title: "模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態"
title_en: "Can a Model Live in Tables? CSV-Native Transformers and Inspectable Model State"
series: "矩陣原生智能與可稽核計算系列"
series_en: "Matrix-Native Intelligence and Auditable Computation Series"
series_id: "EML-MNIAC-2026"
paper_id: "EML-MNIAC-2026-01"
version: "v0.1"
date: "2026-08-16"
language: "zh-Hant"
document_type: "系列第01篇／Open Model State／可執行原型重構"
status: "Public Draft"
author: "Neo.K（許筌崴）／EveMissLab"
depends_on:
- "EML-MNIAC-2026-00 矩陣原生智能與可稽核計算總論 v0.1"
internal_artifacts:
- "nanocsv_llm.py"
- "自適應帳本量化代理框架技術規格.md"
- "EveTessera / Veritaxa Workbench 試算表原生爬蟲與 Agent 系統技術白皮書"
canonical_keywords:
- Open Model State
- CSV-Native Transformer
- Inspectable Model State
- Model Persistence
- State Reconstruction
- Tabular Representation
- Model Identity
- Serialization
- Reproducible Inference
模型可以住在表格裡嗎？
CSV-Native Transformer 與可檢查模型狀態
Can a Model Live in Tables?
摘要
本文是《矩陣原生智能與可稽核計算》系列第 01 篇，重新檢視本系列最早、也最容易被誤解的實驗命題：人工智慧模型是否可以「住在表格裡」？
本文以 nanocsv_llm.py 為核心實驗對象。該原型是一個最小字元級 Transformer，具有 token embedding、position embedding、單頭 causal attention、MLP、residual connection、cross entropy、反向傳播與 Adam optimizer；其核心特徵不是模型架構本身，而是將全部可訓練模型參數、詞彙表與結構設定外部化為 CSV 檔案，並驗證：
梯度計算與有限差分一致；
訓練損失下降；
模型經 save → reload 後，確定性生成保持一致。
本文主張，此實驗不能被解讀為「CSV 是更好的大型模型格式」，也不能推出「Excel 可以直接取代 GPU runtime」。它真正支持的是一個較小但重要的命題：
對至少一類有限神經模型而言，完整推論所需的可學習狀態可以被外部化為開放表格表示。 \boxed{
\text{對至少一類有限神經模型而言，完整推論所需的可學習狀態可以被外部化為開放表格表示。}
} 對至少一類有限神經模型而言，完整推論所需的可學習狀態可以被外部化為開放表格表示。 本文進一步將「模型保存」拆成四個不同層級：
Persistence ≠ Reconstruction ≠ Execution ≠ Auditability . \text{Persistence}
\neq
\text{Reconstruction}
\neq
\text{Execution}
\neq
\text{Auditability}. Persistence = Reconstruction = Execution = Auditability . 並將 CSV-Native 原型與現代 state_dict、Safetensors、ONNX 等模型持久化／交換方法放在同一工程座標中。本文的核心結論不是要求大型模型使用 CSV，而是提出 Open Model State ：模型狀態可以被視為一組可命名、可定址、可檢查、可雜湊、可版本化與可重新裝載的外部結構，而不必在概念上與某個特定二進位封裝永久綁定。
1. 問題的重新定義
1.1 「模型住在表格裡」不是什麼？
若直接聽到：
「把 AI 大模型放進 Excel／CSV。」
最容易出現三種誤解。
第一種：
CSV = Neural Runtime . \text{CSV}
=
\text{Neural Runtime}. CSV = Neural Runtime . 第二種：
Spreadsheet Formula = Transformer . \text{Spreadsheet Formula}
=
\text{Transformer}. Spreadsheet Formula = Transformer . 第三種：
Human-readable ⇒ Computationally Efficient . \text{Human-readable}
\Rightarrow
\text{Computationally Efficient}. Human-readable ⇒ Computationally Efficient . 本文不接受這三個等號。
nanocsv_llm.py 的真正架構是：
CSV = Persistent Model State \boxed{
\text{CSV}
=
\text{Persistent Model State}
} CSV = Persistent Model State 而：
NumPy + Python = Execution Engine . \boxed{
\text{NumPy + Python}
=
\text{Execution Engine}.
