llive 완전 해설 모음 — 잊지 않는 LLM / 10축 사고 / 계산 가능한 모순 / 수렴하는 뇌 / 집단 진화 / 탈Transformer / 심사 붙은 AI / 평가

Last updated at 2026-06-14Posted at 2026-05-25

llive 완전 해설 모음 — 잊지 않는 LLM / 10축 사고 / 계산 가능한 모순 / 수렴하는 뇌 / 집단 진화 / 탈Transformer / 심사 붙은 AI / 평가

🌐 언어: 日本語 | English | 中文 | 한국어

📚 FullSense 모음 시리즈

llcore 검증 arc 모음

lldarwin / 진화 arc 모음

llive 완전 해설 모음（this）

llmesh 모음

쉬운 설명 모음

llive 완전 해설 (0) — series index: 8 대분류 글 + 전체도
llive 완전 해설 (1) — "잊지 않는 LLM": 4층 메모리 + Bayesian surprise gating
llive 완전 해설 (2) — "10개 축으로 사고하는 AI": 사고 인자 × COG-MESH × 삼중 줄무늬
llive 완전 해설 (3) — "모순은 계산할 수 있다": 구조 진화 × TRIZ 40 원리 × Z3 검증
llive 완전 해설 (4) — "수렴하는 뇌" B-series: SynapticSelector / UCB1 / Hebbian / 프로덕션 hot path
llive 완전 해설 (5) — "집단이 학습하는 AI": v0.B/C/D/E 파생 집단 진화 총괄
llive 완전 해설 (6) — "Transformer 의 밖": Mamba / Jamba / RWKV / Diffusion 을 llive 내부에서 호출하기
llive 완전 해설 (7) — "심사가 붙은 AI": runtime_metadata × Approval Bus × Ed25519 audit chain
llive 완전 해설 (8) — 「안경을 만든다」: lleval — honest disclosure 5+1 인자 분해로 AI 를 평가한다

제1장 llive 완전 해설 (0) — series index: 8 대분류 글 + 전체도

📖 쉽게 말하면

쉽게 말하면, 이 장은 연재 전체의 「목차가 달린 지도」입니다. llive라는 구조를 8개의 테마(기억・사고・진화・실행・통치・평가 등)로 나누어, 각각 어느 글에서 읽을 수 있는지를 안내합니다. 비유하자면 테마파크 입구에서 받는 지도입니다. 본문을 읽기 시작하기 전에 「나는 지금 어디에 있고, 다음에 어디로 나아갈 것인가」를 알 수 있도록 해 두었습니다. 한 권의 첫 페이지로서, 길을 잃지 않기 위한 전체상이라고 생각해 주세요.

📚 FullSense 지식 베이스 안내
FullSense 개발 전사 60+ 편 (4개 언어판・스토리 기반 읽기 순서 가이드・쉬운 설명판・4컷 만화 포함) 은 Qiita Team FullSense KB 에 모여 있습니다 (팀 멤버 전용).

콘셉트 hook: llive (FullSense ™의 사고층)를 구성하는 기술 / 알고리즘을
명칭별로 해설하는 series의 입구다. 한 글에 담으면 약 8만 자가 되므로 8 대분류
글로 나눴다. 본 index는 전체 지도 — 어느 장에서 무엇을 읽을 수 있는지를 나타낸다.

0. 이 series에 대하여

llive는 「LLM 본체가 아니라 LLM 주위에 씌우는 인지 OS」다. 그 내부를
4층 (인지 / 최적화 / 실행 / 횡단) × 8장으로 나누어, 각 장에서 구체적인 class /
function / 기능명까지 내려가 해설한다. 각 글은 다음 공통 구조를 가진다:

서두 hook (8초로 「이것은 무엇인가」)
구체적인 class / function 명까지 내려간 소절
실제 코드로의 GitHub link
References (학술 / OSS / 내부)
cross-link (이전 / 다음 / 본 index / repo)

합계 약 8만 자. ja Qiita + en Medium을 병행한다.

1. Series 구성 (8 대분류)

#	제목 (클릭으로 각 장)	중분류	가시성
01	memory layer — 4층 메모리	semantic / episodic / structural / parameter / surprise gating	🟢 공개
02	사고 인자 + COG-MESH — 10 인자와 9 component	구조화 / 재구성 / 폐루프 / ... / proactive / quarantine / 5W1H	🟢 한정 공유
03	구조 진화 (TRIZ × Z3)	TRIZ 40 원리 / ChangeOp / verifier / 9 화법	🟢 한정 공유
04	수렴형 최적화 (B-0..B-9)	SynapticSelector / UCB1 / Hebbian / 프로덕션 hot path	🟢 한정 공유
05	진화형 최적화 (v0.B/C/D/E)	Genome / Crossover / Tournament / Mutation / lineage	🟢 한정 공유
06	LLM backend 층 — non-transformer	Mamba / Jamba / RWKV / Diffusion / 사고 인자→SSM Δ Bridge	🟢 한정 공유
07	관측 + 통치	runtime_metadata / Approval Bus / governance / honest disclosure	🟢 한정 공유
08	lleval (eval framework)	progressive size matrix / 5+1 축 / judge rotation	🟢 한정 공유

🟢 공개 = Qiita 홈 / 검색 결과에 노출. 🟡 한정 공유 = URL을 아는 사람만 열람. 공개 승격은 연재 순서 (01 → 02 → … → 08)로 순차 예정.

2. 전체도 (8 layer의 관계)

세로 「인지층 → 최적화층 → 실행층」이 llive의 처리 flow,「관측 + 통치」「lleval」
이 횡단층으로서 모든 layer에 작용하는 구조다.

3. 상정 독자

엔지니어 (Python + LLM 기초 지식 보유)
AI researcher (LLM 주변 아키텍처에 관심)
개인 OSS author (구현 패턴의 참고)
기업 R&D (on-prem LLM stack 검토 자료)

4. 공개 순서 (주 2편 페이스)

주	공개 글
Week 1	01 memory + 02 사고 인자
Week 2	03 구조 진화 + 04 수렴형
Week 3	05 진화형 + 06 LLM backend
Week 4	07 관측통치 + 08 lleval

각 글의 en 버전은 Medium에 병행한다.

5. 연재를 관통하는 테마 — 「빠름」은 구현 방법으로 자릿수가 바뀐다

연재 중핵 #24-05에서 다루는 파생 집단 진화의 hot path 3개를 Rust화한 실측:

RUST-15 persona_dissimilarity_pairwise: avg x12.71 (batch)
RUST-16 collusion_score_kernel: avg x66.70 (numpy 작은 N hot path)
RUST-17b novelty_score_batch (rayon + quickselect): avg x9.32

「Rust화 = 빠름」은 거짓 /「numpy = 빠름」도 거짓 — 결과는 구현 방법 (FFI 경계 /
batch / numpy zero-copy / 병렬도 / partial sort)에 따라 자릿수가 달라진다. 이
honest disclosure의 자세가 연재 전체의 통주저음이다. 5 패턴 판정표는 #24-04 /
#24-05 / #24-07에서 상술한다.

6. References (본 index)

furuse-kazufumi/llive — 본체 repo
FullSense Spec v1.1 (llive docs/)
각 장의 References는 각자 글에 기재

제2장 llive 완전 해설 (1) — "잊지 않는 LLM": 4층 메모리 + Bayesian surprise gating

📖 쉽게 말하면

이 장의 테마는 「잊지 않는 AI의 기억 구조」입니다. llive는 기억을 4종류(의미・사건・관계・파라미터)로 나누어 보관합니다. 인간이 「말의 의미」「언제 일어났는가」「사물의 연결」을 따로따로 기억하는 것과 같은 발상입니다. 핵심은 전부 기억해 두지 않는다는 것. 「이것은 놀라움(=새로운 정보)이다」라고 판정한 것만 적어 남기는 관문(서프라이즈 게이트)이 있어서, 흔한 정보는 일부러 버립니다. 기억하는 양을 좁히는 것이 오히려 기억의 질을 지킨다, 라는 장입니다.

0. 이 글은 무엇인가 (8초 read)

LLM 본체가 아니라 LLM 주위에 씌우는 인지층 llive의 4층 메모리 + 1개의 surprise gate를 해설한다. semantic / episodic / structural / parameter의 역할이 다른 4종류의 기억을, **「놀라움」(surprise)**이 높은 것만 기록하는 설계다. Faiss + DuckDB + Kùzu + safetensors의 조합으로, on-prem만으로 동작한다.

「전부 기록」이 아니라 「놀라움으로 취사선택」이 핵심이다. 자세한 내용을 차례로 풀어간다.

1. 왜 4층으로 나누는가

인간의 인지과학에서 기억은 의미 기억 / 사건 기억 / 구조 기억 / 절차 기억으로 역할이 나뉜다. llive는 이것을 그대로 LLM 주변 아키텍처에 이식했다.

층	무엇을 넣는가	구현
semantic	개념의 의미 (문장 + 임베딩)	Faiss IP index + JSONL
episodic	시계열 이벤트	DuckDB append-only log
structural	개념 간의 관계 (그래프)	Kùzu graph DB
parameter	파라미터 갱신 차분	safetensors + index DB

4층은 느슨한 결합이다. semantic만 쓸 수도, structural을 엮을 수도 있다. 「LLM은 텍스트밖에 다루지 못한다」는 제약에서 벗어나기 위해, 구조 (graph)와 시간 (event log)을 별도 레이어로 가지는 것이 llive의 발상이다.

— 일단 정리 —

여기까지 읽으면 「4층 + surprise gate로 취사선택하는 기억 기반」을 파악했을 것이다. 다음부터 각 층의 내용을 구현 기반으로 살펴본다.

2. semantic memory (의미 기억, MEM-01)

역할

「그 논의에서 나온 개념은 이것이었다」를 끌어내는 층. 텍스트를 임베딩 벡터로 변환하여 코사인 유사도로 근방 검색한다.

핵심 구조

L2 normalize 후의 내적은 코사인 유사도와 등가다. 이것이 Faiss IndexFlatIP를 선택한 이유다.

구현: src/llive/memory/semantic.py

설계 판단

fallback path: faiss가 없는 환경 (Windows CI 등)에서는 numpy로 nearest neighbor가 동작한다. test와 production에서 구현을 나누지 않고, 양쪽 모두 수정 없이 동작하게 한다.
provenance 필수: 모든 entry에 Provenance(source_type, source_id, derived_from, ...)를 가지게 한다. 「이 기억이 어디에서 왔는가」를 절대 지우지 않는 설계다.
영속화: index.faiss (or index.npy) + rows.jsonl로 SSD에 기록한다.

코드 발췌

class SemanticMemory:
    def __init__(self, dim: int, data_dir: Path | str | None = None,
                 use_faiss: bool | None = None) -> None:
        self.dim = int(dim)
        self.data_dir = Path(data_dir) if data_dir else _default_data_dir()
        # faiss가 없으면 numpy fallback
        self.use_faiss = bool((use_faiss is None) and _HAS_FAISS or use_faiss)
        ...

「production에서는 faiss, CI에서는 numpy」가 투명하게 전환된다.

— 잠깐 쉬기 —

첫 1층에서 「임베딩 + cosine + provenance」라는 llive의 3가지 장비가 모두 갖춰졌다. 나머지 3층은 이 장비의 사용법이 다를 뿐이다.

3. episodic memory (사건 기억, MEM-02)

역할

「언제 그 정보를 받았는가」를 보존한다. append-only 시계열 로그로, 편집도 삭제도 하지 않는다.

핵심 구조

컬럼	형	역할
event_id	TEXT PK	uuid hex
ts	TIMESTAMP	UTC 엄수
content	TEXT	본문
metadata	TEXT (JSON)	확장
provenance	TEXT (JSON)	내력

구현: src/llive/memory/episodic.py

설계 판단

DuckDB를 선택한 이유: SQLite보다 분석 쿼리가 빠르고, in-process라서 외부 프로세스가 불필요. 「on-prem만으로 동작」 제약에 직접 효과적이다.
UTC 엄수: datetime.now(UTC)로 취득. 로컬 TZ 혼입은 버그의 근원.
append-only: record(event)만 제공. delete() API는 존재하지 않는다. 사양상 삭제 불가다.

왜 삭제하지 않는가

인간의 사건 기억도 「잊은」 것처럼 보여도, 신경과학적으로는 잠재해 있다. llive도 마찬가지로 「접근되지 않는 기억」과 「없는 기억」을 구별한다. 접근되지 않으면 Surprise Gate (후술)가 재기록을 억제하므로, 「노이즈가 되는」 일은 적은 설계다.

4. structural memory (구조 기억, MEM-05)

역할

「개념 A와 개념 B가 어떻게 관계하는가」를 나타내는 graph. semantic이 「점」이라면 structural은 「변」이다.

핵심 구조

관계 종류 (6종):

rel_type	의미
`derived_from`	유래
`contradicts`	모순
`generalizes`	일반화
`temporal_after`	시간적 후속
`co_occurs_with`	공기 (共起)
`linked_concept`	개념 연결

구현: src/llive/memory/structural.py

Kùzu를 선택한 이유

embedded graph DB: Neo4j 같은 별도 프로세스가 불필요
Cypher 풍 쿼리: ANSI 쪽이라 학습 비용이 낮음
on-prem 일관: 기술한 방침과 정합

`contradicts`가 있는 의미

「LLM의 응답이 모순된다」를 데이터 구조로 검출할 수 있다. RAG로는 잡기 어려운 「다른 시기에 쓰여진 사양의 불일치」가, structural memory의 엣지 주행으로 떠오르는 장치다.

— 잠깐 쉬기 —

여기까지 「의미 → 시간 → 관계」 3층이 갖춰졌다. 다음 parameter 층은 조금 결이 다르다.

5. parameter memory (파라미터 기억, MEM-06)

역할

LoRA / IA3 / prefix adapter 등의 파라미터 차분을 기억으로서 관리한다. 「대화에서 얻은 지식을 Loop 후에 LoRA에 굽는」 식의 사용법이다.

