UNPNP-II Phase B — Paper 02

Experimental Protocol and Benchmark Matrix

多尺度路徑、配置切換與計算結晶化的統一可證偽實驗協議

系列： UNPNP-II / Multi-Scale Computational Geometry — Phase B
篇次： Phase B Paper 02
作者： Neo.K with Aletheia（GPT）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-09
文件性質： Experimental Protocol／Benchmark Matrix／Falsifiability Specification
前置： Phase B Paper 01《Formal Core and Reference Runtime》；UNPNP-II v0.1；UNPNP-I；MWT；GCM
狀態： Canonical Draft

摘要

Phase B Paper 01 已提出 UNPNP-II Reference Runtime（URR-v0.1），並建立：

explicit world state；
computational atlas；
active refinement frontier；
configuration field；
safe charted state space；
route registry；
crystal lifecycle；
cost ledger；
replay contract；
URR-1 ～ URR-16 runtime invariants。

本文不再增加新的主要理論層，而是回答：

UNPNP-II 到底要怎麼被公平地測？

核心原則是：

\boxed{ \theta_{t+1} = \theta_t }

即 frozen-model experiment：在主要架構比較中，模型權重、模型版本與 provider 固定，只允許 Runtime 外部結構改變：

\boxed{ \Omega_{t+1} \neq \Omega_t. }

測試重點不是「模型有沒有變聰明」，而是：

同一個模型，是否因 route、scale、configuration、crystal 與 external structure 的成熟，而在未來重複工作中變得更低成本、更穩定、更可驗證？

本文建立四組統一實驗組：

Group A — Fixed Canonical

固定 representation、固定 scale、固定 computational form、固定 canonical route，不使用 persistent corridor 或 crystal。

Group B — Adaptive Route

允許 route reveal、Adaptive Corridor 與短期 routing，但不允許 persistent crystal。

Group C — Crystallized Route

在 B 基礎上加入 Path Compilation、EHPE、Crystal Store、Fast / Slow Path、Invalidation 與 Reopen。

Group D — Full UNPNP-II

在 C 基礎上再加入：

scale refinement / coarsening；
geometry-aware routing；
S/J/P/R configuration switching；
configuration receipts；
cross-scale / cross-configuration path compilation。

因此：

\boxed{ A \subset B \subset C \subset D. }

這個 inclusion 是 feature-set inclusion，不代表 performance 單調提升。若：

J_D > J_A,

則 D 在該 workload 下可能是負優化。

本文規定三層 benchmark family：

Synthetic Worlds：用人工可控世界測最小因果；
Adventure Land：測 real-time game loop、重複任務與程序路徑；
Generative Agents：測 cognitive loop、memory routing、long-horizon repeated semantic paths。

所有 benchmark 共享同一個核心成本向量：

\boxed{ \mathbf C = ( W, D_C, T, M, V, R, C_{\mathrm{meta}}, C_{\mathrm{switch}}, C_{\mathrm{maintain}}, L_O ). }

並共享主要結構學習指標：

R_{\mathrm{reason}}(t), \quad H_{\mathrm{corridor}}(t), \quad R_K(t), \quad Regret_C(t), \quad C_{\mathrm{avg}}(t).

本文最後給出：

benchmark matrix；
seed / replay requirements；
statistical protocol；
workload shift protocol；
promotion / invalidation stress tests；
false crystal tests；
scale misclassification tests；
config-regret tests；
success / failure / falsification criteria。

1. 實驗哲學

UNPNP-II 不能靠：

漂亮 demo；
一次成功；
主觀「看起來更快」；
模型自己說它學會了；

來支持。

需要：

\boxed{ \text{controlled comparison} + \text{replay} + \text{measurement} + \text{falsification}. }

2. 主實驗問題

核心問題 Q1：

frozen model 下，Runtime structural adaptation 是否能降低 repeated workload 的總成本？

形式：

\boxed{ E[J_D] < E[J_A] }

在某些明確 workload family 中成立。

3. 第二問題

Q2：

成本下降是否來自真正 structural gain，而不是 wrapper / cache illusion？

4. 第三問題

Q3：

crystallization 是否能在不提高 false-route / stale-route / safety failure 的情況下降低未來成本？

5. 第四問題

Q4：

scale / configuration routing 是否能在 workload shift 後切換到更合適的 form？

6. 第五問題

Q5：

Full UNPNP-II 的 meta overhead 是否低於其帶來的 lifecycle gain？

7. Frozen-Model Contract

每個 A/B/C/D run 必須：

same model provider
same model version
same decoding parameters
same initial world
same task
same seed where supported
same budget
same external data snapshot

