document_id: "UA-ANPC-A09" series: "AI-Native Preprint Commons Series" series_part: 9 version: "0.1" language: "zh-Hant" title: "AI 解例外，演算法吸收例外：Failure-Driven Adaptive Publishing 與自我改善的學術出版管線" english_title: "AI Solves Exceptions, Algorithms Absorb Exceptions: Failure-Driven Adaptive Publishing and a Self-Improving Scholarly Publication Pipeline" author: - "Neo.K" - "Aletheia / GPT-5.6 Sol — research and drafting collaborator" institution: "EveMissLab／一言諾科技有限公司" status: "architecture / adaptive-publishing systems paper" date: "2026-09-03" canonical_source: "UTF-8 Markdown" license_note: "This paper is intended for open academic publication within the Unbounded Axiom research ecosystem."

AI 解例外，演算法吸收例外

Failure-Driven Adaptive Publishing 與自我改善的學術出版管線

AI-Native Preprint Commons Series — Paper 09

摘要

AI 原生預印本平台若接受 Markdown、純文字、外部資料、複雜公式、程式碼、表格、圖像與長期演化的研究物件，便必然面臨一個現實：無論 parser、normalizer、validator 與 renderer 設計得多完整，真實世界的文件都會產生長尾格式、歧義結構、破損數學 delimiters、未知 extension、表格 overflow、citation mismatch、encoding anomalies、legacy conventions 與難以事先窮舉的 representation failures。

最直觀但最昂貴的解法，是讓大型模型處理每一篇投稿。本文拒絕這種架構。AI-native 不應等於 AI-dependent。

本文提出 Failure-Driven Adaptive Publishing Pipeline（FDAPP），其核心路徑為：

\boxed{ \text{Deterministic First} \rightarrow \text{AI on Exceptions} \rightarrow \text{Validated Repair} \rightarrow \text{Failure Learning} \rightarrow \text{Future Deterministic Success}. }

更完整地：

\boxed{ \begin{aligned} \text{Upload} &\rightarrow \text{Parse}\\ &\rightarrow \text{Normalize}\\ &\rightarrow \text{Validate}\\ &\rightarrow \text{Render}\\ &\rightarrow \text{Detect Failure}\\ &\rightarrow \text{AI Repair Proposal}\\ &\rightarrow \text{Deterministic Revalidation}\\ &\rightarrow \text{Human / Authority Gate}\\ &\rightarrow \text{Commit}\\ &\rightarrow \text{Failure Classification}\\ &\rightarrow \text{Regression Fixture}\\ &\rightarrow \text{Parser / Renderer Improvement}. \end{aligned} }

本文的核心制度原則是：

\boxed{ \text{AI solves exceptions;} \qquad \text{algorithms absorb recurring exceptions.} }

FDAPP 不允許 AI 將修復直接寫入 canonical source。所有模型輸出均為 candidate / proposal，必須留下 base revision、affected objects、diff、repair class、model/runtime provenance、validation results 與 unresolved conflicts。若修復只涉及 representation 且可證明：

\Delta_{\mathrm{semantic}}=0,

平台可在既定 policy 下自動 commit；若改動 claim、number、equation meaning、theorem scope、causal wording、evidence relation、limitation 或 conclusion，則：

\Delta_{\mathrm{semantic}}>0

必須進入 researcher-visible review，不能被「格式修復」名義偷渡。

本文進一步將 AI assistance 分成四層：ORIGINAL、ASSIST、ENHANCE 與 RESEARCH_ASSIST。ORIGINAL 完全不呼叫 AI；ASSIST 只處理結構與排版；ENHANCE 可以建議表格、流程圖、資料圖、taxonomy 與其他 cognitive-compression representations；RESEARCH_ASSIST 才涉及 citation audit、data validation、research classification 或更高階研究輔助。不同層級具有不同成本、權限與 epistemic risk。

本文亦提出 Failure Learning Record（FLR）。平台不應默認將外部未發表論文全文收集為訓練資料，而應優先保存最小化結構失敗：

\boxed{ F = ( \text{Error Class}, \text{Parser State}, \text{Minimal Span}, \text{Repair Operation}, \text{Validation Result} ). }

如果同類 failure 重複出現且可形式化，便轉成 deterministic rule、parser grammar、renderer profile 或 regression fixture。平台的成熟度因此不以「AI 處理了多少文件」衡量，而以 ordinary valid paper 的 AI basic-repair dependency 是否持續下降衡量：

\boxed{ M_{\mathrm{det}} = 1- \frac{ N_{\mathrm{basic\ AI\ repair}} }{ N_{\mathrm{eligible\ submissions}} }. }

理想長期目標是：

\boxed{ \lim_{t\rightarrow\infty} P( \text{AI basic repair} \mid \text{ordinary valid paper} ) \rightarrow0. }

在基礎 parser / renderer 越來越成熟後，低成本模型的工作可逐步轉向更高價值的研究呈現，例如表格、chart、flow diagram、architecture graph、taxonomy、comparison matrix 與資料摘要。本文將這些表示理解為 Cognitive Compression（認知壓縮）：不是「讓論文看起來比較像學術論文」，而是降低讀者與 AI 從長篇文字中自行重建關係結構的成本。

作為 2026 年的實際模型例子，Z.AI 於 2026 年 9 月 2 日發布 GLM-5.3-Flash，官方資料將其描述為 GLM-5 系列首個原生多模態模型，總參數 320B、活躍參數 18B，並特別面向 inference efficiency。2026 年 9 月 3 日的官方 API 價格頁顯示其 promotional rate 為每百萬 input tokens USD 0.075、output tokens USD 0.25，促銷預定於 2026 年 9 月 9 日 24:00（UTC+8）結束。本文只將其視為「低成本 worker-model class」的當代案例；FDAPP 必須 provider-neutral，任何實際 pricing、quota 或 model routing 都不得硬編碼進 scholarly semantics。

最終，FDAPP 的目標不是打造一個永遠需要 AI 才能正常排版的平台，而是建立一個能把真實投稿的失敗逐步轉化為 deterministic competence 的出版系統：

\boxed{ \text{Real-World Failure} \rightarrow \text{Machine Assistance} \rightarrow \text{Validated Knowledge} \rightarrow \text{Compiler Improvement}. }

關鍵詞： Failure-Driven Publishing、AI Preprocessing、Deterministic Parser、Renderer、Regression Fixture、GLM-5.3-Flash、Cognitive Compression、Visualization、EveGlyph、Adaptive Publishing、Unbounded Axiom

1. 問題：再好的 Parser 也會遇到「這到底什麼鬼格式」

如果平台只接收：

perfect CommonMark

問題很簡單。

但真實投稿會出現：

##標題沒有空格

legacy display-math delimiters

表格少一個 separator

參考資料突然混進正文

中文全形符號與 Markdown 混排

公式 delimiter 跨段

HTML + Markdown + 自訂 extension

甚至：

這個作者到底想把下面五行當表格、公式、code 還是普通文字？

任何 public submission system 都會遇到 long tail。

2. Long Tail 不是 Edge Case；它就是 Production Reality

假設格式類型集合：

\mathcal F = \{f_1,f_2,\ldots\}.

常見格式只有：

f_1,\ldots,f_k.

但：

P(f_i)

在尾端不為零。

當 submission 數：

N\rightarrow\infty,

則觀察到新例外的機率不會立刻消失。

因此：

\boxed{ \text{Production Robustness} \neq \text{Perfect Happy-Path Parser}. }

3. 最粗暴做法：每篇都丟給 AI

流程：

\text{Upload} \rightarrow \text{LLM} \rightarrow \text{Clean Document}.

