document_id: "UA-ANPC-A08" series: "AI-Native Preprint Commons Series" series_part: 8 version: "0.1" language: "zh-Hant" title: "Source Is Canonical：Markdown、EveGlyph 與後 PDF 時代的 AI 原生學術文件" english_title: "Source Is Canonical: Markdown, EveGlyph, and AI-Native Scholarly Documents Beyond the PDF-Centric Era" 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 / scholarly-document infrastructure 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."

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

摘要

傳統電子學術出版長期以 PDF 作為主要閱讀與保存介面，部分領域則要求作者透過 LaTeX、Word 或其他文書系統產生 PDF。這種工作流在人類視覺閱讀與紙本出版時代具有高度實用性，但在 AI 原生研究環境中產生新的結構性摩擦：AI 先生成具有語義結構的文字、公式、引用與資料，再被壓平為 PDF；後續 AI 若要搜尋、驗證、引用、重組或進行 claim-level reasoning，又必須重新解析版面、恢復段落、公式與 citation relations。研究物件因此反覆經歷結構化、降維、再重建。

本文提出 Source-Native Scholarly Document Architecture（SNSDA），作為 Unbounded Axiom AI-native preprint commons 的文件基礎層。其核心原則為：

\boxed{ \text{Source is canonical;} \quad \text{rendering is projection}. }

但本文進一步修正「canonical source」的範圍，將學術文件分為三個互相連結、不可互相偷換的層：

\boxed{ \text{Author Canonical Source} \rightarrow \text{Platform Canonical Research Object} \rightarrow \text{Rendered Projections}. }

Author Canonical Source（ACS） 是作者實際提交、確認與版本化的 UTF-8 Markdown 或純文字來源；它保存原始措辭、公式、段落、引用與作者意圖，不得被 renderer 或 AI preprocessing 靜默改寫。Platform Canonical Research Object（PCRO） 則是平台經 schema validation、author confirmation 與 provenance-preserving compilation 後形成的 addressable research-object graph，可包含 claim、definition、equation、citation、dataset、figure、proof、code、research metadata、evidence relations 與 version lineage。未來 EveGlyph ASCS / EGIR 類架構可以承擔此層。PDF、HTML、mobile view、print view、JATS XML、MathML、SVG、PNG、interactive chart、API JSON 與 graph view 都屬於 Rendered / Interchange Projections。

本文主張 Unbounded Axiom 的投稿首選格式應是 UTF-8 Markdown，並接受 UTF-8 純文字。投稿者不必先學完整 LaTeX document workflow，也不必自行生成 PDF。數學內容仍可使用熟悉的 LaTeX-style math syntax，例如 $...$ 與 $$...$$；這是 mathematical serialization，而不是要求作者使用 LaTeX document authoring system。純文字輸入則可由 deterministic parser 與可選 AI preprocessing 產生 normalized candidate，但原始 raw_submission.txt 必須保存，且任何語義性修改必須可見、可接受或可拒絕。

本文亦提出 scholarly rendering 的可重現性要求。對 source $S$ 、publication profile $P$ 、renderer version $R_v$ 與 options $O$ ，出版 artifact 應表示為：

A = R( S, P, R_v, O ),

並至少保存 source hash、artifact hash、renderer version、profile version、warnings 與 artifact metadata。Renderer 不得為了排版方便偷偷執行：

S\rightarrow S'.

若需要修復 source，必須進入獨立的 patch / review / commit 流程。

外部學術標準不需被排斥。JATS 1.4 仍是成熟的 journal-article XML interchange standard；MathML Core 提供 browser-oriented mathematical markup；HTML、SVG 與 PDF 各有不可替代的展示與交換價值。SNSDA 的立場不是「所有人只能用 Markdown」，而是：

\boxed{ \text{Canonical scholarly meaning should not depend on one visual artifact format}. }

因此 PDF 不會消失。它仍然適合下載、列印、存檔、引用頁碼與傳統出版交換。但在 AI-native preprint platform 中，它應由 canonical source / research object 生成，而不是反過來成為機器唯一能取得的研究真源。

關鍵詞： Markdown、UTF-8、EveGlyph、ASCS、EGIR、PDF、JATS、MathML、Canonical Source、Scholarly Document、AI-native Publishing、Unbounded Axiom

1. 問題：我們為什麼還在把結構化研究壓成 PDF，再叫 AI 解析回來？

考慮今日常見流程：

\text{Research} \rightarrow \text{Structured Draft} \rightarrow \text{LaTeX / Word} \rightarrow \text{PDF}.

另一個 AI 想讀時：

\text{PDF} \rightarrow \text{Layout Parsing} \rightarrow \text{Text Recovery} \rightarrow \text{Equation Recovery} \rightarrow \text{Citation Recovery} \rightarrow \text{Semantic Reconstruction}.

也就是：

\boxed{ \text{Structure} \rightarrow \text{Flatten} \rightarrow \text{Recover Structure}. }

這在 AI-native infrastructure 中是一種不必要的往返。

2. PDF 很成功，但成功於另一個問題

PDF 很擅長：

保留視覺版面；
跨裝置呈現；
列印；
頁碼；
圖文固定配置；
傳統出版；
長期靜態 artifact；
文件交換。

所以本文不是反 PDF。

真正問題是：

PDF 是否應該是研究物件唯一的 canonical representation？

本文答案是：

\boxed{ \text{No}. }

3. Visual Fidelity 與 Semantic Fidelity 是兩種 Fidelity

PDF 優先保留：

F_{\mathrm{visual}}.

AI-native research object 還需要：

F_{\mathrm{semantic}}.

例如 PDF 可以把：

Theorem 3

顯示得非常漂亮。

但若沒有結構資訊，AI 未必知道：

object_type: theorem
object_id: theorem-3
depends_on: lemma-7
validation_state: proof-checked

因此：

\boxed{ F_{\mathrm{visual}} \neq F_{\mathrm{semantic}}. }

4. Source-Native Scholarly Document Architecture

本文提出：

SNSDA — Source-Native Scholarly Document Architecture

其三層為：

\boxed{ S_A \rightarrow O_C \rightarrow \{A_1,A_2,\ldots,A_n\}. }

其中：

$S_A$ ：Author Canonical Source；
$O_C$ ：Platform Canonical Research Object；
$A_i$ ：render / interchange artifacts。

5. Author Canonical Source

Author Canonical Source（ACS） 回答：

作者到底提交了什麼？

對 Unbounded Axiom v0.x，首選：

UTF-8 Markdown

以及：

UTF-8 plain text

6. 為什麼一定要保留作者原始 Source

如果平台只保存 AI normalization 後的版本：

S_{\mathrm{raw}} \rightarrow S_{\mathrm{AI}}

然後刪掉：

S_{\mathrm{raw}},

未來就無法回答：

這句話原本是不是作者寫的？

因此：

\boxed{ \text{Raw Submission} \text{ is immutable provenance}. }

7. Raw Submission 不一定等於 Published Canonical Edition

作者可能提交：

raw_submission.md

經確認後產生：

canonical_v1.md

兩者關係：

S_{\mathrm{raw}} \xrightarrow{ \text{reviewed normalization} } S_{\mathrm{canonical}}.

