxy 验证（PoC #5）：成本 λ 让「选择性调查」涌现。AGENT-3（成本原理）成立。真实 LLM × 知识库是下一阶段。

S4. 观测・对话控制（已实现 = 全运行标配，Agent B 完成）

响应日志 / 个体分数时序查看器 / lineage 复原（进化系 886 测试绿）。step/pause/resume 计划在下一阶段接线。
Agent B 的 lineage 复原，解决了在 12h 数据中「全是 ?」的谱系显示，把 champion 谱系 gen70 → gen59 解出 12 hops。缺失不捏造，明示为 lost@genN（根因 = 父 ID 单靠 snapshot 或 winners 任一都无法追溯）。观测基础正是 honest disclosure 的根基。

自跑 PoC #6 —— 用 factor-subspace QD 应对 Agent A 的局限

mode	factor_spread	retention	latent_spread
full_only	1.017 → 0.500	49.5%	0.545
full_plus_factor	1.092 → 0.737	68.1%	0.588

对语义维度（factor）另行施加 novelty，把语义维度多样性的损失几乎减半（50% 损 → 32% 损）。在 proxy 中实证了应对 Agent A 的 factor-drift 局限的有效手段。honest：并非完全固定而是残存 68% = 残余 drift 需并用中性储库或加强 factor 权重。

11. 教训（作为 honest disclosure 留存）

连真实 LLM 都饱和了。即便把眼镜从 proxy 换成真实 LLM，只要尺子固定，gen5 就是满分。
「用真实 LLM 就会进化」是谎言。问题在于造尺子的方式。
单靠加 archive 救不了。「持有多样性储库就能守住多样性」是错的。
scalar 选择即使加上 QD archive 也全灭。能救它的是选择压力的开放端化本身。
**多样性并非自动就好。**Self-MoA 反证的真面目是「投票还是 routing」。
有了指挥（competence-aware routing）多样性才成为价值。投票杀死专家。
**独立交叉验证使结论更强。**自跑 PoC（合成）、Agent C（真实 LLM）与 Perplexity（文献）
分别收敛到同一结论，正因如此才可信任。同一个脑袋的结论共享同一种偏见。
**proxy 仅是 mechanism feasibility。**本文的 PoC 群验证的是「机制是否运转」，而非「真实 LLM 一般能力提升」的主张。一旦越过这条界线，研究就成了谎言。
**用不了的工具（Codex）也记下。**不只成功，哑弹也要诚实记录。

简言之——「一旦眼镜（评价）饱和，无论怎么打磨淘汰器都无力。」所以把打磨的对象，从淘汰器、从 LLM，转移到评价本身的开放端化。这就是一个通宵的结论。

🍵 休息点：在 #25 我决定「曝光失败」。在 #26 设计篇我造了「不聚合的淘汰器」。而这一次，真实 LLM 教会我「那还不够，因为尺子是固定的」。**失败孕育下一个设计，那个设计的局限又孕育下一个。**这就是连载的脊梁。花哨的「靠进化 AI 变聪明了！」我一次都还没写过。因为还没凑齐能写它的根据。凑齐时，才会动笔。

12. 结论

真实 LLM 12h 运行是「诚实的不及格」——不全灭但不累积的 filtered random search。真因是固定尺子的饱和（用真实 LLM 实证了 #25 的洞见）。
一夜的分布式调查（6 个自跑 PoC + Agent A/B/C + Perplexity）独立地收敛到同一结论 = honest cross-validation。
已确定方策：S1 开放端的选择核（novelty/lexicase + std + MC + QD + 自适应难度 + 中性储库 + factor-subspace QD）/ S2 持续进化 × routing-MoA（white-space 独创性，是指挥而非投票）/ S3 agentic 个体 + 成本（选择性调查的涌现）/ S4 观测（已实现）。
所有要素均已在 proxy /（部分）真实 LLM 上背书。残余课题是「向真实 LLM 阶段接线」「factor-subspace QD 实现」「scale-up」。核心策略已确定。

造出好部件，不聚合地捆绑，用真实 LLM 确认饱和，再向开放端的选择重建。当 6 路独立验证到达同一结论时，才终于能说「方策定了」。本文正是 #25 中预告的「眼镜蒙了，淘汰也无力」那一回——诚实曝光真实 LLM 让眼镜蒙住的那一刻（饱和），承担起 Goodhart's law 与 proxy 的局限，然后向开放端重建。下一步，是把这套已确定的方策落到代码的实现阶段。

13. 相关

连载 #24-05「群体学习的 AI」—— 派生群体进化的框架（本文的前提）
连载 #24-08「造眼镜」—— lleval（测量的一侧）
连载 #25「只剩下弗里斯顿和我」—— monoculture 的 honest disclosure（本文的动机）
连载 #26（设计篇）「只靠眼镜测量并不会进化」—— 淘汰器 lldarwin 的设计与 Stage1/1.5/2 实测（本文的姊妹篇）
先驱论文（2026-05-27, date of record）「Continuously-Evolving Populations as Live Orchestrated Ensembles」—— 把本文方策以学术形式形式化的防御性公开（FullSense 公开仓库 docs/papers/）
相关 memory：[[feedback_benchmark_honest_disclosure]] / [[feedback_llive_measurement_purity]] / [[feedback_poc_feasibility_first]] / [[feedback_parallel_first_execution]] / [[feedback_originality_over_imitation]]

第4章让"指挥者"指挥不断进化的 AI 群体合奏来作答 — llive 的乐团式进化, 以及治好饱和的 3 个装置 #28

📖 一句话概括

这是把上一章定下的方策终于落地实现的报告。llive 追求的不是"对一个聪明的个体反复发问"，而是"让一大群略有不同的个体持续进化，在需要答案的那一刻，由指挥者挑选合适的成员合奏（现场乐团）"。为此我们装上了 3 个用来治好"满分饱和之病"的装置——学生进步了就把及格线也抬高的"自适应难度"，让第二小提琴不至于消失、守护个性的"factor-subspace QD"，以及把成果不归于一个冠军、而是积存进多样性地图的"MAP-Elites"。结果，最佳分数没有钉死在满分上，而是一路涨到了最后。不过我们也诚实地划清界线：这只是在合成尺子（proxy）上的结果，并不等于测出了真正 LLM 的聪明程度。

📚 连载导航（lldarwin 弧线）: #24-05 群体进化 → #25 monoculture 的失败 → #26 设计篇 → #27 通宵的决断（climax）→ #28 本文（实现篇）。※ 各篇文章也可单独阅读。

概念 hook:
不是对 1 个聪明的 AI 反复发问, 而是 让一大群略有不同的 AI 持续"进化", 在需要答案的那一刻, 由指挥者挑选合适的成员合奏（乐团）汇成 1 个答案。
——这就是 llive 现在所追求的形态。llive 不是"LLM 本身", 而是"套在 LLM 周围的认知 OS"。在其中, 让 群体不绝、不偏、持续成长 的, 就是这次打磨出的进化引擎 lldarwin。

在前作 #27 中, 我们通过真实 LLM 的 12 小时运行确认了这样一个病症:"评价（尺子）一旦贴死在满分上, 进化就会停止, 退化为仅仅带筛子的随机搜索"。于是定下方策:"无论怎么打磨淘汰器都是徒劳。要让评价本身成为开放端"。

这次我们实现了该方策。而在 proxy（合成尺子）之上, best 分数没有贴死在满分上, 一直上升到最后。

0. 三行剧情梗概（落语的"开场白"）

卖点确定了 — llive 的北极星是"连续进化 × 现场乐团"。在不停止持续进化的群体的同时, 在任意时刻用 competence-aware routing（指挥者）合奏汇成 1 答。这是先行研究中的 white-space（空白地带）。
实现了治好饱和的 3 个装置 — ①对语义维度逐个保护的 factor-subspace QD ②把成果不存为"单一 best"而存入多样性 archive 的 MAP-Elites ③让尺子跟随群体的适应难度。由此搭好了"奏者（多样的个体）不绝"的基盘。
在 proxy 上验证了规避饱和 — 把 lldarwin-v2 跑 10 代后, best 从 0.80 → 0.92 不贴死地上升。多样性 archive 填满了 21 个 cell。不过这是 proxy, 并未测量真实 LLM 的能力（honest）。

总之就是 不是"聪明的 1 体"而是"多样的一大群 × 指挥者"。为此的"让奏者不绝的装置"就是这次的实现。

1. llive 是什么（致初次接触的读者）

llive（读作 liv。L 有 2 个）是 自我进化型、模块化记忆的 LLM 框架。它是名为 FullSense 的伞形品牌的一员, 兄弟有 llmesh（本地 LLM hub）和 llove（终端 dashboard）。这 3 者是独立 OSS, 但组合起来就成为 1 个世界观。

用 1 行概括 llive 的思想就是"不是 LLM 本体, 而是套在 LLM '周围' 的认知 OS"。把 4 层记忆、6 阶段的 loop、承认 bus（Approval Bus）、TRIZ、10 个思考因子……这些"思考的脚手架"搭在 LLM 的外侧, 使得 即便是同一个 LLM 也能进化其行为。

承担这个"进化"的, 就是这次的主角 lldarwin（达尔文）。角色分工如下。

lleval（眼镜） = 测量个体（评价）
lldarwin（淘汰器） = 把测出的差异转换为"谁存活、谁留下后代"（选择压）

而骑在两者之上的北极星, 就是接下来的"乐团"。

2. 卖点 = 连续进化 × 现场乐团（独特性的核心）

普通的 Mixture-of-Agents（MoA）是向 固定的 多个模型抛出同一个问题, 再聚合答案。llive 瞄准的是那再往前的一步。

不停止地让群体持续进化（online evolution）, 在需要答案的那一刻（online answering）, 由指挥者挑选"针对这个问题用这些奏者"合奏汇成 1 答。

这种"online 进化 + online 回答的整合", 据我们调查是 没有明确先行研究的 white-space（在 #27 中让 Perplexity 翻阅文献确认过）。与之相近的有 MoA / Self-MoA / sequential aggregation / routing, 但"让持续进化的群体本身现场合奏"的形式则遍寻不见。

在这里发挥作用的是在 #27 得到的 2 个诚实发现。

聚合不能是"投票", 而必须是"指挥者（competence-aware routing / gating）"。 自我 PoC 和真实 LLM 验证三重一致: 在有 headroom（提升空间）的任务上 best_of／routing 胜过 single（单模型迭代）, 但 majority（多数决）反而适得其反。这也是我们对 2025 年 "Self-MoA"（多样性并非自动占优）的回答。
指挥者的判断键可以挪用多样性 archive 的 "behavior descriptor"。 也就是说后述的 QD（Quality-Diversity）和指挥者可以 共享同一套记述子的根基。

——不过, 乐团本体（指挥者＝router 的实现）还在后头。这次实现的是其前一步:"搭建足以合奏的、多样且不绝的奏者群体"的基盘。

3. 为什么"奏者会断绝" — 名为饱和的病（#25〜#27 的复习）

乐团需要的是"个性各异的奏者一大群, 持续不绝地存在"。然而若朴素地进化, 这会崩溃。

#25: 跑 500 代后, 世界上只剩下"我和弗里斯顿"（monoculture）。
#27: 用真实 LLM(llama3.2) 跑 12 小时后, gen5 时 best 贴死在 1.0, 65 代毫无进展。不会全灭但也不会累积 ＝带筛子的随机搜索。

真因两者相同。人为固定的尺子（评价函数）一旦贴死在满分上, 全体就同分, 选择压消失, 之后就靠遗传漂变随意偏移。眼镜（lleval）一旦饱和, 无论怎么打磨淘汰器（lldarwin）都无力——这就是 #27 的结论。

所以要改变打磨的对象。转向"让尺子动起来""结构性地守护多样性"。具体就是接下来的 3 个。

4. 实现的 3 个装置（lldarwin v2 / Phase 1）

设计的口号是"不发明新算法"。Phase 1 就是把 llive 内已经积累的部件（ε-lexicase / NoveltyScorer / MAP-Elites / 中立贮藏库）合成、配线 成已确定方策 S1 的形态。用 --selection lldarwin-v2 即可一并开启。

③ 适应难度 — 让尺子跟随群体

AdaptivePercentileGate。把各评价轴的"最低线（minimal-criterion）"每一代 重置为群体分数分布的指定百分位（例: 后 40% 点）。群体提升, 最低线也自动上抬。设为 ratchet（单调非减）的话, 即便一时下探基准也不会松动。

由此就给"固定尺子在满分处饱和"的病盖上了盖（PoC 中固定难度停滞在能力 0.627 → 适应难度上升到 0.952）。即便在全体都跌破最低线的乱世代, 淘汰器也会无视 gate 以避免全灭（fail-open 防护）。

用落语来说, 就是 学生进步了就把及格分也上调的老师。不会让其拿了满分就到此为止。

① factor-subspace QD — 逐个守护语义维度的个性

FactorSubspaceNovelty。novelty 探索能保持"群体整体的多样性", 但在巨大的潜在维度之下,"有意义的维度（思考因子）的多样性"会不知不觉地萎缩（factor drift）。

于是, 仅在思考因子的 子空间 上另行测量 novelty, 并与整体 novelty 混合。在 PoC 中, 这使语义维度多样性的目减几乎减半（retention 49.5% → 68.1%）。

诚实的改良点: 原本的 PoC 是"把生距离各加 0.5", 但由于各子空间的距离尺度不同, 在实现中改为 先把各自 z-score（标准化）再混合。这是为了公平地混合"整体的合唱"和"各声部的个性"。

用奏者来说, 这是让 第二小提琴不会被第一小提琴吞没消失 的装置。

② MAP-Elites — 把成果存为"多样性的地图"而非"1 个冠军"

run_persona_evolution(map_elites=True)。每一代把全部个体投入 MAP-Elites archive。这不是"最高分的 1 体", 而是 按行为的坐标、在那个格子里保留最优个体 的地图（QD archive）。填了新格子也不会消除既有格子＝ 多样性不会结构性崩溃、archive 单调地成长。

这直接就成为乐团的 奏者目录。指挥者将来会从这张地图中挑选"契合这个问题的坐标的奏者"合奏——QD 和 routing 共享同一记述子的、那个 #27 的设计在这里发挥作用。

实现上 不扩展个体的格式, 而是从既有 genome 的思考因子导出坐标（descriptor）的 additive 配线（为的是不破坏基盘的后向兼容 900+ 测试）。记述子的正式设计（高维的缩约等）作为将来 Phase 的课题留有余地。

5. 结果 — 在 proxy 上确认"不饱和的进化"

这是把 lldarwin-v2（上述 3 个＋ novelty ＋中立贮藏库全部开启）用 proxy 尺子跑 16 个体 × 10 代的实测。

[gen 000] best=0.8036 ...
[gen 004] best=0.8544 ...
[gen 007] best=0.9089 ...
[gen 010] best=0.9182 ...
→ archive cells = 21（多样性的地图填满了 21 个格子）

best 没有贴死在满分上, 0.80 → 0.92 一路上升到最后。 在 proxy 阶段摆脱了 #27 中看到的"gen5 时 1.0 饱和→固定"的病理。这是适应难度让"尺子"跟随群体的征兆。
多样性 archive 填满了 21 个 cell ＝应当合奏的"个性各异的奏者"的目录开始成形。
进化系的自动测试 879 件＋新增测试全部 green, 无回归。

6. honest disclosure（请不要跳过这里）

结果越好越要怀疑其内幕, 这是 FullSense 的做派。

这是 proxy。 个体不是真实 LLM, 而是 llive 的 genome（思考因子的代理）。这次测量的是"能否同时对多个独立的弱轴施加选择压、并按轴维持专家"这一 机制的可行性（mechanism feasibility）, 而 不是 production 的 LLM 能力。真实 LLM 评价是下一个 Phase。
factor-subspace 并非完全保护（retention 68%, 其余漂移）。需要并用中立贮藏库以及强化 factor 权重。
幕后的诚实: 这次实现过程中, 自动 commit 钩子在每次编辑时堆积了多达 49 个"编辑前"快照, 历史变得杂乱。最后 squash 成 1 个有意义的 commit 加以整理（公开 OSS 一侧）。反过来, 也确认了含有内部战略的 fork 如预期那样仍保持在本地、未被暴露。

7. 接下来要做什么

进化引擎（让奏者不绝的基盘）在 Phase 1 中成形了。接下来是乐团本体, 以及从 proxy 到实物的过渡。

Phase 2 = 真实 LLM 配线。 以本地（localhost ollama）的真实 LLM 为对象, 用真实评价验证适应难度、factor-subspace QD、MAP-Elites。在 proxy 上看到的"规避饱和"是否在真实能力上也会发生。
指挥者（router）的实现。 用挪用 QD archive 的 descriptor 的 competence-aware routing, 实际运行"让进化中的群体现场合奏汇成 1 答"。能逼近 best_of 的 oracle 到何种程度。
提升规模。 群体 256 → 4096, 潜在维度的扩容。验证容量假说（越大 niche 越多）。
交互式连续运行。 能以 step / pause / resume 窥探长时间运行的驾驶席（CKPT-1）。

8. 在此稍歇（休息点）

到此为止,"llive 以什么为卖点"传达到了吗。

不是聪明的 1 体, 而是 不断进化的多样群体 × 指挥者的合奏。
为此, 做出了一个 让奏者不绝、守护个性、持续成长 的进化引擎。
在 proxy 上治好了饱和。接下来是真实 LLM 和乐团本体。

在后续的"真实 LLM 篇"和"乐团篇"中, 我们会让大家看到 proxy 的承诺是否成真。——感谢您一路相伴至此。

Series Navigation

连载导航（lldarwin 弧线）: #24-05 群体进化 → #25 monoculture 的失败 → #26 设计篇 → #27 通宵的决断 → #28 本文（实现篇）
repo: furuse-kazufumi/llive