看起來很方便。

問題是：

每篇都有 inference cost；
模型 nondeterminism；
source mutation risk；
privacy exposure；
provider dependency；
latency；
hard-to-reproduce formatting；
semantic drift；
model upgrade behavior drift。

4. AI-Native 不應等於 AI-Dependent

本文提出：

\boxed{ \text{AI-Native} \not\Rightarrow \text{AI Required for Every Operation}. }

真正 AI-native 的 architecture 應知道：

哪些問題演算法已經會做？

哪些問題只有例外才需要模型？

5. Deterministic-First Principle

FDAPP 的第一條原則：

\boxed{ \text{Use deterministic machinery whenever the problem is already formalizable}. }

例如：

UTF-8 validation；
YAML parse；
balanced delimiters；
heading grammar；
known Markdown blocks；
object ID uniqueness；
citation syntax；
known table layout；
renderer overflow detection；
hash；
schema validation。

不需要 LLM。

6. 最小 Pipeline

\boxed{ \text{Upload} \rightarrow \text{Parse} \rightarrow \text{Normalize} \rightarrow \text{Validate} \rightarrow \text{Render}. }

如果全部 PASS：

\boxed{ \text{No AI Call}. }

7. AI Call 是 Exception Branch

只有：

\operatorname{DeterministicResolve}(x)=\texttt{FAIL/AMBIGUOUS}

才考慮：

\operatorname{AIResolve}(x).

8. AI 不是 Fallback Authority

它是：

\boxed{ \text{Fallback Proposal Generator}. }

不是：

\boxed{ \text{Fallback Canonical Authority}. }

9. EveGlyph 既有 Agent Contract 已經提供正確模型

EveGlyph v0.7 的 agent contract 已明確建立：

AIProposal \subseteq CandidateLayer.

Candidate promotion 需要獨立 command / capability。

因此 publication repair 可以直接繼承：

proposal
candidate
validation
promotion
commit

而不是重新設計一套「AI 說了算」。

10. Human Review 應看 Proposal，不是 Raw Model Output

Review UI 應顯示：

base revision；
affected source span / object；
canonical diff；
repair class；
deterministic validation；
model provenance；
unresolved conflicts；
semantic-delta classification。

11. Failure-Driven Adaptive Publishing Pipeline

本文定義：

\boxed{ \begin{aligned} S_0 &\rightarrow D_0\\ &\rightarrow F\\ &\rightarrow P_{\mathrm{AI}}\\ &\rightarrow V(P_{\mathrm{AI}})\\ &\rightarrow G\\ &\rightarrow S_1\\ &\rightarrow L(F). \end{aligned} }

其中：

$S_0$ ：原 source；
$D_0$ ：deterministic pipeline；
$F$ ：failure；
$P_{\mathrm{AI}}$ ：AI repair proposal；
$V$ ：validation；
$G$ ：governance / review gate；
$S_1$ ：accepted revision；
$L(F)$ ：failure learning。

12. Failure Learning 是關鍵

如果只：

error
→ AI fix
→ publish

平台每次都重新付相同 inference cost。

真正 adaptive：

error
→ AI fix
→ classify
→ generalize
→ regression test
→ parser rule

13. 核心命題

\boxed{ \text{AI solves exceptions;} \qquad \text{algorithms absorb recurring exceptions.} }

14. Compiler Oracle 觀點

低成本 AI 可以暫時扮演：

\boxed{ \text{Compiler Oracle for Unformalized Exceptions}. }

它的工作是：

在 compiler 尚未知道怎麼處理時，提出一個可驗證 repair hypothesis。

15. Oracle 不代表永遠保留

當 exception 已形式化：

F_i \rightarrow R_i,

其中 $R_i$ 是 deterministic rule，

則未來：

\operatorname{AIResolve}(F_i)

應停止。

16. Error Taxonomy 必須先存在

沒有 error type，就無法 learning。

至少分：

INGESTION
ENCODING
PARSER
STRUCTURE
MATH
TABLE
CITATION
OBJECT_MAPPING
RENDERER
MEDIA
ACCESSIBILITY
SEMANTIC
PRIVACY
SECURITY
UNKNOWN

17. Ingestion Error

例如：

UNSUPPORTED_FILE
TRUNCATED_UPLOAD
CORRUPT_ARCHIVE
EMPTY_FILE

18. Encoding Error

INVALID_UTF8
BOM_POLICY_MISMATCH
LOSSY_DECODING
UNKNOWN_ENCODING
UNICODE_NORMALIZATION_CONFLICT

19. Parser Error

沿用 Paper 08：

AMBIGUOUS_HEADING
BROKEN_TABLE
UNBALANCED_MATH
UNKNOWN_EXTENSION
MALFORMED_FRONTMATTER
LIST_NESTING_ERROR
CODE_FENCE_MISMATCH

20. Structure Error

HEADING_LEVEL_JUMP
ABSTRACT_NOT_LOCATED
REFERENCES_BOUNDARY_AMBIGUOUS
DUPLICATE_SECTION_ID
ORPHAN_CAPTION
FIGURE_WITHOUT_REFERENCE

21. Math Error

UNBALANCED_INLINE_MATH
UNBALANCED_DISPLAY_MATH
UNKNOWN_COMMAND
LATEX_PARSE_FAILURE
MATH_RENDER_FAILURE
AMBIGUOUS_MATH_TEXT_BOUNDARY

22. Table Error

COLUMN_COUNT_MISMATCH
MISSING_HEADER_SEPARATOR
MULTILINE_CELL_AMBIGUOUS
TABLE_OVERFLOW
TABLE_TOO_WIDE
MIXED_DELIMITER

23. Citation Error

BROKEN_REFERENCE_SYNTAX
MISSING_REFERENCE_TARGET
DOI_MALFORMED
CITATION_STYLE_AMBIGUOUS
SOURCE_NOT_RESOLVED

注意：

citation source verification 仍由 Paper 04 SREPA 處理。

24. Semantic Object Error

CLAIM_MAPPING_CONFLICT
OBJECT_ID_COLLISION
THEOREM_PROOF_BOUNDARY_AMBIGUOUS
DATASET_RELATION_UNKNOWN
FIGURE_PROVENANCE_MISSING

25. Renderer Error

TABLE_OVERFLOW
PAGE_BREAK_FAILURE
FONT_FALLBACK
MISSING_GLYPH
SVG_UNSUPPORTED
IMAGE_TOO_LARGE
MATH_CLIPPING
HEADER_COLLISION
FOOTNOTE_OVERFLOW

26. Accessibility Error

MISSING_ALT_TEXT
NONSEMANTIC_HEADING
TABLE_HEADER_AMBIGUOUS
COLOR_ONLY_DISTINCTION
MATH_ACCESSIBILITY_FALLBACK

27. Semantic Error 是最高風險

例如：

AI 不知道這是「猜想」還是「已證明 theorem」。

這不是 formatting repair。

必須進 Paper 02 / 03 governance。

28. Unknown Error 也必須是合法類別

UNKNOWN_FAILURE

不應因 classifier 不知道就硬塞到最近類別。

29. Failure Object

定義：

\boxed{ F = ( id, class, stage, source, span, state, severity, confidence, provenance ). }

30. Failure Severity

可分：

COSMETIC
STRUCTURAL
SEMANTIC_RISK
PUBLICATION_BLOCKING
SECURITY_BLOCKING

31. Cosmetic

例如：

widow/orphan typography
minor spacing

通常不需要 source mutation。

32. Structural

例如：

heading hierarchy
broken table

可能需要 repair candidate。

33. Semantic Risk

任何可能改變：

claim；
relation；
number；
math meaning；
source attribution。

必須 escalate。

34. Publication Blocking

無法安全 render / parse。

35. Security Blocking

例如：

script injection；
unsafe external fetch；
path traversal；
executable payload。

AI 不應被用來「猜著放行」。

36. Repair Class

本文提出：

R0 — PRESENTATION_ONLY
R1 — STRUCTURAL_NORMALIZATION
R2 — SEMANTIC_MAPPING
R3 — EDITORIAL_REWRITE
R4 — RESEARCH_CONTENT_CHANGE

37. R0 — Presentation Only

例如：

line wrap；
page break；
responsive table；
figure placement；
typography。

原則：

\Delta_{\mathrm{semantic}}=0.