} NumPy + Python = Execution Engine . 因此最早原型真正研究的是：
模型狀態是否可以脫離不透明 binary container，而以非常普通的表格形式存在？
2. Model、State 與 Runtime 必須分開
定義一個神經模型：
M = ( A , Θ , Γ ) , M
=
(
\mathcal A,
\Theta,
\Gamma
), M = ( A , Θ , Γ ) , 其中：
A \mathcal A A Θ \Theta Θ Γ \Gamma Γ
推論可寫為：
y = F A , Γ ( x ; Θ ) . y
=
F_{\mathcal A,\Gamma}(x;\Theta). y = F A , Γ ( x ; Θ ) . 這裡真正被 CSV 外部化的是：
Θ + Γ , \Theta
+
\Gamma, Θ + Γ , 而不是完整：
F . F. F . 因此：
Model State ≠ Model Runtime . \boxed{
\text{Model State}
\neq
\text{Model Runtime}.
} Model State = Model Runtime . 同樣地：
Model State ≠ Model Architecture Description \boxed{
\text{Model State}
\neq
\text{Model Architecture Description}
} Model State = Model Architecture Description 除非架構本身也被足夠完整地保存。
3. nanocsv_llm.py 的最小模型
3.1 參數集合
原型的可訓練參數為：
Θ = { W t e , W p e , W q , W k , W v , W o , W 1 , b 1 , W 2 , b 2 , W h , b h } . \Theta
=
\{
W_{te},
W_{pe},
W_q,
W_k,
W_v,
W_o,
W_1,
b_1,
W_2,
b_2,
W_h,
b_h
\}. Θ = { W t e , W p e , W q , W k , W v , W o , W 1 , b 1 , W 2 , b 2 , W h , b h } . 其中：
W t e ∈ R V × D W_{te}\in\mathbb R^{V\times D} W t e ∈ R V × D 是 token / character embedding，
W p e ∈ R T × D W_{pe}\in\mathbb R^{T\times D} W p e ∈ R T × D 是 position embedding。
Attention 為：
Q = X W q , Q=XW_q, Q = X W q , K = X W k , K=XW_k, K = X W k , V = X W v . V=XW_v. V = X W v . 注意力分數：
A = Q K ⊤ D + M c a u s a l . A
=
\frac{QK^\top}{\sqrt D}
+
M_{\mathrm{causal}}. A = D Q K ⊤ + M causal . 經 row softmax：
P = softmax ( A ) , P
=
\operatorname{softmax}(A), P = softmax ( A ) , 輸出：
O = P V . O=PV. O = P V . 並形成 residual：
X ′ = X + O W o . X'
=
X+OW_o. X ′ = X + O W o . MLP 為：
H = ReLU ( X ′ W 1 + b 1 ) , H
=
\operatorname{ReLU}
(X'W_1+b_1), H = ReLU ( X ′ W 1 + b 1 ) , X ′ ′ = X ′ + H W 2 + b 2 . X''
=
X'
+
HW_2+b_2. X ′′ = X ′ + H W 2 + b 2 . 最後 logits：
Z = X ′ ′ W h + b h . Z
=
X''W_h+b_h. Z = X ′′ W h + b h . 此架構不是前沿模型，也沒有 LayerNorm、多頭 attention、RoPE、MoE 或深層堆疊。
它的角色是：
最小但真正可訓練、可生成、可保存的 Transformer-like test object . \boxed{
\text{最小但真正可訓練、可生成、可保存的 Transformer-like test object}.
} 最小但真正可訓練、可生成、可保存的 Transformer-like test object . 4. 為什麼使用字元級模型？
若實驗目的不是追求語言品質，而是測試：
Save → Reload → Same Inference , \text{Save}
\rightarrow
\text{Reload}
\rightarrow
\text{Same Inference}, Save → Reload → Same Inference , 則字元級模型具有三個優點：
tokenizer 極簡；
vocabulary 可完整攤開；
state space 小到可以人工檢查。
詞彙映射：
s t o i : c h a r → i d , stoi:
char\rightarrow id, s t o i : c ha r → i d , i t o s : i d → c h a r . itos:
id\rightarrow char. i t os : i d → c ha r . 可直接保存為：
vocab.csv
因此模型最低可重建集合為：
S M = ( Θ , V o c a b , C o n f i g ) . \boxed{
\mathcal S_M
=
(
\Theta,
Vocab,
Config
).
} S M = ( Θ , V oc ab , C o n f i g ) . 5. CSV State Layout
5.1 每個矩陣一個檔案
原型使用：
weights/
├─ Wte.csv
├─ Wpe.csv
├─ Wq.csv
├─ Wk.csv
├─ Wv.csv
├─ Wo.csv
├─ W1.csv
├─ b1.csv
├─ W2.csv
├─ b2.csv
├─ Wh.csv
├─ bh.csv
├─ vocab.csv
└─ config.csv
因此：
Θ k ⟷ F i l e k . \Theta_k
\longleftrightarrow
File_k. Θ k ⟷ F i l e k . 這種設計的最大優點不是速度，而是：
Parameter Naming Becomes Physical and Inspectable . \boxed{
\text{Parameter Naming Becomes Physical and Inspectable}.