第5章 "镜片饱和时,选择压力无能为力" — 用反证锤炼进化设计 #29(Goodhart 定律与 proxy fitness 的极限)

📖 一句话概括

一般的连载到这里大概会写"修好了，可喜可贺，完!"，本章却偏要给自己的设计泼一盆冷水，是一个"反证回"。主题是 Goodhart 定律——"一旦指标变成了目标，它就不再是好指标"。把 LLM 的弱点换算成分数，进化就一定会找到"只刷分的、表面化的捷径"，而不是真正的能力。此外，本章隐藏的主角是作者自己的坦白：我曾一瞬间把"行为多样"、"血统多样"、"真正的智能多样"这三件貌合神离的事情混为一谈，看到漂亮的数字（0.05）就差点误以为连别的能力也一起变好了——本章把这个"现行犯"摆上解剖台。这是整个连载里最朴素、也最诚实的一回，没有写下任何一句华丽的胜利宣言。

📗 赶时间? 本文有通俗易懂版。

概念 hook: 在 #25 我暴露了失败,在 #26 我设计了淘汰器"lldarwin"。普通的连载接下来会说:
"修好了! 可喜可贺,完!" 但不这么做,正是 FullSense 的 honest disclosure。
本文刻意做成向自己的设计抛出反证的一回。主题是一句在进化计算和机器学习两边都奏效的话——
Goodhart 定律(当一个指标成为目标时,它就不再是好指标)。

"只要把 LLM 的弱点当作 fitness,进化就会自动克服它"——我亲自去给这种天真的乐观泼冷水。
而且这一次,我把自己曾经犯下的"事实误认"作为活标本放上解剖台。

0. 三行概要

镜片(fitness)一旦饱和,无论加上多么高级的选择压力(lldarwin),淘汰都无能为力(#25 的真正教训)。
用 proxy fitness 测量 LLM 弱点时,进化出来的不是真能力,而是"hack 指标的表面策略"(Goodhart 定律)。
结论: 我把 lldarwin 的价值主张限定为 (a) proxy 只是 mechanism feasibility (b) 实 LLM/VLM 评价才是本质 (c) 多样性的地图化。这就是诚实的界线。

而本文还有一行隐藏的主角。

我自己曾经把"行为多样性""谱系多样性""实 LLM 智能多样性"混为一谈。我把这个自我反证
放在反证回的核心。这是对"它成功了"该如何怀疑的现场演示。

1. 重申 honest disclosure — 结果越好越要怀疑

在 #26 我写道"在 PoC 部署中,行为 monoculture 在全部条件下改善到了 0.05(≪0.8)"。
这是事实。并非夸张。

…但若在此挺起胸膛"搞定了,monoculture 消灭!"就此收尾,就违背了我在 #25 立下的誓言。

出现异常漂亮的结果时,在自以为获胜之前先怀疑其内訳([[feedback_benchmark_honest_disclosure]])。

连载 #25 的通奏低音是这样的——"异常漂亮的结果不是胜利,而是警报"。
对于"跌破 0.8 即达成 OE-3"的基准,0.05 实在太漂亮了。0.05 这个数字,
不该当作庆祝的号角,而必须当作警笛来听。

那么就让警笛响起来吧。该问的问题只有一个。

这是测量了什么的 0.05?

先说答案,0.05 是"proxy 评价中的行为 monoculture"。
这是"genome 的行为代理(behavioral surrogate)"的集中度,
并非实 LLM 智能的多样性。在这里混淆,就会重蹈与 #25 完全一样的覆辙。

而我诚实地坦白。**我曾经在这里混淆过。**稍后在 §3,我会拿出那个"现行犯"的证据。

🍵 休息点(90 秒): 本文说到底就是"给自己挑毛病的文章"。
我希望这一回能让读者诸君观察"在成功报告的背后,作者在怀疑什么、怀疑到什么程度"。
它走的是 SNS 上爆红的"进化了一个 AI,最强○○诞生了!!"的恰好相反的路。不会热闹。
但正是这种不热闹的诚实,半年后才会奏效——这是我的赌注。请喝杯茶吧。

🗒️ "忽然一副聪明相…?" — 对突然变好的结果起疑（结果越好越要怀疑）（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

2. 反证 1 — 对饱和的镜片,任何选择压力都无效

2.1 再说一次 #25 的真因

#25 的真因是"best_score 从第一代起就饱和在 1.0 → 选择压力为零 → 遗传漂变(genetic drift)"。
若所有人都是满分,选谁都一样。选择就不是"留下优秀者",而变成"掷骰子"。
结果,凭运气增长的谱系仅凭运气固定下来,8 个谱系崩溃为 2 个(furuse-kazufumi + friston)。

在此,我放下成为进化弧线核心的反证。

把 lldarwin(无论 ε-lexicase、QD 还是 novelty)照原样插入饱和的 eval,也修不好。

为什么。因为淘汰器的每个部件,都以"存在差异"为根本前提。

ε-lexicase 以"每个轴上存在差异"为前提。若所有轴都是满分,无论分成几个轴,差异都是零。
即便分成 100 个轴,若全是 1.0,也只是排出 100 个"平局"。
QD(MAP-Elites) 以"behavior 描述子存在方差"为前提。若所有个体行为相同,cell 就只有 1 个。
即便做出地图,若所有人都站在同一格子上,地图就变成一片空白的一格。
novelty 以"与过去 archive 的距离"为前提。若所有人都收敛到同一点,所有人的距离都是零。
想用新颖性来奖赏,也没有谁是新颖的。

也就是说,图式化后是这样。

坏掉的镜片(fitness 饱和) + 高级的淘汰器 = 结果还是坏的

2.1.5 实证 — 在记忆任务中,"地板"与"天花板"杀死了选择压力(Step C, 2026-05-30)

这个反证,后来在 llcore 的 Step C 实验(纯 CPU)中作为实数据被复现。让进化(MAP-Elites)和素朴搜索去解 2 种标准记忆任务,结果如下:

delayed_parity(XOR)= 地板: 全部 method 都是 R²≈0(基质原理上无法求解)。谁都爬不上去=不出现差异。
flip_flop(只是记住)= 天花板: 全部 method 都是 R²≈0.95(太简单,全员都到达)。这正是"饱和的镜片",这里选择压力同样无能为力。

作为参考,③(选择)只有在存在"越过假山顶、虽欺骗但可通行的坡道(欺瞒 corridor)"时才奏效:

Step C 的结论干脆是 N/A(在此基质上无法测量③的有无)。而且在 draft 阶段我写过头了"③不必要",多视角的 adversarial 验证抓住"因天花板效应而非诊断、检出力不足(δ=+0.33 是 medium 但 p=0.15 为 inconclusive)"并将其降级——§3.2 的"自我反证",在这里也照样发生了。

2.2 "#25 修好了"只对了一半

这是从 #25→#26 容易被忽略的反证。#25 修好,并非"仅仅"靠 lldarwin 的功劳。

实际上,镜片一侧的修正在先。

per-dim z-score 标准化(STD-1) — 把每个轴的方差对齐,不让"全轴都还算高的无特征个体"占优。
中央一致排除(SEL-1) — 所有人都输出相同值的轴对选择没有贡献,故从 case 中剔除。
描述子的低维缩约(DESC-1, JL 投影) — 避开 QD 的维度诅咒,让 cell 不至于空空如也。
真因 criteria 的排除 — 把 factor_score(max-archetype 的单一标量 = argmax,违反 SEL-2 = best=1.0 饱和的真因)和
nearest_persona_idx(顺序无意义的类别 index)从 ε-lexicase 的 case 中剔除。

这项"打磨镜片"的工作在先,淘汰器才头一次奏效。
若顺序反过来,无论载上多么高级的 lldarwin,在饱和的镜片面前都是无能为力的。

不修"测量"只把"淘汰"做得高级,是徒劳。

这不仅限于进化计算,而是对机器学习评价设计整体都奏效的教训。
当排行榜的分数饱和时,在把模型做得更高级之前,先怀疑benchmark 是不是坏了。

🤔 比喻(漫才风):
装傻:"把评委从 3 人增加到 100 人,可是给所有人看同一张满分答卷,结果还是一样。"
吐槽:"那不是评委的事,是答卷(测试)坏了啊! 给 100 个人看同一张满分能变出什么来!"
装傻:"那把评委增加到 1000 人……"
吐槽:"增加的方向反了!! 先把题卷给我修好!!"

2.3 职责分离 — 缺了哪个进化都会坏

把镜片(测量)和淘汰器(淘汰)的职责分开,就成了这样。

	镜片正常	镜片饱和
淘汰器高级(lldarwin)	◎ 进化转起来(在 #26 达成)	✗ 无能为力(#25 的陷阱)
淘汰器素朴(Tournament)	△ 能转但多极性弱	✗ 崩溃(#25 的出发点)

值得关注的是右下和右上。只要镜片饱和,淘汰器的高级就救不了右边那一列。
进化的成败,在"淘汰器的聪明"之前,先由"镜片是否映出差异"决定。
这就是反证 1 的结论,也是把 #25 的"真正教训"进一步精密化的说法。

来看看这个"镜片一糊,淘汰也崩"的结论在实测中的样子。下面是 baseline(无 novelty、素朴选择压力)的
适应度与多样性的推移。临近末尾,可以看到多样性在崩溃。

🍵 休息点(90 秒): "先打磨镜片再淘汰"——顺序重要,这是个朴素的故事。
朴素,但跳过这一步就会蒸发半年(我蒸发掉了)。从下一节起是本文的正题,
Goodhart 定律。从这里开始话题会有点黑。换成咖啡也行。

3. 反证 2 — Goodhart 定律: hack proxy fitness 的进化

3.1 最重大的风险

这是设计文档(LLDARWIN_DESIGN.md §7.1)明确写为"最重大风险"的一点。

把 LLM 的弱点当作 proxy fitness 时,进化出来的不是真能力,而是"hack 指标的表面策略"。

进化计算是寻找最大化给定指标的"近路"的天才。
当人类递出一个"自以为用它来测量真能力"的 proxy 时,进化非但不去获取真能力,
反而必然发现只满足 proxy 的表面策略。而且乐此不疲、高效地。

具体会发生什么样的 gaming(指标 hack)?把设计文档里已接受的极限照原样展开。

pressure(LLM 弱点)	可能发生的 gaming(指标 hack)	为何不是真能力
typo_robustness	只是背下特定 typo 模式并替换	对未知 typo 无能为力。没有获得噪声耐性
polysemy_wsd	利用测试分布的启发式	"返回最频 sense"等统计近路。不是语义理解
multistep_robustness	只生成有说服力的推理"痕迹"	排出像模像样的中间步骤,实际并未推理
calibration	把自信度操纵到中庸以降低 ECE	全部说"自信度 50%"就能降低校准误差。不是校准能力

最后 calibration 的例子最好懂。
当你用 ECE(期望校准误差)来测量"能否恰当估计自信度"时,进化会找到
"对所有问题都回答'自信度正好在正中'"的策略。
ECE 急剧下降。但那个模型一样都没校准。只是变成一个吐中庸的机器人。

当一个指标成为目标时,它就不再是好指标(Goodhart 定律)。

这在 LLM 研究中也有实例。在 GSM8K 型 benchmark 上只有分数上升而不泛化的
benchmark overfitting,正是这个结构。过度相信排行榜数字的人,一次次被绊倒。

3.2 我自己的"现行犯"— 自我反证

在此,我把 §1 预告的"混淆现行犯"放上解剖台。不加遮掩地写。

我起初在 TODO 里这样写道——"验证在重跑中冈洁、格罗滕迪克谱系是否存活"。
然后在 PoC 中看到 monoculture 0.05 这个漂亮的数字,"哦,谱系多样性是不是也改善了?"
一瞬间差点误以为如此。

这就是混淆。正如我在正本(lldarwin_stage1_results §3)所写,poc_evolution_env.py 的作者注释
(我自己写的注释)本身就明确否定了那个混淆。

"monoculture = BEHAVIORAL concentration (max archive-cell occupancy)…
neutral drift (Kimura) regardless of mechanism — that is expected, not collapse.
The OE signal is behavioral spread. lineage_fixation … to keep it <1 needs
QD niching on lineage / PERSONA-FX, not pure novelty"

整理一下,我差点混淆的 3 个"多样性",完全是不同的东西。

行为多样性(behavioral diversity) — genome 空间中行为的扩散。用 diversity_l2 测量。
novelty 奏效的指标。改善到 0.05 的就是它。
谱系多样性(lineage diversity) — 哪些 founder(冈洁、格罗滕等)存活下来。founder_counts。
用 novelty 在结构上无法改善。novelty 和 lexicase 都只能"保存既有个体",
没有让一度灭绝的谱系复活的机构。所以在中立漂变(Kimura)下走向 monoculture
在理论上是正常的。不是崩溃,而是预期之内。
实 LLM 智能多样性(real intelligence diversity) — 实模型是否真的拥有多样的聪明。
用 proxy 完全测不出来。是 Stage2 的实 LLM 评价所承担的领域。

也就是说,"改善到 0.05"的真身是 (1) 仅行为多样性。(2) 和 (3) 都与那个数字无关。
我一瞬间差点想"谱系也改善了?",是因为看到 (1) 就草率断定 (2)/(3) 也变好了。

这正是 Goodhart 定律的设计者一侧版本。
看到一个指标(行为多样性 0.05),就人为擅自地解释它没有测量的另一种能力(谱系存活、实智能)也变好了。
不仅 proxy 与真能力背离,读 proxy 的人类的解释也一并背离。
在反证回里暴露这个,很痛。但若不暴露,就不是 honest disclosure。

3.3 用对比来看"测量了什么的 0.05"

只用言语难以传达,所以用 2 张 SVG 来对比"测量了什么"。

首先,行为多样性确实改善了(这是事实、无夸张)。下面是中立贮藏库 OFF 的谱系支配 stream。
最终崩溃为 furuse 71% / friston 29% 的 2 个谱系。即便行为多样,谱系也是这般。

而下面是加入谱系一侧的对策(中立贮藏库 ON)之后。全部 8 个谱系并存
(millidge / von-neumann / oka-kiyoshi / grothendieck … 存活)。

这 2 张图的对比,是本文的心脏。
同样是"0.05 的行为多样性",左边(OFF)谱系崩溃,右边(ON)谱系并存。
也就是说,0.05 这个行为多样性的数字,对谱系怎样了只字未提。
加上另一个机构(lineage-niched QD / 中立贮藏库)之后,谱系才头一次得救。

"测量了什么的 0.05"——答案是"只有行为"。谱系不用另一副镜片就看不见。这就是诚实的答案。

3.4 有对策,但问题不会消失

设计里织入了 Goodhart 对策。

proxy 限定于 mechanism feasibility 验证,不主张 production 能力。
以实 LLM/VLM 评价(Stage 2)为本质。
用 neutral shadow 对照(Bedau) 怀疑表面的改善(与只有中立变异的 shadow 集团相比,
确认选择是否真的奏效)。
用 down-sampling 每代扰动 case + 用 OOD 轴抵消过拟合。

🍵 休息点(90 秒): "既然有对策,不就没问题了?"——不,这才是关键。
对策只是推迟背离,而proxy 不是真能力这一事实并不会消失。
这就像感冒药能压住症状,却消不掉病毒本身。所以"通过 proxy 让 LLM 变聪明了"这种话,我打死也不说。
因为一旦说出口,半年后我就看见自己出尽洋相了。来一杯茶。

4. 反证 3 — 设计者依赖性:"多样性的方向"是谁决定的?