8. Model Version Pinning

記：

model_id
model_version
provider
temperature
top_p
tool_mode

9. No Silent Model Upgrade

若 provider 無法保證完全 pin version，需記：

model_pin_strength = WEAK

10. Provider Drift

若偵測 model behavior drift，該 batch 標：

provider_drift = true

不得直接跟舊 batch 混合。

11. Runtime Version Pinning

urr_runtime_version
adapter_version
benchmark_version

全部記錄。

12. World Snapshot Pinning

每個 run 開始前保存：

W_0^{(seed)}.

13. Seed Contract

如果 target 支援 random seed：

seed_A=seed_B=seed_C=seed_D.

14. Non-Deterministic Targets

如果無法完全固定：

增加 repetitions；
記 event trace；
用 paired analysis。

15. Group A — Fixed Canonical

A 的功能：

fixed chart
fixed scale
fixed configuration
fixed canonical route
no persistent crystal
no adaptive reconfiguration

16. A 的目的

提供：

\boxed{ \text{non-adaptive reference cost}. }

17. Group B — Adaptive Route

B 允許：

candidate reveal
route search
adaptive corridor
temporary route cache

但不允許：

persistent compiled path
persistent crystal

18. B 測什麼

隔離：

\boxed{ \text{online adaptive routing gain}. }

19. Group C — Crystallized Route

C = B +

path compilation
EHPE gate
crystal store
fast path
slow path
invalidation
reopen

20. C 測什麼

隔離：

\boxed{ \text{persistent structural learning gain}. }

21. Group D — Full UNPNP-II

D = C +

scale router
geometry router
configuration router
S/J/P/R switching
cross-scale links
cross-config links
configuration receipts

22. D 測什麼

隔離：

\boxed{ \text{multi-scale / configuration-routing gain}. }

23. Feature Inclusion

A \subset B \subset C \subset D.

24. Performance Does Not Need Inclusion

不要求：

J_A > J_B > J_C > J_D.

25. Negative Result Is Valid

例如 simple workload：

J_A<J_D

可能是正確結果。

26. Benchmark Family 1：Synthetic Worlds

Synthetic World 的目的：

先把理論 causal effect 拆乾淨。

27. SW-01 Sequential Chain

世界：

a_1 \rightarrow a_2 \rightarrow \cdots \rightarrow a_n.

28. SW-01 Expected Result

若無可壓縮 repeated structure：

D

不應神奇大幅優於 A。

29. SW-01 是 Anti-Hype Test

如果 D 在純線性不可壓縮 task 宣稱巨大 gain，應懷疑 metric。

30. SW-02 Sparse Jump

state space 很大，但每 task 只需少量 target。

31. SW-02 Expected Pattern

S \rightarrow J

可能有利。

32. SW-02 Metrics

scanned nodes；
resolve cost；
index build；
jump hit；
lifecycle cost。

33. SW-03 Parallel Surface

建立 $n$ 個 independent tasks。

34. SW-03 Expected Pattern

S \rightarrow P.

35. SW-03 Key Distinction

預期：

W_P \approx W_S,

但：

D_P < D_S.

36. SW-04 Repeated Retrieval

固定 semantic task family 重複出現。

37. SW-04 Expected Pattern

S/J \rightarrow R.

38. SW-04 Tests

crystal formation；
guard hit；
stale rate；
false retrieval；
maintenance。

39. SW-05 Recursive World

macro node 可展開 micro graph。

40. SW-05 Compare

A：

always fine

D：

adaptive coarse/fine

41. SW-05 Metrics

refinement count；
active nodes；
false coarsening；
false refinement；
total meta cost。

42. SW-06 Geometry Shift

前半 workload 是 line，

後半變 surface / cluster。

43. SW-06 Purpose

測：

g_t \rightarrow g_{t+1}

是否能適應。

44. SW-07 Configuration Shift

前半 sparse query：

J

有利。

後半 dense batch：

P

有利。

45. SW-07 Primary Metric

Regret_C(t).

46. SW-08 Crystal Staleness

先讓 crystal 成熟，再改 dependency。

47. Expected

HOT → STALE → reopen → revalidate/retire

48. SW-09 False Crystal Trap

設計一條 route 在 training-like subset 很好，但 unseen subset 失效。

49. Expected

guard 應拒絕：

D_{\mathrm{new}}\not\subset D_\kappa.

