研究框架与规范
下一检查点：给 Scaling 与推理专题补逐篇图表/实验精读层级
83%
PUBLIC LEDGER BUILD IN THE OPEN
庞大工作需要一份
公开、可检查的账本
这里不把“正在研究”包装成“已经完成”。每个专题显示成熟度、下一检查点和证据边界； 本地 PROGRESS.md 与网站同步维护。
- OVERALL
- 专题平均 75%
- READABLE
- 16 个首版可读专题
- ACTIVE
- 0 个研究/写作中
- UPDATED
- 2026-07-30 14:42 CST
- MODE
- 持续迭代，不锁死版本
01 WORKSTREAMS
二十一条工作流同时推进，但不混淆“有页面”和“已核验”
内容首版优先打通全局脉络；随后每轮迭代选择一个专题推进到论文/工程层，并做独立事实复核。
网站设计系统
下一检查点：打印样式与更多通用可视化组件
89%
Kimi K3 深读
下一检查点：设计前向训练变体，并等待 A_log 社区方案的官方裁决
99%
语言模型前史
下一检查点：逐图精读 Kneser–Ney、LSTM 与 Bahdanau，并加入真实小语料复现
78%
Transformer 基础
下一检查点：逐图精读多头电路、Pre/Post-LN 与真实 kernel / KV 配置
79%
表示、位置与残差高速公路
下一检查点：加入真实 hidden-state / norm traces、长上下文位置外推复现与更多深层稳定性消融
81%
Scaling Laws
下一检查点：加入真实拟合复现、置信区间与更多模型族对照
74%
数据工程与预训练配方
下一检查点：逐图精读 FineWeb / DCLM，加入真实去重与 mixture traces
73%
DeepSeek 专题
下一检查点：推进干预式 mediation、SM90 FlashMLA、FP8 / pipeline traces 与 R1-like RL 小模型复现
99%
指令微调与人类偏好
下一检查点：加入真实偏好分歧样本、RM 长度偏置与 PPO/DPO 小模型复现
75%
推理与测试时扩展
下一检查点：真实模型采样曲线、PRM 案例与逐篇图表精读
76%
工具使用与长程 Agent
下一检查点：补真实环境 traces、cross-harness 对照、Agent RL 训练曲线与安全案例
74%
原生多模态
下一检查点：补真实视觉 Token traces、跨分辨率消融、OCR 失败案例与视觉 Agent 安全轨迹
76%
稀疏计算与 MoE
下一检查点：补充真实集群 traces 与专家特化案例
74%
长上下文专题
下一检查点：加入更多论文逐图笔记与真实模型配置对比
72%
大规模训练系统
下一检查点：补真实集群 traces、故障案例与精确 topology 配置
71%
推理服务与低成本部署
下一检查点：补真实 GPU kernel / workload traces、功耗与跨框架复现
78%
数值精度、优化器与稳定性
下一检查点：加入真实 kernel 吞吐、长程训练 traces 与逐图论文精读
75%
评测、安全与“到底强不强”
下一检查点：补真实 cross-harness 复跑、Judge 元评测与动态污染案例
79%
引用与事实检查
下一检查点：自动化外链复查与来源等级扩展
57%
开源与部署
下一检查点：每轮保留不可变镜像、提交与回滚点
100%
02 COMPLETED THIS ITERATION
当前版本已经落地什么
下列项目都能在仓库或网站中直接检查，不是计划项。
研究目标已持久化
总体路线、完成标准、来源等级与进度账本已写入项目。
K3 报告已结构化拆解
47 页报告目录、151 条参考来源和架构/后训练/系统主线已经提取。
17 专题知识图
从语言模型基础到评测安全，包含先修依赖和三条贯穿案例。
编辑式网站系统
响应式导航、章节模板、侧栏、进度、论文链和证据提示组件。
一百一十四个原创交互视图
K3 三轴图、八联报告实验、四联开放工件实验与五轮二十五联 AttnRes 独立实验，DeepSeek 四联公式实验、十三联 Base 工件实验、Chat 行为、completion/full-depth、multi-seed、cross-source 与 task-bootstrap CRN 五轮实验，以及语言模型前史、Transformer、表示深度、长上下文、MoE、推理、Agent、多模态、训练系统、推理服务、Scaling、数据工程、数值、Alignment 与评测安全专题。
十七篇首版长文
K3、语言模型前史、Transformer、表示/位置/残差、DeepSeek、Scaling、数据工程、长上下文、MoE、后训练、推理、Agent、原生多模态、训练系统、推理服务、数值优化与评测安全专题。
语言模型前史深度专题
八张独立问题账、33 个正式节点、20 段长文与概率—向量—记忆—对齐四联实验。