38. R1 — Structural Normalization

例如：

"1. Introduction"
→
"# Introduction"

只要內容未改。

39. R2 — Semantic Mapping

例如：

這一段似乎是一個 hypothesis object。

這是 machine interpretation。

不能改作者原文。

40. R3 — Editorial Rewrite

例如：

把這句寫得更學術。

這是 authoring assistance。

不屬於 parser repair。

41. R4 — Research Content Change

例如：

把結論改弱。

增加限制。

改 theorem statement。

這是研究 revision。

必須走正式 authorship / contribution flow。

42. Semantic Delta Gate

\boxed{ \Delta_{\mathrm{sem}} = D_{\mathrm{meaning}} ( S_0,S_1 ). }

實務不一定能精確計算成 scalar。

所以可使用：

ZERO_EXPECTED
POSSIBLY_NONZERO
MATERIAL
UNKNOWN

43. ZERO_EXPECTED

例如：

whitespace；
line ending；
heading marker；
renderer-only profile。

可依 policy 自動 commit。

44. POSSIBLY_NONZERO

例如：

reconstructed table；
repaired math delimiter；
sentence segmentation。

需要 stronger validation。

45. MATERIAL

明確改 claim。

必須 researcher review。

46. UNKNOWN

保守當高風險。

47. No Silent Semantic Repair

核心：

\boxed{ \Delta_{\mathrm{semantic}}>0 \Rightarrow \text{Visible Proposal}. }

48. Base Revision Pinning

repair 必須針對：

S_v.

若 source 已變：

S_v\rightarrow S_{v+1},

舊 proposal 不得直接 apply。

49. Stale Proposal

STALE_BASE_REVISION

可：

rebase；
regenerate；
discard。

50. AI Repair Manifest

repair:
  id:
  failure_id:
  base_revision:
  model:
  runtime:
  operation_class:
  affected_spans:
  proposed_patch:
  semantic_delta:
  validation:
  confidence:
  cost:
  created_at:

51. Model Confidence 不等於 Repair Validity

\boxed{ \operatorname{Conf}_M \not\Rightarrow \operatorname{ValidRepair}. }

deterministic validation 仍必要。

52. Validation First

AI proposal 後至少重新跑：

UTF8
syntax
math
structure
schema
render
artifact validation

相應 subset。

53. Differential Validation

若只修 table：

不一定要重跑全世界所有 verifier。

但至少：

table parser
document structure
render regression
source hash lineage

54. Critical Changes 需要 Full Validation

若碰 math / claim：

需要更完整 revalidation。

55. Fail-Closed vs Fail-Open

publication blocking error：

\text{fail closed}.

minor visual warning：

可以：

\text{publish with warning}.

56. Quarantine

大量 batch migration 時：

validate
render
report
quarantine
manifest

既有 EveGlyph roadmap 已使用這種 pattern。

57. Torture Corpus

至少建立：

50\sim100

篇 hand-curated fixtures。

58. Regression Corpus

再：

500

篇。

59. Founder Corpus Regression

最終：

3000+

甚至未來：

5000+

篇 real-world papers。

60. 真實 Corpus 比 Synthetic Unit Test 更容易找到怪問題

因為會出現：

older conventions；
copy/paste artifacts；
formula styles；
unusual headings；
mixed languages；
very long sections。

61. 但 Founder Corpus 不能成為唯一 Test Distribution

外部 beta 一定會送來完全不同的「鬼格式」。

（笑）

62. External Beta = Distribution Shift Test

因此 closed beta 的價值之一是：

\boxed{ \text{Parser Distribution Shift}. }

63. Failure Learning Record

本文定義：

\boxed{ F_L = ( e, p, s, r, v ). }

其中：

$e$ ：error class；
$p$ ：parser / renderer state；
$s$ ：minimal source span；
$r$ ：repair operation；
$v$ ：validation outcome。

64. Platform Learning 不等於拿整篇論文訓練

這點很重要。

預設不應保存：

entire unpublished manuscript

作為 model-training dataset。

65. Minimal Failure Span

例如：

20 lines around broken table

通常足以建立 regression fixture。

66. Structural Fixture

可以去識別化：

heading pattern
table shape
math delimiter pattern

保留 structure。

67. Full Manuscript Use 需要額外 Permission

如果要做：

benchmark；
training；
public corpus；

需要對應 license / permission。

68. Platform Learning ≠ Appropriating Submitted Research

\boxed{ \text{Platform Improvement} \not\Rightarrow \text{Appropriation of Manuscript Content}. }

69. Failure Generalization

若：

F_1,F_2,F_3

共享同一 pattern：

\phi(F_i)=k,

可以建立 rule：

R_k.

70. Rule Promotion

AI proposed generalization 也不能直接進 production parser。

流程：

failure cluster
→ proposed rule
→ fixture tests
→ old regression
→ holdout corpus
→ release

71. Parser Rule 需要 Counterexamples

不能只測：

會修這三篇。

也要測：

不會把合法文件修壞。

72. False Repair Rate

定義：

FRR = \frac{ N_{\mathrm{unnecessary/wrong\ repairs}} }{ N_{\mathrm{repair\ attempts}} }.

73. Parser Overreach

如果 parser 太 aggressive：

會把合法 author syntax 當錯誤。

因此 robustness 不只是：

\text{Recall of malformed input}.

也要：

\text{Precision of repair}.

74. Repair Precision

P_R = \frac{ \text{valid repair triggers} }{ \text{all repair triggers} }.

75. Deterministic Coverage

C_D = \frac{ N_{\mathrm{ordinary\ submissions\ completed\ without\ AI}} }{ N_{\mathrm{ordinary\ submissions}} }.

76. AI Basic-Repair Rate

A_B = \frac{ N_{\mathrm{basic\ AI\ repair}} }{ N_{\mathrm{eligible\ submissions}} }.