關鍵是 transformation 可追蹤。

8. Normalization 不得是 Silent Rewrite

合法 normalization：

line ending；
UTF-8 normalization policy；
heading syntax repair；
table delimiter repair；
metadata mapping；
math delimiter normalization；
whitespace；
stable object anchors。

如果改變：

claim；
number；
theorem；
causal wording；
conclusion；
limitation；

就不是 formatting normalization。

9. Semantic Delta Gate

定義：

\Delta_{\mathrm{sem}} ( S_0,S_1 ).

若：

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

可進 automatic formatting class。

若：

\Delta_{\mathrm{sem}}>0,

必須：

AUTHOR_VISIBLE_REVIEW

或相應 authorized research review。

10. Markdown 是 Authoring Surface，不必是終極 Ontology

這是 SNSDA 與 ASCS 的重要相容點。

目前 EveGlyph Editor 使用 Markdown file 作 primary editable source。

未來 ASCS 則可以將其 import 成：

\text{EGIR Candidate Objects}.

因此：

\boxed{ \text{Markdown Canonicality} \text{ is source-layer canonicality}. }

不必宣稱：

\boxed{ \text{Markdown Syntax} = \text{Final Semantic Ontology}. }

11. Platform Canonical Research Object

平台需要一個比線性 Markdown 更適合 AI query 的 structured layer。

本文定義：

\boxed{ O_C = ( N, E, M, V, P ). }

其中：

$N$ ：addressable nodes；
$E$ ：typed relations；
$M$ ：metadata；
$V$ ：version / lineage；
$P$ ：provenance。

12. Addressable Nodes

可包括：

section
paragraph
definition
claim
hypothesis
conjecture
theorem-claim
proof
equation
citation
evidence
dataset
table
figure
chart
code
experiment
method
limitation
revision-note

13. 同一篇 Paper 不再只是 Byte String

傳統：

P=\text{text}.

未來：

\boxed{ P= \{o_1,o_2,\ldots,o_n\} + E_P. }

其中：

E_P

保存 object relations。

14. Claim-Level Addressing

例如：

ua:paper:5001#claim-17

可以被：

citation
validation
comment
replication
revision

直接指向。

15. Equation-Level Addressing

例如：

ua:paper:5001#eq-14

可連到：

derived-from
used-by-proof
validated-by
computed-by

16. Dataset-Level Addressing

ua:paper:5001#dataset-2

可連 Paper 04 SREPA：

\text{Dataset} \rightarrow \text{Source} \rightarrow \text{Transformation}.

17. Figure 也應是 Object

不是只存：

figure3.png

而是：

figure:
  id: figure-3
  kind: data-visualization
  data_refs:
    - dataset-2
  plot_spec:
  renderer:
  artifact_refs:
    - figure3.svg
    - figure3.png

18. Code Block 也應有 Identity

一段可執行 code 可以保存：

language
environment
dependencies
input refs
output refs
hash
execution state

而不是只是一塊 syntax-highlighted text。

19. ASCS 的定位

EveGlyph Addressable Symbolic Computational Space 的核心方向是：

\boxed{ \text{One canonical object space} + \text{multiple views} + \text{native execution} + \text{stable addressing}. }

SNSDA 不要求預印本平台第一天就完整實作 ASCS。

但 paper schema 應該不阻止這個方向。

20. 兩種 Canonicality 必須命名清楚

本文提出：

20.1 Authorial Canonicality

哪一份文字是作者確認的正式版本？

C_A.

20.2 Semantic / Platform Canonicality

哪一份 structured object graph 是平台目前認可的 canonical machine representation？

C_S.

21. 兩者不必互相消滅

\boxed{ C_A \leftrightarrow C_S. }

兩者由 deterministic / reviewed mapping 連接。

22. Source–Object Mapping

\boxed{ \Gamma: S_A \rightarrow O_C. }

每個 machine object 應能回指 source span：

source file
start line
end line
source hash
parser version
mapping version

23. Machine Object 不能憑空出現

若 AI inference 新建：

claim-17

但 source 沒有相應表述，

應標：

INFERRED_OBJECT

而不是：

AUTHOR_DECLARED_OBJECT

24. Source Authority 與 AI Interpretation 分離

\boxed{ \text{AI Semantic Interpretation} \neq \text{Authorial Source}. }

這與 Paper 04：

\text{No layer self-certifies another layer}

一致。

25. Markdown 投稿：最適合 2026 的人機共同介面

Markdown 的優勢：

plain text；
git-friendly；
diff-friendly；
AI-friendly；
human-readable；
web-friendly；
formula embedding；
code embedding；
lightweight metadata；
ecosystem large；
easy UTF-8 storage。

26. Markdown 的價值不是「語法比較潮」

而是：

\boxed{ \text{Low Authoring Overhead} + \text{High Machine Recoverability}. }

27. 投稿者不必學 Document-Class Engineering

如果研究者只想寫研究：

不應要求先處理：

documentclass
package conflicts
font package
page geometry
bibliography backend
compilation engine

28. LaTeX Math 與 LaTeX Document Workflow 分離

Unbounded Axiom 可以保留：

\text{LaTeX-style Mathematics}.

例如：

$...$

與：

$$...$$

但不要求：

\documentclass{article}
...
\begin{document}
...
\end{document}

29. 核心分離

\boxed{ \text{LaTeX Math Serialization} \neq \text{LaTeX Document Authoring Requirement}. }

30. 為什麼 $...$ / `$$...$$` 很實用

它們：

對人類簡潔；
對 AI 熟悉；
對 Markdown ecosystem 常見；
易轉 KaTeX / MathJax；
可轉 MathML；
可進 native math parser。

W3C MathML Core 甚至在說明中對應 TeX inline / display mode 與 MathML inline / block display。

31. 但 LaTeX String 不必成為永遠的 Math Canonicality

ASCS 長期可以：

\text{LaTeX} \rightarrow \text{Native Math Object} \rightarrow \{ \text{LaTeX}, \text{MathML}, \text{OpenMath}, \text{Rendered Math} \}.

因此 LaTeX 可以是 authoring serialization。

32. Native Math Object

可保存：

operator
operands
binder
assumptions
units
constraints
exactness
proof relation
computation provenance

這比一條純字串更適合 computation。

33. KaTeX / MathJax 是 Renderer，不是 Mathematical Truth

公式顯示成功：

\not\Rightarrow

公式語義合法。

因此：

\boxed{ \text{Math Rendering PASS} \neq \text{Math Semantic Validation PASS}. }

34. MathML 的 Interchange 角色

MathML Core 定義適合 browser implementation 的數學 markup subset，目標是讓數學像 text 一樣能在 Web 被傳送、接收與處理。

因此：

MathML

非常適合：

web projection；
accessibility；
interchange。

35. JATS 的 Interchange 角色

JATS 1.4 是 ANSI/NISO Z39.96-2024。

它提供：

publisher / archive 交換 scholarly journal article content 的 common XML format。

因此 SNSDA 不應重新發明：

外部 publisher XML interchange。

可以 export：

O_C \rightarrow \text{JATS XML}.