Transformer 深度专题
十张独立问题账、40 个正式节点、21 段正文与 QKV—Mask—多头位置—Block 成本四联实验。
表示、位置与残差高速公路深度专题
二十张问题账、66 个一手节点、DeepSeek/Kimi 双谱系，以及 Token—位置—Norm—Residual/FFN 四联实验。
DeepSeek 八轮真实权重里程碑
把覆盖扩到 HumanEval / GSM8K 各 32 条冻结任务，用显式 SHA-256 uniform tape 驱动四个条件的共同随机数采样：352 条正式输出中 343 条 natural EOS、320 个 unique trajectories；10,000 次选定任务配对 bootstrap 的正确性区间均跨零，长度则揭示 Code 与 Math 的相反方向。新进程十二字段重放 64 / 64 exact。
Kimi K3 技术报告二轮深读
三十二张问题账、Figure 1–16 / Table 1–5 审计、100 节点阅读链，以及 Delta—Decay—AttnRes—LatentMoE—SiTU—QB—MOPD—Cache 八联实验。
Kimi K3 三轮开放工件里程碑
固定官方 revisions，审计 96 个 shards、497,220 个 tensor entries 与真实 KDA / MLA / MoE / MoonViT shapes；四联实验分开显示层型、tensor anatomy、参数范围和复现边界。
Kimi K3 四轮 AttnRes 独立实验
冻结三结构 × 三 seed 的 9 个 2,000-step 格；Full / Block 相对 Baseline 的平均 paired delta 为 −0.01457 / −0.04247 BPC，但核心参数梯度 CV 没有复现论文叙述。指定正式格全新进程八字段 exact，五视图同时展示结果、反证、成本与 claim boundary。
Kimi K3 五轮梯度定义与深度扩展
先确认 Figure 5 没有公开唯一 gradient telemetry 合同，再冻结 16/32 blocks × Baseline/Block × 3 seeds 的 12 个 8,000-step 格。Block 的首尾失衡 6/6 改善但全层 CV 6/6 恶化，两个深度都判为 mixed；指定 32 层格完整重训的模型、优化器与全部冻结字段 exact。
Kimi K3 六轮尖峰轨迹与反向路径
严格复用 Round 05 depth-32 Block 的三个正式格：尖峰在 step 500 后形成，六个位置 3/3 seed 可见，四种 reduction 12/12 格稳健。切断 key/softmax 源梯度没有降低尖峰；uniform value-backward 让 contrast 平均下降 70.2%，只判为全局 backward-rule sensitivity。完整 replay 的 16 组冻结字段 exact。
Kimi K3 七轮局部路径双向审计
冻结 14 个 same-forward mask，把 groups 6+7 的 16 个 depth mixers 同时放进 sufficiency 与 restoration 两个方向。充分性 6/6 过 50%，恢复性却只有 contrast 3/3 通过、peak 0/3 通过，因此正式状态为 one-sided evidence / localization not established。三个正式格、完整 replay、selector 与 forward identity 全部 exact。
Kimi K3 八轮训练期前向干预
四个 forward architecture variants × 三 seed × 8,000 steps，加一格完整 replay；groups 6+7 的 contrast / peak 六格降幅全部超过 20%，BPC 质量门 4/4 通过。13 个 raw、自哈希、historical pairing 与 scientific replay 全部过闸；Grok 结果后复算 blocking error 为 0。结论只限固定缩小协议，不是真实 K3 checkpoint 或 Figure 5(c) 复现。
FlashKDA RTX 5090 执行闸门
隔离 CUDA 13.0 / glibc 2.39 编译 sm_120a wheel；6/6 官方参考逐元素相等，并完成 fixed / varlen、三种 state mode 的 1,800 个 CUDA Event samples。
Scaling Laws 深度专题
九张账、29 个一手节点、DeepSeek/Kimi 双谱系与曲面—部署—复用—涌现四联实验。
数据工程深度专题
十二张账、31 个一手节点、DeepSeek/Kimi 双谱系与流水线—去重—混合—改写四联实验。