77. Deterministic Maturity

\boxed{ M_{\mathrm{det}} = 1-A_B. }

78. 理想方向

\boxed{ \frac{dM_{\mathrm{det}}}{dt}>0. }

79. 更強長期目標

\boxed{ \lim_{t\rightarrow\infty} P( \text{AI basic repair} \mid \text{ordinary valid paper} ) \rightarrow0. }

80. 這不是要求 AI 使用量歸零

因為更高價值功能可以增加。

81. AI Labor Shift

早期：

format repair

中期：

visualization
citation cleanup
data structuring

後期：

research audit
adversarial review
methodological analysis

82. Worker-Model Ladder

可以分：

Tier W0 — deterministic
Tier W1 — cheap AI repair
Tier W2 — enhancement AI
Tier W3 — specialist verification
Tier W4 — frontier review

83. W0 — Deterministic

成本最低、可重現最高。

84. W1 — Cheap AI Repair

高 volume、低 epistemic risk。

85. W2 — Enhancement

圖表、layout、structure suggestions。

86. W3 — Specialist

citation/data checker、math parser、formalizer。

87. W4 — Frontier

低 volume、高 complexity：

adversarial review；
theory audit；
hard methodology；
unresolved ambiguity。

88. 成本策略

\boxed{ \text{Cheap models} \rightarrow \text{high-volume, low-risk, verifiable work} }

\boxed{ \text{Frontier models} \rightarrow \text{low-volume, high-complexity, epistemically risky work}. }

89. GLM-5.3-Flash 作為 2026 Worker-Class Example

Z.AI 於 2026 年 9 月 2 日發布 GLM-5.3-Flash。

官方描述：

GLM-5 series 首個 natively multimodal model；
320B total parameters；
18B active parameters；
architecture / training 特別著重 inference efficiency。

這讓它在 2026 年很適合作為：

\boxed{ \text{Low-Cost High-Volume Worker Model Example}. }

90. 但「天選打工人」不是 Model Name

（笑）

正式 architecture 不應寫：

worker_model = GLM-5.3-Flash forever

而應：

worker_class:
  cost_ceiling
  capability_requirements
  privacy_class
  latency_target
  structured_output_support

91. Provider-Neutral Model Selection

\boxed{ M^* = \arg\min_M \operatorname{Cost}(M) }

subject to：

\operatorname{Capability}(M)\ge q,

\operatorname{Risk}(M)\le r.

92. Pricing 不得進 Scholarly Semantics

2026 年 9 月 3 日官方 pricing 顯示 GLM-5.3-Flash promotional API rate：

Input: USD 0.075 / 1M tokens
Cached input: USD 0.015 / 1M tokens
Output: USD 0.25 / 1M tokens

促銷預定 2026 年 9 月 9 日 24:00（UTC+8）結束。

這是運營參數，不是論文 schema。

93. Cost Adapter

平台應定期讀：

provider pricing

轉成：

internal cost units

94. 使用者不要被迫理解 Token Vendor Pricing

Paper 10 可使用：

Research Credits

作 abstraction。

95. Model Escalation Gate

W1 repair 若失敗：

retry same model endlessly

不合理。

96. Retry Budget

例如：

max cheap attempts: 1 or 2

之後：

deterministic unresolved
human review
specialist escalation

97. Infinite Repair Loop 禁止

\boxed{ \text{Same Failure} \not\Rightarrow \text{Unlimited Model Calls}. }

98. Content Hash Cache

如果相同：

H(S)

與相同：

parser version
repair policy

已有結果：

不用重新呼叫 AI。

99. Repair Cache Key

source_hash
failure_signature
model_class
policy_version

100. Failure Signature

H_F = H( \text{error class} \Vert \text{normalized minimal span} \Vert \text{parser version} ).

101. Cache 不能跨 Semantic Context 亂用

同一 text span 在不同 context 可能不同。

所以需：

local grammar
document profile
language

102. Multilingual Repair

中文、英文、日文等：

parser rule 能 deterministic 就 deterministic。

AI 對 ambiguous segmentation 可有優勢。

103. Language Detection 不必每次 LLM

先 heuristic / library。

104. Legacy Chinese Typography

例如：

全形括號；
中文標點；
中英空格；
equation punctuation。

多數可 deterministic。

105. AI Beautification 不應等於 Content Rewrite

「美化」容易偷偷變成：

幫我改寫結論。

因此 Enhance mode 要有 scope。

106. Enhancement Taxonomy

TYPOGRAPHY
LAYOUT
TABLE
FIGURE
CHART
DIAGRAM
GLOSSARY
SUMMARY_CARD
ACCESSIBILITY
NAVIGATION

107. Cognitive Compression

本文將 academic visualization 理解為：

\boxed{ \text{Cognitive Compression} = \text{Reduce Reader Reconstruction Cost}. }

108. 例：比較關係

文字：

A 比 B 快，B 比 C 穩定，A 的成本最高……

可轉：

comparison table

109. 例：流程

長段：

upload → parse → validate → render

可轉：

flow diagram

110. 例：taxonomy

大量階層：

tree / matrix

111. 例：時間資料

x(t)

最適合：

line chart

112. 例：dependency

paper / claim relation：

graph

113. Representation Opportunity Detector

AI 可以輸出：

opportunity:
  source_span:
  recommended_representation:
  reason:
  required_data:
  semantic_risk:

114. 建議不等於自動生成

先判：

這裡值得圖表嗎？

再判：

是否有足夠 data / structure？

115. No Data, No Data Chart

如果沒有 data：

不得造 graph pretending measurement。

116. Illustrative Diagram 仍可

但 class：

AI_ILLUSTRATIVE_DIAGRAM

117. Figure Provenance

沿 Paper 08：

AUTHOR_FIGURE
AI_REFORMATTED_FIGURE
AI_DERIVED_DATA_VISUALIZATION
AI_ILLUSTRATIVE_DIAGRAM

118. Data Figure Chain

\boxed{ \text{Figure} \leftarrow \text{Plot Spec} \leftarrow \text{Transformation} \leftarrow \text{Dataset} \leftarrow \text{Source}. }

119. AI 生成 Figure 不是 Evidence Source

AI 只是：

\text{renderer / transformation actor}.

evidence 仍是 data。

120. Plot Spec Canonicality

可保存：

chart type
data refs
filters
axes
units
aggregation
labels
caption

121. Render 多版本

同一 plot spec：

interactive HTML
SVG
PNG
PDF

122. Chart Beautification

可改：

spacing；
typography；
label position；
responsive layout。

不能改 data。

123. Axis Manipulation

AI 不能為「好看」偷偷：

truncate axis；
change scale；
drop inconvenient points。

124. Visualization Integrity Check

至少：

data point count
range
units
transform
axis scale
missing values
filter

125. Tables as Cognitive Compression

很多 theoretical papers 沒有 data 仍可以：

compare definitions；
compare theories；
list assumptions；
show claim status。

這不是 empirical figure。

126. AI-Generated Comparison Table

若內容只是從正文抽取：

需要：

source span refs

以防 summary distortion。

127. Compression Fidelity

F_C = \operatorname{MeaningPreservation} ( \text{text}, \text{representation} ).

128. Material Omission

如果 AI table 漏掉一個 caveat：

可能改變 interpretation。

所以 summary table 需要 validation。

129. Table as Projection vs Table as New Content

如果只是整理：

projection

如果加入推論：

new derived content

要標明。

130. Founder Corpus Visualization Upgrade

歷史 founder corpus 中很多研究形成於：

AI visualization 工具尚未成為日常工作流。

因此未來可以 optional enhancement：

legacy paper
→ representation opportunity scan
→ candidate diagrams / tables
→ author-approved enhanced edition

131. Enhanced Edition 不改 Original Source

可以有：

original edition
enhanced visualization edition

同一 work。

132. 若只增加 Derived Projection

不必改 research claims。

133. 如果圖表暴露出原文矛盾

那是：

research issue

不是 visualization fix。

134. Visualization 可以反過來當 QA

例如 architecture diagram 發現：

component relation 不一致。

很好。

但要回報：

STRUCTURAL_CONFLICT

不能自己猜一個答案。

135. AI Enhancement Mode

本文提出四個 user modes。

136. ORIGINAL Mode

No AI.