50. SW-10 Hidden Cost Wrapper

把昂貴 route 包成一個 function call。

51. Expected

H_O\downarrow

但：

W,D,T

不應被誤報下降。

52. Benchmark Family 2：Adventure Land

Adventure Land 用於：

real-time loop；
repeated action family；
navigation；
inventory；
combat；
bank/restock cycle。

53. Canonical Task Family

\boxed{ \text{farm} \rightarrow \text{restock} \rightarrow \text{bank} \rightarrow \text{return}. }

54. AL-01 Farm Loop

固定地點、固定角色、固定怪物 family。

55. AL-01 Measure

AI decisions；
game actions；
movement actions；
tool / model calls；
failures；
deaths；
latency。

56. AL-02 Restock

需要：

detect inventory；
choose shop；
navigate；
buy；
return。

57. AL-03 Bank

需要：

detect threshold；
navigate；
deposit；
restore route。

58. AL-04 Full Cycle

重複：

N

輪。

59. AL-04 Purpose

最適合看：

R_K(t)\uparrow, \qquad C_{\mathrm{avg}}(t)\downarrow.

60. AL-05 Map Shift

改怪物位置 / route condition。

61. AL-05 Purpose

測 stale crystal / reopen。

62. AL-06 Inventory Shift

改 item requirement。

63. AL-07 Risk Event

生命值低、危險區域、錯誤路徑。

64. AL-07 Purpose

測 fast path 是否安全 fallback。

65. Adventure Land Adapter Principle

盡量：

\boxed{ \text{zero or minimal core rewrite}. }

66. External Sidecar

Adventure Land
↕
Thin Adapter
↕
URR Sidecar

67. Adapter Observations

position
hp/mp
inventory
target
map
bank status
cooldowns
events

68. Adapter Actions

move
smart_move
attack
use_skill
buy
bank
equip

69. BehaviorCrystal

最小：

crystal_id
task_family
guard
action_procedure
validator
source_traces
lifecycle

70. AL Group A

固定手寫 / canonical behavior。

71. AL Group B

每輪 adaptive reasoning / route。

72. AL Group C

B + BehaviorCrystal。

73. AL Group D

C + scale/config switching。

74. AL Scale Example

COARSE：

farm_cycle

MESO：

farm/restock/bank/return

FINE：

navigation/action/state checks

75. AL Config Example

S：

逐步 navigation。

J：

direct semantic target / sparse shortcut。

P：

independent inventory checks / parallel planning where safe。

R：

stable route / behavior crystal retrieval。

76. AL Primary Success

在 correctness 不惡化下：

N_{\mathrm{model\ calls},C} < N_{\mathrm{model\ calls},B}.

77. AL Secondary Success

C_{\mathrm{decision},C} < C_{\mathrm{decision},B}.

78. AL Failure Criteria

death rate 上升；
stuck rate 上升；
stale behavior 使用；
wrong-map fast path；
switch overhead > gain。

79. Benchmark Family 3：Generative Agents

GA 用於測：

repeated cognitive loop；
memory retrieval；
plan / reflect；
long-horizon semantic recurrence；
crystallized memory navigation。

80. Canonical Cognitive Loop

\boxed{ \text{perceive} \rightarrow \text{retrieve} \rightarrow \text{plan} \rightarrow \text{reflect} \rightarrow \text{execute}. }

81. GA-01 Repeated Routine

同 persona 每天做類似 routine。

82. GA-02 Repeated Memory Query

反覆需要：

same person；
same place；
same unresolved goal；
same plan family。

83. GA-03 Social Recurrence

重複遇到同一角色。

84. GA-04 Novel Event

加入新事件打破 crystal。

85. GA-05 Contradictory Memory

加入 conflicting memory。

86. GA-06 Long-Horizon Task

跨多 step / day。

87. GA Adapter Hook

最小 hook 位置：

perceive
retrieve
plan
reflect
execute

88. GA Group A

原生 canonical retrieval / planning。

89. GA Group B

adaptive route / memory search。

90. GA Group C

memory route crystallization。

91. GA Group D

C + scale/config routing。

92. GA Scale Example

COARSE：

persona / project crystal。

MESO：

memory cluster / episode。

FINE：

individual memory nodes / source traces。

93. GA Config Example

S：

stepwise scan。

J：

selective memory jump。

P：

parallel candidate evaluation。

R：

crystal-first retrieval。

94. GA Primary Metric

N_{\mathrm{retrieval\ expansion}}.