} Parameter Naming Becomes Physical and Inspectable . 也就是：
你可以直接指出「這是 W q W_q W q
5.2 Config
最小設定包括：
V , D , H , T l e n . V,
D,
H,
T_{len}. V , D , H , T l e n . 其中：
V V V D D D H H H T l e n T_{len} T l e n
因此：
config.csv
不只是附註，而是重建模型 shape 的必要條件。
6. 第一個驗證：Gradient Check
若一個模型只是「可以 forward」，但 backward 錯誤，那麼 persistence 實驗沒有太大意義。
原型首先比較 analytic gradient 與 finite-difference gradient。
對參數：
θ , \theta, θ , 數值梯度為：
g n u m = L ( θ + ϵ ) − L ( θ − ϵ ) 2 ϵ . g_{\mathrm{num}}
=
\frac{
L(\theta+\epsilon)
-
L(\theta-\epsilon)
}{
2\epsilon
}. g num = 2 ϵ L ( θ + ϵ ) − L ( θ − ϵ ) . 解析梯度：
g a n a = ∂ L ∂ θ . g_{\mathrm{ana}}
=
\frac{\partial L}{\partial\theta}. g ana = ∂ θ ∂ L . 檢查：
∣ g n u m − g a n a ∣ < 10 − 6 . \boxed{
|g_{\mathrm{num}}-g_{\mathrm{ana}}|
<
10^{-6}.
} ∣ g num − g ana ∣ < 1 0 − 6 . 這代表原型至少不是「會吐文字的隨機公式拼裝器」。
它具有可核對的 learning mechanics。
7. 第二個驗證：Loss 是否真的下降？
模型使用 Adam 更新。
若：
L e a r l y L_{\mathrm{early}} L early 代表訓練初期平均 loss，
而：
L l a t e L_{\mathrm{late}} L late 代表末期平均 loss，
則最低要求：
L l a t e < L e a r l y . L_{\mathrm{late}}
<
L_{\mathrm{early}}. L late < L early . 原型甚至設置更強的測試條件：
L l a t e < L e a r l y − 0.3. L_{\mathrm{late}}
<
L_{\mathrm{early}}
-
0.3. L late < L early − 0.3. 這個實驗仍然不證明模型「理解語言」。
它只證明：
這是一個真正進行參數學習的有限模型。 \boxed{
\text{這是一個真正進行參數學習的有限模型。}
} 這是一個真正進行參數學習的有限模型。 8. 第三個驗證：Save → Reload → Same Generation
這是本文最核心的實驗。
假設：
M 1 M_1 M 1 是訓練完成後的 in-memory model。
先生成：
Y 1 = G ( M 1 , x ) . Y_1
=
G(M_1,x). Y 1 = G ( M 1 , x ) . 之後：
S a v e ( M 1 ) → C S V . Save(M_1)
\rightarrow
CSV. S a v e ( M 1 ) → C S V . 再：
M 2 = L o a d ( C S V ) . M_2
=
Load(CSV). M 2 = L o a d ( C S V ) . 重新生成：
Y 2 = G ( M 2 , x ) . Y_2
=
G(M_2,x). Y 2 = G ( M 2 , x ) . 確定性條件下要求：
Y 1 = Y 2 . \boxed{
Y_1=Y_2.
} Y 1 = Y 2 . 原型選擇 greedy generation：
t e m p e r a t u r e = 0. temperature=0. t e m p er a t u r e = 0. 這非常重要。
如果使用 stochastic sampling，
即使：
M 1 = M 2 , M_1=M_2, M 1 = M 2 , 仍可能：
Y 1 ≠ Y 2 Y_1\neq Y_2 Y 1 = Y 2 而不能直接判定 persistence failure。
因此這個測試真正測的是：
State Reconstruction Fidelity . \boxed{
\text{State Reconstruction Fidelity}.