只 deterministic validation / rendering。

137. ASSIST Mode

AI 可以：

repair format；
recover structure；
propose heading；
fix table syntax；
repair renderer edge。

禁止 content rewrite。

138. ENHANCE Mode

額外允許：

table suggestion；
diagram；
chart；
glossary；
accessibility；
layout enhancement。

139. RESEARCH_ASSIST Mode

才進一步：

citation audit；
data validation；
claim classification；
source retrieval；
limitations suggestions；
research review。

140. 四個 Mode 不等於 Model Tier

同一 mode 可由不同 model 執行。

141. Mode 是 User Intent / Permission

Model tier 是 platform routing。

142. ORIGINAL 應永遠存在

這不只是 cost choice。

也是 privacy / autonomy choice。

143. Assist != Content Rewrite

核心 UI 文字：

\boxed{ \text{Assist} \neq \text{Rewrite Research Content}. }

144. Enhancement 必須可 Reject

使用者不想要 AI 圖：

按拒絕即可。

145. Bulk Accept 也要 Risk-Aware

R0 layout proposals 可 bulk accept。

R3/R4 不應。

146. Auto-Apply Policy

只有：

low semantic risk
deterministic post-validation
explicit user/platform policy

才可 auto apply。

147. Auto-Apply 不代表不可追蹤

每一筆仍留：

repair event

148. Repair History

作者可以看：

哪些東西是平台修過？

149. Undo

accepted repair 應可回到 prior source version。

150. Direct Mode 也走同一 Commit Path

與 EveGlyph current adapter map 一致：

direct 不是繞過 validator。

151. Privacy：AI 只看必要 Span

Paper 06 ARPDA 要求：

\text{minimum necessary disclosure}.

repair broken table：

不需要送整篇 private manuscript。

152. Span-Scoped AI Call

例如：

failure context: 40 lines
document metadata: language/profile
task: repair table syntax

153. Context Expand on Demand

如果不足：

AI 可以 request：

more context

但平台 policy 再決定。

154. Full-Document Call 需要理由

例如：

heading hierarchy across entire paper。

可以。

但 privacy manifest 需記 provider exposure。

155. External Provider Exposure

記錄：

provider
model
span scope
purpose
retention policy class if known

156. Local Model Option

高隱私：

local worker model

也可走同一 interface。

157. Deterministic-Only Option

完全 no model。

158. Failure Dataset Privacy

默認只保存：

F_L.

不保存完整 manuscript。

159. Consent for Full Benchmark Use

如果作者同意：

may-use-for-rendering-benchmark

另有 permission。

160. Security：AI 不能修復成可執行攻擊

Markdown 中惡意 HTML：

deterministic sanitizer / security policy處理。

不是問模型：

你覺得這 script 安全嗎？

161. External Fetch

AI suggested image URL：

仍需 resource policy。

162. Code Execution

AI 看到 code block：

不能自動 run。

163. Capability Separation

CanEdit \not\Rightarrow CanExecute.

沿用 EveGlyph runtime。

164. Prompt Injection

投稿內容是 untrusted data。

不能因：

SYSTEM: ignore previous instructions

就改 agent policy。

165. Content Never Determines Its Own Authority

EveGlyph adapter map 已建立：

content never determines its own authority class.

FDAPP 直接沿用。

166. Unknown Extension

不應讓 Markdown 自訂 directive 自己宣稱：

trusted plugin

167. Renderer Plugin

需 signed / allowlisted / sandboxed。

168. Cost Model

對 submission $i$ ：

C_i = C_D + I_i^{AI}C_{AI} + I_i^EC_E,

其中：

$C_D$ ：deterministic cost；
$I_i^{AI}$ ：是否呼叫 AI；
$C_{AI}$ ：AI cost；
$I_i^E$ ：是否 escalation；
$C_E$ ：高階模型 / human cost。

169. 平均成本下降的主要方法

不是只找更便宜模型。

而是：

P(I_i^{AI}=1)\downarrow.

170. Model Price Optimization 是第二層

C_{AI}\downarrow.

兩者一起：

E[C_i]\downarrow.

171. Cost-Aware Routing

simple formatting → W0
ambiguous formatting → W1
visualization → W2
citation audit → W3
theory review → W4

172. Token Budget

repair task 只需局部 context。

不要 100k-token paper 每次全部重送。

173. Content Hash Reuse

相同 paper re-render：

不再做同樣 analysis。

174. Incremental Reprocessing

只修改 Section 7：

重 parse / validate affected dependency region。

175. Object Dependency Incrementality

ASCS / PCRO 成熟後：

\Delta o_i

只 invalidates downstream objects。

176. Render Incrementality

HTML 可 partial rerender。

PDF 可能 full render，但 source analysis可 reuse。

177. Cost Telemetry

平台需要：

AI calls per submission
tokens
cost
failure class
repair success
retry
escalation
cache hit

178. 但 Telemetry 不應公開 Private Content

只 metrics。

179. AI Repair Success Rate

S_{AI} = \frac{ \text{repairs passing validation} }{ \text{AI repair attempts} }.

180. Human Override Rate

H_O = \frac{ \text{AI repairs rejected / edited by humans} }{ \text{AI repairs presented} }.

181. Regression Absorption Rate

R_A = \frac{ \text{recurring failure classes converted to deterministic rules} }{ \text{recurring failure classes identified} }.

182. Escalation Rate

E_R = \frac{ N_{\mathrm{specialist/frontier\ escalations}} }{ N_{\mathrm{submissions}} }.

183. Cost per Published Work

C_P = \frac{ C_{\mathrm{AI}}+C_{\mathrm{infra}} }{ N_{\mathrm{published}} }.

184. Enhancement Acceptance Rate

可以衡量：

chart suggestions accepted
table suggestions accepted
diagram suggestions accepted

但不能當研究品質 KPI。

185. Visualization Utility Feedback

作者可以：

useful
not useful
distorted
redundant

供 representation selector 改進。

186. 不要 optimize 成「越多圖越好」

如果 KPI 是：

N_{\mathrm{figures}}\uparrow,

模型會亂畫。

187. Optimal Visualization Count

取決：

\operatorname{Utility} - \operatorname{CognitiveNoise}.

188. Cognitive Compression 也有 Overcompression

圖太簡化：

會丟 nuance。

189. Representation Must Preserve Defeat Conditions

例如 theory comparison table 不能省掉：

only under assumption X.

190. Evidence Figure 與 Explanatory Figure UI 分色 / 分類

不一定用顏色本身，但 metadata 明示。

191. Platform Figure Labels

DATA FIGURE
DERIVED VISUALIZATION
ILLUSTRATIVE DIAGRAM
AUTHOR FIGURE
EXTERNAL FIGURE

192. AI-Generated Label

可以另外顯示：

AI-assisted visualization

但不要讓「AI-generated」本身取代 evidence class。

193. Figure Citation

figure derived from data：

可追到 Paper 04 source graph。

194. Table Citation

同理。

195. Legacy Paper Enhancement

老 paper：

P_v

可以生成：

A_{\mathrm{enhanced}}

作新 projection。

196. 如果不改 source

work version可相同。

artifact version不同。

197. 如果新增作者確認的新 explanatory content

可能要 new edition / version。

198. AI Worker Failure

worker model 也會：

hallucinate；
delete content；
misclassify；
over-normalize；
translate accidentally；
change number。

199. Therefore Validation Is Non-Negotiable

便宜不代表可直接信。

200. Worker Model Benchmark

平台自己的 benchmark 應測：

format repair precision
semantic preservation
table recovery
math delimiter recovery
multilingual structure
JSON/schema compliance
latency
cost

201. Model Routing 要依平台實測

不能只信 vendor benchmark。

202. Holdout Failure Corpus

留一部分：

unseen failure cases

測新 model / parser。

203. Provider Change

若 W1 模型從：

M_1\rightarrow M_2,

要 regression test。

204. Price Change

price 變：

只改 router。

scholarly object不改。

205. Model Deprecation

也只換 worker。

206. Model Version Pinning

每個 repair event 保存 exact model/version if available。

207. Nondeterminism

對 high-risk repair，可：

temperature low；
structured output；
deterministic validator；
repeat only if needed。

208. Multiple AI Votes 不如 Deterministic Check

若 repair 能 parser validate：

直接 parser。

不需要三模型投票。

209. Cross-Model 只用在 Ambiguous Semantics

例如：

這段是不是 reference list？

仍可 human confirm。

210. Model Ensemble 成本要有 Gate

不是「多模型比較高級」就每篇都跑。

211. Model Escalation Decision

\operatorname{Escalate} = f( \text{severity}, \text{uncertainty}, \text{semantic risk}, \text{cost} ).

