一个可靠的下一步。
一段更不确定的旅程。
世界モデル予測状态在动作之后如何变化。把它的予測反馈给自身，小误差就可能累积。操控智能体，然后切换视图，比較相同的动作历史。
真实智能体予測虚影目标障碍物
步进仿真
尝试向右撞上墙。设想中的智能体也会停下吗？
已执行动作0 / 60
轨迹漂移 · 单元格0.00
已就绪。向上移动四步，再向右移动五步即可到达目标。
此示意能展示什么，也不能展示什么。 这些路径是确定性的教学模拟，不是检查点推断。轨迹漂移是刻意编写的，并非根据报告的 MSE 计算得出。两条虚影路径都使用真实碰撞结果，加上预设的漂移和穿墙泄漏因子；它们不是独立的模型予測。论文中的“已见”和“新颖”指精确的状态–动作输入字节，并不表示独立布局或新的生成分布。真实数据使用 64 维工程化状态向量 和 16 维动作嵌入 表示三个相对航向的动作（左、直行、右）。检查点使用残差转移网络和独立的 sigmoid 安全网络。这些是工程化空间特征，并非学习得到的语言模型嵌入；此图使用四个基本方向。
| 分层 | 样本 | 状态 MSE | 安全准确率 |
|---|---|---|---|
| 已见输入 | 1,102 | 0.010202 | 99.9093% |
| 新颖输入 | 590 | 0.024584 | 99.3220% |
新颖输入 MSE 约为已见输入 MSE 的 2.41 倍。准确率针对二元安全分类，不代表精确状态予測或导航成功。“分布内”和“分布外”在此表示同一验证划分中的已见输入与字节新颖输入；这并不能证明存在分布偏移。该差距支持记忆化假设，但无法确定其原因。
熟悉的输入更容易。
数据集包含 1,620 个回合中的 8,146 条转移：来自 1,296 个训练回合的 6,454 条转移，以及来自 324 个验证回合的 1,692 条转移。精确状态–动作输入在训练集中与 1,692 条验证行中的 1,102 条（65.13%）重复；尽管回合 ID 不相交，精确回合序列仍与 324 个验证回合中的 181 个（55.86%）重复。
更长的想象改变了问题。
自回归第十步的 MSE 达到 0.16989，但只有 39 个符合条件的回合。它们全部确实安全，因此这个远期结果无法告诉我们模型检测晚期危险的能力。
v0.1.0：全6エンジンで F01–F09 に合格（11/11テスト）。以下の単純なクライアントは過去の欠陥を示す教材であり、現在の Fail-Closed ゲートの挙動ではありません。
一个自信的分数。
一个不可能的状态。
NaN 是“不是一个数字”。一次损坏的转移即使空间模型独立的结果/奖励头返回自信且有限的分数，也可能包含 NaN。注入这种确切类型的故障，观察两个客户端如何分叉。
模式 A · 天真客户端模式
一个看似合理的分数绕过了无效状态。
模型调用次数： 0动作下发次数： 0
已就绪，等待模拟推理周期。
模式 B · Fail-Closed 熔断保护模式
拟议 Fail-Closed 合约的示意。
模型调用次数： 0动作下发次数： 0
已就绪。拒绝会持续锁存，直到执行受控重置。
事件日志 · 模拟调度，无硬件制动锁存 = 0
- 00 · 监视器已布防。等待推理周期。
复现的故障；拟议修复。论文的真实客户端探针返回了非有限予測状态，其中
is_safe=True，并且分数有限，约为 0.999557。此面板演示了那条历史故障路径及拟议修复逻辑；论文没有修补或验证生产修复。当前 Rust 路由具有数值验证，但没有持久执行锁存；请见下方经源代码审计的运行时图。这里显示的三分量状态是对真实 64 维输出的教学简化。此处的不确定性诊断是合成的——被评估网络没有认识论不确定性估计器。模拟的调度阻断不是经过测试的物理电机停止。“不小于”并不意味着有效。
在 JavaScript 和 IEEE 风格比較中，NaN < 0.5 为 false。仅检查评分的防护器也可能因此失效。此处演示的是 v0.1.0 之前的历史客户端缺陷：状态中是 NaN，而安全头分数有限。奖励检查捕获不到它。
锁存会记住故障。
注入后，尝试正常周期。Fail-Closed 监视器会在下一次推理和调度发生前将其阻断。只有单独的受控重置才能清除锁存。在オラクル環境中安全停下仍是另一项责任。