4.1 一个元层面的怀疑

ε-lexicase 的 case、QD 的 behavior 描述子、novelty 的距离尺度、minimal-criterion 的基准值——
这些全都是由设计者(我)决定了"多样性的方向"。

也就是说,lldarwin 产生的多样性是"在设计者设想的轴之内的多样性",
而不是生物进化级别的未设想涌现(unanticipated emergence)。
正如 Taylor et al. (2016) 作为 open-endedness 的极限所指出的,
"在人类定义的尺度之内多样"与"跃出定义之外",是完全不同的两回事。

例如,在我用 diversity_l2(genome 空间的 L2 距离)定义"行为多样性"的那一刻,
进化就会朝"L2 距离变大的方向"多样化。但那是在我画出的坐标轴之上的多样性,而
在我想都没想过的轴(比如"幽默感"或"沉默的用法")上的多样性,
本来就不在测量对象之内,所以即便诞生了我也察觉不到。

🤔 比喻(金鱼池):
捞金鱼摊的老板决定"挑选让红金鱼和黑金鱼都留下"来捞。
确实红的黑的都留在池里。多样性,达成。…可是,即便那池里突变出一条绿金鱼,
老板的网只看"红还是黑",绿的就没被评价而漏捞了。
设计者所定轴之外的涌现,从一开始就不在视野中。这就是设计者依赖性。

4.2 接受 — 限定能赢的轴

那么怎么办。不主张未设想涌现,这就是诚实的答案。

lldarwin 瞄准的是"无可验证性的多样性的地图"(差异化轴 DIFF-1),
不主张 strong / unbounded open-endedness(与 SCOPE 一致)。
说"我在搞人类未踏的涌现!"很气派,但那会是谎言。
限定能赢的轴——把价值收窄到对认知风格、文化风格这类"无可验证性的多样性"进行地图化。
这就是 lldarwin 能诚实主张的范围。

舍弃气派主张的勇气,也是 honest disclosure 的核心。

5. 反证 4 — minimal-criterion 与 QD 自身的 trade-off

淘汰器的每个部件,也都有各自固有的弱点。把设计文档 §7.1 已接受的极限逐一解说。

5.1 minimal-criterion 的停滞⇄崩溃

minimal-criterion(最低基准 gate)是"不让不满足基准的个体繁殖"的机制,但
基准的高度本身就是 trade-off。

基准低 → 几乎全员通过 → 选择压力为零 → 停滞(与 #25 的饱和同一结构)。
基准高 → 几乎没人通过 → 全灭(有实证。全员在 gate 落选则做不出下一代)。

温水还是地狱。对策: 把 criterion 不设为固定值,而按集团分位点自适应(例: 落选下位 30%)。
此外加入若全员 fail 就忽略 gate 的安全阀(MultiPressureSelector 已实现)。

5.2 QD 的维度诅咒 + archive 饱和

QD(MAP-Elites)用 behavior 描述子切分 cell,但描述子若高维,大半 cell 会变空
(维度诅咒)。而且长期运转后全部 cell 被填满,新颖性触顶(archive 饱和)。
这是在人工生命的经典 Avida / Tierra 中也观测到的现象。

对策: 把描述子缩约到低维(DESC-1, JL 投影) + 用 Bedau 统计监视饱和,
把"饱和=失败"如实记录(不要把饱和便宜行事地解释为"已经探索殆尽的证据")。

5.3 lexicase 的规模极限

ε-lexicase 在 case 数增加时计算成本增大,而且因噪声实质上变成随机选择。
case 太多时,胜者由碰巧排在顺序最前的 case 决定,选择就接近掷骰子。

对策: 用 down-sampled lexicase(每代只用 case 的子集)削减成本 + 扰动环境。

5.4 trade-off 在实测中"看得见"

这些 trade-off 并非纸上空谈,而是在实测中显现。
改变中立贮藏库的"再投入频率(reinject_interval)"的 sweep 就是个好例子。

interval	named 谱系存活	lineage_fixation (tail30)	diversity_l2 (tail30)
1(每代)	8/8	0.32	9.91
5	5/8	0.37	12.84(最大)
10	3/8	0.41	11.41
20	2/8	0.44	10.75

非平凡的发现: 行为多样性(diversity_l2)并不随 interval 升高而单调增加,而是在 interval=5 处达到峰值。
10/20 反而下降。原因是——把谱系放任太久(升高 interval),
来自贮藏库的多样性注入减少,且少数谱系固定下来,diversity 也不再增长。
恰到好处的"放任程度"在正中——这是个非线性的世界。

运用指针就成了这样——若把谱系保持放在第一位,interval=1(8/8 全谱系存活),
若想兼顾谱系保持与行为多样性,interval=5(保持 5/8 的同时 diversity 最大)。
最优点依赖于 fitness / 集团规模,所以在生产环境需要重新校准。
不是"某一个正确答案",而是"随目的而移动的最优点"——这就是诚实的结论。

5.5 诚实的保留 — "存活"也许是"生命维持"

在此,还有一个该诚实写下的保留。
中立贮藏库让全部 8 个谱系存活下来是事实,但需要怀疑那个"存活"的质量。

正如正本(§4.1 / §4.2)所写,贮藏库是"再投入各谱系的 best-ever genome(frozen elite)"的机制。
强谱系实际在增加子孙、进行繁殖。另一方面,弱谱系(各 1 个体)的"存活",是
源自再投入,而非主动的进化。可以说,不是繁殖,而是生命维持装置。

这是完全符合中立贮藏库定义的正当行为(保持代表,使再结合成为可能)。
但我不主张"全部 8 个谱系活跃地持续进化"。
"防止了全灭。但弱谱系正在 ICU 续命"——这才是准确的表述。

🤔 比喻(落语风):
房东:"长屋的住户一个不缺,8 人全齐了,可喜可贺,可喜可贺。"
八公:"是啊。只是一半人光喘气、租也不交、躺着不起……"
房东:"那与其说是'住着',不如说是'放着'吧!"
八公:"嘛,总比赶出去强吧……"
——全员都在,是事实。全员都在活跃,是谎言。这条界线就是 honest disclosure。

6. Stage2 — 从 proxy 通往"实"的桥

光是反证,设计看起来像没在向前走。
但正因为用反证夯实了立足点,下一步才有了意义。那就是 Stage2: 实 LLM 评价。

6.1 proxy 轴(mechanism feasibility)

首先,作为 Stage2 的前半,我把 LLM 不擅长的 5 个轴用 **proxy(决定论 heuristic, 不依赖 LLM)**做成了 plugin。

pressure(LLM 弱点)	相关思考因子(case)
typo_robustness(噪声耐性)	consistency / reality_link / uncertainty
polysemy_wsd(多义词)	multiview / consistency / reality_link
multistep_robustness(多步推理)	structurize / closed_loop / self_extend
calibration(信度估计)	uncertainty / provenance
context_management(无关上下文耐性)	consistency / provenance / recompose

共 14 个 case 输出到 breakdown,lldarwin 的 ε-lexicase 不聚合,而是逐轴淘汰 specialist。
下面是那些 proxy 轴的母集团均值推移。

但是——正如此前一再所言——这是 proxy。
个体是 genome 而非实 LLM,所以这个 pressure 只是"genome 备有多少与那个弱点相关的思考因子"的
行为代理。没有测量 production 的 LLM 能力(只是 mechanism feasibility)。
SVG 上也烧入了 "PROXY"。Goodhart 风险在此作为已接受的极限明确标注。

6.2 实 on-prem LLM 评价(proxy→real 的桥)

而本文得以首次报告的前进——实 LLM 评价跑起来了。

由于查明 localhost 的 ollama(llama3.2:latest)可达,我在 real_pressures.py 实现了
个体 → 实 LLM 映射(Promptbreeder 系)。机制如下。

把个体的 c_prompt(PromptChromosome)转换为 system prompt
(skill_set → 指示文 / prompt_template_id → 推理风格 / language_style → 语调)。
给固定 LLM(llama3.2)套上那个 system prompt,让它解 5 个弱轴的实任务并打分。
也就是说,固定 LLM 本体,进化 prompt 策略(genome)。
用实测来淘汰"哪个 prompt 策略能缓解 LLM 的弱点"。

结果,确认到了实选择信号。
CoT + structure 策略(chain_of_thought + structurize + loop),把
llama3.2 的 multistep 从 0.0 改善到了 1.0(terse 的策略在 0.0 失败,score 0.80→1.00)。
不是 proxy 的幻影,而是在实 LLM 上实证了"prompt 策略的进化能缓解弱点"。

把 proxy 轴(前述)和实 LLM 轴(上)并排来看,就能用眼睛看出"用 proxy 测出的形状"
和"实测的形状"有何不同。proxy 只表明机构在运转。实 LLM 则表明,prompt 策略
对模型的弱点实际如何奏效。这 2 张图的差异,正是本文主张的实物。

6.3 但在这里,也要诚实

在实 LLM 上跑起来了——但在这里,我同样要拉响警笛。保留有 4 条。

(a) 只有 c_prompt 参与 fitness — persona / c_factors 是中立的,不牵涉 fitness。
谱系由 reservoir 维持,初期选择由 novelty 承担。也就是说,这是"prompt 策略的进化",而不是
"persona 的进化"。
(b) 全部 founder 的初期 c_prompt 相同(default) — 所以探索由 mutation 驱动。
让每个 founder 的 prompt 多样化是今后的改善点。
(c) 小批量(每轴 2 题) — 估计含噪。"multistep 0→1"也因为题数少,
仅凭这个无法主张泛化。
(d) on-prem only(测量纯度) — 限于 localhost ollama,
并非对一般 LLM 能力的主张([[feedback_llive_measurement_purity]])。

我也启动了 12h 连续运行(--fitness real-pressure --selection lldarwin --novelty --lineage-reservoir --genome3d)。在 wallclock 12h safely 停止(已 snapshot → 可用 --resume 续跑)。
但我不说"跑了 12h 所以是真的"。跑了,是事实。把本质测尽了,是谎言。
proxy→real 的桥架起来了。但还没渡完。——这就是 Stage2 的诚实状态。

7. 结论 — 能主张到哪里(界线)

"只要把 LLM 的弱点当作 proxy fitness,进化就能克服"是乐观的。
用反证削减之后,我把 lldarwin 的价值主张限定为下面 3 点。

(a) proxy 只是 mechanism feasibility — 验证进化的管路在运转。不主张 production 能力。
(b) 实 LLM/VLM 评价才是本质 — 智能的选择压力由个体 → 实模型映射(Stage 2)承担。
桥在这里架起来了。但正式渡过还在今后。
(c) 多样性的地图化 — 把能赢的轴限定为"无可验证性的多样性(认知、文化风格)的地图"。
不主张未设想涌现。

这就是 honest disclosure。失败(#25)、自己的混淆(§3.2)、极限(#5/§6.3),都不抹去地留下。
一句气派的胜利宣言都没写的这篇文章,我认为正是进化弧线中最诚实的一回。
向前迈进的立足点,只存在于这条界线之上。

8. 教训(永久保存)

结果越好(0.05 改善)越要怀疑其内訳。 "proxy 行为多样性"既不是"谱系多样性"也不是"实 LLM 智能多样性"。
看到一个数字就草率断定另一种能力也变好了的我,就是 Goodhart 的活标本。
不修"测量"只把"淘汰"做得高级,是徒劳。 对饱和的镜片,任何选择压力都无效。
打磨镜片在先,载上淘汰器在后。
Goodhart 定律是进化的天敌。 把指标当作目标的那一刻,进化就会 hack 它。
而且读指标的人类的解释也一并背离。
既然设计者决定多样性的方向,就不主张未设想涌现。 限定能赢的轴,才是诚实。
"存活"也许是"生命维持"。 全部 8 个谱系都留下来了,是事实。全员都在活跃进化,是谎言。
动词的选择之中寄宿着 honest disclosure。

下回预告: 用反证夯实立足点之后,接下来是 Stage 2 的全面化(实 LLM/VLM 评价, on-prem ollama)。
不是 proxy 的幻影,而是能否真的把实模型的智能多样性变成选择压力。
能否不让"multistep 0→1"止步于小批量的偶然,而把它培育成可复现的选择信号? 从这里起才是动真格。

9. 相关

连载 #25"只有我和弗里斯顿留了下来"— 失败的记录(本文的起点)
连载 #26"lldarwin 的设计"— 淘汰器(本文反证的对象)
实现 commit(llive): Stage1 = 8060204 / lineage-reservoir PoC = 0d0537d /
Stage1.5(EvolutionLoop 集成)= b03cbda / Stage2(实 LLM real-pressure)= 2fb2912
实测正本: ../../research/lldarwin_stage1_results_2026_05_26.md(§3 honest disclosure / §4.1–4.5)
设计正本: ../../vision/LLDARWIN_DESIGN.md §7 / §7.1(反证调查、已接受的极限)
相关 memory: [[feedback_benchmark_honest_disclosure]] / [[feedback_llive_measurement_purity]] / [[feedback_implementation_status_record]]
参考: Goodhart 定律 / La Cava 2019(ε-lexicase, arXiv 1905.13266)/ Taylor et al. 2016(open-endedness 的极限)/
Bedau(neutral shadow)/ Kimura(中立进化说)

☕ 闲话休题 —— 演一出"双簧" —— ccr 自动续跑里，那"人类的一根手指"

反证连着写下来，脑子有点累了，讲个让人喘口气的故事。作者一心想让 Claude Code"尽可能靠它自己一直跑下去"，于是搭了一套机制（ccr 自动续跑）：一启动就把工作内容自动喂进去。理想状态是一台全自动机器，睡觉时开发也照样自己往前推进。可是无论怎么折腾，最后总有那么一处，必然要留下"人类的一根手指"。具体来说，就是被要求重启或重新登录的那一刻——唯独那里，AI 没法自己去按那个按钮，世界会一直停摆，直到人伸手按下回车。这是一道再朴素不过的墙：AI 没法靠自己把自己重启。

这恰好像一出"双簧"。前面那位负责脸和嘴、做表情，后面藏着的那位负责发声、动手。两人配合默契时活灵活现，可到了关键处，少了那位"幕后的人"这出戏就唱不成。AI 自主运行也一样：九成九的时间都是 AI 在台前又唱又跳，唯独最后那一手，得靠人从幕后伸进来。不去扑那个"完全自动"的幻象，而是老老实实承认"人类的介入点究竟必然留在哪里"——这同样是本文一以贯之的那句"结果越好越要怀疑其内訳"的一个小小的实地版。来，喝杯茶吧。

第6章「展示」进化的技术谱系 #30 — 从 Conway 的生命游戏到 3DGS

📖 一句话概括

这是一回零公式、几乎零代码的"散步"。作者一直喋喋不休讲的人工进化，其实已有半个多世纪的历史；有意思的是，这门研究始终与"怎么展示（可视化）"两人三脚地一同前行。从 1970 年那个黑白闪烁的生命游戏起步，到让代码成为生物的 Tierra、测量进化的 Avida 系统树、用 3D 动画呈现进化的 Karl Sims、平滑唯美的 Lenia、把多样性画成地图的 QD，再到最前沿的 3D 高斯……我们一口气追溯展示方式从"抽象→具象→动态"一路进化的历程。最后，我们定位 FullSense 的进化可视化在这半个世纪的谱系中究竟站在哪个位置。

概念钩子：我在 #25〜#27 里喋喋不休讲的「人工进化」，其实是一个有着半个多世纪历史的研究领域。而有意思的是，进化研究始终与「如何展示（可视化）」并肩前行。从 1970 年黑白闪烁的细胞，到 2024 年连续流体与 3D 高斯。让我们作为一种通识，一口气追溯「展示进化的技术」的谱系。最后，我们将定位 FullSense 的进化可视化（绘制在思考因子图上的系统树）站在这条谱系的哪个位置。

0. 为什么「可视化」是进化研究的主角

进化是一种 长时间、大种群、多世代 的现象。一堆数字罗列，根本抓不住「到底发生了什么」。因此人工进化的历史，几乎就直接是 「让人一眼理解进化的表现手法发明史」。

🍵 休息点：这篇文章是一次零公式、几乎零代码的「散步」。请端着咖啡慢慢看。我们只拾取各个时代「展示方式的突破」。

1. 1970：Conway 的生命游戏 —「简单规则生出图案」

是什么：二维元胞自动机。生死两态 × 8 个邻居细胞的简单规则。
可视化的发明：格点的闪烁本身就是可视化。滑翔机、闪光灯、滑翔机枪这类「移动的图案」被赋予了名字 = 人类 用眼睛为涌现模式命名 的最早期例子。
局限：这并非进化（自然选择），而是决定论式的展开。但「简单规则 → 复杂外观」的冲击开辟了这个领域。

本节计划充实：深入探讨「滑翔机被识别为『移动的结构』」如何成为可视化催生概念的绝佳例子。

2. 1991：Tierra（Tom Ray）—「代码成为生物」

是什么：在虚拟 CPU 上自我复制的机器码程序的生态系统。寄生体、免疫、最优化 自行涌现。
可视化的发明：内存映射的可视化。把每个程序所占据的内存区域用颜色涂出，将寄生体咬入宿主的样子作为「地图」展示。它 把「代码的生态系统」描绘成了一个空间。
意义：在计算机内首次观测到「自我复制子的自然选择」。这是开放式进化（open-ended evolution）研究的起点之一。

3. 1994：Avida（Adami / Ofria）—「测量进化」

是什么：继承 Tierra 谱系的数字生命平台。完成逻辑运算便可获得奖励（CPU 时间）。
可视化的发明：系统树（phylogeny）与适应度地形的可视化。把「哪些子孙从哪个祖先分支而来」绘成一棵树，让复杂性状（如 EQU 运算等）逐步进化的过程变得 可追踪。
意义：它实证了「复杂性会经由不可避免的步骤进化」（Lenski et al. 2003, Nature）。它 把进化从故事变成了测量对象。FullSense 的 monoculture 监控（max_lineage_share / archive 成长）正是这种「被测量的进化」的直系后裔。

🤔 打比方（相声风）：
逗哏：「Avida 让进化能用数字来测量了。」
捧哏：「也就是给进化发了张成绩单嘛。」
逗哏：「没错。我在 #25 里说『满分通胀把成绩单搞坏了』，说的正是 Avida 级别的测量这回事。」

4. 1994：Karl Sims「Evolved Virtual Creatures」—「用影像呈现进化」

是什么：在 3D 物理仿真之中，同时进化 形态（block 的连接）与神经控制，孕育出会游泳、会走路、会争抢物体的生物。
可视化的发明：3D 动画影像。不是用论文里的图，而是用视频来展示，这引发了震撼。它把「进化所设计的、谁都没料到的奇异步态」做成了 人类能凭直觉觉得有趣 的形态。
意义：进化可视化从「面向研究者的图表」迈向了「任何人看了都会惊叹的影像」。它是 FullSense 演示哲学（[[project_f25_demo_polish]]「以动感取胜」）的精神祖先。

🍵 休息点：到这里，如果你能看出展示方式经历了 抽象 → 具象 → 动态 的进化——「黑白点 → 内存地图 → 系统树 → 3D 视频」——那就够了。后半部分是现代篇。

🗒️ "人类灭绝之后的动物!?" — 用影像呈现进化的谱系（空想进化）（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

5. 2019：Lenia（Bert Chan）—「连续的人工生命」

是什么：把生命游戏一般化为 连续空间、连续时间、连续状态。人们发现了大量平滑运动、「像生物一样」的图案（如 orbium 等）。
可视化的发明：连续场的平滑渲染。从离散的闪烁，转向如生物细胞般柔韧运动的流体式表现。它开辟了一条新的诉求轴线：「人工生命是美的」。
意义：这是可视化质量本身提升了研究发现力的例子。正因为看上去美，人类才能注意到新的图案。