36. JATS 不必成為 Authoring Requirement

外部 publisher 喜歡 XML：

不代表作者要手寫 XML。

因此：

\boxed{ \text{Interchange Format} \neq \text{Authoring Surface}. }

37. TXT 投稿

如果使用者完全不想寫 Markdown：

平台應接受：

UTF-8 .txt

38. TXT 的 Pipeline

\boxed{ \text{Raw TXT} \rightarrow \text{Structural Candidate} \rightarrow \text{Review} \rightarrow \text{Canonical Markdown / Object Mapping}. }

39. Raw TXT 永久保留

raw_submission.txt

不能被 normalization 覆蓋。

40. TXT Parser 可以做什麼

deterministic：

blank-line paragraph detection；
obvious numbered headings；
reference patterns；
code fences where explicit；
URL / DOI detection；
common math delimiters。

AI optional：

ambiguous heading；
table reconstruction；
equation-vs-text classification；
bibliography boundary；
malformed structures。

41. AI Parser 的輸出只是 Candidate

\boxed{ LLMOutput = \text{Untrusted Structured Proposal}. }

不能直接變 canonical。

42. AI Repair 不得偷偷寫 Content

如果 AI 認為：

這段應改寫比較學術。

那是：

editorial suggestion

不是：

render fix

43. Render Repair 與 Editorial Rewrite 分離

RENDER_REPAIR
STRUCTURAL_NORMALIZATION
EDITORIAL_SUGGESTION
SEMANTIC_CHANGE

四類要分。

44. Markdown Frontmatter

可以有最小：

---
schema: "ua-preprint/1.0"
title: "..."
language: "zh-Hant"
work_id: "..."
version: "1.0"
---

45. 作者不必手填所有 Metadata

Paper 02–07 已經有大量：

research classification；
evidence；
source；
identity；
privacy；
economic；

metadata。

不應要求作者手刻 300 行 YAML。

46. Metadata 來源可以是：

author declared
form input
AI proposed
platform inferred
external registry
validator

並保留 provenance。

47. Human Form 與 Markdown Frontmatter 只是不同 UI

兩者最後進：

O_C.

48. Submission Object

定義：

\boxed{ U = ( S_{\mathrm{raw}}, S_{\mathrm{canonical}}, O_C, A, H ). }

其中：

$S_{\mathrm{raw}}$ ：raw upload；
$S_{\mathrm{canonical}}$ ：author-confirmed canonical source；
$O_C$ ：structured research object；
$A$ ：artifacts；
$H$ ：history。

49. Hash

至少：

H_{\mathrm{raw}} = H(S_{\mathrm{raw}}),

H_{\mathrm{canonical}} = H(S_{\mathrm{canonical}}).

50. Structured Object Hash

若 EGIR / canonical JSON 有 deterministic canonicalization：

H_O = H(O_C).

51. Artifact Hash

每個：

A_i

保存：

H(A_i).

52. Render Function

EveGlyph Publication Runtime 已提出：

R(S_c,P,O)\rightarrow A.

本文一般化：

\boxed{ A_i = R( S_A, O_C, P_i, R_v, O_i ). }

53. Renderer 不得反向修改 Source

禁止：

R(S) \rightarrow S'.

除非明確產生：

patch proposal

54. Layout Fix 應該改 Publication Profile

如果表格太寬：

錯誤做法：

偷改原論文內容。

正確：

responsive table
landscape projection
font scaling
overflow handling
print profile

55. Publication Profile

例如：

ua-web-v1
ua-mobile-v1
ua-print-v1
ua-pdf-academic-v1
ua-accessible-v1
ua-jats-export-v1

56. 同一 Source 多 View

R(S,P_1)\rightarrow A_1,

R(S,P_2)\rightarrow A_2.

但 scholarly meaning 應保持。

57. Artifact Equivalence

不要求 byte-identical。

例如：

web HTML；
PDF；
mobile HTML；

本來不同。

需要的是：

\boxed{ \text{Semantic Projection Equivalence within declared fidelity}. }

58. Fidelity Report

每個 export 可標：

lossless semantic
layout-only difference
math fidelity preserved
interactive feature flattened
private fields omitted
unsupported object degraded

59. PDF 的正確定位

SNSDA 將 PDF 定義為：

\boxed{ \text{Static Publication Projection}. }

60. PDF 還是非常重要

用途：

download；
print；
archival snapshot；
page citation；
offline reading；
publisher exchange；
fixed visual record。

61. 但 PDF 不是唯一 Research State

PDF 看不到：

hidden claim graph；
validation state；
source health；
private/public projection metadata；
structured dataset relation；
interactive chart spec；
agent execution provenance。

62. 因此：

\boxed{ \text{Paper PDF} \subset \text{Research Object Projection Space}. }

63. HTML 的定位

\boxed{ \text{HTML} = \text{Primary Web Projection}. }

可以支援：

responsive layout；
anchors；
dynamic citation status；
interactive chart；
accessibility；
semantic metadata。

64. API / JSON 的定位

\boxed{ \text{API} = \text{Machine Projection}. }

供 AI：

query；
retrieval；
graph traversal；
validation；
research continuation。

65. Graph View

可顯示：

claim
evidence
citation
revision
author
dataset

關係。

66. Mobile View

不應只是 PDF 縮小。

可以重新流式排版。

這就是 projection 的價值。

67. Print View

可以：

fixed page size；
stable headings；
table pagination；
footnotes；
page numbers。

不需要污染 source。

68. Accessibility View

可以加入：

semantic headings；
alt text；
MathML；
ARIA；
table summaries；
figure descriptions。

69. Bilingual Projection

一個 work：

W

可有：

zh-Hant edition
English edition

70. Translation 不是另一個 Work

若語義不變：

\boxed{ W_{\mathrm{zh}} = W_{\mathrm{en}} = W. }

只是 editions。

71. Translation 改變理論時

如果英譯過程改了：

theorem；
definition；
scope；
claim；

則：

\Delta_{\mathrm{sem}}>0.

應升級 work version。

72. Machine Semantic Layer 可以獨立存在

未來：

Human zh-Hant
Human English
Machine Semantic Object Graph

三者可以共同指向同一 work。

73. Figure 種類要 Typed

Paper 04 已區分 evidence provenance。

本文建議：

AUTHOR_FIGURE
AI_REFORMATTED_FIGURE
AI_DERIVED_DATA_VISUALIZATION
AI_ILLUSTRATIVE_DIAGRAM
EXTERNAL_FIGURE

74. AI Illustrative Diagram

概念圖：

\neq

empirical evidence。

UI 應標明：

Illustrative

75. AI Derived Data Visualization

必須有：

\text{Figure} \leftarrow \text{Plot Spec} \leftarrow \text{Data} \leftarrow \text{Source}.

76. Chart 不應先 Flatten 成 PNG

canonical 可以保存：

chart type
x
y
data ref
transform
labels
units
renderer

77. 再輸出：

interactive web
SVG
PNG
PDF

78. SVG 的價值

對 diagram / chart：

vector；
searchable text；
scalable；
web native。

79. PNG/JPEG 的定位

適合：

photos；
raster evidence；
screenshots；
compatibility。

但不是 structured chart 的理想唯一 source。

80. Table 也不應只是 Image

應保持：

rows
columns
header semantics
units
source refs

81. Data Table → Multiple Projection

T \rightarrow \{ \text{HTML Table}, \text{CSV}, \text{PDF Table}, \text{Accessible Table} \}.