핵심 구조

컬럼	역할
id	uuid hex
name	표시명
format_tag	"lora" / "ia3" / "prefix" 등
sha256	변조 검출
size_bytes	크기
created_at	UTC
provenance	내력

구현: src/llive/memory/parameter.py

SHA-256을 필수화한 이유

**「adapter 바꿔치기」**를 막기 위해서다. Approval Bus가 SHA-256을 검증하고 나서야 attach가 허가된다. 이것은 on-prem 한정 방침과 나란히 서는 llive의 architecture-level safety다.

실 LoRA 가산은 optional

Phase 2에서는 index에 register할 뿐. 실제 attach는 HuggingFace PEFT에 위임한다 (pip install llmesh-llive[torch]). 「llive 본체는 경량, 무거운 것은 optional extras」가 일관된 운용 방침이다.

6. surprise gate (취사선택, MEM-04 / MEM-07)

역할

「기록할 가치가 있는가」를 판정하는 관문. 전부 기록하는 것이 아니라, 기존 기억과의 비유사도가 θ 이상인 것만 통과시킨다.

Phase 1: SurpriseGate (고정 θ)

구현: src/llive/memory/surprise.py

class SurpriseGate:
    def __init__(self, theta: float = 0.3) -> None:
        self.theta = float(theta)

    def compute_surprise(self, new_embedding, memory_embeddings,
                         *, assume_normalized=False) -> float:
        if memory_embeddings is None or memory_embeddings.size == 0:
            return 1.0  # 아무것도 없으면 최대 surprise
        ...
        return float(max(0.0, min(1.0, 1.0 - max_sim)))

assume_normalized=True일 때는 재 normalize를 skip하여 2-3× 빨라진다. 이것은 production 경로 (MemoryWriteBlock)에서 실제로 사용된다.

Phase 2: BayesianSurpriseGate (동적 θ)

고정 θ에는 약점이 있다 — 기억이 늘수록 surprise가 작아지므로, θ=0.3이라도 점차 아무것도 기록되지 않는다. 이것을 해결하는 것이 Bayesian 버전이다.

구현: src/llive/memory/bayesian_surprise.py

Welford 알고리즘은 1-pass 수치 안정의 유명한 축차 평균/분산 계산법이다. 각 surprise 값의 log를 취해 Gaussian fit하는 유파도 있지만, llive에서는 생값으로 충분히 기능함을 확인했다.

k의 의미

theta_t = mu + k * sigma의 k는 **「평균에서 몇 σ 위를 통과시키는가」**의 지표.

k	통과율 (근사)	의미
0.0	50%	평균 이상은 통과
1.0 (default)	~16%	「조금 놀랐다」 이상
2.0	~2.5%	「매우 놀랐다」만

min_samples 미만의 cold start 기간은 고정 cold_start_theta를 쓰므로, 기동 직후라도 망가지지 않는다.

— 잠깐 잡담 —

Welford는 1962년 논문이다. 60년 전의 수치 안정 알고리즘이 지금의 LLM 계열 기억층을 떠받치고 있다는 것은 개인적으로 좋아하는 이야기다. 거대 model만이 진보가 아님을 느끼는 장면이다.

7. consolidation (Wiki compile, MEM-08)

4층을 돌린 다음, 개념의 재정리가 실행된다. 이것이 consolidation이다.

구현: src/llive/memory/consolidation.py

Wiki Compile라는 명칭

각 ConceptPage는 Markdown으로 <llive_data_dir>/wiki/<concept_id>.md에 기록된다. 사람이 읽을 수 있다는 것, Git checkpoint할 수 있다는 것, diff로 변화를 추적할 수 있다는 것, 이 3가지가 「Wiki」라 부르는 이유다. 원천은 Karpathy의 "LLM Wiki" 제안이다.

LLM 호출은 judge mode

LLM에 「이 cluster는 기존 ConceptPage X에 대해 new / update / merge / split 중 무엇으로 해야 하는가」를 묻는다. Claude Haiku를 default로, LLIVE_CONSOLIDATOR_MOCK=1로 credential 없는 test도 가능하게 했다.

8. 설계 판단 (이 글에서 5개)

교훈 1: 전부 쓰지 마라, 놀라움으로 취사선택

고정 θ의 SurpriseGate라도, 전건 기록보다 노이즈 90% 컷할 수 있다. Bayesian화로 더 똑똑해진다. 정직하게 말하면, 이 「쓰지 않는 판단」이 기억계의 품질을 결정한다.

교훈 2: 4층은 느슨한 결합으로 유지

semantic / episodic / structural / parameter는 서로 직접 import하지 않는 설계다. 공통 참조는 Provenance dataclass뿐. 이로써 「graph DB를 Neo4j로 교체」 같은 변경이 작게 끝난다.

교훈 3: provenance는 absolute

「이 정보가 어디에서 왔는가」를 절대 지우지 않는다. 이것은 on-prem 한정과 함께 llive의 audit-level safety다.

교훈 4: fallback path는 first-class

faiss 없음 / DuckDB 없음 / kuzu 없음 환경에서도 동작하는 설계를 나중에 붙이는 게 아니라 처음부터 가진다. CI・모바일・교육 용도에서 중요하다.

교훈 5: 수치 알고리즘의 고전을 얕보지 마라

Welford (1962)는 60년 전이다. 그래도 지금의 LLM 주변 아키텍처에서 제일선의 수치 안정성을 제공한다. 새 model이 나와도 기초 수학은 변하지 않는다.

9. References

학술 / 알고리즘

Welford, B. P. (1962). Note on a method for calculating corrected sums of squares and products. Technometrics 4(3).
Schwefel, H.-P. (1981). Numerical Optimization of Computer Models.
Reimers, N. & Gurevych, I. (2019). Sentence-BERT (= MiniLM 파생 근거).

OSS / 라이브러리

llive 내부

☕ 잠깐 쉬어가기 — 60년 전 계산식이 현역이라는 이야기

본론에서 조금 벗어나지만, 이 글을 만들면서 필자가 은근히 좋아하는 잡담을 하나. 제2장의 서프라이즈 게이트의 심장부에는, 웰퍼드(Welford)라는 사람이 1962년에 발표한 「평균과 분산을 한 번의 스캔으로 안정적으로 계산하는」 식이 쓰이고 있습니다. 실로 60년도 더 전에 나온, 불과 몇 줄짜리 알고리즘입니다.

거대한 모델이나 최신 GPU만이 진보인 양 이야기되기 쉽지만, 그 발밑에서는 반세기 전의 소박한 수식이 지금도 일선에서 일하고 있습니다. 새 엔진을 아무리 여러 대 얹어도 차축의 규격은 바뀌지 않는다, 라는 것과 비슷한 감각입니다. 기술의 세계는 이런 『오래됐는데도 교체되지 않는 부품』으로 가득해서, 그런 곳을 발견하면 조금 기뻐집니다.

제3장 llive 완전 해설 (2) — "10개 축으로 사고하는 AI": 사고 인자 × COG-MESH × 삼중 줄무늬

📖 쉽게 말하면

이 장은 「AI에게 10종류의 사고방식을 동시에 갖게 한다」는 이야기입니다. 보통의 AI는 사고의 틀이 하나뿐이지만, llive는 「논리를 세워 쌓는다」「재조합한다」「자신을 되돌아본다」「불확실함을 측정한다」 같은 10개의 사고 습관을 숫자의 다발(벡터)로 갖게 합니다. 비유하자면, 한 사람 안에 전문이 다른 10명의 참모가 있어 같은 문제를 서로 다른 각도에서 바라보는 이미지입니다. 역사 속 수학자・철학자의 「사고 스타일」도 이 10개 축의 가중치로 근사적으로 재현할 수 있다, 라는 점이 흥미로운 부분입니다.

콘셉트 hook: 보통의 AI agent는 "사고"를 1종류밖에 가지지 않는다. llive는
10종류의 사고를 동시에 실행시키고, 그것들을 서로 평가하게 하여,
살아남은 사고만을 집단에 받아들인다. 10종은 "구조화" "재구성" "폐루프"
"자기 확장" "불확실성" "탐색" "정합" "내력" "다관점" "현실 연결". 이는 인지
과학 1990s〜2010s의 주요 framework를 1개의 vector로 압축한 것이다.

오늘 (2026-05-21) marathon에서 1881 PASS + v0.E 대규모 앞당김이 착지했다. 본
글은 그 "사고 인자 측" — COG-MESH-01〜10과 historical persona ontology (CE-19)
의 교차점을 따라간다.

0. 연재에서의 위치

#24-00 series index
#24-01 4층 메모리
#24-02 사고 인자 10축 + COG-MESH (← 본 글)
#24-03 구조 진화 × TRIZ × Z3
#24-04 B-series (빠른 소뇌)
#24-05 EvolutionLoop (느린 대뇌)
#24-06 LLM backend non-transformer
#24-07 observability + governance
#24-08 lleval

10가지 사고 인자 + COG-MESH는 #24-05의 persona ontology (CE-19)와 1-N으로
결합한다. 본 글 #24-02는 그것을 "무엇"과 "왜"로 설명하는 위치다.

1. 10가지 사고 인자의 유래 — 6개 framework의 압축

사용자에게서 유래한 10개 축 (project_llive_cog_fx_factors). 원천 소재는
"심리의 심층" YouTube + 인지과학 리뷰 + Polya / Six Hats / Bayesian / TRIZ /
Provenance / Multimodal 계열의 6개 framework. 그것을 1개의 vector로 압축한 결과:

Idx	인자	원 framework / 학파
0	`factor_structurize`	Polya / 형식화 / axiomatic
1	`factor_recompose`	TRIZ Segmentation / Reassemble
2	`factor_closed_loop`	Cybernetics / feedback
3	`factor_self_extend`	Autopoiesis / self-organization
4	`factor_uncertainty`	Bayesian / probability
5	`factor_exploration`	exploration vs exploitation (Auer)
6	`factor_consistency`	formal verification / proof
7	`factor_provenance`	data lineage / Ed25519 sign
8	`factor_multiview`	Six Hats / Devil's Advocate
9	`factor_reality_link`	empirical / SPC (statistical process control)

이것들은 직교가 아니다 — 예를 들어 factor_uncertainty와 factor_exploration은
상관이 있다 (UCB1 계열). 하지만 각각의 강도를 독립적으로 가짐으로써, 집단
내에서 "같은 문제에 10가지 관점으로 부딪힌다"가 가능해진다.

2. 왜 10개 축을 1개의 vector에 담는가

LLM agent 문헌에서는 "사고는 self-attention 1종류"가 주류다. llive는 그것을
vector로 전환 가능한 multi-faceted thinking으로 확장했다. 이로써:

persona와의 내적으로 "사고 스타일"을 계산 가능 — 예를 들어 "오카 기요시
벡터"는 (정서) (국어력) (다변수)를 높게 가진다. "파인만 벡터"는
factor_exploration + factor_reality_link를 높게 가진다.
집단 내에서 같은 문제에 서로 다른 가중치로 부딪히는 파생 개체를 생성할 수
있다.
"이 문제는 어떤 축이 효과적인가"를 fitness gradient로 발견할 수 있다.

3. 주요 인자 5개의 심화

3.1 factor_structurize — "공리에서 쌓아 올린다"

axiomatic한 사고. 수학자 갈루아 / 그로텐디크 식. 추상화 계단을 오른다.
장점: 일반화 능력. 단점: 현실에서 멀어진다.

llive 내에서는 BlockContainer의 sub-block 순열이 공리군에 대응한다.
factor_structurize가 높은 파생 개체는 sub-block을 필수/선택으로 나눈 다음
재구성하는 mutation을 선호한다.

3.2 factor_recompose — "부품의 교체"

TRIZ Segmentation + 합성. 기존 부품의 조합을 다시 쓴다. 장점: 국소 탐색 고속.
단점: 완전히 새로운 구조는 생기지 않는다.

llive에서는 PersonaImportAlgorithm (CE-20, 오늘 착지)이 이 축이다. 파생 B가
파생 A의 persona를 부분 채용한다. "갈루아 + 오카 기요시" 같은 hybrid
persona가 출현하는 것은 factor_recompose를 거치는 경로다.

3.3 factor_closed_loop — "자신을 보고 고친다"

cybernetics의 핵심. 자기 관찰 + 자기 수정. llive에서는 memory consolidation
cycle (해마→피질)과 Approval Bus가 이 축이다. 집단 내에서 평가 → 개체가 결과를
보고 다음 세대에 반영하는 E.4 governance (CE-06/07/08, 오늘 착지)도 여기에
실린다.

3.4 factor_uncertainty — "모름을 정량화한다"

Bayesian / probability. 장점: 과신을 피한다. 단점: 계산이 무겁다.
llive에서는 Approval Bus의 verdict 계산 + UCB1 exploration constant가 대표적이다.

3.5 factor_provenance — "어디에서 왔는가"

data lineage. Ed25519 sign + SHA-256 audit chain. llive Phase 4 (Production
Security MVR, v0.3.0)에서 착지. 이는 agent governance의 필수 축이며, 기존의
LLM agent에는 결여되어 있었다.

4. COG-MESH-01〜10과의 대응

project_cog_mesh_implementation_2026_05_19. 10개 인자에 1개 기구씩 대응한다:

COG-MESH	기구	대응 인자	착지
01	Stimulus 입구	reality_link / multiview	착지 완료
02	Intervention	self_extend / closed_loop	착지 완료
03	TonicRiskMonitor	uncertainty / closed_loop	착지 완료
04	Idle Training	self_extend / exploration	착지 완료
05	Quarantined Memory	provenance / consistency	착지 완료
06	TimelineEmitter	provenance / multiview	착지 완료
07	Brief	structurize / reality_link	착지 완료
08	Approval Bus	provenance / closed_loop	착지 완료 (C-1)
09	Audit Chain	provenance / consistency	착지 완료
10	E.4 governance	closed_loop / uncertainty	오늘 착지 (2026-05-21)

COG-MESH-10은 오늘 marathon에서 CoevolutionGovernance로 착지했다. 이로써
10 기구 → 10 인자 1-1 대응이 완성되었다. 이제 집단 내에서 어떤 인자가 얇은지를
기구의 상태로부터 역추적할 수 있게 되었다.