放行 = 有效 ∧（不确定性 ≤ 上限）∧（评分 ≥ 阈值）
制动下一时刻 = 制动当前 ∨ ¬放行
制动下一时刻 = 制动当前 ∨ ¬放行
知道地图
就改变了游戏。
图规划器拿到了答案：精确转移和已知陷阱。学习型神经过滤器估计哪些候选看起来安全。比較它们掌握的信息，而不只是它们画出的路线。
预言机 · 精确图访问
精确转移 + 特权陷阱成员关系
东侧是已知的吸收陷阱。预言机将其剪除，绕行避开。
逐条边跟踪绿色路线。
神经过滤器 · 学习型估计
工程化状态 + 动作 → 予測状态 + 分数
东侧得分 0.96 并通过过滤器——即使隐藏环境中存在陷阱。
东侧 · 陷阱
0.96
北侧 · 无险
0.92
合成分数经过刻意错误排序，用于揭示阈值判断的局限。这里不测量推理速度或校准。
报告的 100% 属于预言机诊断。100 个成对种子中，特权图前瞻在构造的诊断上取得 100/100 成功（100%），且陷阱为 0/100（0%）。它没有加载或运行神经模型。这是信息访问方面的特权上界基线，不能作为普适性能上界，也不能证明 MCTS 总是需要预言机，或证明神经控制不会碰撞。
| 问题 | 特权图规划器 | 学习型神经动力学 |
|---|---|---|
| 未来来自哪里？ | 精确的环境转移字典。 | 在 6,454 条训练转移上拟合的残差转移网络；完整数据集包含 8,146 条转移。 |
| 如何识别危险？ | 直接访问真实陷阱成员关系。 | 学习型空间结果/奖励头，与冻结的语义风险闸门不同；高置信度不是证书。 |
| 评估了什么？ | 构造的四个基本方向动作图诊断。 | 使用三个相对动作的离线予測与安全分类。 |
| 什么角色有充分依据？ | 拥有特权信息的预言机参考。 | 离线估计器和候选快速安全过滤器；闭环安全性仍未确立。 |
阅读这些实验背后的证据边界
可予測性：精确字节重叠是对一次验证划分的事后分区。它没有消除共享布局、近似重复项或模型选择效应。报告的误差差距支持一个假设，但不能对记忆化作出因果诊断。
安全性：监视器的拒绝保证以完整中介、正确检查、原子化检查与调度，以及阻止执行的回退机制为条件。浏览器演示检查有限值、形状、分数范围和合成不确定性界限；它并非身份、检查点、中间值或物理回退验证的完整实现。
规划：名为 MCTS 的例程使用根节点赌博机分配与确定性的安全剪枝前瞻。该诊断专门构造来困住按坐标贪心的基线。其精确模型结果与神经模型的离线结果属于不同实验，动作接口彼此不兼容。
Gen-Zero モデルアーキテクチャ
与ニューラルパイプライン
冻结的语言模型提供表示和似然。专门的决策、アライメント和风险路径以不同方式使用它们。空间世界モデル是一个独立学习的分支。探索各层并查看其张量形状。
代码审计： · gen-zero @ dc0c2133f059。实线箭头表示已实现的数据流；虚线箭头表示拟议的调度契约。这些组件并非一条已普遍部署的串行管线。
所有流程可见。选择一个层以查看其维度和证据。
在窄屏上，请水平滚动图表。每层都可用键盘选择；源代码注释也提供文本版本。
检查一个模型层
选择任意方框查看其张量维度、机制和实现限制。使用 Tab，再按 Enter 或 Space，或使用指针选择。
实现证据与アーキテクチャ边界
骨干来源。 Qwen2.5-0.5B (d=896)、Qwen3.5-2B、Qwen2.5-72B (d=8192) 和 LLaMA-70B (d=8192) 是文档记录的层级。LLaMA-3.3-70B 是请求的目标，但保留的大模型提取元数据标识为 LLaMA-3.1-70B。尚未建立经过验证的 3.3 提取结果。
训练范围。 Transformer 权重在这些路径中保持冻结。语义门使用 16 个带标签的上下文示例和差分对数似然（PMI），不拟合安全头。空间模型仍有学习得到的结果/奖励头；监督アライメント头也保留。“不对骨干微调”并不意味着没有下游训练。
v0.1.0 · Fail-Closed. v0.1.0：全6エンジンで F01–F09 に合格（11/11テスト）。形式的な Fail-Closed ゲートは非有限の無効な結果を拒否する。ブラウザのラッチは安全契約の例示であり、ソフトウェアテストは物理的なモーター停止を認証するものではない。