6. 2020 年代：Quality-Diversity 的可视化 —「把多样性画成地图」

是什么：MAP-Elites / CMA-ME 等 QD 算法。它们生出的不是单一 best，而是 多样的高性能解的集合。
可视化的发明：behavior space 的热力图。取两轴的 behavior 描述子放到格点上，把每个 cell 的 elite 用颜色涂出 = 「把多样性本身可视化为地图」。
意义：FullSense / lldarwin 的 QD archive 可视化直接立足于此。它能通过 地图的空白 vs 填充 一眼展示「只要还剩一个 cell 就不会全军覆没」（详见 #26）。

7. 2020 年代起：3D Gaussian Splatting（3DGS）—「将进化的状态以空间表达」（FullSense 的赌注）

是什么：原本是新视角合成（NeRF 谱系）的技术。它把点云用 3D 高斯来表示，并以高速、高品质渲染。
FullSense 的构想：一种探索——能否把进化种群的 高维 genome / pressure profile 映射到 3D 高斯空间，从而「将进化的状态立体地展示出来」（与 [[project_precision_metrology_llm]] 的 SH 系数联动同根同源）。
定位：这 仍是一项研究性赌注，并非已确立的技术（honest disclosure）。它是放在本文谱系「最前沿的边缘」上的一次实验。

8. FullSense 的进化可视化站在哪里

时代	展示方式的核心	在 FullSense 中的继承
Conway 1970	闪烁细胞 = 为涌现命名	（概念上的祖先）
Tierra 1991	内存地图	系统占有率的地图化
Avida 1994	系统树 + 测量	monoculture 监控 / lineage tree
Karl Sims 1994	3D 视频	「以动感取胜」的演示哲学
Lenia 2019	连续场之美	animated SVG 表现层
QD 2020 年代	behavior 地图	lldarwin QD archive 可视化
3DGS 2020 年代起	3D 空间表达	（研究性赌注）

FullSense 的进化可视化（思考因子图上的系统树 + animated SVG）所处的位置，是 在终端 / 浏览器中再现 Avida 的「会测量的系统树」、Karl Sims 的「以动感取胜」以及 QD 的「多样性地图」。它是这条长达半世纪的谱系中，虽不起眼却根正苗红的后裔。

下回预告：追溯完谱系，接下来就是实现。我们将以真实的 evolution.svg 为题材，讲解 FullSense 的系统树 animated SVG 究竟吸收了上述哪些「展示方式」、又是怎么吸收的。

9. 相关

连载 #25〜#27 — 本文进化可视化的「内容」（monoculture / lldarwin / 反证）
相关 memory：[[project_github_animated_svg]] / [[project_fullsense_animemd_branch_token_viz]] / [[project_f25_demo_polish]]
参考：Conway 1970 (Life) / Ray 1991 (Tierra) / Adami & Ofria (Avida) / Lenski et al. 2003 (Nature) / Karl Sims 1994 (SIGGRAPH) / Bert Chan 2019 (Lenia, arXiv 2005.03742) / MAP-Elites (Mouret & Clune 2015, 1504.04909) / 3DGS (Kerbl et al. 2023)

第7章让 AI 把 AI 当作下属来使用 #31 —— Claude 主导 + Codex 配属的「两根支柱」开发体制

📖 一句话概括

FullSense 是作者一个人的个人开发项目，但实际上并不是"一个人"。它运转着一套"人 1 + AI 2"的两层体制：把 AI 编码代理 Claude Code 放在"主（指挥中枢）"，把另一个 AI Codex 放在"下属"。本章的要点不是"用两个 AI = 聪明一倍"，而是把指挥系统始终保持为一条。最大的危险，是"一个 AI 不加验证就相信另一个 AI 的输出"这种连锁——错误会被层层放大。所以铁律是："外部 AI 说的话，必须用真实代码或一次信息源逐条核实之后才采用"。下属的汇报是起点，而不是结论——本章用实例与反模式，讲述这套多重委派的统制之术。

概念钩子：FullSense（llmesh / llive / llove）是我一个人的个人开发项目。但实际情况
并不真的是「一个人」。一套以一个 AI 编码代理为主、以另一个 AI 代理为下属的
两层开发体制正在运转。主为 Claude Code，下属为 Codex CLI。
「AI 把工作分派给 AI，再由 AI 来验证其成果」——如何让这种多重委派保持纪律、
不至于失控？本文是关于运行「1 个人 + 2 个 AI」这一「两根支柱」体制的实践记录。

关键词是 编排者（orchestrator）/ 配属 worker / 验证纪律 / 并行化。

0. 三行剧情简介

Claude = 编排者（计划、实现、委派、验证）/ Codex = 配属 worker（执行、评审、调查）。
「两根支柱」并非对等，而是 Claude 主导 + Codex 配属。指挥系统要保持唯一。
铁律：外部 AI 的 finding 必须先用实代码 / 一手信息逐条验证后才采用（禁止盲信）。

1. 为什么是「两根支柱」—— 动机

在个人开发中，只用一个 AI 代理早已是常态。那么我为什么要加上第二个（Codex），而且是作为下属？

厂商分散与冗余 —— 对冲单一代理的计费变更 / 故障 / quota 枯竭。
交叉评审 —— 把同一份设计拿给另一系谱的 AI 看，获取第二意见（减少盲点）。
并行 worker —— 把独立子任务抛给下属，主则专注于最重要的任务。

🍵 休息点：「用两个 AI = 聪明两倍」是错的。关键在于保持指挥系统的唯一性。
若搞成乌合之众，反而会变慢。本文有一半是在讲「如何统制」。

2. 角色分工 —— 编排者与配属 worker

Claude（主）的职责：任务分解、依赖性判定、独立任务的并行启动、进度监控、成果验证、统一提交（commit）。
Codex（下属）的职责：执行被委派的范围。非交互式委派 = codex exec -s read-only "<prompt>"。
指挥系统始终是 Claude。 Codex 只能经由 Claude 才能影响整体（不让它直接 commit）。

本节待充实的内容：对比 Claude 子代理并行（[[feedback_parallel_first_execution]]）与 Codex 配属委派的
使用区分表。「同一 file 串行、独立 file 并行」「git 操作由 orchestrator 统一进行」（[[feedback_agent_no_git_parallel]]）。

3. 验证纪律 —— 「禁止盲信」是体制的命脉

两根支柱中最危险的，是一个 AI 不经验证就采用另一个 AI 的输出。错误会被放大。因此有铁律：

外部 AI（Codex / Copilot / Gemini）的 finding，只有在用实代码 / 一手信息逐条验证之后才采用。

实例：在本连载 #26（lldarwin 设计）中，对既有代码资产的调查（例如 mating.py:139 LexicaseSelection
是「已实现但未接线」等）是让下属去调查的，但接线点与行号是由主（Claude）在实文件中确认后
才写进设计文档的。不会把「Codex 是这么说的」当作设计的依据。

🤔 打个比方（相声风格）：
师父：「喂，那个函数，接线了没有？」
徒弟：「禀师父，没接线。」
师父：「……你这『禀师父』我信不过。我自己去看源码。」
——这就是验证纪律。徒弟的报告是起点，而非结论。

本节待充实的内容：验证的三个阶段（收到 finding → 用实代码 / 一手信息确认 → 采用或弃用），以及
评审封装器（如 tools/copilot_review.sh 这类只读评审）的定位。

4. 并行化的规矩 —— 不让它失控的统制

同时运转多个 worker（Claude 子代理 + Codex）时的纪律：

2～4 个并行是安全区（主的 context 有余裕、无提交冲突）。5 个以上则要严格管理 file 级别的独立性。
抽取独立任务 = 无依赖 + 在 file / module / repo 级别互不接触。同一 file 串行（类似 file lock）。
不可逆操作（删除 / push / submodule 改动）逐条经人工确认。 不让下属擅自去做。
git 操作由 orchestrator 统一进行。 不让并行 worker 碰 git（规避冲突）。

🍵 休息点：「把 AI 摆得越多越快」是个陷阱。主的 context（注意力的总量）才是限速因素。
即便并行 5 个，若主处理不过来也毫无意义。和大脑的工作记忆一样，能同时把握的数量是有上限的。

5. 反模式（绝不可做的事）

宣布「我会逐个确认着推进」之后却默默地串行执行（错失了并行化的机会）。
不委派给下属，全部都在主的 context 里干（context 爆炸）。
在并行启动的 worker 出结果之前，主就去碰同一个 file（冲突）。
委派两个 worker 去写同一个 file（独立性判定的遗漏）。
不经验证就把下属 AI 的 finding 采用进设计或实现（错误放大 = 两根支柱体制中最大的事故）。

6. 这套体制实际运转出了什么（FullSense 的实例）

设计交叉评审：让下属评审进化设计 / 需求 / PoC，主用实代码验证后做出采用判断。
既有资产调查：让下属调查 lldarwin 既有部件（loop.py / mating.py / nsga2.py 等）的所在 → 主确认。
并行子任务：把文章骨架、代码调查、需求整理作为独立任务并行化（本连载本身就是其产物）。

🍵 休息点：最后我也会诚实地谈谈，「1 个人 + 2 个 AI」让个人开发的生产力发生了怎样的主观变化。
对变快的方面（并行、冗余）与增加的负担（验证成本、统制成本）两者都做 honest disclosure。

7. 教训

保持指挥系统的唯一性。 两根支柱并非对等，而是主从。指挥中心的分裂是事故之源。
验证纪律是体制的命脉。 AI 不经验证就相信 AI 的连锁，是最大的风险。
并行度由主的 context 限速。 以能处理的量来决定，而非以个数。
不可逆操作与 git 由人类 / orchestrator 掌握。 只把可逆的工作交给下属。

下回预告：把用两根支柱运转出来的进化设计（#26 lldarwin），借助配属的 Codex + on-prem ollama，
推进到 Stage 2（用真实 LLM 评估）。多重 AI 委派究竟能把「研究的实现速度」提升到什么程度。

8. 相关

连载 #26「lldarwin 的设计」—— 用本体制运转出来的实例。
相关 memory：[[reference_codex_two_pillar]] / [[feedback_parallel_first_execution]] / [[feedback_agent_no_git_parallel]] / [[feedback_external_ai_verify]]

第8章 (连载 #32) llcore CPU PoC battery 完成

📖 一句话概括

从这里开始，话题从 lldarwin 转向 llcore。llcore 不把"LLM 的权重"当基因，而是把权重底下那个"核心计算的式子本身（状态更新规则、学习规则等）"当基因来进化，是一个只用 CPU 就能跑的研究框架。本章是它的地基——5 个小实验（PoC battery）完成的报告。最大的看点，是为了不让进化失控、生出数值上会坏掉的式子，把 Z3（一种机械地证明式子是否成立的工具）放进进化循环里当门卫。事前调查确认这是先行研究中找不到的独有之轴。同时也诚实地补一句限制：接真实 LLM 还在等 GPU。

TL;DR

将 Transformer 的核心计算 (state update / 学习规则 / 认知驱动 Δ) 作为进化对象的研究框架 llcore (PyPI: llmesh-llcore 0.1.0a0, llive 独立路线) 的 CPU PoC battery 完成
以 5 个 PoC / 39 个可证伪 gate / 76 个测试 / Codex pair-review 5/5 Green-light 完成机制验证
用 Z3 对结构变异进行 online gate = 把 SMT 嵌入进化搜索的 selection pressure，经事先调查发现为未被探索的先行研究 (事前调查 RAD 14 个领域 + Agent A-D 确认)
投稿候选: TMLR (本命) / GECCO 2027 short / NeurIPS 2026 workshop (verification × ML)

为什么要做

冻结 LLM 权重是标准做法，但核心计算算法本身仍固定为人工设计。AutoML-Zero / NAS / AlphaEvolve / Sakana Evolutionary Model Merge 等 architecture/algorithm 搜索虽已推进，但:

个人 compute 无法承担计算资源 (TinyLlama 1.1B from scratch = $140k / 90 天 / 16×A100)
搜索过程中没有安全性保证 = 生成数值不稳定的 architecture 而浪费时间
带验证的搜索与静态 verification (Reluplex/Marabou/α,β-CROWN) 相互割裂 — 在进化循环内做 SMT online gate 的研究未被发现

已确定的独有轴 (事前调查中没有 negation work)

机制已验证 (4 个轴):

ChangeOp → Z3 online gate (Stage 1a, 5.8ms)
将 state update 规则基因化 RWKV-style (Stage 0a v2)
factor_hook (认知状态 → SSM Δ) (Stage 2a mock)
自研进化器 + verifier 基础 (Stage 0c + 1a)

post phase: persona-indexed specialist / Marabou refinement / 提出 VNN-COMP 新类别。

PoC 阶梯 (5 stage / 39 gate 全部 PASS)

PoC	内容	关键数值
0a v2	RWKV-style state update gene	G6 var=7.4e-3, G9 escape@step1
0b v2	synthetic fitness (copy/add)	G4 rank_corr=-0.20, G7 best 0.518/0.525/0.703
0c v2	自研 minimal GA	G3 monotonic 0.249→0.552, G7 dist=2.15
1a v2	Z3 state_norm invariant	G2 unsat 5.8ms, G3 sound CE
2a	factor_hook × state update mock	G7 evolution smoke monotonic

从 v1 的失败中学到的东西 (honest disclosure)

PoC 0a v1 用 decay*s + mix*x*tanh(gate_str*s)，使得 state=0 成为 fixed point 的 zero attractor = 形式上通过 G1-G5，但信息传递为零。Claude 单独遗漏的设计问题被 Codex (gpt-5.4) 与 gem-critic 的独立 verdict 检测出来，从而在 RWKV-style 上做了 v2 redesign。

→ 在 5 个 PoC 中有 4 件，Claude 单独遗漏的设计问题被 Codex pair-review 检测出来。这是相互评审在防止结构崩溃上发挥作用的实例。

下一步选项

a. Stage 3 kernel 多样化 (将 rwkv/mamba/hopfield/linear-attn 基因化)
b. Stage 4 将学习规则 (FF/EP/PCN/Hebb) 基因化
c. Stage 5 Marabou Incremental NN Verification bridge
d. 用 PrediPrune+Quokka 给 Z3 gate 提速
e. 用 FlashEvolve 实现 3.5-5x wall-clock 提速
f. 写成论文 (TMLR + GECCO 2027)

Honest 保留

以 mock 为主，连接真实 LLM/权重要等 GPU/新 PC
1 step scalar invariant 处于 over-approx proof 阶段，多维、多 step 在 post phase
tanh 上界近似偏保守 (sound 但不完整)

Tags: 进化计算 / 形式验证 / Z3 / RWKV / state space model / CPU研究
相关: 连载 #14-31 (llive lldarwin v0.B-E + 观测+governance + lleval)
Project: (PyPI llmesh-llcore 0.1.0a0)

☕ 闲话休题 —— 上下文爆炸的悲喜剧

这里说一段让 AI 长时间干活时必然撞上的"上下文爆炸"。AI 一次能记住的工作便签是有上限的（上下文），一旦读进长长的实验日志或大量文件，那块额度就眼看着被填满。换成人，就好比桌上堆的文件太多，关键的那一张反倒不知道压在哪儿了。麻烦在于：额度一满，AI 就开始把旧记忆压缩成摘要扔掉，而那些没能留在摘要里的"还没保存的改动""一直开着没关的进程"，就这么从意识里悄悄消失了。

有意思的是，这和本文 lldarwin 讲的"在满分处饱和、选择压就消失"多少同构。那边是评价钉死在天花板、差异消失的病，这边是记忆钉死在天花板、细节消失的病。两者结构相同："一旦贴死在容量的上限，重要的信息就会被抹平。"所以正篇里也上了一道朴素的保险：长时间运行的状态不交给摘要去托管，而是每次都老老实实重新核对一遍当前状况。在花哨的进化计算背后，还藏着这种"不停收拾记忆的桌面"的日常活儿——这就是这段后台轶事。

第9章 (连载 #33) 过于整齐的结果不是胜利，而是警报 —— 用 proper power 给第三轴 ③ 一锤定音的一天

📖 一句话概括

问题很简单——"用进化去搜索 AI 的核心计算时，那个保住多样性、分门别类挑选的工夫（③）到底要不要?"本章正是给这个问题画上句号的一天的记录。钥匙是地形的比喻。把设计的好坏用山的高度来表示，③ 唯有在"素朴的登山者会被假山顶卡住的欺骗地形"上才派得上用场；面对平滑的单峰山，它就是个累赘。于是我们把评估噪声从物理上压到零、重新测量那块接近实物的地形，结果确认它"确实平滑"，③ 不需要被坐实。本章的看点，就是以"太整齐的好结果反而是警报"这条纪律，用三个透镜捶打自己的结论、把说过头的话一句句削掉的过程。

TL;DR

问题是 「当用进化去搜索 AI 的核心计算时，"挑选、分开、培育"这个工夫 (= 进化的 ③ 适者生存/分离要素) 究竟需不需要？」
在合成的"带山谷的 (欺骗性) 地形"上，③ 大获全胜 (过去实验中 Cliff δ=+1.0)。③ 作为机制是货真价实的。
但当我们把更接近真实的 CPU proxy 地形的评估噪声物理性地降到零之后重新测量，结果是"真正平滑 (单峰)"，于是确定 ③ 不需要。"过去的 negative 不是检出力不足 (underpower)，而是地形本来就平滑"这一点首次得到佐证。
只有真实 multitask 邻域 (C-gen4b) 出现了微弱的"③ NOT null"气息，但增加数据后就发生摇摆，止步于候选 (走行内漂移 + 在多重比较下脆弱)。
"某个后处理在隐藏 ③"的怀疑 (K4 ridge clip)，去掉之后反而变得更差 → 它并没有隐藏什么，降级为诊断性所见。
外部评审 (Codex) 没有阻断项地追认了结论。
结论一句话：「③ 只有在地形具有欺骗性时才会发挥作用。这次在 CPU 上能测到的、接近真实的地形，恰好是平滑的。」 主战场的定论需要 GPU (真实 LLM 地形)，但那是投资决策。
追记 (2026-06-02, §11.5): 最后的 CPU 逃生路线 kernel 多样化 (BG9) 在结构上被堵死了。 kernel 选择是低维，因此强 baseline (RR) 会直接采样，③ 的 niching 优势在原理上无法出现。要让 ③ 起作用，需要"高维的"欺骗性地形，剩下的路只有 GPU full-LLM (而这本身也是一场赌注)。
元教训：诚实披露 (honest disclosure) 不是装饰，而是推动研究前进的工具。 在 BG9 中，同样的纪律在"把 negative 正确地确定为 negative"这个方向上也奏效了。