长上下文深度专题
五张成本账、26 篇一手论文、10+ 机制图与 8 策略交互实验室。
MoE 深度专题
六张账、19 篇一手论文、DeepSeek/K3 主线与路由—容量—通信交互实验室。
推理深度专题
八张账、30 篇一手论文链、DeepSeek/Kimi 双主线与三页签互动实验室。
训练系统深度专题
九张账、37 个一手节点、DeepSeek/Kimi 双谱系与显存—网格—气泡—通信实验室。
数值、优化器与稳定性深度专题
十张账、36 个一手节点、K2/K3 与 DeepSeek-V3/V4 双谱系，以及格式—状态—更新—失稳四联实验。
指令微调与人类偏好深度专题
十二张账、44 个一手节点、DeepSeek/Kimi 后训练双谱系，以及 SFT—RM—PPO/DPO—配方四联实验。
工具使用与长程 Agent 深度专题
十四张账、52 个一手节点、DeepSeek/Kimi Agent 双谱系，以及循环—工具契约—可靠性—长程 RL 四联实验。
原生多模态深度专题
十六张账、55 个一手节点、DeepSeek 三分支、Kimi 三代 MoonViT，以及 Token—连接器—光学压缩—视觉闭环四联实验。
推理服务与低成本部署深度专题
十八本账、62 个一手节点、DeepSeek V2→V4 与 Mooncake→K3 双谱系，以及显存—阶段—推测—集群四联实验。
评测、安全与“到底强不强”深度专题
二十二张账、80 个一手节点、DeepSeek/K3 评测协议谱系，以及指标—Judge—污染—系统安全四联实验。
486 篇关键论文索引
新增 DeepSeek-Coder/Coder-V2、ESFT、Prover-V1.5/V2 与 Engram 6 个 DeepSeek 旁支节点。
公开仓库与自托管发布
源码公开到 git.k1412.top，网站由不可变镜像、Compose Manager 与 HTTPS 交付。
03 NEXT QUEUE
下一批按“能闭环的专题”推进
优先级由 K3 依赖度、初学者断点和论文可验证性共同决定。
优先级专题本轮交付完成闸门
P0DeepSeek 八轮后续
干预式 mediation → SM90 FlashMLA / FP8 / pipeline traces → R1-like RL 小模型复现
运行证据 + 独立复现P0Transformer 二轮
多头电路逐图 → Pre/Post-LN 真实 traces → Flash/KV 配置与 kernel 对照
逐图笔记 + 实测边界P0表示、位置与残差二轮
真实 hidden-state / norm traces → 长上下文位置外推 → mHC / AttnRes 深层稳定性消融
可复现实验 + 逐图笔记P0语言模型前史二轮
Kneser–Ney / LSTM / Bahdanau 逐图 → 真实小语料复现 → tokenizer 公平性
可复现实验 + 逐图笔记P0Scaling Laws 二轮
真实拟合复现 → 置信区间 → 更多模型族与下游任务外推
可复现实验 + 逐图笔记P1数据工程二轮
FineWeb / DCLM 逐图 → 真实去重误伤 → mixture traces 与污染案例
逐图笔记 + 案例库P1大规模训练系统二轮
真实集群 traces → 故障恢复 → 精确 topology / kernel 配置
案例库 + 实测边界P1数值与稳定性二轮
真实 kernel 吞吐 → 长程失稳 traces → optimizer / quantization 逐图复现
实测边界 + 逐图笔记P1长上下文二轮深化
真实模型配置 → 内核细节 → 长上下文评测与失败案例
配置比较器 + 逐图论文笔记P1MoE 二轮深化
真实负载 traces → 专家特化可解释性 → 共享专家语义
案例库 + 集群证据P1推理二轮深化
真实 pass@k 曲线 → PRM 失败案例 → 逐篇图表精读
案例库 + 真实 tracesP1Alignment 二轮深化
真实偏好分歧 → RM 长度偏置 → PPO/DPO 小模型复现
数据案例 + 可复现实验P1Agent 二轮深化
真实环境 traces → cross-harness ablation → Agent RL 曲线与提示注入案例
运行证据 + 安全案例库P1原生多模态二轮
真实视觉 Token traces → 跨分辨率 / connector 消融 → OCR 与视觉 Agent 安全失败案例
运行证据 + 逐图笔记P1推理服务二轮
真实 GPU kernel / workload traces → 功耗与成本 → 跨 vLLM / SGLang / TensorRT-LLM 复现
可复现实测 + 成本账P1评测安全二轮
真实 cross-harness / pass@k 复跑 → Judge 元评测 → 动态污染与过拒案例
可复现实验 + 协议审计04 QUALITY CONTROL