82. Citation Display 也只是 Projection

source edge：

c_i\leftarrow s_j

可以 render 成：

numeric citation；
author-year；
footnote；
inline source card；
machine link。

83. Bibliography Style 不應改 Citation Semantics

\boxed{ \text{Citation Style} \neq \text{Citation Relation}. }

84. Page Numbers 是 Projection-Specific Locator

PDF：

page 17

HTML：

#claim-17

Source：

lines 300-320

都可以指同一 object。

85. Stable Object ID 比 Page Number 更跨格式

因此：

\boxed{ \text{Stable Object Address} > \text{Single-Projection Page Address} }

在 machine interoperability 上更強。

86. Page Number 仍應保留

因人類仍習慣：

p. 17.

所以 PDF artifact 可以提供 page-map：

claim-17 -> page 17

87. Code Execution Artifact

對可執行 paper：

code block
execution environment
output
logs
hash

可以是 PCRO object。

88. Jupyter 的啟示

Notebook 已經證明：

narrative + code + output

可以共存。

但 SNSDA 不要求所有論文都 notebook 化。

89. Narrative / Execution 分離仍重要

一個 code block：

\neq

execution result。

要保存：

source code
execution event
output

三者。

90. Native Execution 是未來能力，不是投稿前置

普通作者上傳 Markdown：

不需要寫 executable document。

平台可逐步增強。

91. EveGlyph Editor 的當前角色

目前可定位為：

\boxed{ \text{Authoring Layer} }

提供：

Markdown workspace；
live preview；
KaTeX；
metadata；
AI agent；
git snapshot / diff review；
encoding-aware IO。

92. EveGlyph Publication Runtime 的角色

\boxed{ \text{Rendering / Artifact Compiler}. }

所有入口：

Editor
CLI
Batch
MCP
API
Agent

應共用同一 renderer。

93. ASCS / EGIR 的角色

\boxed{ \text{Structured Semantic / Computational Object Layer}. }

長期接：

addressable object；
native math；
symbol IR；
execution；
lineage；
provenance。

94. 三者不是重複產品

可以形成：

\boxed{ \text{Editor} \rightarrow \text{ASCS / Research Object} \rightarrow \text{Publication Runtime}. }

95. Unbounded Axiom 的角色

\boxed{ \text{Repository} + \text{Preprint Commons} + \text{Research Graph} + \text{Validation Surface}. }

96. 投稿入口可以很簡單

Upload Markdown
Paste Text
Agent / API Submit

97. 不應要求：

Upload PDF only

作為唯一正式入口。

98. PDF Import 可以是 Compatibility Path

既有研究只有 PDF：

平台可以 ingest。

但標記：

SOURCE_RECOVERED_FROM_PDF

99. PDF-derived Source 不等於 Author Canonical Source

因為可能：

OCR error； -formula loss； -order ambiguity； -footnote mix； -table corruption。

所以：

\boxed{ \text{Recovered Source} \neq \text{Original Author Source}. }

100. Legacy Word / LaTeX Import

也可以：

.docx
.tex

作為 adapters。

但平台 public submission 不必要求這些。

101. LaTeX Import

.tex 可以保留：

raw source

再 map：

\text{LaTeX} \rightarrow \text{Canonical Candidate}.

102. Word Import

.docx 可作 legacy source。

但 native future workflow 仍優先 text-first。

103. JATS Import / Export

對 publisher interoperability：

\text{JATS} \leftrightarrow \text{PCRO}

可逐步支援。

104. CommonMark 與 Markdown Dialect

Markdown ecosystem 不只有一種 dialect。

因此平台應定義：

ua-markdown/1.0

而不是：

隨便哪個 Markdown 都猜。

105. UA Markdown Profile

可以基於 CommonMark 思想，加入：

frontmatter
math
citations
object anchors
figure metadata
research extensions

106. Unknown Markdown Extensions

遇到未知 extension：

應：

preserve raw syntax
warn
fallback render

而不是靜默刪掉。

107. Parser Version

source mapping 必須保存：

parser_version
profile_version

因 parser 會變。

108. Parser Upgrade 不能默默改歷史

新 parser：

P_2

解析舊 source 可能產生不同 object graph。

應：

reparse candidate
diff
review
commit

109. Structural Regression Corpus

平台應建立：

Markdown torture corpus

包含：

中文；
中英混排；
公式；
表格；
code；
long heading；
nested list；
unicode；
broken syntax；
long equations；
citations；
images。

110. 你的既有 Corpus 是天然 Regression Dataset

數千篇中文研究：

\mathcal C_{\mathrm{Neo.K}}

可以作：

\boxed{ \text{Real-World Rendering Corpus}. }

111. Renderer 成熟度

不是：

Demo 看起來漂亮。

而是：

\boxed{ \text{Thousands of heterogeneous papers render without semantic corruption}. }

112. Render Evidence

每次至少：

source hash
artifact hash
renderer version
profile version
warnings
page count
timestamp

113. Render Report

可再加：

unsupported features
fallbacks
math failures
image failures
table overflow
font substitutions
accessibility warnings

114. Artifact Provenance

\boxed{ A \leftarrow S + O_C + P + R_v + O. }

115. Re-render

同一 source / profile / renderer：

應能產生 reproducible artifact 或 declared-equivalent artifact。

116. Byte Reproducibility 與 Visual Reproducibility 分離

PDF metadata timestamp 可能改 bytes。

所以可分：

BYTE_IDENTICAL
STRUCTURALLY_EQUIVALENT
VISUALLY_EQUIVALENT
SEMANTICALLY_EQUIVALENT

117. Render Reproducibility 不證明 Research Truth

\boxed{ \text{Reproducible PDF} \neq \text{Correct Paper}. }

它只證明 publication pipeline 穩定。

118. Source Validation 不證明 Claim Truth

UTF-8 valid：

\not\Rightarrow

theorem valid。

不同層各自驗證。

119. UTF-8 Canonical Source

正式 source 必須：

valid UTF-8；
no lossy replacement；
stable newline policy；
hashable；
versioned。

120. Encoding Adapter

legacy Big5 / Shift-JIS / GBK 可 import。

但：

\text{Physical Encoding} \neq \text{Semantic Identity}.

121. Import Provenance

original encoding
decoder
errors
normalization
output hash

要保存。

122. Unicode Normalization

若平台做 NFC / NFKC 等 normalization：

必須明確。

尤其數學 / custom glyph 不可亂 normalize。

123. Custom Glyph

ASCS 長期允許：

不依賴 Unicode code point 的 symbol identity。

因此：

\boxed{ \text{Glyph Identity} \neq \text{Unicode Scalar Value}. }

124. Glyph Projection

可 render：

font；
SVG；
canvas；
raster fallback。

125. Semantic Glyph Binding

symbol：

g

可以綁定：

meaning
operator
behavior
version

但 renderer 只顯示外觀。

126. Image Alt Text

AI 可以幫忙生成。

但：

AI-generated alt text

應標 provenance。

作者可修正。

127. Academic Figure Enhancement

未來 AI 可以建議：

flowchart；
taxonomy；
comparison table；
time series；
dependency graph。

但都應形成 candidate object。

128. Visualization 不可創造假 Data

如果來源沒有數據：

AI 不得為了圖好看 invent：

42%
68%
91%

129. Illustrative Values

如必須使用示意數值：

必須標：

ILLUSTRATIVE
NOT MEASURED

130. Cognitive Compression

圖表的真正價值：

\boxed{ \text{Reduce Reconstruction Cost} }

而不是：

讓 paper 看起來比較像 paper。

131. Representation Selection

AI 可以估：

paragraph → keep text
taxonomy → tree
comparison → table
time series → line chart
process → flow diagram
dependency → graph

132. 但 Author Controls Semantic Acceptance

representation change 若只改 view：

可 automatic。

若 summary / compression 遺失 material nuance：

需要 review。

133. Loss Budget

可定：

L_{\mathrm{repr}}.