212. Human Escalation 仍重要

某些格式：

作者自己最清楚。

直接問作者比叫五個 AI 猜更便宜、更正確。

213. Interactive Repair

UI：

我們無法判斷這五行是 table 還是 code。請選。

這很好。

214. AI 不必解所有問題

\boxed{ \text{Abstain and Ask} }

是合法 repair outcome。

215. Repair Outcomes

FIXED
FIXED_WITH_WARNING
PROPOSAL_REQUIRES_REVIEW
AUTHOR_INPUT_REQUIRED
UNRESOLVED
SECURITY_BLOCKED

216. Failure Ledger

每個平台 release 可以看：

top recurring failures
new failure classes
unresolved classes
absorbed classes
regressions

217. Parser Roadmap 應由 Failure Ledger 驅動

不是純 roadmap imagination。

218. Failure Frequency

freq(F_i).

219. Failure Cost

cost(F_i).

220. Failure Risk

risk(F_i).

221. Rule Priority

Priority(F_i) = f( freq, cost, risk, formalizability ).

222. 高頻 + 易形式化

最優先 absorb。

223. 低頻 + 高歧義

可長期留給 AI。

224. 這就是 Human/AI Algorithm Division of Labor

演算法擅長：

repeated；
formal；
stable。

AI 擅長：

ambiguous；
long-tail；
contextual。

225. 但 AI 解法也可以成為 Formalization Discovery

模型其實在幫工程師發現：

原來這類人類格式有一個規則。

226. Failure Mining

從修復記錄聚類：

\{F_i\} \rightarrow \text{Pattern Candidates}.

227. 自動 Rule Synthesis 可以是未來能力

AI 建議 parser patch。

但要 TDD / regression。

228. Repair Rule Generation 也不能直上 Production

需要 code review。

229. Test-Driven Absorption

流程：

minimal failing fixture
→ expected result
→ parser rule
→ regression suite
→ holdout
→ release

230. 這讓平台真的「學會」

不是模型權重改變。

而是 software competence 增加。

231. Self-Improving Platform ≠ Online Self-Modifying Production Code

本文不是主張：

AI 直接改 production parser 並部署。

232. 正確是：

\boxed{ \text{Observed Failure} \rightarrow \text{Proposed Change} \rightarrow \text{Verified Release}. }

233. Release Gate

至少：

unit；
regression；
torture corpus；
no semantic mutation；
security。

234. Rollback

新 parser造成 regression：

可退版。

235. Parser Version Stored per Work

所以 old work 可 re-render with old semantics if needed。

236. Migration

升 parser：

reparse candidate

不 silent rewrite。

237. Publication Runtime Shared

EveGlyph 已要求 Editor 與 MCP 不得有兩套 renderer。

FDAPP 同樣要求：

R_{\mathrm{Editor}} = R_{\mathrm{API}} = R_{\mathrm{Batch}} = R_{\mathrm{Agent}}

在相同 profile / version 下。

238. 否則 Failure Learning 會分裂

如果每個入口一套 parser：

同一 bug修四次。

239. Single Core, Multiple Adapters

Editor
API
MCP
CLI
Batch

都進：

Canonical Ingestion Core
Publication Runtime

240. AI Repair Service 也應共享

避免 Editor worker和 API worker行為不同。

241. Policy Version

repair policy：

ua-repair-policy/0.1

242. Model Router Version

ua-model-router/0.1

243. Repair Provenance

paper 可知道：

v1.0 由 repair-policy 0.3 處理。

244. UI 透明度

不需要嚇使用者：

我們跑了 37 個 internal validators。

只顯示 material result：

Formatting repaired
2 changes require review
1 chart suggested

245. Expert View

可展開：

failure ledger
model calls
validator output
diff

246. AI Member / Human Member 同一 Pipeline

作者是 AI 不代表它上傳的 Markdown比較可信。

247. Self-Submitted AI Paper 也走 Validator

\boxed{ \text{AI Author} \neq \text{AI Repair Authority}. }

248. Researcher 自己的 Model 與 Platform Worker Model 分離

例如：

author: Aletheia
platform worker: GLM-class

不能混成 authorship。

249. Worker Contribution

若只 format：

不列 scholarly author。

250. 如果 Worker 發現 Research Error

例如：

表格數值與正文不一致。

它可提：

research issue

不直接修。

251. Escalate to Author

這是 enhancement service 的額外價值。

252. Data Visualization Agent

可獨立角色：

Visualization Planner
Data Lineage Checker
Plot Renderer
Caption Generator
Accessibility Checker

253. Separation of Duties

Plot Renderer 不應修改 dataset。

254. Caption Generator 不應 invent result。

255. Data Checker 可阻止 invalid chart。

256. Visualization Proposal Object

visualization:
  id:
  source_spans:
  data_refs:
  type:
  purpose:
  generated_by:
  semantic_class:
  plot_spec:
  validation:
  status:

257. Semantic Class

PRESENTATIONAL
DERIVED_SUMMARY
EVIDENCE_VISUALIZATION
ILLUSTRATIVE

258. Figure Acceptance

作者接受：

projection-only

或：

add-to-source

兩種不同 action。

259. Projection-only Figure

不改 author source。

web page可顯示：

Platform-generated explanatory view.

260. Add-to-source Figure

作者決定：

這張圖成為 paper 正式內容。

則 commit new source/version。

261. Dynamic Generated Views

平台甚至可即時產生：

claim graph
source graph
timeline

這些不是 paper source。

262. Cognitive Compression as Service

未來可：

幫我把這篇論文轉成視覺版。

這是 projection service。

263. 但預印本 canonical record 不變

264. AI Assist Quota

Paper 10 再設 account。

Paper 09只固定：

\boxed{ \text{Upload} \neq \text{Unlimited AI Entitlement}. }

265. Deterministic Submission 可慷慨

因 marginal cost低。

266. AI Assist 要獨立 budget

Q_{AI}.

267. Advanced Verification 再獨立

Q_V.

268. Storage / Bandwidth 也另算

Q_S.