95. GA Secondary Metrics

model calls；
retrieved nodes；
context tokens；
memory precision；
contradiction misses；
route reuse；
crystal stale rate。

96. GA Correctness Requirement

不能只看少 token。

必須保留：

relevant recall；
contradiction recall；
goal continuity；
persona consistency。

97. GA False Shortcut

如果 crystal 只找到 old answer，漏掉 new contradictory evidence，即失敗。

98. Crystal-First Does Not Mean Crystal-Only

原則：

\boxed{ \text{Crystal First} \rightarrow \text{Source on Demand}. }

99. Benchmark Matrix

ID	World	Core phenomenon	Primary groups	Expected differentiator
SW-01	Synthetic	pure sequential	A-D	anti-hype control
SW-02	Synthetic	sparse jump	A-D	S→J
SW-03	Synthetic	parallel surface	A-D	S→P
SW-04	Synthetic	repeated retrieval	A-D	J/S→R
SW-05	Synthetic	recursive scale	A-D	scale routing
SW-06	Synthetic	geometry shift	A-D	geometry adaptation
SW-07	Synthetic	config shift	A-D	config regret
SW-08	Synthetic	crystal stale	C-D	invalidation
SW-09	Synthetic	false crystal	C-D	guard quality
SW-10	Synthetic	wrapper illusion	A-D	hidden thickness
AL-01	Adventure Land	farm	A-D	repeated action
AL-02	Adventure Land	restock	A-D	routing
AL-03	Adventure Land	bank	A-D	route reuse
AL-04	Adventure Land	full cycle	A-D	lifecycle gain
AL-05	Adventure Land	map shift	C-D	reopen
AL-06	Adventure Land	inventory shift	C-D	stale guard
AL-07	Adventure Land	risk	C-D	fallback safety
GA-01	Generative Agents	routine	A-D	cognition reuse
GA-02	Generative Agents	memory query	A-D	crystal retrieval
GA-03	Generative Agents	social recurrence	A-D	route reuse
GA-04	Generative Agents	novelty	C-D	reopen
GA-05	Generative Agents	conflict	C-D	anti-stale
GA-06	Generative Agents	long horizon	A-D	context reduction

100. Core Cost Vector

所有 benchmark 至少記：

\boxed{ \mathbf C = ( W, D_C, T, M, V, R, C_{\mathrm{meta}}, C_{\mathrm{switch}}, C_{\mathrm{maintain}}, L_O ). }

101. $W$ — Work

如果無 physical op count，使用 proxy。

102. Work Proxy Examples

Synthetic：

primitive operations

Adventure Land：

decision calls + game actions

GA：

model calls + memory scoring + retrieval expansions

103. Proxy Must Be Declared

work_metric_kind = PROXY

104. $D_C$ — Causal Depth

若 dependency graph 可知，計 longest chain。

105. Unknown Causal Depth

如果不知道：

causal_depth = null

106. Null ≠ Zero

107. $T$ — Wall Time

record real elapsed time。

108. Timing Noise

同一 experiment 需多 run。

109. $M$ — Materialization

可用：

active nodes；
context size；
state records；
memory bytes。

110. $V$ — Verification Cost

包括：

validators；
replay；
deep check；
differential run。

111. $R$ — Risk

第一版可用 ordinal / event count。

112. $C_{\mathrm{meta}}$

包含：

chart selection；
scale decision；
route search；
config search。

113. $C_{\mathrm{switch}}$

scale / config / geometry transition overhead。

114. $C_{\mathrm{maintain}}$

crystal store / invalidation / revalidation。

115. $L_O$

observation / projection loss。

116. Structural Metrics

\boxed{ R_{\mathrm{reason}}(t) = \frac{C_{\mathrm{reason}}(t)} {C_{\mathrm{total}}(t)}. }

117. Corridor Hit Ratio

\boxed{ H_{\mathrm{corridor}}(t) = \frac{\text{successful reused corridors}} {\text{eligible route requests}}. }

118. Crystal Hit Ratio

\boxed{ R_K(t) = \frac{\text{valid crystal hits}} {\text{eligible crystal requests}}. }

119. Configuration Regret

\boxed{ Regret_C = J(c_{\mathrm{chosen}}) - J(c_{\mathrm{best-known}}). }

120. Average Cost

\boxed{ C_{\mathrm{avg}}(t) = \frac{1}{N_t} \sum_{i=1}^{N_t} J_i. }

121. Promotion Accuracy

\boxed{ A_P = \frac{\text{beneficial promoted crystals}} {\text{all promoted crystals}}. }