5. 최신 성과 (오늘 2026-05-21 착지)

항목	값
llive 본체 test PASS (현재)	1881
오늘 marathon 추가 evolutionary test	+130 (41 + 28 + 26 + 16 + 19)
오늘 marathon 착지 module 수	5 (quality_diversity / coevolution_governance / persona_import / persona_survival / persona_corpus_loader)
ruff `src/llive/perf/evolutionary` 경고	0
v0.E E.17 / E.4 / E.12 착지	완주
CE-22 / CE-23 skeleton 착지	완주
docs/release/v0.6.0a1_PR_PLAN.md	신규 — 5 PR 분할 계획
docs/rust_hotspot_v0E_addendum.md	신규 — RUST-15〜18 spec

특히 E.4 governance skeleton으로 COG-MESH-10을 closing할 수 있었던 것이
오늘의 최대 성과다. 이로써 10 인자 ↔ 10 기구 1-1 대응이 완성되어, 파생 집단의
평가 → 공모 탐지 → Approval Bus 연동이 architecture level에서 연결되었다.

6. 기대값 — 다음에 올 것

6.1 CE-19 Historical Persona Ontology (단기)

이미 10명 (오카 기요시 / 그로텐디크 / 파인만 / 갈루아 / 폰 노이만 / 뉴턴 / 칸트
/ 소크라테스 / 노자 / 손자)이 PERSONA_ONTOLOGY로 착지 완료. 오늘 CE-23
PersonaCorpusLoader skeleton이 착지하여, Raptor RAD 코퍼스에서 persona를 자동
추출해 PERSONA_ONTOLOGY를 확장하는 길이 열렸다. 다음 세션에서 LLM 추출 + 실제
RAD path 횡단을 구현해 persona 수를 30+로 확대할 예정.

6.2 삼중 줄무늬 (중기, 사용자 언어화)

"삼중 줄무늬" = 사고 인자 / persona / 사고 프로세스의 3개 층이 개체 내에서
줄무늬처럼 동시에 실행되는 상태. 이는 인지과학의 "병렬 인지" 가설에서 착상을
얻은 것이다. factor vector + persona composition + Six Hats / TRIZ / ARIZ를 각각
다른 layer에서 실행하고, 집단 내 evaluation에서 서로를 비평한다. 착지 시기 미정.

6.3 신경 인터페이스 대응 (장기)

project_llmesh_neuro_long_term. Raptor RAD에 bci / neuroscience /
neural_signal / prosthetic_neural / cognitive_ai / neuromorphic의 6개 분야를
추가 완료. 이는 "뇌 ↔ AI 직결 인터페이스"가 필요해졌을 때 즉시 expand할 수
있도록 미리 소재를 모아 두는 것이다. 직접적인 구현은 당분간 없다.

7. honest disclosure (정직한 공개)

"10개 인자에는 overlap이 있다" — factor_uncertainty와 factor_exploration은
상관이 0.65 정도. 서로 직교가 아니다. 9 axis화를 검토한 시기도 있었지만
알기 쉬움을 우선하여 10개 그대로 유지.
"factor_affinity의 수치는 heuristic" — PERSONA_ONTOLOGY 10명의
factor_affinity vector는 전기 / 철학사 기반의 인위적 초기값. 이후
PersonaCorpusLoader (CE-23)로 코퍼스 기반으로 치환되지만, 현재의 수치는
사람에 의한 경험칙이다.
"COG-MESH-10은 skeleton" — 오늘 착지한 E.4 governance는 interface 확립
단계이며, Quarantined Memory로의 실제 기록은 다른 module에 위임. 완성까지는
앞으로 1-2 세션 걸린다.

8. Mermaid — 10개 인자의 구조

9. References (주요 20+ 중 발췌)

Polya, G. (1945). How to Solve It.
Altshuller, G. (1971). TRIZ 40 inventive principles.
Auer, P. et al. (2002). Finite-time analysis of the multiarmed bandit.
Lehman, J. & Stanley, K. (2008). Exploiting novelty.
Mouret, J.-B. & Clune, J. (2015). Illuminating search spaces by mapping elites.
Hillis, W. D. (1990). Coevolving parasites improve simulated evolution.
Constitutional AI (Anthropic 2022) — for HITL alternative.
Six Thinking Hats (De Bono 1985).
오카 기요시 《춘소십화(春宵十話)》.
파인만 《파인만 씨, 농담도 잘하시네요!》.
Maturana & Varela — Autopoiesis.
Bayes — Essay towards solving a problem in the doctrine of chances.
완전한 목록은 v0.6.0a1 릴리스 시 references.bib에 동봉할 예정.

10. 2026-05-22 추기 — 10 인자 affinity vector의 Rust화 (RUST-15)

10가지 사고 인자는 파생 개체의 persona composition의 effective_factor_affinity
로서 10차원 [0,1] vector로 구현되어 있다. 파생 개체 간의 dissimilarity 계산은
본 글 #24-02의 핵심 기구와 직결된다 — PersonaOverlapPenalty.apply (E.17)는
N×N pairs의 persona_dissimilarity로 10 인자 공간의 거리를 측정한다.

오늘 (2026-05-22) RUST-15로서 batch (NxN pair를 1 FFI call로) Rust화:

single 1-pair: x0.80 (FAIL — FFI overhead로 Python set 연산에 진다)
batch N=64: x17.07 (PASS), 평균 x12.71

이로써 "10 인자 vector의 N×N pair 거리 계산"이 고속화되어, 집단 N=64에서
governance + diversity preservation을 64 Hz로 돌릴 수 있는 가닥이 잡혔다.

10.1 사고 인자 측에서 본 의미

factor_structurize (#0)과 factor_exploration (#5)은 TRIZ 계통에서 대립하는
2개 축이지만, 10차원 vector의 L2 거리로는 독립적으로 작용한다.
PersonaOverlapPenalty (E.17 CE-25)로 집단 내 persona overlap을 벌하면,
파생 집단은 10 인자 공간에서 자연스럽게 흩어진다.
MAP-Elites grid (E.17 CE-26)는 persona 2축 × thought_factor 2축의 4차원
grid이므로, 위의 10 인자 vector를 4차원으로 marginalize하여 cell key로
삼는다.

10.2 honest disclosure — 단발 Rust화는 역효과

"사고 인자 vector의 거리 계산을 Rust화"라고 들으면 "빨라진다"고 생각하기 쉽지만,
1-pair 계산에서는 FFI overhead로 Python 쪽이 더 빠르다 (x0.80). 이는
feedback_rust_usage_matters 판정표의 A 패턴 (순수 Python 루프 1-pair)이다.
batch로 N×N pair를 1 FFI에 담아야 비로소 x17.07까지 늘어난다.

자세한 내용은 #24-05와
docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md 참조.

제4장 llive 완전 해설 (3) — "모순은 계산할 수 있다": 구조 진화 × TRIZ 40 원리 × Z3 검증

📖 쉽게 말하면

이 장의 키워드는 「모순은 계산할 수 있다」입니다. TRIZ라는, 원래는 인간의 발명을 위한 아이디어 도출 기법(「가볍게 하고 싶지만 튼튼함도 원한다」 같은 대립을 정리하는 도구)을, AI가 자기 자신의 구조를 개량하기 위한 지침으로 짜 넣습니다. 게다가 떠올린 개량안을 그대로 채택하지 않고, Z3라는 검증 소프트웨어로 「망가지지 않는가」를 기계적으로 점검한 뒤에 받아들입니다. 즉 「번뜩임 → 검산 → 채택」을 하나의 프로그램 안에서 돌린다, 라는 장입니다.

콘셉트 hook: TRIZ (발명 문제 해결 이론)는 보통 "사람이 종이에 적는 아이디어
발상 기법"으로 알려져 있다. llive는 TRIZ 40 원리를 형식 기호로 내장하여
구조 mutation의 policy로 실행한다. 게다가 mutation으로 태어난 새 구조는
Z3로 형식 검증을 거친 다음에야 집단에 들어간다. "발상 → 검증"의 루프가
1개의 프로그램 안에 담긴다. — "모순은 계산할 수 있다".

본 글은 그 구조 — Phase 3에서 착지한 Z3 구조 검증 / TRIZ Self-Reflection /
Wiki ChangeOp / 9 화법 (39×39 모순 매트릭스)을 따라간다.

0. 연재에서의 위치

#24-00 series index
#24-01 4층 메모리
#24-02 사고 인자 10축 + COG-MESH
#24-03 구조 진화 × TRIZ × Z3 (← 본 글)
#24-04 B-series (빠른 소뇌 측)
#24-05 EvolutionLoop (느린 대뇌 측)
#24-06 LLM backend non-transformer
#24-07 observability + governance
#24-08 lleval

#24-04가 "빠른 수렴", #24-05가 "개체 간 GA 탐색"이라면, #24-03 (본 글)은
"개체 내의 구조 자체를 다시 쓰는" 탐색이다. 즉 LoRA / Adapter / 4층 메모리의
sub-block 순열을 mutation하는 층이다.

1. 왜 TRIZ인가

LLM의 자기 진화 (self-evolution)에서 어려운 문제는 "바꿔야 할 부분"을 어떻게
고르는가다. 단순하게는 random mutation이지만, 그것은 "1개 문자를 1개 문자로
바꾸는 진화"와 같아서, 거대한 공간에서는 거의 아무 일도 일어나지 않는다.

TRIZ는 **"모순의 발견 → 해결 원리에의 대응"**이라는 구조를 가진다. 예:

"무게를 줄이고 싶다 (positive). 그러나 강도를 유지하고 싶다 (negative).
= 무게 vs 강도의 모순"

→ 39×39 모순 매트릭스를 찾으면 해당 원리가 몇 개 나온다
예: 원리 #1 (Segmentation), #28 (Mechanical → Other field), #40 (Composite).

이것을 llive의 self-evolution에 가져오면: "LLM의 구조가 안고 있는 모순"을
검출한다 → 매트릭스를 찾는다 → mutation policy가 정해진다. random이 아니라
TRIZ-guided mutation.

2. llive에서의 구체적 구현

2.1 TRIZ Self-Reflection (Phase 3)

llive는 구조 mutation의 후보 생성 단계에서 TRIZ self-reflection module을
호출한다:

현재 구조의 metrics (latency / accuracy / memory_usage / ...)를 읽는다.
모순 검출 — 어떤 2개의 metric이 trade-off 관계인가?
예: latency vs accuracy를 악화시키지 않고 memory_usage를 줄이고 싶다.
39×39 매트릭스를 찾아 해당 원리를 취득한다.
원리 → ChangeOp으로 전개한다. 예:
- 원리 #1 (Segmentation) → "BlockContainer를 sub-block 열로 분할"
- 원리 #25 (Self-service) → "memory consolidation을 자기 발화로 변경"
- 원리 #40 (Composite) → "2개의 adapter를 1개로 합성"

2.2 ChangeOp의 검증

ChangeOp는 구조 자체를 다시 쓰는 지시이므로, 형식 검증을 거치지 않고
적용하면 위험하다:

계층이 깨져 inference가 떨어진다
memory의 zone 정합성이 무너진다
adapter shape가 mismatch한다

그래서 Z3 (SMT solver)로 "이 ChangeOp 적용 후에도 다음 불변량이 성립하는가"를
verify한다:

BlockContainer의 sub-block 순열이 valid permutation
memory zone graph에 cycle이 없음
adapter shape compat (input dim = output dim)

verifier를 통과한 ChangeOp만이 집단에 들어간다. "발상 → 검증 → 채용" 루프가
1개의 module 안에 닫힌다.

2.3 9 화법 (39×39 matrix)

TRIZ의 핵심 도구. 39개의 개선하고 싶은 특성 × 39개의 악화하는 특성 = 1521 cell.
각 cell에 "이 모순을 풀 가능성이 높은 원리 1-4개". 이것은 Altshuller가 소련 특허
250만 건 분석으로 추출한 경험칙 테이블이다.

llive는 YAML화하여 내장한다 (src/llive/_specs/resources/triz_principles.yaml).
self-reflection은 metrics → 해당 모순 → 39축 mapping → 원리 lookup을 1 pass로
완결한다.

3. honest disclosure — 함정

"TRIZ로 전부 풀린다!"는 거짓말이다. honest disclosure로서:

39×39 matrix는 시대 의존적 — Altshuller가 1971년에 확정했다. 현대의 AI 계열
모순 (예: 추론 정확도 vs 배터리 소비)은 완전히는 들어가지 않는다. llive는 모순
추가 열을 독자적으로 가진다 (실기 metrics 기반).
원리 → ChangeOp의 번역은 heuristic — 원리 #1 (Segmentation)과
"BlockContainer 분할"은 사람이 정한 1 대응이다. 여기는 LLM 자신이 넓힐 여지가 있다.
Z3 verifier가 잡지 못하는 불변량이 있다 — 예: "memory consolidation 후
recall이 떨어지지 않는다"와 같은 확률적 불변량은 SMT로 표현하기 어렵다.
이것은 다른 verifier (경험적 reservoir test)로 본다.

🗒️ "너무 특수한 상대성 이론…" — 「TRIZ로 전부 풀린다」를 진기한 설로 만들어 의심한다（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

4. 숫자로 본다

지표	값
llive Phase 3 착지	2026-05-14 (v0.3.0)
내장 TRIZ 원리	40건 (FR-23〜27)
모순 매트릭스	39 × 39 = 1521 cell
ChangeOp 검증 통과율 (초기)	~63% (37%는 불변량 위반으로 reject)
Z3 average verify time	< 50 ms / ChangeOp

5. "발상 → 검증" 루프의 구조적 의의

이것은 TRIZ의 철학 + 형식 검증의 철학을 잇는다:

TRIZ: **"재미있는 발상이 아니라 원리에서 도출되는 발상"**을 추구한다. 체계적.
형식 검증: **"상상력으로 쓰여진 변경을 기계적으로 타당성 체크"**한다. 기계적.

양자는 사람과 기계의 협동의 전형이다. llive는 그것을 동일 module 안에서
돌린다.

미래 예측: AI가 자기 진화할 때, **"발상은 기계적, 검증도 기계적"**인 닫힌
루프를 가지는 것이 필수다. llive는 그 원형을 1개 OSS에 동거시킨 최소 예다.

6. 다음에 오는 것

#24-04에서 "빠른 소뇌 측" — B-series의 수렴을 본다.
#24-05에서 "느린 대뇌 측" — EvolutionLoop의 탐색. TRIZ ChangeOp는 #24-05에서
다루는 persona / thought_factor의 자기 확장과도 연결된다 (CE-21
PersonaCompositionMutation).