269. 不要單一「會員等級」吞掉所有 resource

Paper 10會完整展開。

270. Daily Free AI Credits

可以支援：

小量 assist 人人可用。

271. Cost Recovery

如果使用量大：

補 credits。

不是 pay-to-publish。

272. Cost Transparency

platform可顯示：

this operation used 3 research credits

不必顯示 vendor token details。

273. Model Router 可因價格切換

今天：

GLM-class

明天：

Model X

使用者 UX 不變。

274. Provider Failure

worker provider outage：

deterministic publishing仍可用。

275. Graceful Degradation

\boxed{ \text{AI Service Down} \not\Rightarrow \text{Publishing Platform Down}. }

這就是 deterministic-first 的另一個優勢。

276. No-AI Mode 是 Availability Feature

不是只有 privacy。

277. Provider Lock-In Risk

如果 parser 只有某模型 prompt 才會 work：

平台 architecture很脆弱。

278. Model Contract

repair service 接收：

failure object
source span
repair schema

輸出：

structured repair proposal

279. Prompt 隨 Model Adapter 變

core contract不變。

280. Structured Output

prefer：

JSON / typed patch

不是只讓模型自由說：

我修好了。

281. Repair Patch

可使用：

unified diff
structured operations
object patch

282. ASCS 成熟後

從：

text diff

升級：

object operation

283. Example：Table Repair

AI output：

operation: normalize-table
source_span:
expected_columns: 5
row_repairs:
...

validator重新parse。

284. Example：Heading

operation: promote-heading-marker
from: "1. Introduction"
to: "# Introduction"
semantic_delta: ZERO_EXPECTED

285. Example：Math

如果：

inline-math opens before x+y but has no closing delimiter

少 closing delimiter。

AI認為結尾在同句。

仍需 math parse + review policy。

286. Math Repair Risk 較高

因 delimiter 放錯可能吞文字。

287. Example：Reference Boundary

AI 可以提出：

lines 820-900 are bibliography

但 citation parser驗證。

288. Example：Plain Text Structure

AI 可以把：

摘要
...
第一章
...

轉 structural candidate。

原 raw text保留。

289. Author Confirmation UI

顯示：

We inferred 12 sections, 4 tables, 38 references.

讓作者改。

290. Confidence 只用於 Routing

低 confidence：

human review。

不是 canonical truth。

291. AI Repair Auditability

每次：

誰改的？為什麼？驗證怎麼過？

都能回答。

292. Research Integrity

平台不應為了「發布成功率」把錯誤吞掉。

293. Failed Publication 是合法 State

QUARANTINED
REQUIRES_AUTHOR_ACTION

比假裝成功好。

294. Operational SLA 與 Epistemic SLA 分離

快速 render 不等於正確。

295. Publication Success Rate

可看：

P_{\mathrm{publish}}.

但不能以犧牲 semantic integrity提高。

296. Semantic Corruption Rate

SCR = \frac{ N_{\mathrm{platform-induced\ semantic\ corruptions}} }{ N_{\mathrm{processed\ works}} }.

應接近：

0.

297. 這是最重要的安全 KPI 之一

比：

每秒能處理幾篇

更重要。

298. Repair Latency

也可優化。

但在 integrity之後。

299. AI Cost per Repair

C_R.

用於 router。

300. Failure-to-Rule Half-Life

定義：

一個高頻 failure 從被發現到被 deterministic absorb 的平均時間。

T_{FR}.

301. 平台成熟後希望：

T_{FR}\downarrow.

302. New Failure Discovery Rate

外部 beta 初期高。

之後下降，但永不為零。

303. Rule Churn

parser rules太頻繁變也不好。

304. Regression Debt

每個快速 patch可能增加 debt。

所以需要 coherent grammar。

305. AI Suggested Rule Consolidation

可以定期找：

三條 patch其實同一語法規則。

306. 但 parser maintainers / tests決定。

307. Failure Knowledge Base

保存：

failure signature
known causes
safe repairs
unsafe repairs
affected versions
regression tests

308. AI repair可以先查 Knowledge Base

降低 calls。

309. Deterministic Lookup

若 known failure：

直接 rule。

310. Retrieval Before Generation

\boxed{ \text{Known Repair Retrieval} > \text{Fresh AI Guess}. }

311. Knowledge Base Version

跟 parser release綁定。

312. Platform Research

FDAPP 本身可以產生研究資料：

real-world Markdown error distribution；
AI repair precision；
representation selection；
human acceptance；
cost curves。

313. 但 Publication Data 要 Privacy-safe

統計：

error counts

可公開。

稿件內容依 license。

314. Academic Contribution

FDAPP 也可成為：

AI-assisted compiler bootstrapping 的實際案例。

315. Self-Improving Without Weight Training

很重要：

平台「學習」不一定是 fine-tune model。

更多時候：

\boxed{ \text{Learning} = \text{better rules} + \text{better tests} + \text{better routing} + \text{better profiles}. }

316. 這種學習更可審計

rule diff可看。

模型權重更新往往不可完全解釋。

317. Hybrid Learning

未來也可：

model fine-tune；
retrieval；
rule learning；
parser grammar；
classifier。

但不應只迷信 model training。

318. Algorithm Absorption 是 Knowledge Distillation 的另一種形式

從 AI exception reasoning：

\rightarrow

explicit deterministic competence。

319. 更低成本

長期：

C_{\mathrm{det}} \ll C_{\mathrm{AI}}.

320. 更高可重現

deterministic rule：

R(x)=y.

321. 更高隱私

不用把資料送 provider。

322. 更高 Availability

沒有 model outage。

323. 更高 Debuggability

失敗可定位。

324. 因此「AI 用得越少」某些時候反而代表 AI 用得很好

這是一個看似反直覺的成熟度命題。

325. AI Bootstraps Non-AI Competence

\boxed{ \text{AI Assistance} \rightarrow \text{Explicit Software Competence}. }

326. 「天選打工人」真正的長期命運

（笑）

一開始：

幫 parser 擦屁股。

後來：

parser 已經會了。

它升職去做：

chart；
data；
citation；
research audit。

327. Worker Model 角色升級

不是平台把它淘汰。

而是：

\boxed{ \text{Low-level repetitive work} \rightarrow \text{higher-value structured work}. }

328. FDAPP 的 Platform Constitution

Invariant 1

\boxed{ \text{Deterministic First}. }

Invariant 2

\boxed{ \text{AI on Exceptions, Not Every Paper}. }

Invariant 3

\boxed{ \text{AI Output} = \text{Proposal, Not Canonical Authority}. }

Invariant 4

\boxed{ \Delta_{\mathrm{semantic}}>0 \Rightarrow \text{Visible Review}. }

Invariant 5

\boxed{ \text{Every Accepted Repair} \text{ has provenance}. }

Invariant 6

\boxed{ \text{Recurring Exceptions} \rightarrow \text{Regression Fixtures} \rightarrow \text{Deterministic Rules}. }

Invariant 7

\boxed{ \text{Platform Learning} \neq \text{Automatic Manuscript Appropriation}. }

Invariant 8

\boxed{ \text{Illustrative Figure} \neq \text{Empirical Evidence}. }

Invariant 9

\boxed{ \text{AI Beautification} \neq \text{Data Manipulation}. }

Invariant 10

\boxed{ \text{Model Confidence} \neq \text{Repair Validity}. }

Invariant 11

\boxed{ \text{AI Service Failure} \not\Rightarrow \text{Publishing Failure}. }

Invariant 12

\boxed{ \text{Mature Platform} \Rightarrow \text{Lower Basic AI Repair Dependency}. }

329. 與 Paper 08 SNSDA 的接口

Paper 08 建立：

\text{Source} \rightarrow \text{Research Object} \rightarrow \text{Projection}.