對不同 projection 有不同允許 loss。

134. Machine View 可以比 Human View 更完整

public web article 可能顯示：

abstract；
paper；
figures。

machine API 還可提供：

claim graph；
evidence graph；
version；
source health；
researcher IDs。

135. Human View 不應因 Machine Layer 變得難讀

AI-native 不等於：

把 JSON dump 給人。

UI 應做 projection。

136. Machine Layer 不應因 Human UI 變得貧乏

反過來也成立。

137. Source-Native = Multi-Projection

\boxed{ \text{One Research State} \rightarrow \text{Many Views}. }

138. Versioning

Paper：

V_1 \rightarrow V_2.

每版保存：

source hash
object graph hash
artifact set
change summary
revision reason

139. Diff

至少分：

TEXT_DIFF
STRUCTURE_DIFF
SEMANTIC_OBJECT_DIFF
METADATA_DIFF
RENDER_DIFF

140. Formatting Change 不必提升 Research Version

如果只改 PDF typography：

research work version 可不變。

artifact profile version 更新。

141. Claim Change 必須提升 Research Version

例如：

causal

改：

correlational

這是 semantic revision。

142. Translation Change 也可能需要 Work Revision

如果翻譯修正改變 claim strength：

需要。

143. Renderer Upgrade 不應改 Work Version

R_1\rightarrow R_2

如果 source / semantics 不變：

只產生新 artifact revision。

144. Artifact History

可以有：

paper.pdf renderer-v1
paper.pdf renderer-v2

兩者對同一 work version。

145. Static Snapshot

正式 publication 可以 freeze：

publication artifact snapshot

供 citation。

146. Dynamic Web View

同一 paper 的 web UI 可以更新：

source health；
citation retraction badge；
replication status。

不改原文。

147. Static Text 與 Dynamic Epistemic Overlay 分離

\boxed{ \text{Published Text} + \text{Live Epistemic Overlay}. }

這是 AI-native preprint 的重要優勢。

148. 例如 Retraction Badge

Paper 04 發現 source retracted：

web 顯示：

Upstream source retracted — revalidation required

但原 paper source 保持。

149. PDF Snapshot 也可生成新 Overlay Edition

例如：

PDF generated 2026-09-03

之後生成：

PDF status-overlay 2027-01-02

原始 PDF 仍保留。

150. Canonical Research Object 與 Dynamic State

一些 state：

citation health
replication
validation
discussion

可能在 paper 發表後更新。

因此：

\boxed{ \text{Work Source} \neq \text{Entire Live Research State}. }

151. Research Record 是 Composite Object

\boxed{ \mathcal P_t = ( S_V, O_V, E_t, I_t, D_t, A_V ). }

其中：

$S_V$ ：work-version source；
$O_V$ ：structured object graph；
$E_t$ ：live epistemic state；
$I_t$ ：identity state references；
$D_t$ ：disclosure projection；
$A_V$ ：artifacts。

152. PDF 無法單獨承擔這個 Composite State

所以 PDF-only architecture 天然不足。

153. API Submission

AI 可以送：

canonical Markdown
metadata JSON
source manifest
evidence manifest

154. 最簡 API 也可只送 Text

平台再：

parse
classify
propose metadata
ask confirmation

155. Agent 不需要模擬 GUI 上傳

AI-native submission 應有 API / MCP。

156. Human 與 AI 使用同一 Research Object Schema

只是入口不同。

157. File Upload 仍然重要

人類喜歡：

drag and drop

保留。

158. Paste Text 也重要

甚至連 .md 都不想存：

直接貼。

159. Clipboard Submission

raw snapshot 仍建立：

submission.txt

並 hash。

160. No-LaTeX Barrier

投稿頁可以寫：

Markdown recommended. Plain UTF-8 text accepted. No LaTeX document preparation or PDF generation required.

161. 這不是反 LaTeX

LaTeX expert 仍可：

upload .tex via adapter；
use LaTeX math；
export TeX；
export PDF。

162. 只是把 LaTeX 從 Gate 變成 Option

\boxed{ \text{LaTeX} : \text{optional powerful interface} }

而不是：

\boxed{ \text{LaTeX} : \text{mandatory admission barrier}. }

163. 學術門檻應該是 Research Integrity

投稿者真正應付出的成本是：

claim clarity； -evidence； -source； -provenance； -validation； -limitations。

不是：

排版 skill test。

164. Epistemic Cost > Typesetting Cost

\boxed{ \text{Submission Friction} \text{ should concentrate on epistemic integrity, not typesetting ritual}. }

165. JATS 與傳統出版導出

平台如果未來需要投稿 journal：

O_C \rightarrow \text{JATS}.

再交 publisher。

166. LaTeX Export

數學 journal 需要：

O_C \rightarrow \text{LaTeX}.

167. DOCX Export

某些 institution 需要：

O_C \rightarrow \text{DOCX}.

168. 格式要求應由 Export Adapter 承擔

不是作者重新打一份。

169. External Publisher Projection

Paper 05 已提出 canonical research record → publisher projection。

Paper 08 把 document format 也納入同一思想。

170. Publisher-Specific Styling

例如：

Nature-like export
IEEE-like export
journal-X export

應改 profile。

171. 不要讓作者 fork 內容只為排版

避免：

paper_final.md
paper_final_journal.md
paper_final_journal2.md
paper_really_final.md

（笑）

172. One Source, Many Export Profiles

\boxed{ \text{One Work Version} \rightarrow \text{Many Publication Profiles}. }

173. Publication Profile 可版本化

ieee-export-v1
ieee-export-v2

174. Unsupported Publisher Requirement

若無法 losslessly export：

report：

MANUAL_INTERVENTION_REQUIRED

而不是 silent loss。

175. AI 可以幫忙 Export 修復

但修改 canonical source 需要 explicit review。

176. Source-Native Archive

長期 archive 至少保存：

canonical UTF-8 source
structured manifest / object graph
hashes
schemas
provenance
render profile
artifact snapshots