每条结论怎样进入网站
Grok CLI 用于扩大检索覆盖和找遗漏；任何进入正文的机制、数字与时间仍回到原论文、官方仓库或正式文档。
发现线索
K3 references、引用网络、Grok/web 检索、作者仓库。
打开一手来源
核对标题、版本、公式、表格、实验设置和限制。
写四层解释
直觉、机制、论文证据、工程代价；简化处显式标注。
交叉检查
链接、数字、先修、图文一致性、移动端与可访问性。
05 DECISION LEDGER
重要决策不会只留在对话里
更完整的机器可读进度和研究记录位于开源仓库的 ROADMAP.md、PROGRESS.md 与 research/。
命名为 LLM Atlas
K3 是锚点，范围覆盖完整 LLM 技术史。
按问题链组织
现象 → 旧瓶颈 → 关键论文 → 后继桥梁 → K3/DeepSeek 落点。
优先原创重绘
架构图做成可缩放 SVG/HTML，明确简化与来源。
双重开放许可
代码 MIT，原创文字与图 CC BY-SA 4.0。
自托管交付
源码公开到 git.k1412.top，网站部署到 k1412 私有基础设施。
推理按八张账组织
把答案、覆盖、选择、过程、预算、优化、分布与系统证据分开核算。
训练系统按九张账组织
把模型状态、激活、并行、气泡、通信、专家、上下文、数值与可靠性分开核算。
Scaling Laws 按九张账组织
把观测量、模型、数据、算术、配比、配方、外推、经济目标与能力阶段分开核算。
数据工程按十二张账组织
把来源、解析、语言、质量、唯一性、污染、混合、变换、Tokenizer、Packing、课程与价值分开核算。
Grok 数据线索与正式账本永久分离
1264 行正式研究账本只接受回查一手来源后的结论；203 行 Grok 产物保留为未核验发现队列。
数值专题按十张账组织
把格式、缩放、计算、累加、搬运、更新、参数化、观测、恢复与证据经济分开核算。
低精度结论必须写完整角色合同
对象、格式、scale 粒度、accumulator、输出与硬件不再被压缩成一个 dtype 标签。
语言模型前史按八张账组织
预测单位、概率信息、上下文、稀疏性、分布式表示、循环记忆、序列转导与系统成本不再混成单一架构年表。
NTP、MTP 与多模态永久分角色
K3 的统一视觉/文本 next-token objective、one MTP layer 与 EAGLE-3 draft bridge 分开记账；DeepSeek MTP 也不写成取代自回归。
Transformer 按十张账组织
信息路径、几何、可见性、多头、位置、局部计算、深度、目标、系统成本与当代映射不再混成一个 Block。
Attention 权重与因果解释永久分离
热力图可描述中间权重和提出假设；因果结论必须补消融、patching 或反事实干预。
Agent 按十四张账组织
模型、harness、工具契约、环境、评测器、可靠性与安全不再被压成一个 Agent 分数。
Agent 完成必须回到 final state
function schema、工具执行、业务状态、策略合规与 pass^k 分层评价；模型自报完成不作为证据。
原生多模态按五层管道与十六张账组织
像素、视觉塔、压缩 / connector、主干与输出 / 工具闭环分开定位；“原生”再拆成数据、目标、优化、输入输出与 Agent 五维。
DeepSeek 多模态永久保留三分支
VL/VL2 的理解、Janus 的统一生成、OCR 的光学压缩不画成错误的单向代际谱系。
光学压缩实验分开报告值、教学插值与证据外区域
DeepSeek-OCR 的 <10× / 20× 锚点标成作者报告；中间只做显式教学插值，超过范围不外推。
推理服务按十八本账组织
权重、增长状态、分配、阶段、batch、cache、kernel、推测、网络、路由、故障与经济性不再压成单一 tokens/s。
DeepSeek 与 Kimi 服务谱系按状态对象重建
MLA→V4 异构状态与 Mooncake→KDA→K3 混合缓存分开说明；作者报告、精确公式和教学估算使用不同标签。
表示与深度按二十张账组织
计算单位、词表接口、上下文化、位置、外推、Norm 对象、拓扑、残差路由与非线性极值不再混成一个 hidden-state 名词。
K3 Block AttnRes 来源数按原报告重算
93 层按 12 层形成 8 个 layer blocks（7 个完整块加 1 个尾块）；再加 embedding，共 9 个 block-level 来源，废弃早期错误的“2 层一块”读法。
K3 二轮按三十二张账重建
从架构组件摘要升级为覆盖预训练、后训练、环境、系统、评测、案例与附录的完整报告因果链。
K3 原生视觉事实纠错
MoonViT-V2 从头训练；视觉与文本从训练开始在同一个 NTP objective 中联合优化，不再沿用冻结/解冻式 post-hoc 叙述。
K3 图表与实验永久分级