} State Reconstruction Fidelity . 9. Open Model State
本文正式定義：
定義 1 — Open Model State
設模型：
M = ( A , Θ , Γ ) . M=(\mathcal A,\Theta,\Gamma). M = ( A , Θ , Γ ) . 若存在外部表示：
R ( M ) , R(M), R ( M ) , 使得：
Θ \Theta Θ Γ \Gamma Γ state 可被獨立讀取；
state 可被重新載入；
declared deterministic inference equivalence 可測試；
則稱：
R ( M ) R(M) R ( M ) 為該模型的一個 Open Model State representation 。
形式上：
M → S a v e R ( M ) → L o a d M ′ . M
\xrightarrow{Save}
R(M)
\xrightarrow{Load}
M'. M S a v e R ( M ) L o a d M ′ . 若對指定測試域：
X T , \mathcal X_T, X T , 有：
∀ x ∈ X T , F M ( x ) = F M ′ ( x ) , \forall x\in\mathcal X_T,
\quad
F_M(x)=F_{M'}(x), ∀ x ∈ X T , F M ( x ) = F M ′ ( x ) , 則稱：
R ( M ) R(M) R ( M ) 通過該域上的 reconstruction equivalence。
10. 四個常被混淆的層級
這是本文最重要的分類。
10.1 Persistence
State can be saved. \boxed{
\text{State can be saved.}
} State can be saved. 表示 bytes 存在。
這是最低層。
10.2 Reconstruction
Saved state can reconstruct an equivalent model instance. \boxed{
\text{Saved state can reconstruct an equivalent model instance.}
} Saved state can reconstruct an equivalent model instance. 需要：
shape；
parameter naming；
vocabulary；
model configuration；
correct loading logic。
10.3 Execution
The representation itself has executable semantics or can be executed by a defined runtime. \boxed{
\text{The representation itself has executable semantics or can be executed by a defined runtime.}
} The representation itself has executable semantics or can be executed by a defined runtime. CSV-Native POC 沒有 證明：
C S V CSV C S V 本身就是 efficient execution runtime。
它需要 Python / NumPy execution layer。
10.4 Auditability
A human or machine can inspect, identify, compare and verify relevant state components. \boxed{
\text{A human or machine can inspect, identify, compare and verify relevant state components.}
} A human or machine can inspect, identify, compare and verify relevant state components. 這比「檔案是文字格式」更強。
真正 auditability 還需要：
schema；
stable identifiers；
shape declarations；
hashes；
version；
provenance；
diff semantics；
corruption detection。
因此：
P e r s i s t e n c e ≠ R e c o n s t r u c t i o n ≠ E x e c u t i o n ≠ A u d i t a b i l i t y . \boxed{
Persistence
\neq
Reconstruction
\neq
Execution
\neq
Auditability.
} P er s i s t e n ce = R eco n s t r u c t i o n = E x ec u t i o n = A u d i t abi l i t y . 11. 與現代模型保存方法的關係
11.1 PyTorch state_dict
PyTorch 的典型模式本身已經把：
Architecture Code \text{Architecture Code} Architecture Code 與：
Parameter State \text{Parameter State} Parameter State 分開。
一個 state_dict 本質上是：
N a m e → T e n s o r . Name
\rightarrow
Tensor. N am e → T e n sor . 因此 CSV-Native POC 並沒有發明「模型狀態可序列化」。
它把同一概念推向另一個極端：
Parameter State → Plain Tabular Files . \boxed{
\text{Parameter State}
\rightarrow
\text{Plain Tabular Files}.
} Parameter State → Plain Tabular Files . 其研究價值是 transparency，而非框架效率。
11.2 Safetensors
Safetensors 的問題設定更偏向：
S a f e + F a s t + T e n s o r − O r i e n t e d S e r i a l i z a t i o n . \boxed{
Safe
+
Fast
+
Tensor-Oriented Serialization.
} S a f e + F a s t + T e n sor − O r i e n t e d S er ia l i z a t i o n . 它適合真實大模型部署。
CSV 的問題設定則更偏向：
I n s p e c t a b l e + S i m p l e + T o o l − A g n o s t i c + H u m a n − R e a d a b l e . \boxed{
Inspectable
+
Simple
+
Tool-Agnostic
+
Human-Readable.
} I n s p ec t ab l e + S im pl e + T oo l − A g n os t i c + H u man − R e a d ab l e . 兩者不是同一 optimization target。
因此不能用：
「Safetensors 比 CSV 快。」
來否定 CSV-Native POC。
同樣也不能用：
「CSV 比 Safetensors 好看。」
來主張 CSV 應替代 Safetensors。
11.3 ONNX
ONNX 更進一步保存：
C o m p u t a t i o n G r a p h + O p e r a t o r s + T e n s o r I n i t i a l i z e r s + M e t a d a t a . \boxed{
ComputationGraph
+
Operators
+
Tensor Initializers
+
Metadata.