7. 2026-05-22 추기 — TRIZ적 접근이 Rust 고속화 판정에도 효과적

본 글의 TRIZ는 "모순 (improving X / worsening Y)을 39×39 매트릭스로 구조화
해결한다"는 방법론이지만, 같은 사상이 엔지니어링 판단 전반에 응용 가능하다.
같은 날 (2026-05-22) 착지한 llive Rust 고속화 판정으로 구체 예:

"Rust화 = 빠름 vs Python = 느림"의 단일 축 대립 (= TRIZ에서 말하는 모순)을
Python 경로의 특성별 5 패턴 (#24-05 §13.3)으로 분해했다. 결과:

순수 Python 루프 1-pair → 단발 FAIL, batch 필수 (RUST-15)
numpy 작은 N의 API 다용 → 단발에서도 x66 (RUST-16)
numpy 중규모 BLAS → 경계선 상, rayon으로 만회 (RUST-17 → 17b)

이것은 TRIZ 모순 매트릭스의 구조적 해결과 동형이다 — "모순의 원인을 파라미터
공간에서 분해 → 원리에 대응시킨다". 39×39를 **6 (Python 경로) × 3 (Rust화 전략:
단발 / batch / 병렬+algorithmic)**의 작은 표로 줄인 버전이다.

자세히: docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md의
5 패턴 판정표. 이것은 TRIZ의 발상을 AI / HPC 공학에 전용한 실례다.

8. Mermaid — "발상 → 검증 → 채용" 루프

9. References (주요 발췌)

Altshuller, G. (1971). TRIZ — 40 Inventive Principles.
Altshuller, G. (1984). Creativity as an Exact Science.
de Moura, L. & Bjørner, N. (2008). Z3: An Efficient SMT Solver.
Polya, G. (1945). How to Solve It.
Koza, J. (1992). Genetic Programming.
완전한 목록은 v0.6.0a1 릴리스 시 references.bib에 동봉할 예정.

제5장 llive 완전 해설 (4) — "수렴하는 뇌" B-series: SynapticSelector / UCB1 / Hebbian / 프로덕션 hot path

📖 쉽게 말하면

이 장은 「빠른 소뇌」 이야기입니다. AI가 답을 내는 아주 짧은 시간 안에서, 여러 선택지 중 어느 것을 통과시킬지를 재빨리 결정하는 구조(SynapticSelector)를 다룹니다. 토대는 밴딧 이론이라는 고전적인 「잘 맞는 선택지를 학습하면서도, 아직 시도해 보지 않은 선택지도 잊지 않는다」 알고리즘입니다. 후반은 아주 작은 구현상의 궁리(쓸데없는 계산을 생략한다・자료 구조를 바꾼다)만으로 처리 속도가 20~30% 올라간 실측 이야기입니다. 개선 폭은 단순한 덧셈이 되지 않는다, 라는 함정도 정직하게 적혀 있습니다.

콘셉트 hook: 진화계 (GA / Genetic Algorithm)는 세대를 돌려 탐색한다. 한편
llive의 SynapticSelector는 수렴 — 확률적 선택을 한 곳에 떨어뜨리는 엔진이다.
이 둘을 「같은 뇌」에 동거시키면, 시냅스 단위의 빠른 수렴과 개체 단위의 느린
탐색이 간섭하지 않고, 「빠른 소뇌」와 「느린 대뇌」가 역할을 분담한다.

본 글은 그 「빠른 소뇌 측」 — B-series (B-0 〜 B-9)의 설계와 프로덕션 투입을, 벤치
수치 + honest disclosure와 함께 따라간다.

0. 연재에서의 위치

#24-00 series index
#24-01 4층 메모리
#24-02 사고 인자 10축 + COG-MESH
#24-03 구조 진화와 TRIZ
#24-04 B-series: SynapticSelector / UCB1 / Hebbian (← 본 글)
#24-05 EvolutionLoop: v0.B/C/D/E 파생 집단 진화
#24-06 LLM backend: 비 Transformer 계 (Mamba / RWKV)
#24-07 observability + governance
#24-08 lleval — eval framework

#24-05 (집단 GA)가 「느린 대뇌 측」, 본 글 (#24-04, B-series)이 「빠른 소뇌 측」.
양자는 동거해도 간섭하지 않는다: SynapticSelector는 동일 개체 내의 synapse 선택,
GA는 개체 간의 경쟁. 직교.

1. B-series의 역사

B-ID	내용	착지
B-0	SynapticSelector skeleton (순수 random)	착지됨
B-1	UCB1 기반의 synapse 선택 (Auer 2002)	착지됨
B-2	Hebbian 강화 — 공기 선택 bonus	착지됨
B-3	Cool-down 기간 — 같은 synapse 연속 선택 완화	착지됨
B-4	A/B parity test (random vs UCB)	착지됨
B-5	Variant catalog (cosine / decay / blend)	착지됨
B-6	Per-synapse statistics + JSON snapshot	착지됨
B-7	Reset on regression — score 급락 시 priors 리셋	착지됨
B-8	Self-tuning exploration constant	착지됨
B-9-a	Production hot path: `assume_normalized` (불필요한 normalize 스킵)	착지됨
B-9-b	Production hot path: `GiftValue deque` (O(1) push/pop)	착지됨

2. SynapticSelector의 핵심 — UCB1

LLM 추론의 각 layer / 매 token 생성 타이밍에서, llive는 여러 synapse variant 중 1개를
골라 통과시킨다. 순수 random으로도 동작하지만, 그래서는 「과거에 잘 된 variant」를 학습하지
않는다. 그래서 UCB1.

score(variant_i) = mean_reward(i) + exploration * sqrt( ln(N) / n_i )

mean_reward(i): 그 variant가 선택되었을 때 과거의 reward 평균.
exploration: hyperparameter. B-8에서 self-tuning.
N: 전 variant 합계의 시행 횟수.
n_i: variant i의 시행 횟수.

「쓴 횟수가 적을수록 + 결과가 좋았을수록 높은 score」 = exploration과 exploitation을 1개의
식에 동거. Auer 2002의 고전. llive의 B-1에서 synapse 단위로 그대로 적용.

3. Hebbian — 공기의 보너스

UCB1만으로는 「1개의 variant가 단독으로 적중」은 검출할 수 있지만 「A와 B가 함께일 때
적중」은 검출할 수 없다. 그래서 B-2의 Hebbian 강화:

if t-1에서 variant_A가 선택되고, t에서 variant_B가 선택되며, reward가 높음
  → bonus(A, B) += 1

이로써 「A 직후에 B」 같은 시계열 공기 패턴이 UCB1의 score에 boost로 얹힌다. 이것은
Hebb의 "fire together, wire together"를 강화학습의 선택기에 가져온 것이다.

4. B-9 프로덕션 hot path

B-0 〜 B-8은 알고리즘 정비. B-9에서 프로덕션 성능에 들어간다.

4.1 B-9-a — `assume_normalized`

llive 안에서 SynapticSelector는 memory 읽기 ↔ generation의 hot path에 물린다. 처음에는
매번 vector를 l2-normalize 했다:

def select(self, query_vec):
    q = self._normalize(query_vec)  # ← every call
    ...

호출 전에 이미 normalized임을 계약으로 보장할 수 있는 상황에서는, 이 normalize는 완전히
낭비다. 그래서 assume_normalized=True flag를 추가:

selector = SynapticSelector(..., assume_normalized=True)
### 호출 측이 정규화됨을 보장

Production hot path에서 약 12% 스루풋 개선 (실측). B-9-a에서 착지.

4.2 B-9-b — `GiftValue deque`

UCB1의 mean_reward(i)는 historical reward의 rolling average다. 처음에는 list를
pop(0)으로 앞에서 지웠다 → O(N). variant가 256개 늘어선 hot path에서 list pop은
SR-02 벤치에서 초당 8K회 = 8K × O(N).

collections.deque(maxlen=K)로 교체 → O(1). 이것만으로:

list pop O(N) 경로: ~ 1.8μs/call
deque maxlen 경로: ~ 0.15μs/call → 12x

production hot path 전체에서 약 22% 스루풋 개선. B-9-b 착지.

4.3 honest disclosure — 12% + 22% ≠ 34%

「둘 다 하면 34% 개선인가?」는 단락이다. 벤치에서는:

B-9-a 단독: +12.3% (95% CI ±0.8%)
B-9-b 단독: +21.7% (95% CI ±1.2%)
B-9-a + B-9-b 동시: +28.4% (95% CI ±1.5%)

= 겹쳐쓰기는 복합되지 않는다. 왜인가? B-9-a에서 normalize를 깎은 만큼의 처리 시간에 B-9-b의
deque 개선이 이미 상한 가까이서 천장에 닿았다. 이것은 「이상하게 좋은 결과가 나오면 반드시
내역을 의심한다」의 실례다. 삭감 폭에는 중복 영역이 있다.

🗒️ "그건 안 되는 거라고…!" — 12%+22%=34% 라는 편리한 덧셈에 대한 지적（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

5. 5x gate와 Rust

llive의 Rust 확장 (RUST-FX)은 「Python 대비 5x 이상의 속도 향상」을 요건으로 한다.
B-series에서 hot path화한 assume_normalized + deque는 Python 그대로지만, 추가로 Rust화해야
하는가는 별도 논의다:

현재 production 28% 개선이면 Python 유지가 더 안전 (의존 복잡성이 낮음).
Rust화 후보는 별건 — compute_surprise (cosine MEM-07)와
edge_weight bulk_time_decay (RUST-03)는 이미 Rust 경로에서 평균 16.18x.

즉 「B-series는 Python으로 튜닝을 착지. 그 옆에서 Rust kernel이 다른 hot path를 가진다」가
현재의 design split.

6. 「빠른 소뇌」와 「느린 대뇌」가 간섭하지 않는 이유

llive는 동일 프로세스에서:

SynapticSelector (B-series, 동일 개체 내 synapse 단위의 수렴)
EvolutionLoop (#24-05, 개체 간 GA의 탐색)

을 동시에 돌린다. 「충돌하지 않는가?」는 당연히 물어진다. 답:

SynapticSelector는 개체 내 state. 1회의 inference에 대해 256 synapse까지 선택을 돌린다.
이것은 밀리초〜마이크로초 스케일.
EvolutionLoop는 개체 간 state. 64 개체 집단을 1세대 돌리는 것은 초〜분.
양자는 시간 스케일이 1000x 다르다 = 간섭할 여지가 거의 없다.

이것은 생물의 뇌에서도 같다: 소뇌 (motor / reflex)와 대뇌 (planning)는 시간 스케일이 전혀
다르다. llive는 의도치 않게 그 이중 시간 스케일 구조를 가지고 있다.

7. 숫자로 본 B-series 착지

지표	착지 시
B-0/B-1 착지 시 throughput baseline	100%
B-9-a 착지 후	112% (+12.3%)
B-9-b 착지 후	122% (+21.7%)
B-9-a + B-9-b 동시	128% (+28.4%)
Rust kernel (MEM-07 + RUST-03)	위와는 별도 hot path에서 16.18x 평균

벤치는 benches/bench_synaptic_b9_production.py 및
benches/bench_rust_ext_5x_gate.py를 참조 (리포지토리 내). 95% CI와 방법론은 같은 dir의
README에.

8. 다음에 오는 것

#24-05에서 「느린 대뇌 측」 — EvolutionLoop / v0.B/C/D/E 파생 집단 진화를 다룬다.
B-series에서 굳힌 「빠른 수렴」과 어떻게 동거하는지를 거기서 대비한다.
RUST-15 (v0.7) — persona_dissimilarity를 Rust화. 이것은 B-series가 아니라 E.17
quality-diversity의 hot path. 5x gate 적용.

9. 2026-05-22 추기 — 「빠른 소뇌 (Python 최적화)」와 「느린 대뇌 (Rust화)」가 직교하는 실례

본 글 (B-series)과 #24-05 (EvolutionLoop)는 시간 스케일 1000x 다르다고 썼다. 다음 날
(2026-05-22)의 RUST 고속화 마라톤에서, 이 직교성이 구현 레벨에서도 유지됨이 실증되었다.

9.1 B-series 측 — Python 최적화가 효과적

B-9 (assume_normalized + GiftValue deque)는 Python 그대로 +28%. 이것은
추론 hot path (synapse 1개당 μs 단위)로, FFI overhead를 지불할 여유가 없기 때문에
Rust화는 오히려 느려진다 (feedback_rust_usage_matters 판정표 A).

9.2 EvolutionLoop 측 — Rust화가 효과적

세대 단위 (초〜분)의 집단 진화에서는 수치가 정반대:

RUST-15 persona_dissimilarity batch: avg x12.71 (N=64에서 x17.07)
RUST-16 collusion_score: avg x66.70 (N=8에서 x115.04)
RUST-17 novelty_score_batch: avg x5.01 (archive 클 때 경계선)

9.3 직교성이 무너지지 않는 이유

층	시간 스케일	최적화 수단	이유
소뇌 (B-series)	μs/call	Python 튜닝 (normalize 스킵 / deque)	call이 짧아 FFI를 못 지불
대뇌 (EvolutionLoop)	초〜분/generation	Rust화 (batch / numpy zero-copy)	numpy 작은 N의 API overhead가 지배적

이것은 생물 뇌의 소뇌 / 대뇌와 같다. 다른 시간 스케일의 계산에는 다른 최적화 수단이
필요하다 — 같은 언어 / 같은 도구로 둘 다 풀려고 하면 실패한다.

9.4 honest disclosure — 「Rust화 = 빠름」도 「Python 최적화 = 한계」도 거짓

둘 다 조건부다. 판정 축은 어느 시간 스케일에서 무엇을 돌리는가:

μs 스케일의 hot path → Python 최적화가 주. FFI는 overhead.
초 스케일의 batch → Rust + numpy zero-copy + batch가 주. Python이면 numpy API 다용의
Python overhead가 지배적.

자세히는 docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md의
5 패턴 판정표 (A/B/C/D/E).

10. References

Auer, P., Cesa-Bianchi, N. & Fischer, P. (2002). Finite-time analysis of the multiarmed bandit problem.
Hebb, D. O. (1949). The Organization of Behavior.
Sutton, R. & Barto, A. (2018). Reinforcement Learning: An Introduction (2nd ed.).
완전한 목록은 v0.6.0a1 릴리스 시 references.bib에 동봉할 예정.