177. PDF Alone 不是最佳 Archive

因未來：

parser； -screen reader； -AI； -new renderer；

都可能更需要 source。

178. Source Plainness 是長期優勢

UTF-8 plain text：

implementation simple；
inspectable；
git-friendly；
wide tool support。

179. Structured Object Graph 也要有 Portable Serialization

例如：

canonical JSON
JSONL
CBOR

未來可替換 physical format。

180. Semantic Identity ≠ Serialization

\boxed{ \text{Object Identity} \neq \text{JSON Bytes}. }

與 ASCS 原則一致。

181. ASCS 甚至可以讓 Canvas 只是 View

Canvas placement：

\neq

object ontology。

這避免 UI 成為 truth。

182. Chat Rendering 也不是 Source

非常重要：

不得從聊天畫面重新 copy 回正式論文，當作 canonical。

正式修改永遠對 source artifact。

183. Source Handoff

AI 接手時應讀：

canonical source
manifest
validation
history

而不是聊天截圖。

184. 這也是為什麼本系列輸出 `.md`

正式 paper 是 UTF-8 Markdown artifact。

聊天回答只是導航與摘要。

185. Source Validation Pipeline

\boxed{ \begin{aligned} \text{Source} &\rightarrow \text{UTF-8 Validation}\\ &\rightarrow \text{Syntax Validation}\\ &\rightarrow \text{Math Delimiter Validation}\\ &\rightarrow \text{Structure Validation}\\ &\rightarrow \text{Semantic Extraction}\\ &\rightarrow \text{Research Schema Validation}. \end{aligned} }

186. Render Pipeline

\boxed{ \begin{aligned} \text{Validated Research Object} &\rightarrow \text{Publication Profile}\\ &\rightarrow \text{Renderer}\\ &\rightarrow \text{Artifact}\\ &\rightarrow \text{Artifact Validation}\\ &\rightarrow \text{Manifest}. \end{aligned} }

187. Ingestion 與 Rendering 分離

parser 出問題：

\neq

renderer 出問題。

要不同 error class。

188. Parser Error

例如：

AMBIGUOUS_HEADING
BROKEN_TABLE
UNBALANCED_MATH
UNKNOWN_EXTENSION

189. Renderer Error

例如：

TABLE_OVERFLOW
FONT_FALLBACK
PAGE_BREAK_FAILURE
SVG_UNSUPPORTED

190. Semantic Error

例如：

CLAIM_MAPPING_CONFLICT
CITATION_UNRESOLVED
OBJECT_ID_COLLISION

191. AI Repair Routing

Paper 09 將處理：

\text{Error Type} \rightarrow \text{AI Repair Candidate} \rightarrow \text{Validation} \rightarrow \text{Regression Rule}.

192. Source-Native 與 AI Cost

deterministic valid Markdown：

\rightarrow \text{No AI Call}.

這比每篇 PDF OCR / parsing 成本低。

193. 越多人投稿，Parser 可以越成熟

long-tail failure 被吸收到 rule。

AI basic repair rate：

\downarrow.

194. Source-Native 也是成本架構

不是只有 document philosophy。

195. Security

Markdown / HTML import 仍需防：

script injection；
malicious links；
resource fetch；
path traversal；
parser exploits。

196. Raw Source 不等於直接執行

code block：

\neq

automatic execution permission。

197. Executable Object 需要 Capability Gate

與 EveGlyph runtime：

proposal
candidate
commit
capability

一致。

198. External Resource Fetch

image URL / dataset link：

不應無條件由 renderer outbound fetch。

需要 controlled resolver。

199. Privacy Projection

Paper 06：

PRIVATE
RESTRICTED
PUBLIC

要在 rendering 前 filter。

200. 但 Private Object 不應被刪除 Canonical State

public renderer 只是 projection filter。

201. Economic Metadata Projection

Paper 07 的 agreement：

可能 private。

public paper只顯示：

funding disclosure
conflict

202. Researcher Projection

Paper 05 identity：

public：

publication name
researcher ID

private runtime detail可不顯示。

203. Multi-Layer Document

因此一篇 preprint 最終不是：

paper.pdf

而是：

\boxed{ \text{Source} + \text{Research Objects} + \text{Provenance} + \text{Epistemic State} + \text{Identity} + \text{Disclosure} + \text{Artifacts}. }

204. Source-Native Scholarly Package

可以輸出：

paper.md
research.json
claims.jsonl
sources.jsonl
evidence.jsonl
authors.json
disclosure.json
render_manifest.json
paper.pdf

205. 不是每個下載者都需要全 Package

一般讀者：

HTML
PDF

AI researcher：

source + machine package

206. Compression / Bundle

可提供：

research-package.zip

但 canonical records 仍是版本化 objects。

207. Citation 其他 UA Paper

可以直接引用：

ua-work ID
claim ID
version

再 export 成 DOI / bibliography style。

208. 跨平台 Citation

外部 DOI 照 Paper 04。

209. Internal Scholarly Graph

UA papers 之間可形成高精度：

\text{claim-to-claim graph}.

210. 這是 PDF-only 很難自然提供的能力

除非後處理再次抽取。

211. Annotation

讀者 comment 可指：

claim-17

而不是：

第 12 頁第三段大概那裡。

212. Revision Discussion

作者可以回：

claim-17 revised in v1.2

213. Replication

另一 paper：

replicates claim-17

214. Retraction

甚至只撤回：

claim-17

不一定整篇 paper。

215. Partial Retraction

這是 structured document 的另一優勢。

216. Paper-level Retraction 仍可保留

若核心崩潰：

RETRACTED

整 work status 改。

217. Source-Native Public Search

搜尋可以查：

definitions
theorem claims
datasets
methods
counterfactuals
limitations

而不是只有全文 keyword。

218. AI Retrieval

AI 可以取：

只給我 Paper X 的 definitions + open claims + source health。

節省 context。

219. Cognitive Context Efficiency

這與你一直在做的：

\text{降低 AI / Human 認知複查成本}

相容。

220. Source-Native 也能降低 Context Waste

不用每次餵整個 PDF。

221. Partial Materialization

O_C \rightarrow \text{task-specific context pack}.

222. 這與 EveGlyph Context Projection 相容

runtime 不把所有 object 無界塞進單次 context。

223. Structured Research Object 不等於 Knowledge Graph-only

仍保留完整 narrative source。

不要把 paper 只拆成 triples。

224. Narrative Matters

語境、論證順序、修辭與解釋仍有價值。

所以：

\boxed{ \text{Source Narrative} + \text{Semantic Graph} }

雙層共存。

225. 不要讓 Graph 吃掉 Source

structured extraction 可能錯。

source 是 authorial anchor。

226. 不要讓 Source 阻止 Structured Layer

相反也不能說：

有 Markdown 就夠了，不需要 object graph。

未來 AI-native research 需要兩者。

227. Dual Anchoring

\boxed{ \text{Authorial Anchor} + \text{Semantic Anchor}. }

這是 SNSDA 的核心修正。

228. Source Canonicality 的最小定義

\boxed{ \text{The author-confirmed textual artifact is not silently rewritten by presentation or inference layers}. }

229. Semantic Canonicality 的最小定義

\boxed{ \text{Machine-addressable research objects are versioned, provenance-linked, and reviewable against source}. }

230. Render Canonicality 不存在嗎？

可以有：

canonical publication artifact

例如正式 PDF snapshot。

但它只是：

\text{canonical artifact for a projection}.