crates/gen-zero-model/src/choice_head.rs：规范 ActionId 排序与 Simplex ETF 几何，Sₖ ⊂ ℝᵏ⁻¹。保留的直接 Rust 基准报告，在表示和候选身份固定时，身份翻转为 0/16,232（0.00%）；最大概率漂移为 5.96 × 10⁻⁸。论文证据：equivariant-choice-head/evidence/revision/results.json。python/gen_zero/world_model/neural_dynamics.py：[B,64] 状态 + [B,16] 动作 → [B,80] 拼接 → Δz=f(z,a) → z′=z+Δz；学习得到的 sigmoid 结果头。维度来自空间配置，而非通用的类常量。benchmarks/suites/geometric_latent_fusion.py：正交 Procrustes 诊断与配对 SVD 核心/残差特征。benchmarks/suites/evaluate_manifold_pareto_ensemble.py：监督归一化 logit 融合，与几何投影不同。docs/zero/29-pubmedqa-aegis-unified-manifold-evaluation-closure.md：PubMedQA 78.40% (196/250)，选定双头融合；Aegis Track A 81.60% (204/250)，选定单一 LLaMA 头。这些描述性结果无法证明统计优势。python/gen_zero/service/semantic_risk.py和python/gen_zero/service/risk_data/report.json：冻结的 0.5B、16-shot ICL、三个顺序、重叠窗口、PMI 评分；AUC 0.944。诊断 τ=0.50 标记 18/18 个危险请求和 7/18 个良性请求。实时阈值为 0.4494 / 0.7620。
每层的文本版本
冻结的骨干权重
Token ID [B, T] → 隐藏状态 [B, T, d]。Qwen2.5-0.5B 使用 d=896；归档的 Qwen-72B 和 LLaMA-70B 特征使用 d=8192。此处 Qwen-2B 指 Qwen3.5-2B。LLaMA-3.3-70B 是请求的目标；保留的提取元数据标识为 LLaMA-3.1-70B，因此这些测量无法验证 3.3 checkpoint。冻结表示不对骨干微调；监督下游头和空间动力学仍需拟合。
空间输入 · d=64 + 16
这些是工程化空间特征，并非从 Transformer 隐藏状态投影而来。评估的空间配置将 z 和 a 拼接为 [B, 80]。该类支持可配置的状态和动作维度。
隐藏状态读出 · [B, T, d] → [B, d]
从前向计算读取隐藏状态而不生成答案 token。池化方式由编码器决定；归档的大模型特征使用最后 token 池化。CPU 候选选择路径还会使用提示缓存评估候选续写。因此，零输出 token 并不意味着只调用一次骨干模型或没有推理成本。
语义评分 · 标量风险
对于每个请求窗口，从 log P(" dangerous") − log P(" safe") 中减去空请求的ロジット。对三个演示顺序取平均；使用风险最高的重叠窗口并应用 sigmoid。这个语义门不使用新训练的神经安全分类器。标签 logits 来自冻结模型；它不会生成解释。
残差空间动力学 · 80 → 64
neural_dynamics.py 使用带 LayerNorm 和 GELU 的残差 MLP。一个独立学习的 sigmoid 结果/奖励头返回 [B]；它仍在当前代码中，并与冻结的语义风险门不同。该类默认隐藏宽度为 128，包含两个残差块；checkpoint 配置具有权威性。
选择几何 · k 个动作 → k−1 个维度
gen-zero-model / choice_head.rs 对稳定的 ActionId 排序，将共享表示投影到规则シンプレックス (単体) Simplex ETF，按规范顺序评分，再将概率映射回调用方顺序。定义良好的决策依赖唯一 ID、有效维度、有限输入和确定性的并列处理。在洗牌下，候选成员、身份和共享表示必须保持不变。