⚠ 本文中的所有数值，都是与本地 (手边) 的研究 commit THIRD_AXIS_SETTLE_VERDICT.md 绑定的实测值。llcore 还没有建立公开仓库，所以无法贴出外部链接。作为替代，我把"如何测量"全部写在正文里。

0. 这篇文章在讲什么 (概念)

llcore 是一个 CPU 完结的研究框架，它"把 Transformer 的核心计算 (状态更新规则、学习规则、认知驱动 Δ) 作为基因，一边用 Z3 验证其不会崩坏，一边进化" (PoC battery 的事在连载 #32 写过)。

它的进化引擎有一个设计上的命门：如何让进化四要素中的 ③ (适者生存 selection / 分离 separation) 生效。这是一种像 MAP-Elites 那样"挑选、分开、培育"的机制，保持多样性并把精英留在各自的 niche 里。

问题很简单。

那个 ③，真的需要吗？

如果需要，那么为承载 ③ 而进行的重投资 (最终是在 GPU 上跑真实 LLM) 就有意义。如果不需要，执着于 ③ 就是浪费时间和电力。

在这一天 (2026-06-02)，我用 3 个实验正面给这个问题作了了断。正如标题所说，结论又一次把我们拉回 FullSense 的那条低音主旋律——"过于整齐的结果是警报"。

—— 到这里 30 秒。准备运动结束。进入正题。 —

1. 打个比方：登山，与欺骗地形

在公式之前，先用地形的比喻把全貌抓住 (这是本研究中一贯使用的隐喻)。

我们用 地形的高度 来表示设计的好坏。高处 = 好设计。 这是一个寻找最高山顶的游戏。

地形其一：平滑的单座山 (简单)

在这样的地形上，朴素的"登山法 (hill-climbing)"，也就是"只朝比现在稍好一点的方向移动"，就足以到达山顶。不需要那些精巧的工夫 (③)。

地形其二：欺骗地形 (deceptive)

在这里，朴素的登山法会停在假山顶上。因为它没有走下山谷的勇气。

此时起作用的就是 ③ 的思路。把各种类型的登山者分散留在山谷的各处 (= 记忆宫殿 / MAP-Elites archive)。某个登山者可以靠"踏脚石"渡过山谷，到达真正的山顶——这就是其机制。

用一句话概括本研究的核心：③ 真正有用的，只有在"欺骗地形"的时候。 在平滑的单座山上，③ 是无用的累赘。

所以问题可以改写为：

「当用进化设计 AI 时，实际遇到的地形是"欺骗地形"，还是"平滑的单座山"？」

这个一旦确定，③ 需不需要也就确定了。今天，我们测的就是这个。

2. 过去遗留的问题 ——"③ 不需要"真的是"不需要"吗

通过迄今为止的实验 (Step C → 梯子段 1 → E-A → 谷深实测)，图像大致是这样的。

在合成的欺骗 corridor 上，③ 大获全胜 (战胜全部 3 个 baseline，Cliff δ=+1.0)。③ 已被存在性证明，作为机制是真的。
在更接近真实问题的 proxy 地形上，③ 是 negative (MAP-Elites 只能与 random 打平 = 与平滑地形相同的症状)。

然而，这里残留着 2 个未解决的疙瘩。

"③ 不需要"究竟是因为"地形平滑"，还是仅仅因为"样本数不够、检测不出差异 (underpower)"？ ── 弄错这一点，就会犯下"③ 无力"这种过度泛化的错误。
谷深的直接测量上次以 N/A (无法测量) 告终。评估噪声比山谷的深度还大，所以即便有谷也会被埋没看不见——这是仪器的极限。

也就是说，"看起来平滑"究竟是 地形的性质 还是 仪器的极限，并没有定论。把这一点说清楚就是 Step D。

—— 稍事休息。以上是前提。从这里开始是今天做的 3 个实验。 —

3. 实验设计 —— 三件套

实验	测什么	目的
EXP1	proper-n 复检	认真增大样本数，用检出力把 ③ 的效果是否真实钉死
EXP2	决定论 C1 多峰性	把评估噪声物理性地归零，noise-free 地判断地形是"欺骗地形"还是"平滑的单座山"
EXP3	K4 ridge clip 的 verdict-flip	验证"某个后处理在隐藏 ③"的怀疑

纪律：全部隔离在 research/step_d_settle/，src 不改动，git 由协调器一次性提交。每个实验都要通过崩坏门 (G1 CPU 全程跑完 / G2 可复现性 / G3 诊断器有效 / G4 src 不变)。

4. EXP2 才是决定性的 —— 把评估噪声归零，地形就显现了

顺序有所颠倒，但 最起作用的是 EXP2，所以先写它。

上次谷深测量变成 N/A 的原因很简单，就是 "谷的深度 (约 0.05·|fitness|) ≪ 评估噪声的抖动"。山谷被埋在仪器的噪声里，无法判断它存在与否。

EXP2 的诀窍是这样的。

ESN reservoir (固定 seed) + ridge readout 的 closed-form (np.linalg.solve)，完全不抽取随机数。 因此可以把评估噪声物理性地归零到机器 epsilon (约 1.11e-16)。

实测中我们确认了 eval_noise_std ≤ 1.11e-16。这不是"每次评估值都抖动"，而是源于浮点最小单位 (ULP) 的误差，实质为零。 在噪声之雾完全散去的状态下，可以直接测量地形的山谷。

结果如下 (valley_fraction = 山谷的比例，越大越多峰 = 欺骗地形)：

landscape	类别	维度	valley_fraction (mean/max)	多峰？	判定
ESN_3param (真实 proxy)	real	3	0.000 / 0.000	False (3 seed 一致)	平滑=单峰 → ③ 不需要，noise-free 确定
ESN_perneuron40 (真实 proxy)	real	40	0.096 / 0.121	False (3 seed 一致)	偏平滑 (低于地板 0.2) → ③ 不需要
ctrl_multipeak_dim3 (正 control)	control	3	0.701 / 0.727	True	诊断器能检出多峰 ✓
ctrl_multipeak_dim40 (正 control)	control	40	0.795 / 0.818	True	诊断器健全 ✓
ctrl_quadratic_dim3 (负 control)	control	3	0.000	False	诊断器能检出平滑 ✓
ctrl_quadratic_dim40 (负 control)	control	40	0.000	False	诊断器健全 ✓

要点有 3 个：

真实 proxy 地形 (3 维 / 40 维都是) 是 valley≈0 = 单峰。 在 3 个 seed 上完全一致。
诊断器本身是健全的。 故意做出来的多峰正 control 被正确检出为多峰 (0.70/0.80)，二次函数的负 control 被正确检出为平滑 (0.0)。所以"真实 proxy 是单峰"不是仪器的 bug，而是地形的性质。
由此，"过去的 ③ negative 不是 underpower，而是因为地形本来就平滑" 首次在真实 substrate 上得到了 noise-free 的佐证。

我也老实写下一个副发现。原本打算用作正 control 的欺骗 corridor (make_corridor_eval(d=0.16))，一旦决定论化，竟变成了 valley=0.0 (单峰判定)。 corridor 的欺骗性是"关进单一 basin、用 ③ 的 behavioral niching 逃出"这一型 (behavioral-reach 欺骗)，而不是地形山谷 (C1 multi-basin) 的欺骗。我们用实测确定了 scope 的收窄：corridor 不能成为 C1 的正 control。这意味着过去的谷深校准无法把"corridor 来源的阈值"迁移到地形多峰性上。

—— 在这里喘口气。"正 control 没能当上 control"这件事，意外地让人受了点打击。但这一点也是不测就不会知道的。 —

5. EXP1 —— 只有真实 multitask 邻域出现微弱的"③ NOT null"气息

接着，我们认真增大样本数，对最接近真实问题的频带 (C-gen4b = MAP-Elites vs random，真实 multitask 邻域) 进行了复检。

case	原 n=15 (审计)	fresh 真复跑	判定
C-gen4b	diff +0.063 / psd +0.20 / p 0.126	n=64: diff +0.0472, 单侧 p 0.038, psd +0.188, gate PASS	③ load-bearing 候选 (still_inconclusive)

用 fresh seed 跑到 n=64，严格门的 4 个条件全部 PASS。 也就是说，审计读成"③ 不需要 (inconclusive)"在方向上是错的，在 C-gen4b 中 ③ 是朝 NOT null 的方向。

…而在这里不产生"赢了"的飘飘然，正是这一轮的要害所在。出于 3 个理由，我把它 止步于候选。

更新后的检出力 power@n64 = 0.517 < 0.80。 门通过了，但没达到确证的标准 (检出力 0.80)。
走行内漂移 (这一点起了作用)。 追踪累积 p 值的轨迹：n=40 时首次 PASS (p=0.042) → n=60 时 p=0.010 显著性加深 → n=64 时 p=0.038，又回到了 0.05 边界附近。 进一步把 seed 按前半/后半切开：前 32 个 seed 是 diff=+0.0755 (frac_pos=0.625)，但后 32 个 seed 是 diff=+0.0189，最后 9 个 seed 是 diff=−0.0376 (负)。 PASS 是靠前半 seed 撑着的，越是新数据越往反方向跑。
多重比较。 p=0.038 在 α=0.05 下 PASS，但仅就 EXP1 的 3 个 case 而言也超过了 Bonferroni α=0.0167 (FAIL)。放到整个 ③ research family 来看就更严苛。

此外，效果量的地板 (psd) 撞上了 结构性天花板。 C-gen4b 的 median psd 从 n=15→0.200 到 n=255→0.200 纹丝不动。P(|psd|≥0.147) (效果量条件的满足率) 即便在 n=255 也封顶于 0.794。因为是中效果 (psd≈0.20)，无论怎么增大样本，full gate 的检出力都不会超过 0.80。也就是说，"只要增大样本就会确定 (A)"这个前景本身，在这个 proxy 上就很渺茫。

结论：C-gen4b 是"③ load-bearing 候选 / still_inconclusive"。 "③ NOT null"这个 headline 过于依赖单一的边界 p=0.038。走行内漂移是"候选可能是假阳性"的真证据。

6. EXP3 ——"后处理在隐藏 ③"的怀疑，去掉之后反而更差了

最后一个怀疑是这样的。"ridge readout 的 clip (K4) 这个后处理，会不会其实在掐死 ③ 的信号？" 如果是这样，去掉 clip，③ 就应该浮现出来。

我试着去掉了。

task	clip	MAP-E mean	战胜的 baseline 数	verdict_flip
addition	True	+0.0100	1/3	—
addition	False	−1.212	0/3 (全部恶化)	False
flip_flop	True	+0.426	0/3	—
flip_flop	False	+0.438	0/3	False

去掉 clip 后，③ 非但没有浮现，反而 在 addition 上 MAP-Elites 从 +0.010 → −1.212 劣化。 clip=False 把 MAP-Elites 落进了 raw R²<0 的噪声区域 (15/15 seed 为负，R² 在 [−3.68, −0.20])，不仅没能恢复结构反而更差。= 主动反证了"clip 在隐藏信号"这一假说。

null-ridge FPR (gene 无关 target = 真正的零假设) 在 clip True/False 之间差异也为零 (两者都是 0.0)。

判定：K4 不是"唯一的主动 suppression 机制"，而是降级为"压扁 spread 但不改变 verdict 的诊断性所见"。 由此可知，过去统计审计断定的"K4 = 唯一的主动 suppression"是夸大了。

诚实的保留 (相当于 §6.3)：null-FPR=0/0 只是 null_seeds=4 的地板值，而且这个实验把预算缩小了约 7 倍。所以我把 verdict 的标签统一为不是"null 确定"而是 "not_load_bearing_at_this_budget (在此预算下非载荷)"。因为"在此预算下 K4 非载荷"比"零假设已确定"更准确。判定的实体 (降级为诊断性所见) 不变，只是提高了用词的精度。

—— 在这里深呼吸。3 个实验结束。接下来是"有没有说过头"的自检。 —

7. Surviving refutation —— 用 3 个透镜捶打自己的结论

honest disclosure 的核心是"最狠地怀疑自己的结论"，所以我用了 3 个独立的反证透镜。3 个都以 refuted=true / medium 存活下来，也就是说保守的 verdict 没有被推翻，但偏 positive 的强调被朝着减弱的方向修正了。

[power_adequacy] C-gen4b 的 gate PASS 在 optional-stopping + 多重比较下脆弱。 这就是上面 §5 的漂移和 Bonferroni FAIL。把"③ NOT null"做成 headline 过于依赖边界 p。→ 已把 p 的 n 轨迹和后半 seed 的符号反转记录到披露字段中。
[determinism_and_circularity] 单峰 verdict 在阈值临近处脆弱。 决定论化和非循环性本身是 clean 的 (behavior 与 fitness 的相关 ≈0，诊断器不使用 behavior 描述子，而是直接看地形几何)。但 ESN_3param 的 midpoint 有 90.9% 向下方 dip，最大相对 dip=0.0435 就在 C1 谷阈 0.05 的正下方 (在 13% 以内)。所以精确地说，它不是"真正单峰"，而是"略低于 C1 阈值、带浅谷 (~2–4%) 的弱 multi-basin"。(B) null 的方向得以维持，但稳健性因阈值临近而有限。
[clip_flip_validity] K4 降级因低预算而仅限 "at this budget"。 verdict_flip=False 确实如此，但 FPR 0/0 是地板值，预算缩小了 7 倍。所以与其说"firm refutation"，不如说"not load-bearing at this budget"。

3 个都不至于"把结论翻盘"，但全部朝着"削掉说过头的部分"的方向起了作用。这次自我审计正是今天成果的一半。

8. 老实写下自己踩过的一个坑

在上次的谷深 workflow 中，我在第 2 段协调器 briefing 里传入了 stale (旧) 值。 像"全部 below threshold / d*=0.1234"这样的值。可实际 commit 的结果 JSON 是 all_below_threshold=false。我在读上次 workflow 结果时，把另一个 metric 的值搞混了。

敌对验证检出了这一点，把 verdict 降级为 N/A。 也就是说，怀疑自己"过于整齐的结论"的这个过程，抓住了我自己的复制粘贴失误。这不是个令人愉快的故事，但正因为它转起来了，今天的 Step D 才能从正确的立足点重新测量。

我再次体会到，honest disclosure 不只是"不抹掉失败"，更是"预先放置一个能检出失败的机制"。

9. 我是如何更新过去 verdict 的

过去 verdict	过去的解读	Step D 的更新
E-A C-gen4b	underpowered, inconclusive	方向更新：③ 朝 NOT null 的方向 (fresh n=64 下 gate PASS)。但止步于候选
step6 exp7 (真实 ESN proxy, ③ negative)	n≤10 盲点域，"必须重测"	大幅更新：地形本来就平滑 (③ 不需要)，noise-free 确定。重测也不会出现多峰
谷深 N/A (无法测量)	instrument 不能	解除：靠决定论化使其可测 → vf≈0 (单峰)。但阈值临近的浅谷是保留项
K4 clip = 唯一的主动 suppression	"clip 隐蔽了 landscape 结构"	降级：诊断性所见 (not_load_bearing_at_this_budget)

"看起来像'③ 不需要'的许多过去 negative，不是 underpower，而是因为地形本来就平滑"── 这一点首次在真实 substrate 上得到确认，正是今天的核心。

10. 外部评审 (Codex) 无阻断项地追认

作为 llcore 的纪律，每个 capstone 都要通过 Codex (gpt-5.4, read-only) 的结对评审。这次的总评是 "无阻断项 ── ③ 结论已获外部确认"。

把 C-gen4b 留作候选而非 load_bearing 的判断是妥当的 (已在 JSON 中确认更新检出力 0.5174 < 0.80)。
EXP2 的决定论、非循环是 clean 的。也追认了正文的自认："阈值下的弱 multi-basin"比"真正单峰"更精确。
EXP3 的 K4 降级在现预算下是妥当的 (FPR 0/0 + 缩小 7 倍，故仅限 at-this-budget)。

被指出的 4 项 (CF1～CF4) 全都是关于未来 rerun 时 harness 的稳健性和文字精度，并不推翻现结论。在 GPU 上复检 ③ 时，会先应用这些，再重用 harness。

11. 我们当时在尝试 CPU 的逃生路线 (kernel 多样化 / BG9)

"③ 的主战场移到 GPU (真实 LLM 的损失地形)"是 EXP2 的建议。既然真实 proxy 已确定平滑，在平滑地形上追 ③ 也不会出 (A) (地形若是单座山，挑选分离自然没有收益)。

但因为 GPU 是投资决策，我并行尝试着 一个可以在 CPU 上前进的别的假说。 那就是 kernel 多样化。

假说是这样的。即使各个 kernel (rwkv / mamba / hopfield / linear_attn) 各自都平滑，把 4 种 kernel 族 union 起来，可能会在 kernel 切换的瞬间让 fitness 产生不连续的台阶 → 地形可能变成 multi-basin (欺骗地形) → ③ 可能不用 GPU 就在 CPU 上成为 load-bearing。验证这个的就是 BG9。