不是 research source。

231. 三種 Canonical Scope

SOURCE_CANONICAL
SEMANTIC_CANONICAL
PROJECTION_CANONICAL

232. 這可以避免「canonical」一詞混亂

同一 work 可以同時有：

canonical Markdown v1；
canonical EGIR graph v1；
canonical PDF snapshot v1；

但 scope 不同。

233. Conversion Fidelity

每次：

X\rightarrow Y

應有 fidelity class。

234. 示例

Markdown → HTML: semantic-lossless
Markdown → PDF: interaction-lossy
Native Math → LaTeX: semantic-partial
Interactive Chart → PNG: interaction-lossy
Private Research Object → Public HTML: intentionally-redacted

235. Loss 是合法的，只要有聲明

\boxed{ \text{Lossy Projection} \neq \text{Invalid Projection}. }

關鍵是不能假裝 lossless。

236. Fidelity Metadata

projection:
  source:
  profile:
  fidelity:
  omitted_objects:
  degraded_objects:
  warnings:

237. 外部標準相容策略

SNSDA 應採：

CommonMark-like Markdown profile
MathML adapter
JATS adapter
HTML
SVG
PDF
JSON / JSON-LD-like machine export
PROV mappings
DataCite metadata mappings

238. Interoperability ≠ Canonical Dependence

可以 export JATS。

不代表 internal ontology 必須等於 JATS。

239. External Standard Upgrade

JATS 1.4 → future 1.5：

更新 adapter。

不改 paper source。

240. MathML Upgrade

同理。

241. Renderer Independence

Publication Runtime 可以未來替換底層：

browser；
Typst；
Paged.js；
custom engine。

只要 contract 保持。

242. 但同一 Profile 必須有 Version

避免：

PDF 變了卻不知道為什麼。

243. EveGlyph Publication Runtime 的戰略位置

它不只是：

Markdown to PDF converter。

而是：

\boxed{ \text{Canonical Publication Compiler}. }

244. 更長期

\text{Editor} \rightarrow \text{Document Compiler} \rightarrow \text{Publication Runtime} \rightarrow \text{Multi-Agent Publication Infrastructure}.

245. Unbounded Axiom 可以成為它最大的真實 Corpus

不是 toy demo。

246. 5000 Papers 的價值

大量：

中文；
公式；
跨領域；
不同長度；
不同世代；

是 renderer / parser torture corpus。

247. Founder Corpus 轉成 Platform Test Corpus

這是轉型的一個額外好處。

248. Platform Learning

每次 edge case：

\rightarrow

parser / renderer regression test。

Paper 09 接續。

249. Source-Native Scholarly Constitution

本文提出以下不變量。

Invariant 1

\boxed{ \text{Author Canonical Source} \neq \text{Rendered Artifact}. }

Invariant 2

\boxed{ \text{Platform Semantic Object} \neq \text{Authorial Source}. }

Invariant 3

\boxed{ \text{Source is canonical;} \quad \text{rendering is projection}. }

Invariant 4

\boxed{ \text{Rendering} \not\Rightarrow \text{Silent Source Mutation}. }

Invariant 5

\boxed{ \text{LaTeX Math} \neq \text{Mandatory LaTeX Document Workflow}. }

Invariant 6

\boxed{ \text{PDF} = \text{Static Publication Projection}, }

not the sole research source.

Invariant 7

\boxed{ \text{Interchange Format} \neq \text{Authoring Surface}. }

Invariant 8

\boxed{ \text{Visual Fidelity} \neq \text{Semantic Fidelity}. }

Invariant 9

\boxed{ \text{AI Interpretation} \neq \text{Authorial Statement}. }

Invariant 10

\boxed{ \text{One Work Version} \rightarrow \text{Many Publication Projections}. }

Invariant 11

\boxed{ \text{Projection Loss} \text{ must be declared}. }

Invariant 12

\boxed{ \text{Epistemic Submission Cost} > \text{Typesetting Ritual Cost}. }

250. 最小 Unbounded Axiom Submission v1

入口：

Upload .md
Upload .txt
Paste text
Agent/API

251. `.md` 路徑

raw.md
→ validate
→ normalize candidate
→ review
→ canonical.md
→ structured objects
→ publish

252. `.txt` 路徑

raw.txt
→ parse
→ structure candidate
→ review
→ canonical.md
→ structured objects
→ publish

253. Agent API 路徑

source
+ metadata
+ optional manifests
→ schema validation
→ canonical commit

254. 作者選 No-AI

deterministic-only

只要格式合法仍可發表。

255. 作者選 AI Assist

AI 可：

修格式；
恢復結構；
建議 metadata；
建議圖表；
找 rendering issue。

但 candidate patch 可見。

256. AI Assist 不等於 Auto-Author

如果只修格式：

不是 substantive authorship。

257. AI Assist Provenance

model
operation class
patch
accepted/rejected

保存。

258. 前後差異

S_0 \rightarrow S_1.

diff 可查。

259. Author Acceptance

如果 semantic delta：

需要：

accepted_by
time
version

260. Render 後回報

warnings
degraded objects
artifact links
source hash

261. 發表後仍可下載 MD

非常重要。

讀者不只能拿 PDF。

262. Machine-readable Download

可以：

research.json
claims.jsonl
sources.jsonl

263. Public Source License

是否允許下載 / reuse 依 Paper 07 license。

264. Private Metadata

依 Paper 06 projection。

265. Render UI

讀者可切：

Read
Source
Claims
Evidence
Citations
Versions
Graph
Download

266. 人類不一定要看 Machine Layer

但想查就有。

267. AI 可以直接走 API

不用 parse page。

268. 這是真正的 AI-Native Website

不是：

網頁長得很像 AI。

而是：

\boxed{ \text{AI can consume the canonical research state without reverse-engineering presentation}. }

269. 與 Paper 02 的接口

Research Classification：

\rightarrow

PCRO metadata。

270. 與 Paper 03 的接口

Claim Card：

\rightarrow

addressable claim object。

271. 與 Paper 04 的接口

citation / dataset：

\rightarrow

source/evidence objects。

272. 與 Paper 05 的接口

author：

\rightarrow

researcher ID object。

273. 與 Paper 06 的接口

render：

\rightarrow

privacy projection。

274. 與 Paper 07 的接口

license / economic mode：

\rightarrow

work metadata。

275. Paper 09 將加入 Adaptive Publishing

Paper 08 先建立：

\text{source/object/projection boundary}.

Paper 09 再問：

parser / renderer 不夠好時，如何用 AI 補洞，又如何讓補洞經驗回流成 deterministic algorithm？

276. Paper 10 將加入 Account / Quota

AI preprocessing 有成本。

所以：

login；
account；
quota；
credit；

會在 Paper 10。

277. Source-Native Readiness Test

問：

若明天一個完全陌生 AI 上傳一份 UTF-8 Markdown，平台是否能在不要求 PDF 的情況下，保存原始 source、建立結構化 research object、驗證公式與 metadata、產生可重現 HTML/PDF、讓 AI 直接 query claim/evidence，且任何 renderer 或 preprocessing 都不能偷偷改寫作者原文？

如果可以：

\boxed{ \text{Source-Native Ready}. }

278. Plain-Text Readiness Test

再問：

如果它只上傳一份乾淨但沒有 Markdown 標記的純文字，平台是否能產生可審核的結構候選，而不是把 AI interpretation 當作者原文？

如果也可以：

\boxed{ \text{Human/AI Low-Friction Submission Ready}. }

279. ASCS Readiness Test

再問：

當平台未來從 Markdown object extraction 升級成 EGIR / ASCS addressable symbolic objects 時，是否能保留原 author source 與 mapping provenance，而不推翻既有 work IDs、版本與 scholarly history？

如果也可以：

\boxed{ \text{Semantic Evolution Ready}. }

280. 結論

AI 原生學術文件不應再被理解成：

AI 幫人把 LaTeX 寫快一點。

那仍然只是讓 AI 更快進入舊 workflow。

真正的結構轉型是：

\boxed{ \text{Author Source} \rightarrow \text{Structured Research Object} \rightarrow \text{Multiple Human / Machine Projections}. }

Unbounded Axiom 可以讓作者直接提交：

Markdown

或：

plain UTF-8 text.