アライメント与融合是独立路径
正交 Procrustes 使用 XᵀY 的 SVD 得到 R=UVᵀ。GeometricLatentFusion 将该映射存为诊断；其特征使用配对 SVD 轴、尺度匹配的核心平均和残差。监督头从标签学习。PubMedQA 获胜路径组合归一化头 logits，而非 Procrustes 坐标：0.75 Qwen + 0.25 LLaMA。
实时阈值与诊断 τ=0.50
签入服务使用两个边界：0.4494 用于升级，0.7620 用于紧急制动。τ=0.50 是论文的二元分析阈值，而非实时策略。在存储的 36 个案例中，它标记 18/18 个危险请求和 7/18 个良性请求；实时层级对危险案例产生 12 次紧急制动 + 6 次升级，对良性案例产生 9 次升级。
NaN / Inf 安全境界 · v0.1.0 Fail-Closed
v0.1.0：全6エンジンで F01–F09 に合格（11/11テスト）。形式的な Fail-Closed ゲートは非有限の無効な結果を拒否する。ブラウザのラッチは安全契約の例示であり、ソフトウェアテストは物理的なモーター停止を認証するものではない。
洗牌结果 · 已测量、有范围
保留的直接 Rust 基准在穷举小集合排列和带种子的较大集合洗牌中观察到 0/16,232 次身份翻转（0.00%）；最大アライメント概率漂移为 5.96 × 10⁻⁸。在实现的有效输入假设下，规范排序消除了对菜单顺序的依赖。这不是语义正确性的证明，也不证明对候选内容、提示上下文或模型输出变化的不变性。页面的洗牌区域是教学模拟。
评估 · 所选配置
PubMedQA 选定 fuse0.75+bbp|raw（双头归一化 logit 融合）。Aegis Track A 选定 llama+bbp|raw（单模型头）。这些是描述性的本地测试结果，不是经验证的 SOTA 或普遍的アライメント增益。两个任务的宏观 bootstrap 区间包含零。
风险证据 · 小型精选套件
AUC 为 0.944444，来自 18 个危险和 18 个良性存储请求。在 τ=0.50 时危险召回率为 18/18，并有七个良性标记。裸 chmod 回归探针仍然漏检。实现记录真实计算时间；缓存提示减少重复设置，但不会消除推理延迟。
调度契约 · 拟议、未部署
拟议的监视器会在调度前验证予測状态、分数和形状；无效值会设置持久紧急制动，阻止后续模型调用和动作，直到受控重置。这描述所需的硬件安全边界，并非当前代码库中已验证的物理锁存器。
Gen-Zero システムアーキテクチャ与流程
Rust 运行时连接入口、策略、规划、决策头和加密审计。下图按职责分组；所选动词决定实际调用路径。
源代码审计：2026年9月27日 · gen-zero@dc0c2133f05954146e9738bce64bf15dd36ffbee。源代码验证的连接关系；不声称有新的部署或模型评估。
选择一个层以查看其实现和限制。
此处未实现的内容
请求的 AST 解析器 + Linux capabilities 堆栈、物理 碰撞检查 以及持久化的 Fail-Closed 熔断保护锁存器，在这些 Rust crate 中并未形成集成执行路径。无效输入拒绝和策略升级已经存在；它们不构成沙箱或物理停止。
这些服务路径返回决策和模拟结果。决策账本不构成外部动作执行的证据。
从请求到响应
- 进入并绑定。 CLI 或 MCP/HTTP 服务接收请求。路由器捕获其挂载快照，验证特定路径字段并选择动词。
- 评估请求。 文本
ask、route和imagine从 Python 桥接获取语义风险。缺失或无效风险会升级；紧急制动层级会阻止该路径。选择动作时同样应用策略约束。 - 使用请求的路径。 文本 ask 使用语义评分；不可用时使用明确标注的 first-feasible fallback；未评估的风险仍会升级。文本 route 在桥接无法运行时报告不可用。数值规划使用
gen-zero-planner和gen-zero-worldmodel；simulate、what_if和 shadowaudit暴露未经训练的先验。显式 ETF 头使用规范 action IDs 和シンプレックス (単体)投影。数值认知请求有自己的几何验证路径。 - 门控、记录并返回。 动作选择路径将策略判定与请求风险结合。成功的