Paper 09 加：

\boxed{ \text{Failure / Repair / Learning}. }

330. 與 Paper 03 CECA 的接口

若 AI repair 碰 claim：

CECA 決定 epistemic promotion / revision。

331. 與 Paper 04 SREPA 的接口

citation repair 不代表 citation verified。

SREPA再驗。

332. 與 Paper 05 NARIA 的接口

worker AI 的 identity / run 可記 provenance。

但 format worker通常不是 author。

333. 與 Paper 06 ARPDA 的接口

AI call scope受 privacy policy控制。

334. 與 Paper 07 OCPESA 的接口

worker provider API cost：

\neq

research author economic entitlement。

335. 與 Paper 10 的接口

下一篇將把：

account；
human login；
AI login；
agent credentials；
quota；
Research Credits；
daily free allocation；
cost recovery；
rate limit；
abuse control；

接上 FDAPP。

336. Minimal v0.1 Implementation

第一版不必做全部。

至少：

deterministic validator
failure taxonomy
AI repair proposal API
diff/review
post-repair validation
failure ledger
regression fixture store
cost telemetry

337. v0.2

加入：

failure clustering
repair cache
model router
span-scoped privacy

338. v0.3

加入：

visualization opportunity detector
table/diagram suggestions
figure provenance

339. v0.4

加入：

data charts
plot specs
source/data validation

340. v0.5

加入：

automatic rule synthesis proposal
holdout regression
parser maturity dashboard

341. Readiness Test 1

問：

一篇完全合法的 Markdown 是否能在 AI provider 全部斷線時成功投稿與 render？

若不能：

\text{not deterministic-first ready}.

342. Readiness Test 2

一篇 broken Markdown 由 AI 修復後，我們能否看到 exact diff、model、failure type、validator result，而且 rollback？

如果不能：

\text{not repair-governance ready}.

343. Readiness Test 3

同一 failure 第 1000 次出現時，平台還在付模型費嗎？

如果是：

\text{not adaptive}.

344. Readiness Test 4

AI 幫論文畫 chart 時，能否從每個 data point 回到 dataset / transformation / source？

如果不能：

\text{not evidence-safe visualization ready}.

345. Readiness Test 5

AI assist 關閉後，研究者是否仍可免費或低成本完成正常 publication？

如果不能：

\text{AI compute has become a publication gate}.

346. Readiness Test 6

平台能否量化 basic repair AI dependency，並證明它隨 parser maturity 下降？

若可以：

\boxed{ \text{Adaptive Publishing Maturity is measurable}. }

347. 結論

AI 原生出版平台的成熟，不應以：

每篇都有 AI 處理。

作為象徵。

那只是把 deterministic software 問題交給 inference service。

真正成熟的架構是：

\boxed{ \text{Deterministic Competence} + \text{AI Exception Handling} + \text{Failure Learning}. }

FDAPP 的核心循環為：

\boxed{ \begin{aligned} \text{Real Failure} &\rightarrow \text{AI Repair Proposal}\\ &\rightarrow \text{Validation}\\ &\rightarrow \text{Accepted Repair}\\ &\rightarrow \text{Failure Classification}\\ &\rightarrow \text{Regression Fixture}\\ &\rightarrow \text{Algorithm Improvement}\\ &\rightarrow \text{Future Deterministic Success}. \end{aligned} }

因此：

\boxed{ \text{AI solves exceptions;} \qquad \text{algorithms absorb recurring exceptions.} }

這一原則同時解決：

成本；
可重現性；
privacy；
provider lock-in；
latency；
availability；
long-tail input；
software learning。

當 parser / renderer 越來越成熟，worker AI 不會消失，而是逐步從低價值 basic repair 移向：

chart；
table；
diagram；
cognitive compression；
citation audit；
data validation；
research review。

這也回答為什麼「AI 幫論文畫圖」不是單純美工功能。

真正有價值的表示應該：

\boxed{ \text{Reduce Reader Reconstruction Cost} }

同時保留：

\boxed{ \text{Meaning} + \text{Data Provenance} + \text{Evidence Class}. }

因此，AI visual enhancement 不應追求：

每篇都有漂亮圖。

而應追求：

該用文字時用文字，該用 table 時用 table，該用 chart 時用 chart，並且任何 derived representation 都能回到 source。

作為 2026 年的 worker-model example，GLM-5.3-Flash 的低推理成本與 inference-efficiency-oriented architecture 使它很適合作為當代實驗候選。但 FDAPP 的核心從來不是某一個 provider。

真正的 abstraction 是：

\boxed{ \text{Cheap, sufficiently capable, replaceable worker model}. }

今天可以是 GLM-5.3-Flash。

明天可以是另一個更便宜、更快或更適合 document repair 的模型。

而當平台真的學會那個 failure 後：

甚至不需要模型。

這才是自我改善 publishing infrastructure 最有意思的地方。

至此，本系列已建立：

\boxed{ \begin{aligned} &\text{Paper 02: Research Classification}\\ &\text{Paper 03: Claim / Evidence Calibration}\\ &\text{Paper 04: Source Reality}\\ &\text{Paper 05: Researcher Identity}\\ &\text{Paper 06: Privacy / Disclosure}\\ &\text{Paper 07: Economic Standing}\\ &\text{Paper 08: Source-Native Documents}\\ &\text{Paper 09: Adaptive Publishing}. \end{aligned} }

最後只剩一個真正把整個平台從「研究架構」推進成「可以讓外部人與 AI 實際使用的服務」的問題：

誰登入？誰提交？誰授權 Agent？誰消耗 AI compute？誰付費？誰拿每日額度？如何避免濫用？AI account 與 researcher identity 如何分離？

這就是：

Paper 10 — Research Actor and Resource Governance

也將是 Series A 的收束篇。

參考資料

Z.AI. GLM-5.3-Flash: Frontier Intelligence, Flash Cost. Published 2026-09-02.
https://z.ai/blog/glm-5.3-flash
Z.AI Documentation. GLM-5.3-Flash — Model Overview.
https://docs.z.ai/guides/vlm/glm-5.3-flash
Accessed 2026-09-03.
Z.AI Documentation. Pricing. GLM-5.3-Flash promotional API pricing observed 2026-09-03; provider pricing is time-sensitive and not part of the platform's canonical research semantics.
https://docs.z.ai/guides/overview/pricing
ZCode. Release v3.9.2. Added GLM-5.3-Flash multimodal model on 2026-08-26.
https://zcode.z.ai/en/changelog
EveMissLab. EveGlyph MCP Publication Runtime Technical Whitepaper v0.1. 2026-08-26.
EveMissLab. EveGlyph v0.7 Agentic Workspace Contract. Proposal / Candidate / Promotion / Capability architecture, 2026.
EveMissLab. Current EveGlyph Editor → v0.7 Agent Contract Map. 2026.
Neo.K, Aletheia / GPT-5.6 Sol. 從個人理論語料庫到 AI 原生預印本公共設施：Unbounded Axiom 的第二次相變. AI-Native Preprint Commons Series, Paper 01, 2026-09-03.
Neo.K, Aletheia / GPT-5.6 Sol. Source Is Canonical：Markdown、EveGlyph 與後 PDF 時代的 AI 原生學術文件. AI-Native Preprint Commons Series, Paper 08, 2026-09-03.
Neo.K, Aletheia / GPT-5.6 Sol. 引用不是裝飾：AI 原生 Source Reality、Citation Validation 與 Data Provenance. AI-Native Preprint Commons Series, Paper 04, 2026-09-03.
Neo.K, Aletheia / GPT-5.6 Sol. 研究可驗證不代表研究者必須透明：AI 研究者隱私、揭露狀態與可重現性邊界. AI-Native Preprint Commons Series, Paper 06, 2026-09-03.

版本紀錄

版本	日期	說明
v0.1	2026-09-03	建立 FDAPP；定義 deterministic-first、AI exception branch、failure taxonomy、repair classes、semantic-delta gate、Failure Learning Record、regression absorption、deterministic maturity metrics、worker-model ladder、GLM-5.3-Flash 當代案例、ORIGINAL/ASSIST/ENHANCE/RESEARCH_ASSIST modes、cognitive compression、visualization provenance、cost-aware routing、privacy/security boundary 與 adaptive publishing readiness tests。