不要求：

LaTeX document preparation

也不要求：

PDF generation.

數學仍可使用熟悉的：

$...$

與：

$$...$$

作 authoring syntax。

EveGlyph Editor 可以成為 authoring layer；EveGlyph Publication Runtime 可以成為可重現的 publication compiler；ASCS / EGIR 可以逐步成為更深層的 addressable semantic / computational object space；Unbounded Axiom 則保存 research identity、source、evidence、validation、versions 與 public projections。

因此最終關係不是：

\boxed{ \text{PDF} = \text{Paper}. }

而是：

\boxed{ \text{Paper} = \text{Research State}; \quad \text{PDF} = \text{One Projection of that State}. }

本文最重要的修正則是：

\boxed{ \text{Source Canonicality} \neq \text{Semantic Canonicality} \neq \text{Projection Canonicality}. }

作者正式確認的 UTF-8 source 是 authorial truth anchor。

平台正式確認的 structured research object 是 machine semantic anchor。

正式發布的 PDF / HTML 是 projection artifact anchor。

三者都有版本、有 hash、有 provenance，但沒有任何一層可以偷偷冒充另一層。

這樣才真正能同時保留：

人類可編輯性；
AI 可理解性；
source integrity；
semantic structure；
visual quality；
interoperability；
future migration。

也因此，下一篇真正的問題已經不是：

文件要用什麼格式？

而是：

當現實世界的文件永遠不完美、parser 永遠會遇到長尾、renderer 永遠會有 edge cases 時，AI 要怎麼作為補洞層，同時把每一次補洞變成下一版 deterministic system 的學習資料？

這就是：

Paper 09 — Failure-Driven Adaptive Publishing Pipeline

也就是本系列中「天選打工人 AI」正式登場的一篇。

參考資料

NISO. ANSI/NISO Z39.96-2024, JATS: Journal Article Tag Suite, version 1.4. Published October 31, 2024. DOI: 10.3789/ansi.niso.z39.96-2024.
https://www.niso.org/publications/z3996-2024-jats
NISO. Standardized Markup for Journal Articles: Journal Article Tag Suite (JATS).
https://www.niso.org/standards-committees/jats
W3C Math Working Group. MathML Core. Candidate Recommendation Snapshot, June 24, 2025.
https://www.w3.org/TR/mathml-core/
CommonMark. CommonMark Specification.
https://spec.commonmark.org/
W3C. HTML Standard / Web Platform specifications.
https://html.spec.whatwg.org/
W3C. Scalable Vector Graphics (SVG) 2.
https://www.w3.org/TR/SVG2/
EveMissLab. EveGlyph MCP Publication Runtime Technical Whitepaper v0.1. 2026-08-26.
EveMissLab. EveGlyph Computational Canvas Runtime Architecture (TW-03) v0.1. 2026.
EveMissLab. Current EveGlyph Editor → v0.8 Interchange Map. 2026.
EveMissLab. 從線性文件到可定址符號計算空間：EveGlyph ASCS 統合論文 v0.1. 2026.
EveMissLab. EveGlyph V1.0 Roadmap. 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. 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 SNSDA；區分 Author Canonical Source、Platform Canonical Research Object 與 Rendered Projection；確立 Markdown/TXT submission、raw-source preservation、semantic-delta gate、EveGlyph Editor / Publication Runtime / ASCS 分層、LaTeX math 與 LaTeX document workflow 分離、JATS/MathML/PDF/HTML/SVG adapter、render provenance、projection fidelity 與 source-native readiness tests。

Source Is Canonical：Markdown、EveGlyph 與後 PDF 時代的 AI 原生學術文件

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

摘要

1. 問題：我們為什麼還在把結構化研究壓成 PDF，再叫 AI 解析回來？

2. PDF 很成功，但成功於另一個問題

3. Visual Fidelity 與 Semantic Fidelity 是兩種 Fidelity

4. Source-Native Scholarly Document Architecture

SNSDA — Source-Native Scholarly Document Architecture

5. Author Canonical Source

6. 為什麼一定要保留作者原始 Source

7. Raw Submission 不一定等於 Published Canonical Edition

8. Normalization 不得是 Silent Rewrite

9. Semantic Delta Gate

10. Markdown 是 Authoring Surface，不必是終極 Ontology

11. Platform Canonical Research Object

12. Addressable Nodes

13. 同一篇 Paper 不再只是 Byte String

14. Claim-Level Addressing

15. Equation-Level Addressing

16. Dataset-Level Addressing

17. Figure 也應是 Object

18. Code Block 也應有 Identity

19. ASCS 的定位

20. 兩種 Canonicality 必須命名清楚

20.1 Authorial Canonicality

20.2 Semantic / Platform Canonicality

21. 兩者不必互相消滅

22. Source–Object Mapping

23. Machine Object 不能憑空出現

24. Source Authority 與 AI Interpretation 分離

25. Markdown 投稿：最適合 2026 的人機共同介面

26. Markdown 的價值不是「語法比較潮」

27. 投稿者不必學 Document-Class Engineering

28. LaTeX Math 與 LaTeX Document Workflow 分離

29. 核心分離

30. 為什麼 $...$ / $$...$$ 很實用

31. 但 LaTeX String 不必成為永遠的 Math Canonicality

32. Native Math Object

33. KaTeX / MathJax 是 Renderer，不是 Mathematical Truth

34. MathML 的 Interchange 角色

35. JATS 的 Interchange 角色

36. JATS 不必成為 Authoring Requirement

37. TXT 投稿

38. TXT 的 Pipeline

39. Raw TXT 永久保留

40. TXT Parser 可以做什麼

41. AI Parser 的輸出只是 Candidate

42. AI Repair 不得偷偷寫 Content

43. Render Repair 與 Editorial Rewrite 分離

44. Markdown Frontmatter

45. 作者不必手填所有 Metadata

46. Metadata 來源可以是：

47. Human Form 與 Markdown Frontmatter 只是不同 UI

48. Submission Object

49. Hash

50. Structured Object Hash

51. Artifact Hash

52. Render Function

53. Renderer 不得反向修改 Source

54. Layout Fix 應該改 Publication Profile

55. Publication Profile

56. 同一 Source 多 View

57. Artifact Equivalence

58. Fidelity Report

59. PDF 的正確定位

60. PDF 還是非常重要

61. 但 PDF 不是唯一 Research State

62. 因此：

63. HTML 的定位

64. API / JSON 的定位

65. Graph View

66. Mobile View

67. Print View

68. Accessibility View

69. Bilingual Projection

70. Translation 不是另一個 Work

71. Translation 改變理論時

72. Machine Semantic Layer 可以獨立存在

30. 為什麼 $...$ / `$$...$$` 很實用