} C o m p u t a t i o n G r a p h + O p er a t or s + T e n sor I ni t ia l i z er s + M e t a d a t a . 這代表：
State \text{State} State 與：
Executable Graph Semantics \text{Executable Graph Semantics} Executable Graph Semantics 開始被放進同一模型交換框架。
從本系列角度看，ONNX 對後來 MLF / MMLC 的啟發點不是「使用 protobuf」，而是：
一個可攜模型不能只知道參數值，還需要知道這些值如何進入計算。
12. CSV 的真正弱點
如果研究要誠實，CSV 的限制非常明顯。
12.1 Type Weakness
CSV 原生沒有：
tensor dtype；
shape semantics；
endian；
quantization metadata；
sparse layout；
device semantics。
12.2 Structural Weakness
一個矩陣：
W q W_q W q 被保存成 CSV 後，不會自動知道：
「我是 Query projection matrix。」
語義必須存在於：
f i l e n a m e , s c h e m a , m a n i f e s t , e x t e r n a l s p e c . filename,
schema,
manifest,
external spec. f i l e nam e , sc h e ma , mani f es t , e x t er na l s p ec . 12.3 Scale Weakness
大型模型可能具有：
10 9 ∼ 10 12 10^9
\sim
10^{12} 1 0 9 ∼ 1 0 12 級參數。
若每個浮點數都使用十進位文字表示：
S t o r a g e C o s t C S V ≫ S t o r a g e C o s t b i n a r y . StorageCost_{\mathrm{CSV}}
\gg
StorageCost_{\mathrm{binary}}. S t or a g e C os t CSV ≫ S t or a g e C os t binary . Parsing cost 也會顯著增加。
12.4 Precision Risk
若：
S a v e P r e c i s i o n < I n t e r n a l P r e c i s i o n , SavePrecision
<
InternalPrecision, S a v e P r ec i s i o n < I n t er na l P r ec i s i o n , 則：
Θ → Θ ~ \Theta
\rightarrow
\tilde\Theta Θ → Θ ~ 可能產生 rounding drift。
原型使用：
%.10g
因此：
identical generation \boxed{
\text{identical generation}
} identical generation 只代表該 toy model、該輸入與該 deterministic generation test 下沒有產生可觀察輸出差異。
它不等於：
Θ = Θ ~ bitwise . \boxed{
\Theta=\tilde\Theta
\text{ bitwise}.
} Θ = Θ ~ bitwise . 這是本文必須比早期直覺寫得更精確的地方。
13. 「相同生成」也不是完整模型同一性
假設：
G ( M 1 , x ) = G ( M 2 , x ) . G(M_1,x)=G(M_2,x). G ( M 1 , x ) = G ( M 2 , x ) . 不能推出：
M 1 = M 2 . M_1=M_2. M 1 = M 2 . 因為可能：
Θ 1 ≠ Θ 2 \Theta_1\neq\Theta_2 Θ 1 = Θ 2 但在有限測試集上：
F Θ 1 ( x ) = F Θ 2 ( x ) . F_{\Theta_1}(x)
=
F_{\Theta_2}(x). F Θ 1 ( x ) = F Θ 2 ( x ) . 因此需要分至少三種 identity。
13.1 Byte Identity
H ( Θ 1 ) = H ( Θ 2 ) . H(\Theta_1)=H(\Theta_2). H ( Θ 1 ) = H ( Θ 2 ) . 13.2 Parameter Identity
對所有 named parameters：
Θ 1 [ k ] = Θ 2 [ k ] . \Theta_1[k]=\Theta_2[k]. Θ 1 [ k ] = Θ 2 [ k ] . 13.3 Behavioral Identity on Domain
∀ x ∈ X T , F Θ 1 ( x ) = F Θ 2 ( x ) . \forall x\in\mathcal X_T,
\quad
F_{\Theta_1}(x)
=
F_{\Theta_2}(x). ∀ x ∈ X T , F Θ 1 ( x ) = F Θ 2 ( x ) . 三者強度不同。
CSV-Native 原型的原始 C3 主要驗證的是：
B e h a v i o r a l I d e n t i t y \boxed{
Behavioral Identity
} B e ha v i or a l I d e n t i t y 在一個非常有限的 deterministic generation test 上成立。
14. 從 POC 到正式 Open Model State
如果今天重新做 v1.0，不應只保留：
Wq.csv
Wk.csv
...