在我最初写这篇文章的时候，还是"现在正在 smoke 测量 BG6 (task → best-kernel 映射是否非常数，即'每个任务擅长的 kernel 是否不同')"。在那之后 (同在 2026-06-02 之内)，BG9 有了定论。下一节追记就是它的结局。

11.5. 追记 (2026-06-02): BG9 定论 —— 逃生路线在结构上被堵死了

结论一句话：BG9 = N/A (结构性)。也就是说，kernel 多样化这条 CPU 逃生路线被堵死了，因为"③ 立不起来"在结构上是注定的。 这不是"③ 不需要"，而是"在这个空间里，③ 在原理上无法与强 baseline 分离"——一个有信息量的 negative。

§11 设下的逃生路线的结果出来了。期待中的"kernel union 生成 multi-basin (欺骗地形)、③ 在 CPU 上立起来"没有发生。 而且不是"碰巧没立起来"，而是查明了 在结构上就立不起来。 BG9 用 3 层证据确定了这一点。

(1) substrate validity ——"有辨别但弱" (PASS 但需注意)

首先，把 kernel-favoring task 群从第一原理重新设计，再去测量"每个任务擅长的 kernel 是否不同" (BG6)，映射是 非常数 = 非 inert (PASS)。 mamba / linear_attn / rwkv 各自在不同任务上成为 best。从避开了 BG6 踩过的"memory_tasks 对 kernel 中立"的覆辙这个意义上说，是前进了。

但老实说弱：

hopfield 在任何任务上都没能赢。 这是因为 hopfield kernel 是 对角标量 mock，其 tanh 吸引子功能失常 (per-seed 的 R² 在 0/0.99/0 上两极分化)。所以它实质上不是"4 kernel union"，而是 3 kernel。
clean 的专门化只有 2 个轴 (selective_copy↔mamba / weighted_accum↔linear_attn)。其余 margin 很薄、fragile。

→ 辨别的存在 ≠ 多峰/障壁。 非 inert 化成功了，但那并不保证欺骗地形——只到这一步为止。另外，对角 mock 的局限正如 kernels.py 的 scope 声明，这里 只主张机制的 feasibility (不主张 full kernel 性能)。

(2) harness validity —— positive control 不 validate (这是决定性的)

接下来是主战场。在固定参数 (behavior=(kernel_id, theta L1)) 下，把 MAP-Elites (③) 与 3 个 baseline ── RR-hillclimb (random restart 登山) / panmictic-GA / random ── 做了 honest 的 paired 比较。

基质	结果
positive control (合成 kernel-barrier)	③ 击溃 panmictic (+0.423) 和 random (+0.208)。但赢不了 RR (+0.051, p=0.31 → FAIL)。未达到 3 baseline 全胜 = harness validity 立不起来
negative control (kernel 中立任务)	全 method R²≈1.0 饱和，③ 无优势 = 正确地 null (无假阳性，仪器健全)
real (kernel-favoring multitask) smoke	③ beaten 0/3，panmictic 反而超过 ③ = ③ 不胜

这里就是与 Step D (技术版 §4-7) 决定性不同的地方。在 Step D 的欺骗 corridor 上，③ 能够排除 RR。为什么在 kernel 空间里不行？ 根因只有一个：

RR 在每次 restart 时都能直接采样 kernel_id ∈ [0,4)。 kernel 选择是 4 离散的单一座标 (低维)，所以 RR 在 restart 时会直击全部 4 个 kernel。要"找最佳 kernel"，无需跨越山谷 = teleport (直接传送)。 所以 ③ 的 behavioral niching 没有登场的机会。

③ 在 Step4 的 corridor 上能排除 RR，是因为那里的 behavior 是 mean(24 维)，由 CLT，均值集中到 0.5 → 全局峰是 measure-zero 区 = random/RR 无法直接采样的高维。 kernel_id 反过来是低维，可以被直接采样。

(3) red-team —— 即使用敌对验证也无法反证，反而成了确证

我们用独立的 red-team 捶打"harness 立不起来真的是结构的缘故吗？会不会是碰巧的设置失误？"。结果 无法反证结构主张，反而强化了它：

机制确证：instrumented RR 在 positive control 上，把 restart kid 几乎均匀地分散到 4 个 basin 上 [12,18,16,18]，target 到达 88%，best 在 6/8 seed 上是 restart→in-basin climb。用数值确证了"RR 在 restart 时直接采样 kernel_id 来回避山谷"。
在 4 个 faithful 构成 (高维 theta corridor / sequential-kernel / in-basin L1 corridor / deceptive multi-basin) 上，③ 都赢不了 RR (beats_rr=False)。 把 corridor 放松，RR 也同等到达；把它收紧，③ 反而 先饿死 (starve)。
边界 sweep：把 theta corridor 的维度 D=0→3 越收紧，③ 比 RR 饿死得越快 (D=3: ③ reach 0.08 vs RR 0.42)。在 3 个 base_seed 上相同。

→ 定量确证了 "只排除 RR 而让 ③ 通过的 behavior 维度，在 kernel 空间里结构上并不存在"。

结构性洞察 (这次定论的 payoff)

③ (MAP-Elites 的 behavioral niching) 超过强 baseline，只有在"难处"位于高维 behavior 空间、用直接采样 (random restart) 无法到达的时候。

kernel 选择是低维 (4 离散的单一座标) → RR 直接采样 → ③ 的 niching 优势在原理上无法出现。
即使把欺骗移到 theta 空间，RR 在 restart 后会在 in-basin 做 greedy climb，所以把 corridor 收紧到 RR 无法通过的程度时，③ 也会以同等程度饿死。RR fail ∧ ③ succeed 的窗口并不存在。

这是对 Step4 §7 残留问题"靠 kernel 多样化扩展搜索空间，③ 会 unlock 吗？"的回答。答案是 NO (在 CPU 上是结构性的)。 要让扩展 unlock ③，追加的自由度必须产生一个 高维、难以直接采样 的 behavior。kernel 选择 (低维、离散) 不满足这个条件。

对 GPU 的含意

CPU 出尽门 CLEAR：BG9 在结构上堵死了最后的 CPU 路线 (kernel-union)。③ 剩下的路线 只有高维的 GPU full-LLM 损失地形。
结构性洞察让 GPU 这场赌注 better-motivated。 ③ 只有在高维 behavior 中才有意义。full-LLM 的参数空间是数百万维 = 正是高维。所以 GPU 检定遵循一条原理——不是"也许 full-LLM 是唯一例外"这种弱赌注，而是"③ 需要高维，而 full-LLM 处于高维域"。
但它依然是赌注：如果真实 LLM 地形能被 backprop 系的强 baseline 直接导航，那 ③ 就不需要 ── 这是与 BG9 的 RR 同型的风险 ("强 baseline 直接解出"的可能性在 GPU 上也依然存在)。所以 GPU 不应"单独为 ③"，而应作为 组合判断 (与 llive 真实 LLM fitness 等搭车) + 借云做 1 次预注册 (在资本投入之前)，才算适当。BG9 的结构性洞察本身就成了 GPU 的可证伪 go/no-go 标准："如果 ③ 在 full-LLM 上 load-bearing，那它的难处应该位于高维 behavior 空间，并且用直接采样/backprop 难以到达。"

honest 保留 (重要)

这 不是"③ 被查明不需要"。 "③ 在这个低维 kernel 空间里，原理上无法与强 baseline 分离" = N/A (结构性)，而 ③ 的机制本身在 Step4 已确定是真的。它是一个 有信息量的 N/A——虽然是 N/A，却携带了"kernel 路线已堵死"这一决定性信息。
harness/red-team 是 smoke 规模 (5-12 seed)。在正式检定的 15 seed 下数值会动，但 结构 (收紧则 ③ 先饿死 / RR 直接采样 kernel_id) 与 seed 无关、稳健。 我们不会在 real 上跑 full ≥15-seed 的正式检定 ── 既然 positive control validity 在结构上立不起来，即便在 real 上出了"③ 不需要"，也无法分离"③ 不需要 vs 检测器盲"，而这个"检测器盲 = kernel 空间的结构"已被 red-team 确定，所以即使投入 7.5h 的 CPU，结论也不会改变。
substrate 弱 (实质 3 kernel，hopfield 是对角 mock、功能失常)。若有更强的 kernel 辨别 (full 实现、非对角)，则有不同结论的余地——这 在理论上 是有的，但 ③ 的结构性障壁 (低维选择 → RR 直接采样) 与 kernel 实现的质量无关。
这次 不需要 那条怀疑"③ 过于整齐地成立"的纪律 ── ③ 成立从一开始就没出现 (与 honest prior 一致的 negative)。

12. 元教训 —— 诚实，是为了取胜的工具

今天真正的成果不是数值，而是 "怀疑过于整齐的结果"这种精神，实际推动了研究前进。

因为物理性地消除了评估噪声 (EXP2)，我们才能切分"平滑"到底是地形的性质还是仪器的极限。
因为用了 3 个敌对验证透镜，我们才没把"③ NOT null"做成 headline，而是把它留作"候选"。
因为我自己检出了 stale 值的混淆，我才能做出正确的降级到 N/A，并在今天重新测量。
在 BG9 (追记) 中又学到一点：低维的难处会被强 baseline 直接解掉。所以要让 ③ (挑选、培育的工夫) 起作用，需要"高维 behavior 空间"。 "做出欺骗地形 ③ 就立"只对了一半，精确地说，地形必须是 高维到无法直接采样的 欺骗地形，③ 才会立起来。在 kernel 4 选 (低维) 的情况下，RR 在 restart 时把它们全部直击，所以 ③ 的登场在原理上就没来。这正是把逃生路线说成不是"放弃"而是"结构性堵死"的依据。

"出现异常好的结果时，在飘飘然以为赢了之前，务必怀疑其内幕"── FullSense 的研究纪律 (feedback_benchmark_honest_disclosure)，不是单纯的自我警诫，而是作为 实际抓住假阳性、提高研究精度的机制 在运转。BG9 是同一纪律在相反方向 (把 negative 正确地确定为 negative) 上奏效的例子 ── 在 red-team 里试图反证自己的"③ 立不起来"，结果反证不了，反而作为结构得到了确证。

最后，再把结论精确地说一遍 (反映 BG9 的定论)：

在 proxy substrate 上，"③ 因地形真正平滑而不需要"被 noise-free 地确定 (Step D)。只有在真实 multitask 邻域 (C-gen4b) 出现了"③ NOT null"的微弱迹象，但因小效果 + 漂移 + 多重比较，它 止步于候选。 K4 clip 从主动 suppression 降级为诊断性所见。而最后的 CPU 逃生路线 kernel 多样化 (BG9) 在结构上被堵死 ── kernel 选择是低维，所以强 baseline (RR) 直接采样，③ 的 niching 优势在原理上无法出现。验证 ③ 主战场剩下的路，只有高维的 GPU full-LLM 损失地形 (这本身也是一场带有"强 baseline 直接解出"风险的赌注)。

"③ 定论 = ③ 被查明不需要"是错的。正确地说，"③ 只有在'高维的'欺骗地形上才发挥作用。这次在 CPU 上能测到的、接近真实的东西 (平滑) 和 kernel 多样化 (低维)，都不满足这个条件。" 主战场 (高维 GPU) 还在前方，而且是一场没有保证的赌注。

Tags: 进化计算 / MAP-Elites / 统计检验 / 检出力 / honest disclosure / CPU 研究
相关: 连载 #32 (llcore CPU PoC battery) / #29 (反证・Goodhart・proxy 局限) / #31 (Codex 二本柱)
Project: llcore (PyPI 预留 llmesh-llcore，因仓库未公开为本地研究)

第10章 (连载 #34) 六连战爬山实验弄清了「进化的③何时起作用」——而且 100 年前的进化生物学早已给出同样的答案

📖 一句话概括

上一章（#33）是这场决断的"最终局面"，而本章则把围绕同一个问题"③ 到底要不要?"的 6 段实验，当作一个完整的故事来俯瞰。先用"若是欺骗地形，③ 会完胜"作存在证明，接着拿 4 块更接近真实问题的地形去测，结果无一例外都是"③ 不需要的地形"——本章便是追溯这条弧线。抵达的核心是："③ 只有在难点位于高维、无法直接抵达时才起作用。"而更令人惊讶的是，这条边界条件，近 100 年前进化生物学的那场论争（赖特对费希尔）早已以同样的形状描绘过了——本章一直深入到这层接地。不过我们也谨慎地划清界线：生物学并不"证明"计算结果，只是"作为比喻来接地"而已。

TL;DR

问题是 「用进化去搜索 AI 的核心计算时,『分门别类、隔离培育的工夫』(= 进化的③:适者生存/分离) 到底需不需要」。连载 #33 写了终局 (Step D + BG9);而本篇 #34 把整段 arc (6 段) 当作一个故事来俯瞰。
第 1 段 (合成欺骗地形):③ 大获全胜 (Cliff δ=+1.0)。③ 作为机制是真货 = 存在证明。
第 2 段 (记忆任务 / 多 reservoir):被基质的「地板」与「天花板」所阻,无法测量③ = N/A。
第 3 段 (多任务泛化):③ 能赢「无选择」,但赢不了简单选择或 random = ③ 不需要 (honest negative)。
第 4 段 (对真实 proxy 地形做 noise-free 测量):把评估噪声物理性地降到零之后,地形 确实是光滑的 (单峰) = ③不需要被确证。「过去的 negative 不是检定力不足,而是地形本来就光滑」第一次得到佐证。
第 5 段 (混合 4 种部件的旁门左道 BG9):kernel 选择是低维,因而强 baseline (随机重启爬山) 直接采样,③ 的 niching 优势 在结构上不出现 = 旁门左道被堵死。
结构性洞见 (本 arc 的核心):③ 起作用,只有当难点位于 高维 behavior 空间、无法直接采样时才行。真实 CPU 基质是低维/光滑的,所以③不需要。
生物学接地 (已验证):这恰恰就是赖特 (Wright) 的 转移平衡说。对 黑化型蛾 (单基因 = 低维),普通的选择就足够 (= BG9 的 kernel 情形);对 伦斯基的 Cit+ (高维、依赖历史),多样性才起作用 (= ③ regime)。我们的 negative 就是 科因批判的计算版 (现实地形简单、③ 极少起决定性作用)。
元教训:「太顺利的结果不是胜利,而是警报」。预先登记、honest disclosure、对抗式验证、确定性的 noise-free 测量,使我们避免了空欢喜。

⚠ 本文中的所有数值,都是与手头 (本地) 研究记录绑定的实测值。llcore 还没有建公开仓库,所以无法贴出外部链接。作为替代,我在正文里写了「是怎么测的」。生物学部分引用的论文,只列出那些已单独对照一次信息源、核实过其存在、归属与主张内容的。

🗒️ "装傻也挺累的呢…!" — 把 100 年份讲完之后的脱力（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

0. 这篇文章在讲什么 (概念)

llcore 是一个 CPU 完整的研究框架,它「把 Transformer 的核心计算 (状态更新规则、学习规则、认知驱动 Δ) 当作基因,一边用 Z3 验证它不会坏掉,一边进化」。

它的进化引擎有一个设计上的要害:在进化的 4 要素 (① 变异 / ② 遗传 / ③ 适者生存・分离 / ④ 过剩繁殖) 之中,③ (selection / separation) 该如何发挥作用?这是像 MAP-Elites 那样、保持多样性并留在生态位里的「分门别类、隔离培育」机制。

问题很简单。

那个③,真的需要吗?