Figure 1–16 / Table 1–5 建立视觉契约；报告事实、原论文、确定性推导与教学模型使用 R/P/D/T 四种身份。
K3 开放工件按五种证据身份审计
真实观测 O、确定性推导 D、本机执行 X、合成探针 S 与未决矛盾 U 分开；作者 benchmark 不冒充本站实测。
A_log 形状冲突保持未决
checkpoint 的 [128] 与 config / remote code / FlashKDA API 期待的 [96] 并列展示；不宣布权重损坏，也不把 channel-wise 假设写成真实 forward。
FlashKDA 编译与执行永久分两道闸门
容器产出 sm_120a wheel 只证明可编译；RTX 5090 的 6/6 official-reference exact suite 通过后，才把证据升级为本机执行 X。
作者表与 RTX 5090 表永久分账
H20 / GB200 保持 O；本站只报告独立环境、协议、300 samples/mode 和延迟分布，未跑本机 FLA 就不写本机 speedup。
K3 权重冲突仍没有官方裁决
官方 main 仍保留 128↔96 不匹配；社区 #144 把 head 数改成 128，#150 验证尾部全零后按 96 裁入，两案都未合并。真实 K3 forward 继续标为未决。
AttnRes 缩小实验先冻结、后运行
三结构共享公共主干、初始化、窗口与优化器；只按三个 paired seed 和预注册 −0.010 BPC 阈值给出本协议内方向判断。
支持结果与梯度反结果同时进入主视区
Full / Block 的最终 BPC 同向改善；核心参数 gradient RMS CV 却高于 Baseline，不换指标掩盖。
正式重放不把 wall time 纳入 exact
Block / seed-1 的模型、优化器、曲线、历史、诊断和环境八字段 exact；计时受调度影响，单独报告。
Figure 5 的“梯度”不再靠猜测补合同
官方未公开 gradient tensor、norm、reduction 与统计代码；本站 activation-gradient 定义只叫 operationalization，不叫论文复画。
首尾平衡与全层 CV 永久分账
Block 在 6/6 配对中改善 first/last，却因中后段局部尖峰让 CV 在 6/6 配对中恶化；联合判定保持 mixed。
绝对梯度尺度必须与归一化谱同屏
Block mean gradient 约为 Baseline 的 54%–57%；更接近 1 的首尾比不能偷换成各层信号更强。
32 层完整重放扩到状态哈希
8,000-step fresh replay 的全部冻结字段以及 model / optimizer state hashes exact；额外 replay bytes 单列，不混入 formal 预算。
尖峰是定向复查，不是盲发现
layer 21–25 来自 Round 05；Round 06 先固定目标集合，再检查训练时点、张量位置、reduction 与反向路径。
最早可见不等于物理起源
pre-attention input 是六个采样点中最早可见位置；更早 mixer 与跨层回传已经作用，不能写成尖峰从这里注入。
同一前向只识别反向规则敏感性
三模式的 logits、loss、activations 与 mixer summaries exact；uniform value-backward 的 70.2% contrast 降幅不是训练变体或因果贡献百分比。
局部充分性不自动成为双向定位
groups 6+7 的 sufficiency 6/6 通过，但 restoration peak 0/3 通过；非线性交互让两个方向不同，正式结论保持 localization not established。
32-token 对照改为同源 16→24
TNEWS 只有 105/10,000 条达到 32 tokens，强行统一会落入约 1% 极端长尾；24-token eligibility 仍保留 1,609 条中文候选。
长度敏感性必须成对重采样
16-token 输入严格是 24-token 输入前缀，2,000 次 bootstrap 共用 prompt indices；结果只描述固定 cohort 的长度敏感性。
三类 cohort 永久分身份
自然长度回答本批样本如何路由；matched-16 / 24 回答同一 prompt 多看 8 tokens 后如何变化，不把二者混成内容因果。
历史边界用单 ID 替换而非删除
EOS→x / 句点 / 换行保持长度、目标位置、角色标记、mask 与同一 batch；识别一个输入 ID 的干预，不冒充移除了全部回合结构。
base、Chat 与行为永久分层
V2-Lite base 的路由 TV 不是回合理解或能力指标；`User:` 仍在，反事实不是官方合法 chat，后续另跑 Chat checkpoint 与生成指标。