제6장 llive 완전 해설 (5) — "집단이 학습하는 AI": v0.B/C/D/E 파생 집단 진화 총괄

📖 쉽게 말하면

이 장은 연재의 등뼈에 해당하는 「집단으로 학습하는 AI」입니다. 1체의 AI를 똑똑하게 만드는 것이 아니라, 조금씩 다른 64체의 AI를 세대교체시키며 서로 채점하게 하면서 키웁니다. 생물의 진화와 마찬가지로, 평가하는 쪽도 함께 진화하므로 전체의 질이 스스로 올라간다, 라는 생각이 토대입니다. 다만 「모두가 서로 아첨을 주고받는(담합)」 부정도 일어날 수 있으므로, 그것을 감시하는 구조도 함께 들어 있습니다. 생성・평가・선별・교배・돌연변이라는 진화의 한 바퀴를 통째로 해설하는 장입니다.

콘셉트 hook: 1개의 AI가 똑똑해지는 것이 아니라, 64개의 AI가 세대를
돌리며 서로 평가하고, 거짓 합의는 Approval Bus가 멈춘다 — 그것이 llive의
v0.E다. 2026-05-21 marathon에서 그 아키텍처가 303건 test + ruff 0 경고 +
governance skeleton 착지까지 갖춰졌다. Hillis 1990부터 AlphaStar 2019까지
30년의 계보를 1개의 OSS에 압축한 결과다.

본 글은 연재 #24의 핵심이다. v0.B (Genome / EvolutionLoop) → v0.C (subprocess
분리) → v0.D (self-adaptive + meta mutation) → v0.E (peer evaluation +
persona + governance)의 4단계를 한 편에 총괄한다.

0. 연재에서의 위치 — 본 연재의 핵심

#24-00 series index
#24-01 4층 메모리          ← 「개체 안의 기억」
#24-02 사고 인자 × COG-MESH ← 「개체 안의 사고 축」
#24-03 구조 진화 × TRIZ × Z3 ← 「개체 내의 구조 재작성」
#24-04 B-series           ← 「개체 내의 수렴 (빠른 소뇌)」
#24-05 EvolutionLoop      ← 「개체 간의 탐색 (느린 대뇌)」 ★ 본 글
#24-06 LLM backend         ← 「개체를 움직이는 관」
#24-07 governance         ← 「개체 간 결정의 audit」
#24-08 lleval              ← 「개체를 재는 안경」

#24-05는 전체의 등뼈다. v0.B/C/D/E로 「파생 집단 그 자체」를 만든다. 다른
글은 그 위에 얹히는 기능이다. 이것은 연재의 핵심 — 다른 모든 장의 기능이 얹히는
기반이다.

1. 왜 집단 진화인가 — Hillis의 경고

W. D. Hillis (1990)가 보인 것은 「평가자와 피평가자가 동시에 진화한다」면
fitness landscape가 지수적으로 더 흥미로워진다는 것이다. Red Queen Effect로
집단 전체의 질이 자주적으로 상승한다. 단일 best를 계속 고르면 국소
최적에 빠진다.

llive는 이것을 LLM에 가져왔다. 파생 집단 N=64가 서로 평가하고, 평가 결과가
fitness, fitness가 다음 세대의 selection이 된다. 그러면:

「평가자의 질」 자체가 세대와 함께 상승한다
단일 best가 전체를 지배할 수 없다
「전 파생이 거짓 고득점을 서로 매기는」 공모가 발생할 수 있다 (CE-06에서 검출)

🗒️ "나라는 괴물을 낳고 말았다…!!" — 도태압이 개체를 만든다(공진화의 군비 경쟁)（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

2. v0.B — Genome / EvolutionLoop / 병렬 scheduler

v0.B core는 GA 고전이다. 착지 module은 Genome, Selection, Crossover,
Mutation, scheduler:

Genome (실수 vector + bounds + labels) + Individual + Population.
TournamentSelection / RouletteSelection / ElitismSelection.
UniformCrossover / BlendCrossover / SegmentCrossover.
GaussianMutation / ResetMutation / ChainedMutation.
EvolutionLoop (EvolutionConfig + EvolutionResult).
병렬 scheduler 3종: serial_scheduler / MultiprocessingScheduler / AsyncioScheduler.

이것만으로 「집단 → 평가 → 선별 → 교배 → 돌연변이 → 다음 세대」의 루프가 돈다.

3. v0.C — subprocess 분리 + 파생 실주행

LLM 추론은 파생 개체 1개당 OS process 1개로 완전 분리하고 싶다. 이유는:

LLM이 무겁다 → 메모리 leak / GIL 경합을 물리적으로 분리
1 파생이 죽어도 나머지는 생존
OS-level timeout / SIGKILL로 fault isolation

VariantSubprocessScheduler (subprocess_scheduler.py) — subprocess.run +
ThreadPool 병렬 + timeout + retries + cleanup. 이로써 variant_runner.py
스크립트를 파생 1개체로 기동할 수 있다.

4. v0.D — 자기 참조 mutation (Schwefel σSA-ES + meta mutation)

v0.D core는 「mutation rate 그 자체를 진화시킨다」이다.

SelfAdaptiveGaussianMutation (Schwefel σSA-ES, log-normal σ update).
Genome에 σ vector를 묻고, mutation이 σ도 재작성한다.
MetaMutation (strategy_id를 genome에, 집단 내에서 4 전략 병주).
pack_self_adaptive_bounds / pack_meta_strategy_bounds — 38/20/39 dim화.

이로써 「어떤 mutation 전략이 지금의 문제에 효과적인가」 자체가 세대를
넘어 학습된다.

5. v0.E — peer evaluation + persona ontology + governance

v0.E core. CE-01..34를 포함한다. 주요 module은 다음과 같다:

5.1 평가 (CE-01..05)

PeerEvaluationMatrix — N×N 채점 행렬. 공모 검출 3 지표
(score_variance / symmetry / concentration). Mermaid 시각화.
PeerFitnessAdapter — EvolutionLoop.scheduler와 호환.
EvaluationStyleGenome — 파생에 「신랄 / 관대 / 정밀 / 속도」의
evaluation persona dim을 묻는다.

5.2 다양성 보호 (CE-24..29)

latin_hypercube_population — 공간 균등 초기 집단 (scipy.stats.qmc).
NoveltyScorer — k-NN, Lehman-Stanley 2008/2011.
DiversityPreservingBreedFilter — novelty rejection + resample.
DiversityMonitor — diversity_l2 / spread / median + 임계값 alarm.

5.3 Quality Diversity (CE-25 / CE-26, 금일 착지)

PersonaOverlapPenalty — fitness 축에 persona dissimilarity의 집단 평균을 가산.
MAPElitesGrid — Mouret & Clune 2015의 4축 버전 (persona 2 × thought_factor 2).
각 cell에 최대 fitness 개체를 저장.

5.4 Historical persona (CE-19..23)

PERSONA_ONTOLOGY 10명 (오카 기요시 / 그로텐디크 / 파인만 / 갈루아 /
폰 노이만 / 뉴턴 / 칸트 / 소크라테스 / 노자 / 손자).
PersonaComposition (3 policy: exclusive / mix / moderator).
PersonaCompositionMutation (CE-21).
persona_dissimilarity — Jaccard + L2 of factor_affinity.
PersonaImportAlgorithm (CE-20, 금일 착지) — 파생 간 persona 부분 채용.
PersonaSurvivalAnalysis (CE-22, 금일 착지) — 어떤 persona 조합이
세대를 살아남았는지 통계.
PersonaCorpusLoader (CE-23, 금일 착지 skeleton) — Raptor RAD에서
자동 추출.

5.5 집단 조합 기구 (CE-30..34)

MutualScorePairSelector (CE-30, mating.py) — assortative mating,
softmax sampling.
NSGA2Selection (CE-31, nsga2.py) — Pareto front + crowding distance.
Speciation (CE-32, speciation.py) — NEAT 식 종 분류.
IslandModel (CE-33, island_model.py) — ring/fully/star 3 topology +
best/random/worst migration.
LexicaseSelection (CE-34, mating.py) — Helmuth 2014, case-by-case 순위.

5.6 Governance (CE-06..08, 금일 착지 E.4)

CollusionDetector (CE-06) — is_suspected_collusion를 threshold
dataclass로 wrap.
CoevolutionGovernance (CE-07) — 공모 의심 → ApprovalBus.request 발화.
collusion_risk_score (CE-08) — TonicRiskMonitor.tick에 투입하는
state → [0, 1] risk.
GovernanceReport (frozen).

6. 숫자로 본 금일 (2026-05-21) 착지

지표	값
evolutionary module 수 (금일 종료 시)	29 (+5)
금일 추가 test 케이스	130 (41 + 28 + 26 + 16 + 19)
ruff `src/llive/perf/evolutionary` 경고	0 (-7)
금일 착지 module	5 (`quality_diversity / coevolution_governance / persona_import / persona_survival / persona_corpus_loader`)
CE-IDs 커버율	34 / 34 ID 전 커버 (skeleton 포함)
CHANGELOG `[0.6.0a1]` 섹션	E.17 / E.12 / E.4 sections + 41행 추가
docs/release/v0.6.0a1_PR_PLAN.md	신규 — 5 PR 분할 계획
docs/rust_hotspot_v0E_addendum.md	신규 — RUST-15..18 spec
연재 #24 글 (본 세션 draft)	7편 (#24-02 / 03 / 04 / 05 / 06 / 07 / 08)

7. 선행 연구 9건 (본 글의 뼈대를 만든다)

Hillis, W. D. (1990). Coevolving parasites improve simulated evolution. Physica D.
Mouret, J.-B. & Clune, J. (2015). Illuminating search spaces by mapping elites. arXiv:1504.04909.
Lehman, J. & Stanley, K. (2008/2011). Novelty Search.
Stanley, K. & Miikkulainen, R. (2002). NEAT. Evolutionary Computation.
Deb, K. et al. (2002). NSGA-II. IEEE Trans Evol Comp.
Cohoon, J. (1987). Island Model GA.
Goldberg, D. & Richardson, J. (1987). Fitness sharing.
Helmuth, T. et al. (2014). Lexicase Selection.
AlphaStar (Vinyals et al. 2019). League / Exploiter / Main Pool.

8. 삼중 줄무늬 — 사고 인자 / persona / TRIZ의 3층 동거

사용자가 언어화한 concept. 파생 개체 내에서 3층이 동거한다:

layer 1: 10 사고 인자 vector (factor_structurize / ... / factor_reality_link)
layer 2: persona composition (Newton + Galois의 hybrid 등)
layer 3: TRIZ 40 원리 + ARIZ 사고 프로세스

이 3 layer가 동시 병주한다. 1 파생 개체가 「Galois 풍 + 다관점 중시 + TRIZ
Segmentation을 선호」처럼 multi-dimensional한 개성을 가진다. E.17
quality-diversity의 MAP-Elites grid는 이 3 layer의 교차점을 grid화하는 최초의
기구다.

9. Rust addendum (#24-04와 #24-05를 잇는다)

docs/rust_hotspot_v0E_addendum.md (금일 신규)에서 RUST-15 .. 18을 spec화:

RUST-15: persona_dissimilarity Rust화 (5x gate)
RUST-16: collusion_score (peer matrix metrics) Rust화
RUST-17: NoveltyScorer L2 + top-k batch Rust화
RUST-NEW-B: MAPElites bin + submit batch Rust화
RUST-18: parity test harness 확장

이것은 B-series의 Python 최적화와 집단 진화의 Rust 최적화가
직교함을 보여준다: B-series는 추론 hot path (Python 그대로 28%), 집단 진화는
N=64 파생의 집계계 hot path (Rust화로 5-15x 노림).

10. honest disclosure

「v0.E의 효과」는 벤치 미취득 — module은 전 PASS지만 「30세대에서
baseline보다 30% diversity 유지」 같은 가설 H10 / H11은 미검증.
벤치를 돌리는 것은 credential + GPU 확보 후.
PERSONA_ONTOLOGY 10명은 heuristic — factor_affinity vector는 전기 /
철학사 기반의 인위적 초기값. CE-23 PersonaCorpusLoader로 코퍼스 기반으로
교체 예정이지만 현재는 경험칙.
Governance skeleton은 wire-in 미완 — Quarantined Memory로의
실제 쓰기는 별도 module에 위임. 완성까지 1-2 세션.
N=64 파생 집단은 실기 미실행 — 본 세션은 module + test 착지까지.
end-to-end 집단 GA loop의 실기 run은 다음 세션.
CE-23 LLM extractor는 미구현 — keyword fallback만 착지. LLM 경유의
thought pattern 추출은 credential 복구 후.
AlphaStar League mode (E.5)는 미착수 — credential / judge LLM 복구 후.
Debate mode (E.6)도 미착수 — 동상.

11. Mermaid — v0.E 전체상

12. 기댓값 — 다음에 오는 것

v0.7 Rust 고속화: docs/rust_hotspot_v0E_addendum.md의 RUST-15..18.
v0.E E.5 (League mode) — AlphaStar 풍의 Main / Exploiter / League Exploiter.
v0.E E.6 (Debate mode) — Irving 2018 풍의 argument / counter-argument +
human/LLM judge. human / LLM judge 통합이 다음의 명확한 한 수.
lleval bridge v0.1.0a2 — 파생 Genome → ProviderSpec mapper의 구현.
CE-19/23 LLM extractor — Raptor RAD 코퍼스에서 persona 자동 추출.
집단 진화 end-to-end 실기 run — N=64 파생으로 30세대 → diversity
metrics / collusion 검지율 / governance trigger 수를 계측.

13. 2026-05-22 추기 — Rust 고속화 RUST-15/16/17 착지

goal_release_ready_v0E_rust addendum의 3 kernel을 1 세션에 착지.
연재 핵심 글로서 최신 성과를 반영:

13.1 착지 3 kernel

ID	기능	hot path	5x gate 결과
RUST-15 persona_dissimilarity_pairwise	NxN pair의 Jaccard + L2 + 합성	PersonaOverlapPenalty.apply	avg x12.71 (N=64에서 x17.07)
RUST-16 collusion_score_kernel	NxN peer matrix의 variance / symmetry / concentration	CoevolutionGovernance.evaluate_generation	avg x66.70 (N=8에서 x115.04)
RUST-17 novelty_score_batch	집단 N × archive A의 L2 + top-k mean	NoveltyScorer.novelty_batch	avg x5.01 (A=50에서 x9.55, A=1000에서 x1.72)

전 37 parity test PASS (1e-6 tolerance), ruff src/llive/perf/evolutionary +
src/llive/rust_ext 0 경고.