如果需要,那么为承载③而做的重投资 (最终是在 GPU 上跑真 LLM) 就有意义。如果不需要,那么执着于③就是浪费时间与电费。

连载 #33 详细写了那个问题的终局 (Step D 的确定性测量 + BG9 的结构性了结)。但在抵达那里之前,有 6 段实验,反复地赢 (存在证明)、测不出来 (N/A)、输 (honest negative)。本篇 #34 把 整段 arc 重新排成一个故事。而且作为本次的看点,我们用已验证的一次信息源接地:这个计算结果与近 100 年前进化生物学的论争 (赖特 vs 费希尔) 在形状上惊人地相同。

— 到这里 40 秒。热身完毕。进入正题。 —

1. 比喻:爬山、欺骗地形,与记忆宫殿

在公式之前,我们用本研究始终使用的 3 个比喻来把握全貌。

我们用 地形的高度 来表示设计的好坏。高的地方 = 好的设计。这是一场寻找最高峰的游戏。

地形其一:光滑的单座山 (简单)

在这样的地形里,朴素的「爬山法 (hill-climbing)」,也就是「只往比现在稍好一点的方向移动」,就足以登顶。花哨的工夫 (③) 不需要。

地形其二:欺骗地形 (deceptive)

这里,朴素的爬山会停在假峰,因为它没有下到谷里的勇气。

这时起作用的就是③的想法。把各种各样的登山者散布留在谷的各处 (= 记忆宫殿 / MAP-Elites archive)。某个人能用「踏脚石 (stepping-stone)」渡过山谷、抵达真正的山顶——这就是机制。

用一句话概括本研究的核心:③ 真正有用,只在「欺骗地形」时。在光滑的单座山上,③ 是无用的大白象。

所以问题可以改写成这样。

「用进化来设计 AI 时,你实际遇到的地形是『欺骗地形』,还是『光滑的单座山』?」

#33 中我们用 Step D + BG9 给这个问题作了了结。本篇 #34 展示通往那里的 全部 6 段爬山。有趣之处在于,每一段「是不是欺骗地形 / 是不是光滑 / 能不能测量」都会变化。

— 小憩。准备到此为止。从这里开始是六连战的实录。 —

2. 整段 arc 地图——一览 6 段爬山

先把地图拿出来。这是本文的脊梁。

段	基质 (测的是什么地形)	③ 起作用了吗	一句话
I (Step 4)	合成的「欺骗地形」(欺骗 corridor)	Yes (完胜)	存在证明。③ 是真货
II (Step C / 梯子1)	记忆任务 / 多 reservoir 奇偶	N/A	被地板、天花板、degree-5 之墙挡住,测不出来
III (E-A)	多任务泛化	No	③ 能赢「无选择」,仅此而已
IV (Step D)	真实 proxy 的文本地形 (确定性测量)	No	确证地形确实光滑 (noise-free)
V (BG9)	部件 (kernel) 4 种的并集	No	在结构上被堵死 (低维选择)

故事线是这样的。首先证明存在——「③ 在条件合适时确实大获全胜,是真货」(I);接着,为了问「那么在真实问题里如何」,跨 4 段去测量 (II–V),结果每一次都是「真实 CPU 基质是不需要③的地形」。而且在最后 (IV, V),确认了「不需要的理由」是 地形的性质,而非检定力不足——这就是整段 arc 的弧。

那么,一段一段来。

3. 第 I 段 (Step 4)——存在证明:若是欺骗地形,③ 会完胜

最先做的,是「按理论该起作用的场面是否真实存在」的存在证明。我们 故意把地形做成欺骗式,让③ (MAP-Elites) 与 3 个 baseline——pure random / panmictic GA / 随机重启爬山 (random-restart hill-climbing)——对决。

地形的构造:基因是 24 维。把 behavior (登山者的类型) 定义为 mean(基因) = 24 个数的平均。要提高 behavior,就得 同时把全部 24 维抬高。fitness 恰恰是欺骗地形:「behavior≈0.4 处有假峰 (值 0.6) → behavior≈0.65 处有谷 (值≈0) → behavior≈0.9 处有真峰 (值 1.0)」。

结果:

方法	抵达真峰的比率	与 ③ 的比较
MAP-Elites (③)	约 95%	—
pure random	0%	p=1.9e-6, Cliff δ=+1.00
panmictic GA	0%	同上
随机重启爬山	0%	同上

只有③抵达了真峰,3 个 baseline 全都停在假峰 (≈0.60)。100% 胜 / 效应量为理论最大 (δ=+1.0)。在 3 种 base seed (共 60 seed) 上稳健。

为什么会这样,会成为后文的伏笔。

random 的 behavior 必然集中在 ≈0.5 (24 个数的平均被中心极限定理锁在 0.5)。所以它 永远到不了 behavior 0.9 (抽 6000 个样本也是 0%)。
爬山爬到假峰 0.6,拒绝下到谷里那一手。即便重启也回到 behavior≈0.5,落入同样的陷阱。
③ (MAP-Elites) 把谷的格子当作「新的 behavioral 生态位」保留,用踏脚石把 behavior 从 0.5 渡到 0.9。

边界我们也诚实地测了。在去掉谷的光滑 corridor 上,③ 已赢不了爬山 (p≈0.29)。③ 不是万能的,它只在欺骗地形里起作用。

honest 保留:这是 故意做出来的 合成地形。它只证明了③「可能」,并没有证明真实任务具备这种结构。toy 规模、低噪声、baseline 是朴素的 (1+1)。

→ 这里立起一个假设:「如果真实问题的地形也这么欺骗,③ 应该能活起来」。接下来的 4 段,就是在更接近真实问题的基质上去验证它的旅程。

— 歇一会儿。第 I 段是令人舒畅的完胜。从这里风云突变…… —

4. 第 II 段 (Step C / 梯子1)——被基质的「地板」与「天花板」所阻 (N/A)

接着我们调查「欺骗 corridor 会不会 在标准的记忆任务里自然出现」(Step C)。用 1 个 leaky reservoir + ridge readout 跑 delayed parity / flip-flop / delayed recall。

结果是干净的 N/A (不可测)。原因有趣在于两个极端。

delayed parity = 地板 (floor):单个 reservoir 算不出 XOR (Minsky-Papert)。所有方法都是 R²≈0.003。谁都登不上去,所以无法分离③。
flip_flop = 天花板 (ceiling):所有方法都饱和在 R²≈0.95。方差被压垮,③ 的差异显不出来 (③ vs random 符号为正但 p=0.15 = underpower,因此 并非 null)。

这里有一个重要发现。基因空间的多峰性很高 (parity 的 valley fraction 是 1.000),却对③毫无用处。也就是说,「在基因空间多峰」≠「需要跨越的 behavior 欺骗地形」。这个区别成为 arc 后半的钥匙。

梯子1 (多 reservoir):那么,把多个 reservoir 串起来,地板会不会抬高?→ 试了 5 种机制全是 floor_lifted = false。深度 (DeepESN) 在统计上抬高了地板 (效应 +0.47/+0.60, PASS),但绝对值止步于 R² 0.05-0.10。决定性的是 positive control:degree-2 readout 严格解出 2-bit XOR (R²=+1.0),但 degree≥3 即崩溃。5-bit 奇偶是 degree-5 = 这个 CPU reservoir+ridge 范式的结构性之墙。

→ 奇偶之路在结构上被堵死。③ 的正式检定需要 从奇偶上下来。

honest 保留:degree-5 之墙是「这个设置的墙」,不是对整个范式的不可能性证明。

— 小憩。「测不出来」的结果虽朴素,但在画地图时是重要的空白地带。 —

5. 第 III 段 (E-A)——多任务泛化:③ 不需要 (honest negative)

从奇偶的地板下来,我们用 泛化 (generalization) 来测③,组了一个最干净的 ablation。

设置:单层 leaky reservoir + ridge。可变延迟的 recall。用短延迟 {15, 30} 训练,用长延迟 {45, 60} 测试 (外推)。比较的是 MAP-Elites (①②③全) vs 抽掉选择的 MAP-Elites (randselect:随机选父代、无条件放置 = 只有变异) + panmictic GA + random。

结果 (同行评审后):

方法	测试泛化 R² (平均±std)
MAP-E (①②③全)	0.682 ± 0.115
MAP-E randselect (抽掉选择)	0.557 ± 0.108
panmictic GA	0.702 ± 0.083
random	0.620 ± 0.105

门	比较	diff	p (单侧)	判定
C-gen3	MAP-E > randselect	+0.126	0.0151	PASS
C-gen4a	MAP-E > panmictic	−0.019	0.598	FAIL
C-gen4b	MAP-E > random	+0.062	0.126	FAIL

读法:③ 赢了「抽掉选择的漂移对照」(C-gen3 PASS = "某种选择胜过无选择")。但 赢不了 panmictic GA (有选择但无 niching) (甚至略输),也赢不了 random。也就是说,niching 特有 (= ③ 本来) 的贡献为零。这个泛化地形足够光滑,以至于简单选择或 random 也能到同一个地方。这与第 I 段的边界「光滑则③不起作用」一致。

honest 保留 (重要):这个 verdict 仅限于这个设置 (预算 400, grid 6×6)。此外——这里是 honest methodology 的要害——同行评审 (Codex) 起初判定「不可信」,强制了 3 个 rerun blocker (每个 replicate 独立 seeding / 采用预算内的全局最优 / 把 honest_n 从 16→30)。修正之后结论仍未改变。 收获是:它不是「一改就翻的脆弱 negative」。

— 歇一会儿。输就是输,但确认我们「正确地输了」的工作更花时间。 —

6. 第 IV 段 (Step D)——真实 proxy 地形被确证为「确实光滑」(noise-free)

这里是 arc 的转折点。直到第 III 段,「③ negative」一直在持续,但始终有一个疙瘩残留着。

「③不需要」真的是因为 地形光滑 吗?还是仅仅 样本数不够、检测不出差异 (underpower) 呢?

弄错这一点,就会过度泛化为「③ 无力」。Step D 在这里作了了结。

诀窍:ESN reservoir (固定 seed) + ridge readout 的闭式解 (np.linalg.solve) 完全不抽随机数。所以可以把评估噪声物理性地降到 机器 epsilon (约 1.11e-16)。实测确认了 eval_noise_std ≤ 1.11e-16——这源自浮点的最小单位 (ULP),实质为零。把噪声之雾完全拨开,就能直接测量地形的谷。

地形是 llcore 自身源码 (约 24k 字符) 的下一字符预测。我们测了 valley_fraction (谷的比例;≥0.2 即多峰 = 欺骗地形)。

地形	维数	valley_fraction (mean/max)	多峰?	判定
ESN 3-param (真实 proxy)	3	0.000 / 0.000	No (3 seed 一致)	光滑 → noise-free 确证③不需要
ESN per-neuron (真实 proxy)	40	0.096 / 0.121	No (3 seed 一致)	偏光滑 → ③ 不需要
多峰 control (正)	3 / 40	0.70 / 0.80	Yes	诊断器能检出多峰 ✓
二次函数 control (负)	3 / 40	0.000	No	诊断器能检出光滑 ✓

要点有 2 个。

真实 proxy 地形 (3 维 / 40 维均如此) 是单峰。3 个 seed 一致。
诊断器本身是健全的。故意做的多峰被正确检出为多峰,二次函数被正确检出为光滑。所以「真实 proxy 是单峰」不是仪器的 bug,而是 地形的性质。

→ 这才第一次在真实 substrate 上 noise-free 地佐证了 「过去的③ negative 不是 underpower,而是地形确实光滑」。再测也不会出现多峰。

honest 保留 (重要):「光滑」只在阈值附近才精确。ESN 3-param 的 midpoint 有 90.9% 略微向下 dip,最大相对 dip (0.0435) 就在谷阈值 0.05 的正下方。准确说,它不是「真正单峰」,而是「带有略低于阈值的浅谷 (~2-4%) 的弱 multi-basin」。方向得以维持,但因贴近阈值,稳健性有限——不把它圆成「完美的凸碗」,是本次的纪律。

— 深呼吸。到这里「仿真之物是光滑的」已确证。剩下的是「最后的 CPU 旁门左道」。 —

7. 第 V 段 (BG9)——混合部件的旁门左道,在结构上是堵死的

既然真实 proxy 已确证为光滑,在光滑地形里追③就不会出利得。但 GPU 是投资判断,所以我们试了 能在 CPU 上前进的另一个假设。那就是 kernel 多样化 (BG9)。

假设 (预先登记 H7):即便单个 kernel (rwkv / mamba / hopfield / linear_attn) 各自光滑,把 4 种并集起来,在 kernel 切换的瞬间 fitness 会形成台阶 → multi-basin (欺骗地形) → ③ 不靠 GPU 就在 CPU 上立得住。预先登记的 honest prior 偏 null (因为迄今所有 CPU 基质都光滑)。

结果分 3 段。

(1) substrate validity——有辨别但很弱 (PASS 但需注意):测量每个任务的拿手 kernel 是否不同,映射是非常数 = non-inert (PASS)。mamba 在 selective-copy、linear_attn 在 weighted-accumulation 上最佳。不过 hopfield 在任何任务上都赢不了 (对角标量 mock 下功能失常),所以实质是「3 kernel 并集」。辨别的存在 ≠ 多峰障壁。

(2) harness validity——positive control 无法 validate (决定性):在合成 kernel-barrier 上,把③与 3 baseline 比较。

基质	结果
positive control	③ 击溃 panmictic (+0.423)、random (+0.208)。但赢不了 RR (随机重启爬山) (+0.051, p=0.31 → FAIL)。未能全胜 3 baseline = harness 立不住
negative control	全部 method 饱和,③ 无优势 = 正确地 null (仪器健全)
real smoke	③ beaten 0/3,panmictic 反而超过③

第 I 段的 corridor 里③能把 RR 排除出去,为什么在 kernel 空间做不到? 根因只有一个。

RR 在每次 restart 都能直接采样 kernel_id ∈ [0,4)。 kernel 选择是 4 个离散值上的单一坐标 (低维),所以 RR 在 restart 时直接命中全部 4 个 kernel。「找最佳 kernel」无需跨谷 = 直接传送。所以③的 behavioral niching 没有出场机会。

第 I 段③能排除 RR,是因为那里的 behavior 是 mean(24 维),平均集中在 0.5 → 全局峰在 measure-zero 区域 = 高维、无法直接采样。而 kernel_id 相反,是低维、可直接采样。

(3) red-team——对抗式验证也无法反证,反而确证:在 positive control 上,instrumented RR 把 restart kernel 在 4 个 basin 上近乎均匀分散为 [12,18,16,18],target 抵达率 88%。在全部 4 种 faithful 构成 (高维 theta corridor / sequential-kernel / in-basin L1 corridor / deceptive multi-basin) 中,③ 都赢不了 RR。把 corridor 收紧,③ 先饿死 (starve) (D=3:③ reach 0.08 vs RR 0.42)。我们定量确证了 「能把 RR 单独排除、又让③通过的 behavior 维度,在 kernel 空间里结构上不存在」。

verdict:形式上是 N/A (positive control 无法 validate),但实质是 决定性的结构性 negative。harness 是健全的 (它正确地把 negative control 置 null,并检测出 GA/random),然而基质 根本无法承载③的欺骗地形。对第 I 段遗留的问题「用 kernel 多样化扩展搜索空间,③ 会 unlock 吗?」的回答是 NO (在 CPU 上,结构性地)。

honest 保留 (重要):这 不是「③不需要被判明」。它是「③ 在低维 kernel 空间里原理上无法与强 baseline 分离」= 有信息量的 N/A。③ 的机制本身在第 I 段已确证为真货。substrate 很弱 (实质 3 kernel;hopfield 是对角 mock)。更强的 kernel 实现在理论上有得出不同结论的余地,但 结构性障壁 (低维选择 → RR 直接采样) 与 kernel 实现的质量无关。

8. 结构性洞见——用一个条件统合 6 段

存在证明 (I) 与 4 个 negative (II–V),全都在仅仅一个条件下连成一体。

③ (behavioral niching) 超越强 baseline,只在「难点」位于高维 behavior 空间、无法用直接采样 (随机重启) 抵达时。

第 I 段满足的理由:behavior = mean(24 维)。平均被中心极限定理集中在 0.5,全局峰 (mean≈0.9) 实质 measure-zero。random 和 restart 都 够不着。所以留下踏脚石、做 ratchet 的③是必需的。
真实 CPU 基质不满足的理由:难点是低维。ESN 文本 proxy 的控制坐标实质是 leak rate (光滑的低维旋钮;本就没有谷)。kernel union 的难点是「哪个 kernel」= 4 选 1 的单一离散。RR 直接采样、传送到全部 basin,所以没有需要跨的谷。

所以第 II 段的「基因空间多峰性 1.000」不是充分条件——即便基因满是谷,只要难点集中在低维 behavior 坐标上,restart 就能直接抵达。起作用的是「探索需抵达的 behavior 的维数」,而不是基因的维数。

9. 生物学接地——100 年前的进化生物学早已给出同样的答案

从这里开始是 #34 的看点。「保持多样性的选择,只在狭窄条件下起作用,其余时候是冗余的」——这个边界条件,在 20 世纪的进化生物学里有一个异常干净的先例。

⚠ honesty 契约:以下生物学是 「比喻 (structural analogy)」,而不是我们计算结果的证明。对应是结构性的,在机制层面并不一致。比喻偏离之处,我都当场注明。引用的论文,只列出已单独对照一次信息源、核实过存在、归属与主张内容的。

9.1 赖特 (Wright) 的转移平衡说 = ③ 的先例

休厄尔・赖特 (Sewall Wright, 1931/1932) 这样思考。若维持为一个大「群 (panmictic population)」,普通的自然选择会 被眼前的局部峰困住。要去更高的山,必须先 降低 mean fitness、跨过山谷,而确定性的选择拒绝这样做。

赖特的解法是 把群分成众多半隔离的亚群 (deme)。

Phase I:小 deme 凭 遗传漂变 (drift) 偶然下谷、渡过去。
Phase II:在那里,deme 内的普通选择登上新的 (更高的) 峰。
Phase III:登上高峰的 deme 派出许多迁移者,优良的基因组合扩散到整个物种。

作为整个元群体,它跨越了单一收敛群体无法跨越的谷——这是「用踏脚石渡过欺骗地形的谷」的生物学版。

对应到③ / MAP-Elites (= 比喻,非归属):archive 的每个 cell = 半隔离 deme,cell 内的局部 elitism = deme 内选择 (Phase II),cell 间变异 = interdeme 扩散 (Phase III),而 archive 整体 (≒ 元群体,非单一 cell) 跨越山谷。

honesty 注意 (2 点):

这是解说者的框架,既非赖特的主张,也非 MAP-Elites 的出处。 MAP-Elites 原论文 (Mouret & Clune 2015) 与 QD 文献 都没有引用赖特或「转移平衡」。赖特是作为我们的 灵感 / 比喻 提出的,而非 MAP-Elites 的谱系。

机制只是结构相似,并不相同。 MAP-Elites 的渡谷是 变异算子 把子代放进新 cell 而发生的,不是遗传漂变。archive 也不是复制 cell 的群体。

9.2 赖特 vs 费希尔 = 维数 (地形的形状) 之轴

与赖特同时代的费希尔 (R. A. Fisher, 1930) 主张相反:大的 panmictic 群体 + 对加性方差的群体选择就足够 让适应推进,根本无需特意分割。

二人 最深的对立轴,其实是「上位性 (基因间相互作用) 与地形的形状」。赖特假设「因非加性相互作用,地形 崎岖多峰,所以需要跨谷的 drift」,费希尔判断「相互作用存在但不重要,地形大致 单峰、可平滑攀登,所以群体选择就够」。

这个 epistasis/ruggedness 之轴,正是我们结果生存的维度。地形的形状 (topology) 才是全部问题。 若地形确实崎岖高维 (赖特 regime),多样性把你摆渡过谷;若光滑或难点低维 (费希尔 regime),群体选择——即强随机重启爬山的生物学版——就已足够。我们的 ESN 文本 proxy 是 noise-free 且光滑的,kernel union 的难点是低维离散。两者都是费希尔 regime,③ 不起作用、也没起作用。