角色词头 direct effect 与 system 调制分开
`User→Assistant/x` 都直接改变后续路由，但 24 格 system-edge 方向混合，不能偷换成统一强化或削弱。
目标后改动承担因果负对照
suffix `Assistant→User` 在 34,488 个目标 ordered top-6 上全 exact；完整输入仍保留 suffix 自身作用。
BF16 batch content 进入复现合同
相同 official token IDs 与 32-row shape 不保证深层 route hash 相同；companion rows 的构成也必须记录。
完整 special inventory 与普通对照分身份
BOS/EOS 穷尽固定 tokenizer 的两个 special IDs；x/句点只是两个选定普通对照，2-vs-2 只描述四个 ID。
两-token 角色块按因子分解
`User:` / `Assistant:` 都是 head + delimiter 两个普通 IDs；head、delimiter、interaction 与直接边分别记账。
下游目标与完整输入分因果身份
目标内容只看编辑位置后的精确对齐路由；完整输入包含被编辑 token 自身，只作稳健性账。
Chat、生成行为与能力永久分层
完整官方 Chat 权重可以支撑真实生成；成对输出分歧只证明干预传播，没有 evaluator 与足够 completion 就不升级成能力判断。
completion 是生成实验的首要审计字段
31 / 128 自然 EOS 与 97 / 128 长度截断同时显示；截断答案不冒充完整回答。
offload 拓扑进入复现合同
31.4 GB BF16 权重按 GPU 25 层、CPU 2 层 + norm / lm_head 执行；设备切分不被写成模型结构。
更长预算统一重跑全部八格
不选择性续写 97 个截断格；128→512 的 prompt hash 与前 128 generated tokens 必须全 exact。
停止、终点、可评测与正确分四张账
自然 EOS 不等于答对；fallback 不冒充 strict completion；HumanEval tests pass 不冒充代码安全。
全深度比较只保留 exact interior tokens
1,537 个 content tokens / condition 在八格中 ID exact；56 个跨字符边界 token 排除，不拿不同 token 比隐藏状态。
表示与路由分叉不是中介因果
29-stage hidden 与 26-gate route 曲线描述传播；没有干预式 mediation 前不解释输出或能力因果。
seed 是题内重复，不是任务覆盖
Round 07 用 16 sources × 4 seeds × 4 cells 保持 256 条预算；所有方向先在 source 内计算，再数四题方向，不把 seed 当独立 benchmark 题。
任务总数必须展开为逐题矩阵
Math 与 Code 的四题都从 8/16 跨到 16/16；跨不同 GSM8K gold 的 final-answer frequency 禁止聚合。
均值与 source 方向同时展示
English 句点 contrast 均值 −8.5，但 3/4 source 为正；Code 两道题 +1/−1 interaction 在域均值 0 中抵消。
跨题 sampling 仍要求精确复跑
R0/R1 63/64 同格分叉；新进程 R0 的 seed、prompt、token、text、stop 与 CPU/CUDA RNG pre-state 八字段 64/64 exact。
共同随机数必须共享 uniform tape
仅把生成器 seed 重置为同一个值并不等于 CRN；Round 08 用 SHA-256 逐 task/tape/step 生成显式 u，并让四个条件把同一 u 映射到各自 token CDF。
bootstrap 的统计单位是任务
HumanEval 与 GSM8K 各 32 题分开做 10,000 次成对任务重采样；这是冻结题集的敏感性带，不冒充 benchmark 总体或跨 seed 置信区间。
正确性未定，不等于没有行为效应
八个正确性 contrast 区间全部跨零；system-at-period 的长度带在 Code 为 −130.9 [−178.7,−83.2]，在 Math 为 +25.1 [7.9,44.5]，明确显示任务域交互。
复现合同扩到随机带本身
64 条新进程重放逐字段核对 uniform hash、token IDs、文本、停止状态与 RNG；十二字段全部 64/64 exact，并公开评分文件提前加载这一流程偏差。