ask结果以及带有 decision append 的pipeline decide结果，会在返回审计结果前追加到来源账本。响应包含路径元数据；不会调度外部命令。
源代码映射与完整层级说明
入口层
gen-zero-cli · gen-zero-service — CLI 启动 McpServer 或提交决策。服务通过 stdio 和 HTTP/SSE 接受 MCP，也提供 REST 路径。其 zero router 绑定不可变挂载快照并按动词调度；这些是经由共享 crate 的不同路径。
位于 /ebs/pj/gen-zero/crates/ 下：gen-zero-cli/src/main.rs; gen-zero-service/src/server.rs; gen-zero-service/src/zero.rs
门控与安全
gen-zero-gate — PolicyGate 支持形式化约束、确认注册、熵和语义风险层级。默认状态没有已注册的约束或确认动作。文本 ask、route 和 imagine 使用 Python 语义风险桥接；缺失或格式错误的风险会升级。Shell AST 解析和 Linux 进程 capability 强制执行未接入此 Rust gate。
位于 /ebs/pj/gen-zero/crates/ 下：gen-zero-gate/src/policy.rs; gen-zero-gate/src/risk.rs; gen-zero-service/src/bridge.rs
规划与动力学
gen-zero-planner · gen-zero-worldmodel — 数值潜在请求可使用 MCTS、MPC-CEM 或 A*。服务公开未经训练的残差或辛动力学，并带有有限输入检查和终止状态危险处理。规划会过滤被门控紧急制动的候选；固定计划模拟仍会执行被阻止的动作步骤，并记录其门控层级。这是离线动力学过滤，未验证物理碰撞检查。此 Rust 路径未接入持久 Fail-Closed 熔断保护执行锁存器。
位于 /ebs/pj/gen-zero/crates/ 下：gen-zero-service/src/worldsim.rs; gen-zero-planner/src/pipeline.rs; gen-zero-worldmodel/src/dynamics.rs
决策核心
gen-zero-model — ActionETFChoiceHead 对稳定 ActionId 排序，将共享表示投影到规则シンプレックス (単体)，将分数散射回调用方顺序并应用 softmax。核心包含确定性的近似并列规则。服务通过显式头选项公开 ETF；普通文本决策使用语义桥接，因此 ETF 并非每个请求的默认头。
位于 /ebs/pj/gen-zero/crates/ 下：gen-zero-model/src/choice_head.rs; gen-zero-service/src/zero.rs
验证与审计
gen-zero-provenance — DecisionAuditEntry 包含前一个 MMR 根。带密钥的 BLAKE3 Merkle Mountain Range 提交决策历史，并支持包含证明。成功的 ask 结果以及带有 decision append 的 pipeline decide 结果会被记录。通过 GENZERO_MMR_PERSIST_PATH 持久化是可选的；最近 4,096 个叶子保留包含证明，且必须在外部保留可信根；这不是执行审计，不能证明外部 shell 命令或电机动作确实运行。
位于 /ebs/pj/gen-zero/crates/ 下：gen-zero-provenance/src/entry.rs; gen-zero-provenance/src/mmr.rs; gen-zero-service/src/zero.rs
相关运行时基础设施包括 gen-zero-core（共享类型）、gen-zero-lod（图事实）、gen-zero-storage（快照）以及可选的 gen-zero-nanocore 路径。论文下方或上方的实验是研究证据，不能替代这张运行时映射图。