而應增加 manifest。
例如：
format: open-model-state
version: 1.0
architecture:
family: minimal-causal-transformer
code_hash: ...
implementation_version: ...
vocabulary:
path: vocab.csv
hash: ...
config:
path: config.csv
hash: ...
parameters:
- id: Wte
path: tensors/Wte.csv
shape: [23, 24]
dtype: float64
semantic_role: token_embedding
hash: ...
- id: Wq
path: tensors/Wq.csv
shape: [24, 24]
dtype: float64
semantic_role: attention_query_projection
hash: ...
tests:
- gradient_check
- loss_decrease
- reload_parameter_compare
- deterministic_inference_compare
這樣：
Readable Files \boxed{
\text{Readable Files}
} Readable Files 才真正開始升級為：
Auditable Model Package . \boxed{
\text{Auditable Model Package}.
} Auditable Model Package . 15. 模型狀態可以是一個帳本嗎？
Open Model State 自然會導向下一個問題：
假設：
Θ 0 → Θ 1 → Θ 2 → ⋯ → Θ t . \Theta_0
\rightarrow
\Theta_1
\rightarrow
\Theta_2
\rightarrow
\cdots
\rightarrow
\Theta_t. Θ 0 → Θ 1 → Θ 2 → ⋯ → Θ t . 如果每個版本都只覆寫：
Wq.csv
則歷史消失。
更完整的模型帳本應保存：
E t = ( t i m e s t a m p , p a r a m e t e r , b e f o r e , a f t e r , c a u s e , o p t i m i z e r , d a t a , p r o v e n a n c e ) . E_t
=
(
timestamp,
parameter,
before,
after,
cause,
optimizer,
data,
provenance
). E t = ( t im es t am p , p a r am e t er , b e f or e , a f t er , c a u se , o pt imi z er , d a t a , p r o v e nan ce ) . 於是：
Θ t \Theta_t Θ t 不只是一個 snapshot，
而是：
Θ t = F o l d ( E 0 , … , E t ) . \boxed{
\Theta_t
=
Fold(E_0,\ldots,E_t).
} Θ t = F o l d ( E 0 , … , E t ) . 這就是 Open Model State 與後續 Ledger / MLF / PHOSPHOR event-stream 理論之間的第一條正式橋。
16. 表格真正提供的是「可定位性」
二進位 tensor 一樣可以被命名。
但表格直覺的特殊價值是：
Coordinate + Name + Visible Value . \boxed{
\text{Coordinate}
+
\text{Name}
+
\text{Visible Value}.
} Coordinate + Name + Visible Value . 例如 embedding：
E i , : E_{i,:} E i , : 可以被理解為：
vocabulary item i i i
因此：
High-Dimensional Vector \boxed{
\text{High-Dimensional Vector}
} High-Dimensional Vector 沒有因為存在於 AI 模型裡就失去「表格列」這個普通身份。
這個認知破除是早期實驗真正有價值的一點：
大模型再巨大，其底層參數仍然是可以被索引、切片、命名與序列化的數值結構。
這不神秘化 AI，也不因此低估其整體湧現能力。
17. 可檢查不等於可理解
這裡需要再加一個重要限制。
即使：
Θ \Theta Θ 全部攤開，
人類仍未必知道：
Θ i , j \Theta_{i,j} Θ i , j 「代表什麼概念」。
因此：
I n s p e c t a b l e ≠ I n t e r p r e t a b l e . \boxed{
Inspectable
\neq
Interpretable.
} I n s p ec t ab l e = I n t er p r e t ab l e . CSV 解決的是：
Where is the state? \text{Where is the state?} Where is the state? 而不是：
What does every parameter mean? \text{What does every parameter mean?} What does every parameter mean? 同樣：
R e a d a b l e ≠ S e m a n t i c a l l y T r a n s p a r e n t . \boxed{
Readable
\neq
Semantically Transparent.
} R e a d ab l e = S e man t i c a l l y T r an s p a r e n t . 這條區分避免把 Open Model State 誤寫成完整 mechanistic interpretability。
18. 可檢查也不等於安全
如果 state 可以被直接編輯：
Θ → Θ ′ , \Theta
\rightarrow
\Theta', Θ → Θ ′ , 則也必須面對：
accidental corruption；
malicious tampering；
unauthorized modification；
version drift；
partial overwrite。
因此 Open Model State 若走向正式工程，需要：
H a s h + S i g n a t u r e + S c h e m a + V e r s i o n + A t o m i c W r i t e + R o l l b a c k . \boxed{
Hash
+
Signature
+
Schema
+
Version
+
AtomicWrite
+
Rollback.