13.2 충격의 honest disclosure — 「Rust화 = 빠름」은 거짓

RUST-15 단발 호출은 Rust 쪽이 더 느리다 (x0.80, FAIL). FFI overhead로
Python set 조작에 진다. batch (N×N pair를 1 FFI call)로 만들고 나서야
x12.71까지 늘어난다. 같은 알고리즘 · 같은 Rust kernel이라도 FFI 경계를 어떻게
긋는가로 결과가 자릿수만큼 다르다.

역례도 관찰: RUST-16은 단발에서도 x66.70으로 압승. numpy의 np.nanvar /
np.corrcoef는 작은 NxN (N이 100 미만)에서 Python overhead가 지배적이라
200μs+/call. Rust의 단순 C 루프 (numpy zero-copy 수령)는 2μs/call.

그리고 경계선: RUST-17은 archive 크기로 결과가 반전. A=50에서 x9.55지만
A=1000에서 numpy BLAS vectorized가 따라잡아 x1.72까지 줄어든다.

13.3 5 패턴 판정표 (본 세션에서 언어화)

Python 경로의 특성	Rust화의 단발 ROI	실례
A 순수 Python 루프 (numpy 미사용)의 1-pair	단발 FAIL, batch 필수	RUST-15 (x0.80 → batch x12.71)
B numpy 큰 array (1000 초과) vectorized	늘지 않음 (numpy 내부 BLAS)	(해당 kernel 아직 없음)
C numpy 작은 NxN (100 미만) API 다용	단발에서도 10-100x	RUST-16 (x66.70)
D numpy 중규모 BLAS 1 함수	경계선 위: 작은 크기 Rust 압승, 큰 크기에서 따라잡힘	RUST-17 (A=50 x9.55 → A=1000 x1.72)
E 차가운 데이터 경계 (dict / 문자열)	overhead 큼, batch 필수	—

상세표는 docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md.

13.4 Cython 경로의 탈락 (build chain 부재)

scratch 비교에서 Cython kernel을 써서 3 way 비교를 시도했지만 Windows MSVC
build tools 부재 + mingw가 MSVC Python과 incompatible로 build 불가.
이것은 「수치 계산을 동등하게 쓸 수 있다」만으로는 언어 선택에 충분하지 않은
실례: build chain을 확립할 수 있는가가 필수 조건. source는
scratch/cython_collusion/에 저장해 Linux/WSL에서 재시도할 수 있는 형태로.

13.5 RUST-17b 추기 (2026-05-22 같은 날): rayon 병렬 + quickselect로 전 A 5x clear

RUST-17 baseline은 archive 큼 (A=200/1000)에서 gate FAIL이었지만, 같은 날 안에
RUST-17b로서 2 수단으로 재구현:

rayon par_iter로 N=64 집단 루프를 8-core 병렬화 + py.allow_threads로
GIL release
Vec::select_nth_unstable_by (Hoare quickselect, O(A) avg)로 top-k
partial sort — O(A log A) full sort를 치환

결과:

archive	RUST-17 (naive)	RUST-17b	개선율
A=50	x9.55	x12.83	+34%
A=200	x3.76 (FAIL)	x8.71 (PASS)	+132%
A=1000	x1.72 (FAIL)	x6.41 (PASS)	+273%
avg	x5.01	x9.32	+86%

판정표 (D)「numpy 중규모 batch」를 「경계선 위 → 병렬화로 만회 가능」으로
update. 「naive 이중 루프는 진다」뿐만 아니라 「rayon + algorithmic 개선으로
압승으로 전환된다」가 제시되었다.

std::simd는 nightly만이고 stable 불가 → 넣으면 추가로 2-3x. RUST-17c 후보.

13.6 다음에 오는 것 (2026-05-22 시점에서 계획 완료)

PyBind11 + C/C++ ctypes 경로의 3 kernel scratch 비교 (queue 투입 완료).
RUST-17c — std::simd (Rust nightly로 전환)로 SIMD 4-lane화.
월간 re-measure — env drift / numpy minor up / Rust nightly 등으로
결과가 움직이므로 주기 실행 (queue 투입 완료).
callers 전환 — PersonaOverlapPenalty.apply / NoveltyScorer.novelty_batch /
CoevolutionGovernance를 rust_ext 경로로 전환하는 PR.

14. References

Hillis, W. D. (1990). Coevolving parasites improve simulated evolution. Physica D.
Mouret, J.-B. & Clune, J. (2015). Illuminating search spaces by mapping elites. arXiv:1504.04909.
Lehman, J. & Stanley, K. (2008/2011). Novelty Search.
Stanley, K. & Miikkulainen, R. (2002). NEAT. Evolutionary Computation.
Deb, K. et al. (2002). NSGA-II. IEEE Trans Evol Comp.
Vinyals, O. et al. (2019). Grandmaster level in StarCraft II (AlphaStar). Nature.
완전한 목록은 v0.6.0a1 릴리스 시 references.bib에 동봉할 예정.

☕ 잠깐 쉬어가기 — 무대 뒤 이야기 — 자율 주행하는 AI에 반드시 남는 『인간이 누르는 버튼』

여기서 본론을 떠나, 집필 환경 그 자체의 뒷이야기를 조금. 이 연재는 AI 코딩 환경(Claude Code)과 2인 3각으로 쓰고 있는데, 장시간 작업을 AI에게 맡기고 인간은 리뷰와 방향 결정으로 돌아가는, 그런 분담으로 진행하고 있습니다. 이상은 『알아서 계속 일해 주는 AI』이지만, 실제로 해 보면 이게 좀처럼 완전 자율 주행이 되지 않습니다.

흥미로운 점은, 아무리 자동화를 채워 넣어도 마지막에 반드시 『인간이 손으로 Enter를 누르는 순간』이 하나 남는다는 것입니다. AI는 스스로 다시 로그인하거나 자신을 재시작하거나 하지 못합니다——어딘가에 반드시 인간이 개입하는 이음매가 생깁니다. 게다가 오래 돌리면 AI가 갑자기 입을 다물거나, 다룰 수 있는 정보량이 터져 앞뒤 맥락을 놓치거나 하는 희극 같은 사고도 종종. 마치 한 사람이 옷을 입고 뒤에서 다른 사람이 팔만 내밀어 함께 춤추는 만담 콩트 같은 것이어서, 뒤쪽 팔(AI)이 잘 움직이는 날도 있고, 갑자기 멈춰서 앞사람이 곤란해지는 날도 있습니다. 완전 자동의 꿈과, 반드시 남는 인간의 한 수——이 긴장감이야말로 AI와 함께 무언가를 만드는 재미라고 느낍니다.

제7장 llive 완전 해설 (6) — "Transformer 의 밖": Mamba / Jamba / RWKV / Diffusion 을 llive 내부에서 호출하기

📖 쉽게 말하면

이 장은 「Transformer의 바깥쪽」을 들여다봅니다. 지금의 대규모 AI의 주류는 Transformer라는 방식이지만, 긴 문장을 다루면 비용과 처리가 급증하는 약점이 있습니다. 그래서 Mamba・Jamba・RWKV・확산 모델 같은 새로운 방식을, llive는 「갈아 끼울 수 있는 부품」으로 호출할 수 있도록 설계해 두었습니다. 비유하자면, 엔진을 바꿔 실을 수 있는 차체입니다. 다만 정직하게 말하면, 이 새 엔진들의 실기 테스트는 아직 끝나지 않았고, 현시점은 잠정 수치다, 라고 장 안에서 명언하고 있습니다.

콘셉트 hook: "LLM = Transformer" 는 2024 까지의 이야기. 2025-2026 에
State Space Model (Mamba / Jamba) 과 RWKV (시계열 RNN 을 재발명) 가 긴
context 에서 transformer 를 따라잡았고, Diffusion text model 이 token 순서
제약을 푸는 새로운 족으로 등장했다. llive 는 그것들을 전부 LLMBackend
로서 내부에서 호출할 수 있는 설계로 출발했다. 사고 인자 (#24-02) 와 SSM
(state space) 을 Bridge 하여 "SSM 흐름에 10 인자를 심는다" 가 다음
도달점.

중요한 honest disclosure: 본 글의 수치는 mock baseline 만 착지. 실제
Mamba / Jamba / RWKV backend 는 credential / weights 미착지.

0. 연재에서의 위치

#24-00 series index
#24-01 4층 메모리
#24-02 사고 인자 × COG-MESH
#24-03 구조 진화 × TRIZ × Z3
#24-04 B-series
#24-05 EvolutionLoop
#24-06 LLM backend non-transformer (← 본 글)
#24-07 observability + governance
#24-08 lleval

#24-02 가 "사고를 10 축 vector 로 전개" 였다면, #24-06 은 그
vector 를 흘려보내는 관 = LLM backend 다. Transformer 이외의 관도 연결한다.

1. Transformer 이외의 계통수 (2025-2026)

family	대표 model	강점	약점
Transformer	GPT-4o / Claude / Llama 3	범용	긴 context 메모리 O(N²)
State Space Model (SSM)	Mamba / Mamba-2 (2024)	긴 context O(N), selective scan	1-step training 곤란
Hybrid (SSM × Attention)	Jamba (AI21 2024)	SSM 의 길이 + Attention 의 정확도	implementation 복잡
Linear RNN	RWKV-6 (2024)	추론 O(N) state	학습 효율 과제
Diffusion text	SEDD / Diffusion-LM	non-autoregressive	latency 큼

llive 의 LLMBackend Protocol 은 어느 것이든 받을 수 있도록 설계되어 있다.
구체적으로는:

complete(prompt: str, ...) -> str 의 시그니처를 충족하면 backend 화 가능.
내부 구현은 transformer / SSM / RWKV / diffusion 어느 것이든 OK.

2. 왜 Mamba / SSM 이 llive 내부에서 가치가 있는가

llive 의 4층 메모리 (#24-01) 는 긴 context 를 전제로 동작한다. Transformer
라면 32k-128k 에서 한계에 부딪히고 / 가격이 폭등한다. SSM 은 이론상 O(N) 으로
1M token 까지 동작한다. 이것이 맞물리면:

episodic memory 의 전건 흘려넣기가 현실적이 된다
consolidation cycle (해마→피질) 의 일괄 배치 처리가 현실적이 된다
TRIZ self-reflection 에 과거 ChangeOp 전건을 context 로 넘길 수 있다

그래서 Mamba / Jamba 는 llive 의 긴 context backend 로서 가장 유력한
후보다.

3. RWKV — 시계열 RNN 을 재발명한 것

Bo Peng (RWKV-6, 2024) 이 보여준 것은 "Attention 은 시계열의 특수형". RWKV
는 state 를 가지는 RNN 이지만 Attention 수준의 정확도를 달성한다. 추론 시에는
state 를 유지하며 1 token 씩 진행하므로 추론 O(N) state, O(1) per token.

llive 에게 RWKV 는 다음 3 가지 점에서 매력적이다:

on-prem 동작 전제 (weights 가 작음)
state 유지 = 4층 memory 와의 친화성
상용 license 자유도 (Apache-2.0)

그러나 weights 가 손에 없어서 실기 검증은 다음 세션 이후.

4. Diffusion text — token 순서의 제약을 푼다

Diffusion-LM / SEDD (Lou 등 2024) 은 text 를 noise → denoise 로 생성하는
non-autoregressive 계열이다. 이것은 "token 순서를 역방향으로도 쓸 수 있다"
는 투명성을 가진다. llive 의 "자기 진화" 에서 과거 ChangeOp 를 뒤에서부터
재생성하여 그 앞을 예측 하는 용도에서 살아날 가능성이 있다. 다만 latency 는
크다.

5. SSM × 10 사고 인자 Bridge (구상 중, 미구현)

이것이 본 글의 "기댓값" 섹션이다. 구상:

SSM 의 hidden state h_t (D dim) 를 10 인자 vector 와 같은 공간 에
embed 한다.
consolidation cycle 에서 h_t 로부터 10 인자의 세기 를 읽어낸다.
파생 개체의 persona affinity 를 SSM state 에 되써넣을 수도 있다.
결과: "SSM 이 돌 때마다 10 인자의 기울기가 다시 쓰이는 파생 집단".

이것은 구상이며 미구현. weights + credential 확보 후 PoC. 빠르면
v0.7 ~ v0.8.

6. 오늘 (2026-05-21) 착지 상황

항목	상태
LLMBackend Protocol	착지 완료 (v0.B 부터)
OpenAIBackend	실기 동작 완료
AnthropicBackend	실기 동작 완료
OllamaBackend	실기 동작 완료
MockBackend	착지 완료 (테스트용)
MambaBackend	미착지
JambaBackend	미착지
RWKVBackend	미착지
DiffusionBackend	미착지
SSM × 10 인자 Bridge	구상만

7. honest disclosure (본 글은 honest-disclosure-required 태그 포함)

constraints 에 명기되어 있으므로 반복해서 쓴다:

#24-06 의 수치류는 전부 mock baseline. 실제 Mamba / Jamba / RWKV backend
는 본 세션에서는 착지하지 않음.
weights 입수 (HuggingFace) 와 GPU credential 확보 후 PoC.
"Mamba 는 Transformer 보다 빠르다" 고 쓰고 싶지만, 그것은 원논문의 주장이지
llive 에서 실측한 것은 아니다. 인용은 출처와 함께.
SSM × 사고 인자 Bridge 는 완전한 구상. "재미있어 보인다" 는 것만으로는
아직 구현 근거가 없다.
RWKV-6 의 License 는 Apache-2.0 이지만 derivative 의 license 호환성은 별도
검증 필요 (FullSense Apache-2.0 + Commercial dual-license 와의 정합성 확인).
Diffusion text 의 latency 가 큰 문제는 llive consolidation cycle 의
"느려도 OK 인 경로" 에 밀어넣으면 흡수할 수 있지만, 그것이 정말로
workable 한지는 PoC 를 기다린다.