细节注意 (诚实地):「费希尔忽视了 drift」是被压缩的俗说。准确说是「他承认 drift 存在,但判断在大群体里其量可忽略」。不是全盘否定。

9.3 我们的 negative = 科因批判的计算版

最切中的对应,不是赖特的提议,而是生物学界的 经验判定。Coyne, Barton & Turelli (1997, Evolution 51(3):643–671) 从理论与实证两面评估了转移平衡说,并如此结论 (全文已对照)。

群体选择通常就够了。 「几乎没有用赖特三段机制比用简单群体选择解释得更好的实例。」人为选择实验也没能证明「分割群体的选择比大群体的群体选择产生更大的响应」。
转移平衡起作用,只在有限、稀少的条件下。 群体结构的经验估计表明「drift 只能在被浅谷隔开的峰之间引起迁移」(深谷靠 drift 极少能渡过),而且 大多数适应不需要跨谷。

这是我们结果的 惊人精确的生物学版。把他们的话翻译成我们的词汇就是——若地形并非真正欺骗/高维,普通的群体选择 (≒ 强随机重启爬山) 就已经能解,多样性维持装置几乎什么都买不到。「现实的谷通常浅、大多数适应不需跨谷」就是我们「实际地形通常简单,所以 niching 是冗余的」的生物学陈述。

honesty 注意 (3 点):

他们没有「反证」转移平衡。 他们明言 Phase I/II 可能发生,并举出 6 个经验事例。主张是 更狭窄的、概率性的 (「难以称之为一般而重要的机制」),写「refuted」就过头了。

论争尚未了结。 Wade & Goodnight (1998)、Peck et al. (1998,标题字面就主张「feasible」) 提出反驳,接着是 Coyne 等人 2000 年的再反驳、Goodnight & Wade 在同期的反驳。不可把 1997 批判当作「最终结论」来引用。

生物拥有计算侧无对应物的机制,而且做出比我们更强的主张。 在 Phase III,保护多样性的 gene-flow 障壁可能 把好解困在周边 deme、妨碍其扩散 = niching 可能 适得其反。我们 stateless 的离散选择设置没有这个 cost 的对应物,所以这里 不过度叠加。这是生物做出更强主张的地方。

9.4 两个实例——低维的蛾,与高维的大肠杆菌

我们的主张有两个极 (低维 = ③不需要 / 高维 = ③ 可能起作用),而进化生物学对每个都有干净的实例。

低维之极——桦尺蛾的工业黑化 (= BG9 kernel 情形):Biston betularia 的 carbonaria (黑) vs typica (白) 受 单一孟德尔座位、少数等位基因 支配 (致因变异是向 cortex 基因的转座因子插入;van't Hof et al. 2011/2016),并受 强方向性选择 (s ≈ 0.1-0.2;Saccheri et al. 2008;捕食在 Cook, Grant, Saccheri & Mallet 2012 中再确认)。最优在每个时点都是单峰,只随环境平移。简单的方向性选择——贪婪爬山/随机重启的生物学版——直接固定更适应的型,多样性维持机制既不需要也未被调用。 这恰恰就是 BG9:kernel 选择是 4 选 1 的低维单一座位,RR 直接采样全部 kernel,③ 在结构上无法分离。黑化型 = BG9 kernel 情形的生物版。

注意 (诚实地):过渡期会暂时保持多型,但那是由于 空间环境异质 + 基因流动 (迁移-选择平衡),而非内在的多样性保存机制。比喻略微偏离之处。

高维、依赖历史之极——伦斯基的 Cit+ (= ③ regime):在大肠杆菌长期进化实验 (LTEE) 中,需氧柠檬酸利用 (Cit+) 在 12 个群体中恰好 1 个 里于约第 31,500 代进化出来 (Blount, Borland & Lenski 2008)。关键是一条高维、依赖历史的路径,即有序的 potentiation (前驱变异的积累) → actualization (citT 串联重复带来的启动子捕获) → refinement (Blount et al. 2012)。重放实验把「历史偶然性」从「恒定率的稀有变异」中区分开来。这 真正例示 了探索 contingency、上位性与高维崎岖地形的价值——是③可能起作用之 regime 的实例。

honesty 注意 (这只对应我们条件句的「前件」):

LTEE 不使用 niching 算法。 它就是普通的自然选择,12 个并行群体 本身就是随机重启式的设计。所以它是「contingency + 多样性使稀有创新成为可能」的存在证明,不是「niching 胜过强 restart baseline」的证据。

「大肠杆菌从零获得吃柠檬酸的能力」是俗说的夸张。创新是 调控 (既有转运体的需氧表达) = exaptation,既非新基因也非新生化。

Van Hofwegen et al. (2016) 指出「若直接选择,Cit+ 出现得快得多」,挑战了「稀有/偶然」框架 (伦斯基一侧反驳说这与 LTEE 条件下的 potentiation 并不矛盾)。若要依赖「极稀有/长期延迟」叙事,就应一并注明这个 有争议的追试。

9.5 接地小结

极	生物学	地形	③ 起作用?	我们的基质
低维/光滑	黑化型 (单座位, s≈0.1-0.2, 方向性)	单峰・平移	No — 群体选择足够	BG9 kernel union;ESN/ridge 文本 proxy (确定性・光滑)
高维/偶然	伦斯基 Cit+ (potentiation→actualization→refinement)	崎岖・靠变异越谷	Yes (可能起作用的 regime)	合成欺骗 corridor (behavior = 24 维的平均)
经验判定	科因・巴顿・图雷利:群体选择通常足够,转移平衡极少起决定性作用	实际地形通常简单	我们 negative 的镜像	试过的全部 CPU 基质

结论:赖特的转移平衡是「③起作用时为何起作用」的正确生物学先例,赖特-费希尔的 epistasis/ruggedness 之轴是「维数条件」的正确框架,黑化蛾与伦斯基 Cit+ 是低维/高维的干净两极,科因批判是我们 negative 的生物学先例。但这些都不能证明计算结果。它们只是接地。 比喻松动最大之处,在于生物加了一个 cost (Phase III 的 gene-flow trap)——我们 stateless 的设置没有它。

— 歇一会儿。当我意识到 100 年前的论争有同样的形状时,老实说我起了一身鸡皮疙瘩。但不把「起鸡皮疙瘩」误认作「证明」,正是本次的纪律。 —

10. 对 GPU 的含意——剩下的路只有高维,但依旧是赌

arc 把 CPU 的路全部堵死了。真实 proxy 是 noise-free 且光滑 (IV),最后的候选 (kernel 多样化) 在结构上被堵死 (V)。③ 剩下的路只有 高维地形——而提供它的,是 full-LLM 的参数/损失空间 (数百万维)。

结构性洞见让 GPU 这场赌 better-motivated。它不是「也许只有 full-LLM 是例外」这种盲目的赌,而是遵循原理「③ 需要高维,而 full-LLM 正处于高维域」的赌。

但依旧是赌。 出于与生物学的 Cit+ 不能证明「③ 算法的胜利」相同的理由,以及与 BG9 里赢不了 RR 同型的理由——若真实 LLM 地形能用 backprop (梯度下降) 这个强 baseline 直接导航,③ 仍然不需要。难点是高维,这是 必要条件而非充分条件。还需额外证明「强力的直接法解不了它」(CPU 上是 RR,GPU 上是梯度下降)。

所以 GPU 适合的 不是「单为③」,而是 组合 (portfolio) 判断 (与 llive 的真 LLM fitness 等搭车) + 借云做 1 次预先登记 (在投入资本之前)。go/no-go 标准也能写成 falsifiable:

full-LLM 的难点在 behavior 上是否高维,且是否难以被强力的直接 baseline (梯度下降) 抵达? 若高维但梯度能直接够到,③ 不需要 (= BG9 的 RR 结果的 GPU 版)。

11. 元教训——诚实,是用来赢的工具

这段 arc 真正的成果不是数值,而是 「怀疑过于工整的结果」这种精神,实际上把研究往前推进了。

在 存在证明 (I) 中赢的时候,我们用去掉谷的边界实验,主动确认了「③不是万能」(不高估胜利)。
在 泛化 (III) 中,同行评审甩出 3 个 rerun blocker,但修正后结论没变 (确认它不是脆弱的 negative)。
在 确定性测量 (IV) 中,因为物理性地抹掉了评估噪声,我们才能区分「光滑」是地形的性质还是仪器的极限。
在 BG9 (V) 中,在对抗式验证里我们 试图反证、却无法反证 自己的「③立不住」,它被确证为结构性的 (同样的纪律也在「把 negative 正确地确定为 negative」的方向上起了作用)。

而贯穿整段 arc 我们学到一件事——低维的难点会被强 baseline 直接解掉。所以③ (分门别类、隔离培育的工夫) 要起作用,就需要「高维 behavior 空间」。「做出欺骗地形③就立得住」只对了一半;准确说,除非是 高维到无法直接采样 的欺骗地形,③ 才立得住。而且令人惊讶的是,这个边界条件是 赖特的转移平衡与科因批判在近 100 年前就已抵达 的。

「当出现异常好的结果时,在自以为赢之前,务必先怀疑其内訳」——FullSense 的研究纪律 (honest disclosure) 不仅是自我告诫,而是一个 实际捕捉假阳性、正确确定 negative、提升研究精度的机制,在全部 6 段中都在转动。

最后,把结论再精确地说一遍。

③ 活起来,只在「高维」的欺骗地形时。 它在存在证明 (合成 corridor) 中完胜,但真实 CPU 基质——记忆任务 (地板/天花板)、多任务泛化 (光滑)、真实 proxy 文本地形 (noise-free 且光滑)、kernel 多样化 (低维、结构上堵死)——没有一个满足那个条件。这 不是「③了结 = ③被判明不需要」,而是「现在能在 CPU 上测的仿真之物,没有满足③活起来的条件 (高维欺骗地形)」。主城 (GPU 高维) 还在前方,而且是一场背负着「强力直接 baseline 会解掉它」风险的赌。而且这个结论的骨架,20 世纪的进化生物学早已描绘过——只不过生物学 不证明它,只接地它。

Tags: 进化计算 / MAP-Elites / 统计检定 / honest disclosure / 进化生物学 / CPU 研究
关联: 连载 #33 (第三轴 ③ 了结 Step D + BG9) / #32 (llcore CPU PoC battery) / #29 (反证・Goodhart・proxy 极限)
Project: llcore (PyPI 预约 llmesh-llcore,因仓库未公开故为本地研究)

⚡ 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

🗒️ "真掉价" — 想靠推荐链接赚点零花钱的小算盘,连我自己都觉得有点掉价。（© Forbidden shibukawa / SHUEISHA・《零食吧 Basue》）

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up

lldarwin / 进化 arc 合集 — 单一栽培进化 / 选择压力 / 指挥者合奏 / 证伪与 Goodhart / 进化可视化 / Codex 双柱 / llcore CPU 进化 × 第三个轴

lldarwin / 进化 arc 合集 — 单一栽培进化 / 选择压力 / 指挥者合奏 / 证伪与 Goodhart / 进化可视化 / Codex 双柱 / llcore CPU 进化 × 第三个轴

目录

第1章 把 AI 进化了 500 代之后，世界上只剩下"我"和"预测编码之父卡尔·弗里斯顿"两个人 #25 — monoculture 的 honest disclosure 与选择压组件 lldarwin

0. 用三行讲剧情（落语里的"垫话"）

1. 为什么把"人物"作为种子来播

2. 结果 — 只活下来 2 个人

3. 真因 — "满分通胀"消灭了选择压

3.1 症状: best_score 从第 1 代就是 1.0

3.2 根本原因: 评价函数 fitness_rich 的双重坍塌

4. 对策 — "测量"之后是"淘汰": lldarwin

4.1 设计的核心 — "不聚合"的选择压

4.2 把"LLM 的短板"当作选择压

4.3 监控全灭 — SPC 报警

5. 教训（作为 honest disclosure 留下）

5.5. "眼镜"与"淘汰器"的 2 段结构 — 为什么要分开（深入）

5.6. 图解构想（投稿前 SVG 化的候选）

6. 相关

第2章 仅靠「用眼镜测量」无法驱动进化 —— 选择压组件 lldarwin 的设计与实测 #26

0. 三行概述（落语的「枕」）

1. 为什么要把「测量」与「淘汰」分开

2. 设计的核心 —— 「不聚合」的 7 个阶段

3. 为什么是这 3 大支柱（rad-research 的支撑）

4. Stage1 —— 用 criteria 排除 + novelty pressure 把行为多样性翻倍

4.1 行为多样性 (diversity_l2) —— novelty 见效的指标

5. honest disclosure（最重要）—— 我把行为多样性与谱系存活混为一谈了

5.1 谱系固定 (founder_counts) —— novelty 无法改善的指标

5.2 为什么 —— 我混淆了两种「多样性」

6. Stage1.5 —— 用中立贮藏库让灭绝的谱系复活

6.1 先用 PoC 确认机制

6.2 嵌入正式 EvolutionLoop（additive + default-off）

6.3 Honest 保留 —— 谱系保持与行为多样性是弱权衡

7. 再投入频率 sweep —— 非单调最优点这一非平凡发现

8. Stage2 前半 —— 用 proxy 把「LLM 的弱点」变成选择压

9. Stage2 后半 —— 面对真实的本地部署 LLM，进化 prompt 策略

9.1 个体 → 真实 LLM 的映射（Promptbreeder 系）

9.2 真实选择信号的实证 —— CoT+structure 策略把 multistep 从 0.0 → 1.0

9.3 12h 连续运行

9.4 Honest 保留（真实 LLM 评价的局限）

10. 既有资产的再利用（基于 codex 代码调查）

11. 防止崩溃的保证 —— 不会全灭的多层结构（已由实测支撑）

12. honest disclosure / 风险（前置铺垫）

13. 结论

14. 相关

☕ 闲话休题 —— AI 沉默的夜晚 —— llterm 开发的后台轶事

第3章 一夜之间重写了 AI 进化 —— 真实 LLM 的 12 小时运行又一次在满分处饱和，6 个 PoC、4 个 Agent 与 Perplexity「各自独立地收敛到同一个结论」的那一夜 #27

0. 三行概要（落语中所谓的「开场垫话」）

1. 为什么「又」做了一次 —— #25 / #26（设计）的延续

2. 出发点 —— 真实 LLM 12h 运行的「诚实的不及格」

3. 一夜的作战 —— 为「决定方策」而进行的分布式调查

4. 第一记决定性打击 —— 是否舍弃「固定尺子」（自跑 PoC #1 / #2）

4.1 自跑 PoC #1 —— 自适应难度修好饱和，但杀死多样性

4.2 自跑 PoC #2 —— 自适应难度 × novelty 可以兼容

5. 主战场的证据 —— 开放端进化的 1 万代 sweep（Agent A）

5.1 决定性的判定表

5.2 Agent A 给出的「诚实的局限」

6. 独创性的核心 —— 「让持续进化的群体，不停下来地合奏」

6.1 Perplexity 背书的 white-space

6.2 不过 Perplexity 也给了反证警告

7. 揭开 Self-MoA 反证的「真面目」（自跑 PoC #3 → Agent C 真实 LLM）

7.1 自跑 PoC #3 —— 是投票，还是路由？

7.2 Agent C 的真实 LLM 独立地给出了同一结论

7.3 最大的漏洞 —— 「真实路由器」能达到 oracle 吗（自跑 PoC #4）

8. 给个体赋予「调查之力」（自跑 PoC #5）

9. 规模「质性地增加多样性」（Round 3）

10. 早晨，所有人都到达了同一个结论 —— 已确定的方策

S1. 选择核（在结构上回避饱和）

S2. 产出方式 = 持续进化 × 现场管弦乐团（独创性的核心）

S3. 个体 = 具备调查功能的 agentic 个体（分阶段引入，已 proxy 验证）

S4. 观测・对话控制（已实现 = 全运行标配，Agent B 完成）

自跑 PoC #6 —— 用 factor-subspace QD 应对 Agent A 的局限

11. 教训（作为 honest disclosure 留存）

12. 结论

13. 相关

第4章 让"指挥者"指挥不断进化的 AI 群体合奏来作答 — llive 的乐团式进化, 以及治好饱和的 3 个装置 #28

0. 三行剧情梗概（落语的"开场白"）

1. llive 是什么（致初次接触的读者）

2. 卖点 = 连续进化 × 现场乐团（独特性的核心）

3. 为什么"奏者会断绝" — 名为饱和的病（#25〜#27 的复习）

4. 实现的 3 个装置（lldarwin v2 / Phase 1）

第1章把 AI 进化了 500 代之后，世界上只剩下"我"和"预测编码之父卡尔·弗里斯顿"两个人 #25 — monoculture 的 honest disclosure 与选择压组件 lldarwin

3.2 根本原因: 评价函数 `fitness_rich` 的双重坍塌

第2章仅靠「用眼镜测量」无法驱动进化 —— 选择压组件 lldarwin 的设计与实测 #26

第3章一夜之间重写了 AI 进化 —— 真实 LLM 的 12 小时运行又一次在满分处饱和，6 个 PoC、4 个 Agent 与 Perplexity「各自独立地收敛到同一个结论」的那一夜 #27

第4章让"指挥者"指挥不断进化的 AI 群体合奏来作答 — llive 的乐团式进化, 以及治好饱和的 3 个装置 #28

第6章「展示」进化的技术谱系 #30 — 从 Conway 的生命游戏到 3DGS

第7章让 AI 把 AI 当作下属来使用 #31 —— Claude 主导 + Codex 配属的「两根支柱」开发体制