} H a s h + S i g na t u r e + S c h e ma + V er s i o n + A t o mi c W r i t e + R o l l ba c k . 這也是後來 Veritaxa 與 MLF 逐步加入：
checksum；
fingerprint；
append-only history；
source lock；
safe copy；
的原因。
19. Open Model State 的五層成熟度
本文提出一個五層分類。
OMS-0 — Opaque State
模型只能透過專用 runtime 操作，外部難以定位 state。
OMS-1 — Named Serialization
N a m e → T e n s o r . Name\rightarrow Tensor. N am e → T e n sor . 具名參數可以保存與載入。
OMS-2 — Inspectable State
state 能被通用工具讀取與逐項檢查。
CSV-Native POC 主要位於此層。
OMS-3 — Verifiable State
增加：
S c h e m a + H a s h + V e r s i o n + S h a p e + D T y p e + R e c o n s t r u c t i o n T e s t s . Schema
+
Hash
+
Version
+
Shape
+
DType
+
ReconstructionTests. S c h e ma + H a s h + V er s i o n + S ha p e + D T y p e + R eco n s t r u c t i o n T es t s . OMS-4 — Auditable State Ledger
再增加：
P r o v e n a n c e + H i s t o r y + D i f f + A u t h o r i z a t i o n + R o l l b a c k + P r o m o t i o n . Provenance
+
History
+
Diff
+
Authorization
+
Rollback
+
Promotion. P r o v e nan ce + H i s t or y + D i f f + A u t h or i z a t i o n + R o l l ba c k + P r o m o t i o n . 此時模型 state 不只是 checkpoint，而開始成為可治理研究物件。
20. 可證偽條件
F1 — Reconstruction Failure
若：
M ′ = L o a d ( S a v e ( M ) ) M'
=
Load(Save(M)) M ′ = L o a d ( S a v e ( M )) 後無法執行同一 declared architecture，
Open Model State failure。
F2 — Parameter Drift
若 claimed lossless save/load 後：
∃ k : Θ k ≠ Θ k ′ , \exists k:
\Theta_k\neq\Theta'_k, ∃ k : Θ k = Θ k ′ , 則 lossless claim 失敗。
F3 — Behavioral Drift
若 declared deterministic test domain 中：
∃ x : F M ( x ) ≠ F M ′ ( x ) , \exists x:
F_M(x)\neq F_{M'}(x), ∃ x : F M ( x ) = F M ′ ( x ) , 則 behavioral reconstruction claim 失敗。
F4 — Missing Semantic Binding
若檔案存在但無法知道：
F i l e i ↔ P a r a m e t e r i , File_i
\leftrightarrow
Parameter_i, F i l e i ↔ P a r am e t e r i , 則 inspectability 只能算 byte readability，不能算 model-state auditability。
F5 — Architecture Dependency Hidden
若重建依賴某個未保存的：
code version；
operator semantics；
tokenizer rule；
dtype assumption；
則 package 並不自足。
21. 對大型模型的真正問題
對大型模型而言，最重要的問題不是：
能不能真的把一兆參數全部存成 CSV？
技術上，只要儲存足夠大，當然可以。
真正問題是：
是否值得？ \boxed{
\text{是否值得？}
} 是否值得？ 對 production runtime：
A n s w e r ≈ N o . Answer\approx No. A n s w er ≈ N o . 對 educational / audit / forensic / reduced-slice views：
A n s w e r ≈ O f t e n Y e s . Answer\approx Often\ Yes. A n s w er ≈ O f t e n Y es . 因此較合理的方向是：
Binary Canonical Tensor Storage + Inspectable Tabular Projection . \boxed{
\text{Binary Canonical Tensor Storage}
+
\text{Inspectable Tabular Projection}.