8. Mermaid — LLMBackend 의 교체 구조

9. References

Gu, A. & Dao, T. (2024). Mamba: Linear-Time Sequence Modeling with Selective State Spaces. arXiv:2312.00752.
AI21 (2024). Jamba: A Hybrid Transformer-Mamba Language Model.
Peng, B. et al. (2024). RWKV-6: Continually Improving Linear RNN.
Lou, A. et al. (2024). Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution.
Karpathy, A. (2025). LLM Wiki (concept-of-document).
완전한 목록은 v0.7 릴리스 시 references.bib 에 동봉할 예정.

제8장 llive 완전 해설 (7) — "심사가 붙은 AI": runtime_metadata × Approval Bus × Ed25519 audit chain

📖 쉽게 말하면

이 장의 테마는 「심사와 증거가 남는 AI」입니다. AI가 자기 자신을 다시 쓰기 시작하면, 「언제・무엇을・왜 바꿨는가」의 기록이 없으면 나중에 원인을 추적할 수 없게 됩니다. llive는 중요한 변경을 Approval Bus(승인의 관문)에서 멈추고, 사람이나 규칙이 OK를 낼 때까지 진행하지 않습니다. 게다가 그 기록에 전자 서명과 사슬처럼 이어진 대조값(블록체인의 간이판)을 붙여, 나중에 몰래 다시 쓰면 곧바로 드러나도록 하고 있습니다. 「자신의 판단을 전부 서명을 붙여 남기는 AI」라는 드문 형태를 해설합니다.

콘셉트 hook: 많은 LLM agent 는 「결과의 로그」만 남긴다. 그러나 AI 가
자기 자신을 진화 시키기 시작하면, 「언제 무엇을 판단해서 무엇을 바꿨는가」
의 audit trail 이 없으면 나중에 디버그 불가능 해진다. llive 는 이것을
architecture level 에서 풀었다:

runtime_metadata = 1 추론마다의 구조화된 metadata

Approval Bus = 중대한 변경을 ledger 를 거쳐 human / policy 가 approve

Ed25519 + SHA-256 audit chain = ledger 변조 방지

오늘 (2026-05-21) 착지한 E.4 governance = 집단 진화의 공모 탐지 → Approval Bus 연계

= 「자기진화하는 AI 가, 자신의 결정을 전부 서명과 함께 남긴다」 라는 드문 형태.

0. 연재 속에서의 위치

#24-00 series index
#24-01 4 층 메모리
#24-02 사고 인자 × COG-MESH
#24-03 구조 진화 × TRIZ × Z3
#24-04 B-series
#24-05 EvolutionLoop
#24-06 LLM backend non-transformer
#24-07 observability + governance (← 본 기사)
#24-08 lleval

#24-03 의 Z3 verifier 가 「개체 내의 구조 변경을 기계 검증」이라면, #24-07
은 「개체 간의 거동 + 개체 집단의 결정을 audit trail 로 보존」. 검증과 감사의
두 바퀴.

1. 왜 Audit Chain 이 필수인가

LLM agent 가 자기 자신을 다시 쓰기 시작하면, 「방금 그 추론은 어느 commit 의
구조로 돌고 있었는가」를 알 수 없게 된다. 이것은 debugging 뿐 아니라:

책임 추적 — 집단 진화에서 「모든 파생이 거짓의 높은 점수를 서로 매겼다」
때, 누가 가장 먼저 거짓말을 했는지를 ledger 로 거슬러 올라갈 수 있어야 한다.
재현성 — 「그때 나온 결과」를 나중에 재생하려면 구조 commit + memory zone +
Brief input + Approval verdict 의 전부 record 가 필요하다.
법적 compliance — EU AI Act / 중국 AI 판법 / 일본 G7 히로시마 process 가
가리키는 방향은 「AI 의 결정은 audit possible (감사 가능) 이어야 한다」.

llive 는 Phase 4 (Production Security MVR, v0.3.0) 에서 이 셋을 동시에 풀었다.

2. runtime_metadata — 1 추론당 구조화된 trace

llive 의 FitnessReport.runtime_metadata 는 free-form dict[str, str] 이지만
관습적으로 다음을 넣는다:

signed_by: peer evaluation 의 서명자 id
gen: 세대 번호
agg: aggregator strategy
commit_sha: 소스 commit (CI 를 거쳐 주입)
model_id: 사용한 LLM backend id

이로써 1 추론 결과로부터 완전히 재현 할 수 있다. 재현성은 OSS LLM inference
의 표준이 아니다 — 많은 agent 는 seed 조차 기록하지 않는다.

3. Approval Bus — 구조적으로 변경을 멈춘다

src/llive/approval/bus.py 의 ApprovalBus:

request(action, payload, ...) → pending 리스트에 들어간다.
policy 가 사전에 평가하여 Verdict.APPROVED / DENIED / None 을 반환.
None 이면 사람 대기.
사람 / policy 의 verdict 는 _ledger: list[ApprovalResponse] 에 append.
ledger=SqliteLedger 를 넘기면 영속화 + 복원.

이것은 가상의 「Trust Score」 가 아니라 명시적인 APPROVED/DENIED 상태
머신. 침묵 = denial (§AB4). 「애매한 허가」가 존재하지 않는다.

3.1 오늘 착지한 E.4 governance 연계

CoevolutionGovernance.evaluate_generation (오늘 착지) 가 1 세대의 peer matrix
를 보고 공모 의심 → ApprovalBus.request("coevolution.suspected_collusion", payload) 를 발화. payload 에는 generation / collusion_score / n_agents. 사람이
deny 하면 그 세대의 파생 집단은 채용되지 않는다 는 architecture level 의 제어.

이것은 Constitutional AI / RLHF 의 human-in-the-loop 를, architecture
level 에서 대체하는 설계. 「prompt 마지막에 를 더한다」와 같은
약한 제어가 아니다.

4. Ed25519 + SHA-256 audit chain

src/llive/security/ 계열. Phase 4 착지.

각 PeerEvaluationMatrix / ChangeOp / consolidation event 는 Ed25519 로
서명.
ledger 에 쓸 때 직전의 hash 를 포함하여 SHA-256 을 계산 → next block 의
prev_hash 로 사용. 즉 blockchain-light.
이로써 「과거의 임의의 record 를 변조하면, 그 이후의 hash 가 전부 어긋난다」 →
변조 즉시 검출.

4.1 왜 on-chain 이 아니라 on-disk 인가

project_fullsense_ear_origin — llive 는 EAR + 보안 제약으로 외부 송신 불가
한 환경을 상정. on-chain (Ethereum / Solana) 은 외부 송신이 되므로 부적합. on-disk
audit chain 은 외부 의존 제로로 자기 완결한다.

5. honest disclosure

Ed25519 키 관리는 미해결 — 키를 OS 의 secure store / HSM 에 저장하는 module
은 미착지. 현재는 환경 변수 / file 을 거쳐 로드. 이것은 v1.0 전에 해결 필수.
Approval Bus 의 사람 개입은 scale 하지 않는다 — 파생 집단 N=64 에서 1 세대마다
approval 이 나오면 사람의 부하가 24 시간 안에 붕괴한다. policy 자동 평가로 80% 를
통과시키는 것이 현실해이지만, policy 를 완벽히 쓸 수 있다는 보장은 없다.
runtime_metadata 의 sign 은 optional — signed_by 필드는 관습이지만
mandatory 가 아니다. 이것을 mandatory 로 하면 Brief API 의 호환이 깨진다.
이행은 v0.7 이후.

6. 오늘 (2026-05-21) 착지 요약

항목	상태
`CoevolutionGovernance` skeleton	오늘 착지
`CollusionDetector` (CE-06)	오늘 착지
`collusion_risk_score` (TonicRisk 연계, CE-08)	오늘 착지
`GovernanceReport` (frozen)	오늘 착지
28 케이스 test PASS	오늘 착지
Ed25519 audit chain	Phase 4 착지 완료 (v0.3.0)
Approval Bus	C-1 착지 완료 (2026-05-16)
runtime_metadata 관습	v0.B 부터 운용 중

7. Mermaid — governance 전체상

7.1 governance maturity 를 「문명 레벨」로 본다 — 4D Kardashev radar (v0.I-C 선취)

§3 의 Approval Bus pass 율 / §4 의 audit chain 완전성 / §6 의 peer eval cohesion
은, 단독으로 보면 「숫자가 좋아졌다」로 끝난다. v0.I-C (4D Kardashev Radar) 에서는
이것들을 Energy / Knowledge / Coordination / Ethics 4 축 × 5 단계
(Type 0 → I → II → III → IV) 의 「문명 레벨」 척도로 묶어서, 개체 / 집단 / 메타 집단의
3 계층에서 동시에 계측하는 구상.

🗒️ 참고: 이 그림의 라벨은 일본어입니다.

Ethics 축은 바로 본 기사의 Approval Bus pass 율 + frozen gene 위반 검출 + 규제
적합도의 점수로, governance maturity 를 「개체의 훈육」에서 「문명의 성숙」까지
연속 척도로 이야기할 수 있게 된다. 자세한 요건은 llive
docs/requirements_v0.I_meta_evolution_and_cross_substrate.md §5 참조.

🗒️ 생명의 가치 인플레이션 — 문명 스케일의 웅장함을 「만화와 단것」으로 너스레 떨며 비꼰다（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

8. 기댓값 — 다음에 오는 것

HSM / secure store 연계 — Ed25519 키 관리를 v1.0 에서. Windows Credential
Store / macOS Keychain / Linux Keyring 경로.
policy 자동 evaluate 의 확충 — Approval Bus 의 policy 인자로 80% 를 자동
통과시키는 규칙을 v0.7 에서.
Audit Ledger UI — llove TUI 에서 governance verdict ledger 를 시계열로
시각화. F25 연계.

9. 2026-05-22 추기 — RUST-16 governance hot path 고속화

CoevolutionGovernance.evaluate_generation 안에서 가장 계산량을 먹는 것이
PeerEvaluationMatrix.collusion_score (NxN matrix 의 variance / symmetry /
concentration 3 지표) 로, 여기에 200-300 μs/call 이 걸렸다.

오늘 (2026-05-22) RUST-16 으로 numpy zero-copy 로 Rust kernel 화:

N	Python (numpy 기존)	Rust pyo3 zero-copy	speedup
8	217.82 us	1.89 us	x115.04
16	203.33 us	2.30 us	x88.54
32	237.68 us	5.28 us	x45.00
64	306.13 us	16.80 us	x18.22
avg	—	—	x66.70

구현은 crates/llive_rust_ext/src/lib.rs:collusion_score_kernel + 5 parity
test (1e-6 tolerance). callers (CollusionDetector.check) 는 다음 commit 에서
전환 예정.

9.1 honest disclosure — 「numpy = 빠르다」도 거짓

이 게인이 큰 것은 「Rust 가 빠르다」뿐 아니라 「numpy 가 작은 NxN 에서 느리다」
가 주요 원인. np.nanvar / np.corrcoef / np.nanmean 의 3 개 겹쳐쓰기는
N<100 에서 Python overhead 지배로 200μs+/call. Rust 의 단순 C 루프는 2μs/call.

governance 측에서 중요한 것은:

Approval Bus 발화 판정의 latency 가 100x 짧아진다 = N=64 파생 집단이라도
governance.evaluate_generation 을 64Hz 로 돌릴 수 있다
TonicRiskMonitor 의 tick (collusion_risk_score 를 포함한 state 를 넘긴다) 도
동등하게 빨라진다
결과적으로 「governance 를 상시 돌려도 허용 가능한 비용」 이 된다

이것이 있으면 「governance 는 무거우니 sampling 만」 의 타협이 필요 없어진다.
모든 파생 / 모든 세대의 평가 행렬을 audit chain 에 서명과 함께 남겨도 latency
budget 안에 들어간다.

9.2 관련

docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md —
전 3 kernel (RUST-15/16/17) 의 비교 매트릭스
scripts/bench_collusion_score_5x_gate.py — N=8/16/32/64 5x gate bench
feedback_rust_usage_matters — Rust 화 판단의 체크리스트

10. References

Bernstein, D. J. et al. (2012). High-speed high-security signatures (Ed25519).
Anderson, R. (2020). Security Engineering (3rd ed.) — audit trail / tamper-evidence 장.
EU AI Act (2024) / G7 Hiroshima AI Process (2023) — AI 결정의 감사 가능성.
완전 리스트는 v0.6.0a1 릴리스 시에 references.bib 에 동봉 예정.

☕ 잠깐 쉬어가기 — 『밖으로 내보내지 않는다』는 제약이 선택한 길

제8장에서, 변조 탐지 기록을 일부러 블록체인(이더리움 등)에 올리지 않고, 손안의 디스크에 가둬서 갖는다, 라고 썼습니다. 여기서 한발 물러서, 그 판단의 배경에 있는 사고방식을 짚어 두겠습니다.

llive가 상정하는 것은, 개인정보나 기업의 기밀, 센서 데이터를 외부로 내보낼 수 없는 환경입니다. 그렇다면, 아무리 견고해도 데이터가 바깥 네트워크로 나가는 구조는 고를 수 없습니다. 『밖으로 내보내지 않는다』는 하나의 제약이, 기술 선택을 차례차례 결정해 갑니다——기억을 손안의 경량 데이터베이스에 두는 것도, 서명 기록을 외부 체인에 의존하지 않는 것도, 뿌리는 같은 사상입니다. 제약은 자유를 빼앗는 것처럼 보이지만, 실은 『망설임 없이 외길을 고르게 해 주는 나침반』이기도 합니다. 설계란, 이런 제약과 사이좋게 지내는 작업이구나, 라고 새삼 느끼게 되는 부분입니다.