} Binary Canonical Tensor Storage + Inspectable Tabular Projection . 也就是不要求：
C S V = canonical physical bytes , CSV=\text{canonical physical bytes}, C S V = canonical physical bytes , 而允許：
Φ t a b l e ( Θ ) \Phi_{\mathrm{table}}(\Theta) Φ table ( Θ ) 成為可逆或可驗證的 human / AI inspection view。
這一點直接連到後來的 MLF projection philosophy。
22. 與 MLF 的橋接
Open Model State 可以自然寫成 MLF 類型的 projection。
設 canonical model state：
S M . S_M. S M . 則：
Φ t e n s o r ( S M ) = Safetensors / framework tensors , \Phi_{\mathrm{tensor}}(S_M)
=
\text{Safetensors / framework tensors}, Φ tensor ( S M ) = Safetensors / framework tensors , Φ g r a p h ( S M ) = ONNX-like computation graph , \Phi_{\mathrm{graph}}(S_M)
=
\text{ONNX-like computation graph}, Φ graph ( S M ) = ONNX-like computation graph , Φ t a b l e ( S M ) = CSV / Spreadsheet inspection view , \Phi_{\mathrm{table}}(S_M)
=
\text{CSV / Spreadsheet inspection view}, Φ table ( S M ) = CSV / Spreadsheet inspection view , Φ a u d i t ( S M ) = hash / provenance / diff ledger . \Phi_{\mathrm{audit}}(S_M)
=
\text{hash / provenance / diff ledger}. Φ audit ( S M ) = hash / provenance / diff ledger . 所以早期 nanocsv_llm.py 可以重新理解成：
Open Model State 的第一個極簡 projection experiment . \boxed{
\text{Open Model State 的第一個極簡 projection experiment}.
} Open Model State 的第一個極簡 projection experiment . 而不是終極格式提案。
23. 本文結論
「模型可以住在表格裡嗎？」
答案需要分層。
如果問題是：
模型所有權重能否以表格保存？
答案：
Y e s . \boxed{
Yes.
} Y es . 如果問題是：
保存後能否重新建模並保持指定 deterministic inference？
對本文原型：
Y e s , u n d e r t h e t e s t e d c o n d i t i o n s . \boxed{
Yes,\ under\ the\ tested\ conditions.
} Y es , u n d er t h e t es t e d co n d i t i o n s . 如果問題是：
CSV 本身是不是 Transformer runtime？
答案：
N o . \boxed{
No.
} N o . 如果問題是：
CSV 是否適合作為大型模型 production checkpoint？
本文：
N o s u c h c l a i m . \boxed{
No\ such\ claim.
} N o s u c h c l aim . 如果問題是：
表格是否仍具有 AI 工程價值？
本文的答案是：
Y e s , \boxed{
Yes,
} Y es , 但價值不在取代專用 tensor format，而在：
Inspectability + Addressability + Versionability + Reconstruction Testing . \boxed{
\text{Inspectability}
+
\text{Addressability}
+
\text{Versionability}
+
\text{Reconstruction Testing}.
} Inspectability + Addressability + Versionability + Reconstruction Testing . 因此本文最終提出：
模型狀態可以被視為一個外部、可命名、可檢查、可驗證的結構， 而不是只能被視為某個框架內部不可見的參數黑盒。 \boxed{
\textbf{
模型狀態可以被視為一個外部、可命名、可檢查、可驗證的結構，
而不是只能被視為某個框架內部不可見的參數黑盒。
}
} 模型狀態可以被視為一個外部、可命名、可檢查、可驗證的結構， 而不是只能被視為某個框架內部不可見的參數黑盒。 這就是整個「矩陣原生智能與可稽核計算」系列的第一塊工程地基。
24. 下一篇
EML-MNIAC-2026-02
《學習作為帳本流：不變量、投影約束與不可消除結構殘差》
下一篇將正式處理：
Learning + Invariant + Projection + Residual . \boxed{
\text{Learning}
+
\text{Invariant}
+
\text{Projection}
+
\text{Residual}.
} Learning + Invariant + Projection + Residual . 並回答：
當模型被允許學習，但不能離開某個合法狀態域時，什麼條件下 constraint 不會殺死 learning？而什麼時候 constraint 本身就是錯的？
參考資料
內部原型與既有文件
EveMissLab, nanocsv_llm.py, minimal char-level Transformer with CSV-native parameter persistence.
EveMissLab, ledger_experiment.py.
EveMissLab, build_xlsx.py.
《自適應帳本量化代理框架技術規格》。
《EveTessera / Veritaxa Workbench 試算表原生爬蟲與 Agent 系統技術白皮書》。
《矩陣原生智能與可稽核計算：從表格模型狀態到多重投影執行同一性的統一研究綱領》。
外部工程對照
PyTorch Tutorials, Saving and Loading Models .https://docs.pytorch.org/tutorials/beginner/saving_loading_models
Hugging Face, Safetensors Documentation .https://huggingface.co/docs/safetensors/index
ONNX Documentation, ONNX Concepts .https://onnx.ai/onnx/intro/concepts.html
ONNX Documentation, Open Neural Network Exchange Intermediate Representation Specification .https://onnx.ai/onnx/repo-docs/IR.html
系列狀態： 第 01 篇完成。下一篇： EML-MNIAC-2026-02 —《學習作為帳本流：不變量、投影約束與不可消除結構殘差》