제9장 llive 완전 해설 (8) — 「안경을 만든다」: lleval — honest disclosure 5+1 인자 분해로 AI 를 평가한다

📖 쉽게 말하면

마지막 장의 테마는 「AI를 측정하기 위한 안경을 만든다」입니다. 성능 벤치에서 자신의 AI가 비정상적으로 빠른 숫자를 냈을 때, 기뻐하기 전에 내역을 의심한다——그 자세를 lleval이라는 도구에 코드로 새겼습니다. 속도 차이를 「정말로 같은 문제인가」「측정 방식은 공정한가」「기동 비용을 무시하지 않았는가」 등 6개의 요소로 분해해, 수상한 점을 자동으로 들춰냅니다. 또한 채점 역할의 AI가 가진 「먼저 보여준 쪽을 높게 매기는」 버릇도, 순서를 뒤바꿔 다시 채점함으로써 상쇄합니다. 요컨대 『빠르다고 착각하게 만드는 장치』를 간파하는 도구의 이야기입니다.

콘셉트 hook: AI 를 만드는 것만으로는 부족하다. AI 를 보는 안경 이 필요하다.
lleval 은 llive 와 병주하는 evaluation framework 로,
「LLM 이 이상하게 좋은 결과를 내면 반드시 내역을 의심한다」는
feedback_benchmark_honest_disclosure 규칙을 코드의 일급 개념 으로 승격시켰다.
progressive size matrix 로 stress curve 를 취하고, judge rotation 으로 position bias 를 없앤다.

결론을 먼저 말하면: 「빠른 AI」 가 아니라 「빠르다고 착각하게 만드는 구성」 을
간파하는 도구.

0. 연재에서의 위치

#24-00 series index
#24-01 4층 메모리
#24-02 사고 인자 × COG-MESH
#24-03 구조 진화 × TRIZ × Z3
#24-04 B-series
#24-05 EvolutionLoop
#24-06 LLM backend non-transformer
#24-07 observability + governance
#24-08 lleval — eval framework (← 본 글)

#24-07 이 「무엇을 남길 것인가」(audit) 라면, 본 글은 「무엇을 측정할 것인가」.
측정 없이는 개선이 없다.

1. lleval 의 출자 — honest disclosure 사건

발단은 2026-05-17 의 benchmark. llive 가 타사 LLM API 보다 이상하게 빠르게
나온 숫자가 있었다. 보통이라면 이긴 기분이 들 대목에서, 사용자는 「내역을
의심하라」고 지시했다. 뚜껑을 열어보니:

LLMBackend 가 attach 되어 있지 않았다 (mock 으로 돌고 있었다)
chars 지표가 불공평 (영어 token 을 글자 수로 환산)
subprocess RTT 를 제외 (기동 비용을 무시)

세 가지 artifact 가 복합되어 있었다. 이것을 기록 (feedback_benchmark_honest_disclosure)
한 뒤, 「벤치에서 이상 결과가 나오면 반드시 5 가지 artifact 를 의심한다」를
외부화 하고 싶어졌다. 그것이 lleval.

2. 5+1 인자 분해 — honest disclosure 의 구조화

lleval 의 HonestDisclosureAnalyzer (2026-05-21 아침 착지) 는 출력 차분을 5+1 인자로 분해:

인자	의미	검출 방법
F1: prompt difference	같은 prompt 가 정말 같은가	문자열 diff + token diff
F2: model id mismatch	model id 가 runtime 과 spec 에서 일치하는가	`runtime_metadata.model_id` 비교
F3: backend swap	LLMBackend 가 attach 되어 있는가	runtime hook 으로 trace
F4: chars vs tokens	평가 지표가 언어 비의존인가	tokenizer count
F5: RTT exclusion	subprocess / network RTT 가 시간에 포함되는가	wall-clock vs CPU time
+1: env drift	병주 부하 / OS schedule / thermal	환경 fingerprint snapshot

5+1 이 모두 clean 일 때 비로소 「수치는 신뢰할 수 있다」. 하나라도 의심스러우면
honest disclosure note 가 결과에 sticky 된다.

3. progressive size matrix — stress curve 를 취한다

고정 token 수의 벤치는 정보량이 낮다. lleval 은 xs/s/m/l/xl 의 5 단계 ×
여러 model 의 matrix 를 돌린다:

size:  xs (128)  s (512)   m (2k)    l (8k)    xl (32k)
mock     0.05      0.18      0.62      2.41      9.82
llive    0.07      0.24      0.71      2.55      9.96   ← 큰 차이 없음
gpt-4o   0.31      0.52      1.20      3.40      11.2   ← crossover at l

이로써 「어느 size 에서 crossover 가 일어나는가」가 한눈에. 단일 size 에서 「이겼다」
고 해도 다른 size 에서는 진다. fair.

4. judge rotation — position bias 를 없앤다

LLM-as-judge 로 2 안 (A, B) 을 비교할 때, 순서가 score 에 effect 한다는 것이
알려져 있다 (Zheng et al. 2023). lleval 은:

(A, B) 로 1 회 judge
(B, A) 로 1 회 judge
두 verdict 가 일치하지 않을 때 inconsistency flag

이것은 judge LLM 자신의 bias 를 양자화하는 수단. inconsistency 가 30% 초과
면 judge LLM 을 전환하는 운용 (judge rotation).

5. bridges/llive — llive Genome → ProviderSpec mapper

lleval 은 llive 의 파생 개체 를 직접 먹을 수 있도록 설계. bridges/llive.py
(2026-05-21 아침 착지):

from llive.perf.evolutionary import Individual
from lleval.bridges.llive import individual_to_provider_spec

ind: Individual = ...  # 파생 집단에서 1 개체
spec = individual_to_provider_spec(ind)
### spec.model_id, spec.temperature, spec.top_p, ... 를 ind.genome.values 에서 복원
result = lleval.run(spec, dataset="qa_50")

이로써 「파생 집단의 진화 와 파생 집단의 평가」가 loop 한다. llive 내의
EvolutionLoop fitness 에 그대로 넘길 수 있다.

6. honest disclosure (lleval 자신에 대해)

메타에도 honest disclosure 를 적용:

lleval test 수 61 — 오늘 2026-05-21 시점. 상위 프레임워크 (Promptfoo 본체) 는
수천 test 를 가진다. lleval 은 wrap 이며 치환이 아니다.
판정의 절대 기준은 없다 — F1〜F5 + 환경 fingerprint 가 clean 이어도
「벤치가 옳다」는 보장은 없다. 「의심스러운 사인」을 지운 상태에 불과하다.
judge rotation 은 비용이 든다 — 2 배 호출하므로 credential 사용량도 2 배.
honest 검출을 위한 비용.
progressive matrix 의 size 등비는 heuristic — 4x 씩 (128 → 512 → 2k →
8k → 32k) 으로 취하고 있지만, 진짜 crossover 가 2k 와 8k 사이에 있을 경우
해상도 부족. 필요에 따라 세밀화.
환경 fingerprint 는 완벽하지 않다 — Windows / Linux / macOS 간의 thermal
throttling 차이까지는 잡지 못한다. 「벤치를 다른 OS 에서 다시 취한다」가 최종 수단.

7. 숫자 (오늘 2026-05-21 시점)

항목	값
lleval test PASS	61
착지 module	13 (config / runner / analyzer / providers / bridges / report html+md / cli / ...)
5+1 인자 검출 로직	착지됨
progressive matrix runner	착지됨
judge rotation	착지됨
bridges/llive.py	착지됨 (skeleton)
v0.1.0a1 PyPI 공개 준비	(credential 복구 후)
연재 #24 로의 등장	본 글 (#24-08)

8. 기대값 — 다음에 오는 것

v0.1.0a2: promptfoo 실주 + llive Genome → ProviderSpec mapping 완성.
v0.2: judge rotation + position swap + Phoenix OpenInference trace.
v1.0: plugin marketplace + 상용 dual-license.

9. References

Zheng, L. et al. (2023). Judging LLM-as-a-judge with MT-Bench and Chatbot Arena.
Promptfoo OSS (https://github.com/promptfoo/promptfoo).
Anthropic Eval framework (2023).
완전한 목록은 v0.1.0 릴리스 시 references.bib 에 동봉할 예정.

10. 2026-05-22 추기 — 5+1 인자 분해와 Rust화 5 패턴 판정표의 방법론적 공통점

lleval 의 honest disclosure 5+1 인자 분해 (prompt diff / model id /
backend swap / chars vs tokens / RTT / env drift) 와 같은 날 착지한
llive Rust 고속화의 5 패턴 판정표 (#24-05 §13.3) 는 구조적으로 같은
발상 으로 쓰였다.

공통하는 사상	lleval 5+1 인자	Rust화 5 패턴
「결과」를 믿기 전에 요소 분해	속도 차를 6 인자로 분해	속도 비를 Python 경로의 특성별 5 패턴으로 분류
이상 결과는 내역을 의심	F1〜F5 + env 를 의심	단발 0.80x 도 x66.70 도 「내역」으로 설명할 수 있다
관찰이 외부화되어 있다	analyzer 로 자동 검출	판정표 + bench script 로 자동 측정
honest disclosure 를 일급 개념으로	수치에 sticky note	judgment 표로 어디가 경계선인가 를 명시

양자 모두 「「빠르다」「옳다」「정확하다」의 단일 가정을 버린다」는
feedback_benchmark_honest_disclosure 의 연장선상에 있다. 이것은 lleval 이
AI 를 보는 것뿐만 아니라 AI / 시스템 / 알고리즘 전반 으로 전개할 수 있는
발상 = 연재 #24-08 의 메타적 의의.

자세히: docs/perf_comparison/2026-05-22_kernel_implementation_comparison.md.

🗒️ "오늘은 뭘 해도 안 되는 날인 것 같아~…" — 인자 분해를 다 이야기한 뒤의 맥 빠짐（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

⚡ 이 시리즈는 Claude Code와 함께 작성합니다

글 속의 구현·검증·시각화는 Claude Code(Anthropic의 AI 코딩 환경)와 함께 진행하고 있습니다.
Claude Code는 1주 무료 체험으로 사용해 볼 수 있습니다. 마음에 들어 아래 추천 링크를 통해 유료 플랜에 가입하시면,
저자에게 「개발을 이어가기 위한 크레딧」이 적립되어 이 시리즈의 지속에 도움이 됩니다.

👉 무료로 사용해 보기 / 추천 링크 → https://claude.ai/referral/0sqPw8E_lw

🗒️ "없어 보여" — 추천 링크로 푼돈을 벌어보려는 속셈, 나도 좀 민망하다.（© Forbidden shibukawa / SHUEISHA・스낵 바스에）

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

llive 완전 해설 모음 — 잊지 않는 LLM / 10축 사고 / 계산 가능한 모순 / 수렴하는 뇌 / 집단 진화 / 탈Transformer / 심사 붙은 AI / 평가

llive 완전 해설 모음 — 잊지 않는 LLM / 10축 사고 / 계산 가능한 모순 / 수렴하는 뇌 / 집단 진화 / 탈Transformer / 심사 붙은 AI / 평가

목차

제1장 llive 완전 해설 (0) — series index: 8 대분류 글 + 전체도

0. 이 series에 대하여

1. Series 구성 (8 대분류)

2. 전체도 (8 layer의 관계)

3. 상정 독자

4. 공개 순서 (주 2편 페이스)

5. 연재를 관통하는 테마 — 「빠름」은 구현 방법으로 자릿수가 바뀐다

6. References (본 index)

제2장 llive 완전 해설 (1) — "잊지 않는 LLM": 4층 메모리 + Bayesian surprise gating

0. 이 글은 무엇인가 (8초 read)

1. 왜 4층으로 나누는가

2. semantic memory (의미 기억, MEM-01)

역할

핵심 구조

설계 판단

코드 발췌

3. episodic memory (사건 기억, MEM-02)

역할

핵심 구조

설계 판단

왜 삭제하지 않는가

4. structural memory (구조 기억, MEM-05)

역할

핵심 구조

Kùzu를 선택한 이유

contradicts가 있는 의미

5. parameter memory (파라미터 기억, MEM-06)

역할

핵심 구조

SHA-256을 필수화한 이유

실 LoRA 가산은 optional

6. surprise gate (취사선택, MEM-04 / MEM-07)

역할

Phase 1: SurpriseGate (고정 θ)

Phase 2: BayesianSurpriseGate (동적 θ)

k의 의미

7. consolidation (Wiki compile, MEM-08)

Wiki Compile라는 명칭

LLM 호출은 judge mode

8. 설계 판단 (이 글에서 5개)

교훈 1: 전부 쓰지 마라, 놀라움으로 취사선택

교훈 2: 4층은 느슨한 결합으로 유지

교훈 3: provenance는 absolute

교훈 4: fallback path는 first-class

교훈 5: 수치 알고리즘의 고전을 얕보지 마라

9. References

학술 / 알고리즘

OSS / 라이브러리

llive 내부

☕ 잠깐 쉬어가기 — 60년 전 계산식이 현역이라는 이야기

제3장 llive 완전 해설 (2) — "10개 축으로 사고하는 AI": 사고 인자 × COG-MESH × 삼중 줄무늬

0. 연재에서의 위치

1. 10가지 사고 인자의 유래 — 6개 framework의 압축

2. 왜 10개 축을 1개의 vector에 담는가

3. 주요 인자 5개의 심화

3.1 factor_structurize — "공리에서 쌓아 올린다"

3.2 factor_recompose — "부품의 교체"

3.3 factor_closed_loop — "자신을 보고 고친다"

3.4 factor_uncertainty — "모름을 정량화한다"

3.5 factor_provenance — "어디에서 왔는가"

4. COG-MESH-01〜10과의 대응

5. 최신 성과 (오늘 2026-05-21 착지)

6. 기대값 — 다음에 올 것

6.1 CE-19 Historical Persona Ontology (단기)

6.2 삼중 줄무늬 (중기, 사용자 언어화)

6.3 신경 인터페이스 대응 (장기)

7. honest disclosure (정직한 공개)

8. Mermaid — 10개 인자의 구조

9. References (주요 20+ 중 발췌)

10. 2026-05-22 추기 — 10 인자 affinity vector의 Rust화 (RUST-15)

10.1 사고 인자 측에서 본 의미

10.2 honest disclosure — 단발 Rust화는 역효과

제4장 llive 완전 해설 (3) — "모순은 계산할 수 있다": 구조 진화 × TRIZ 40 원리 × Z3 검증

0. 연재에서의 위치

1. 왜 TRIZ인가

2. llive에서의 구체적 구현

2.1 TRIZ Self-Reflection (Phase 3)

`contradicts`가 있는 의미

4.1 B-9-a — `assume_normalized`

4.2 B-9-b — `GiftValue deque`