122. False Crystal Rate

\boxed{ F_K = \frac{\text{promoted crystals later invalidated by correctness failure}} {\text{all promoted crystals}}. }

123. Stale Use Rate

\boxed{ S_U = \frac{\text{uses after invalidation condition}} {\text{all crystal uses}}. }

124. Reopen Success

\boxed{ R_O = \frac{\text{successful fallback / reopen}} {\text{required reopens}}. }

125. False Refinement

展開但沒有資訊 / route gain。

126. False Coarsening

粗化導致 lost invariant / wrong action。

127. Switch Thrashing

\boxed{ T_S = \frac{\text{rapid reversals}} {\text{all switches}}. }

128. Global Invariant Violation

任何 cross-domain incoherence 記：

global_invariant_violation = 1

129. Authorization Violation

要求：

\boxed{ N_{\mathrm{auth\ violation}}=0. }

130. Statistical Unit

主要分析單位：

\boxed{ \text{seed-paired task episode}. }

131. Pairing

同一 seed：

A(seed_i)
B(seed_i)
C(seed_i)
D(seed_i)

成一組。

132. Why Pairing

降低 world randomness variance。

133. Minimum Replication

Synthetic：

至少：

30 paired seeds

作初步。

134. Game / GA

因成本較高，可先：

10–30 paired seeds

再依 variance 擴張。

135. Not a Universal Statistical Law

實際 sample size 由 power / variance 決定。

136. Summary Statistics

報：

mean；
median；
p50 / p90 / p95；
standard deviation；
failure rate；
paired difference。

137. Avoid Only Mean

因 latency / failure 常 heavy-tail。

138. Primary Comparison

\Delta J_{D-A} = J_D-J_A.

139. Secondary Comparisons

\Delta J_{B-A}, \quad \Delta J_{C-B}, \quad \Delta J_{D-C}.

140. Why Incremental Comparison

知道 gain 來自：

adaptive route；
crystal；
full scale/config。

141. Learning Curve

對 repeated workload：

J(t).

142. Desired Pattern

若 structural learning 成立：

\boxed{ \frac{dJ_C}{dt}<0 }

或 D。

143. But Plateau Is Expected

不要求永遠下降。

144. Saturation

最終：

J(t)\rightarrow J_\infty.

145. Overfitting Check

training-like repeated tasks 之外加入 held-out task variation。

146. Crystal Generalization

測：

x\in D_\kappa

但不是 exact seen input。

147. Out-of-Domain Test

x\notin D_\kappa.

guard 應 fail。

148. Distribution Shift Protocol

每個 adaptive benchmark 可分：

Phase 1

stable workload。

Phase 2

shift。

Phase 3

post-shift adaptation。

149. Shift Types

sparsity；
density；
map；
inventory；
social relation；
memory conflict；
resource availability。

150. Adaptation Delay

定義：

\boxed{ D_{\mathrm{adapt}} = t_{\mathrm{stable-new-policy}} - t_{\mathrm{shift}}. }

151. Lower Is Better

但不能犧牲 correctness。

152. Stale Window

\boxed{ W_{\mathrm{stale}} }

是 shift 後舊 crystal 仍被錯用的時間。

153. Ideal

W_{\mathrm{stale}}\rightarrow0.

154. False Positive Invalidation

過度敏感也有成本。

155. Invalidation Precision

\boxed{ P_I = \frac{\text{useful invalidations}} {\text{all invalidations}}. }

156. Invalidation Recall

真的 stale 的 crystal 有多少被抓到。

157. Guard Quality

可以用：

precision；
recall；
false accept；
false reject。

158. Guard False Accept

最危險。

159. Guard False Reject

主要是 performance loss。

160. Promotion Stress Test

降低 promotion threshold，觀察：

F_K

如何上升。

161. Threshold Curve

得到：

\boxed{ \text{utility vs false-crystal tradeoff}. }

162. Meta-Budget Stress Test

改：

B_{\mathrm{meta}}.

163. Too Low

adaptive layer 沒有搜索空間。

164. Too High

meta search 可能吃掉 gain。

165. Find Sweet Spot

不是越高越好。

166. Scale Stress Test

讓：

COARSE
MESO
FINE

各自固定，再比較 adaptive。

167. Scale Regret

\boxed{ Regret_\Sigma = J(\sigma_{\mathrm{chosen}}) - J(\sigma_{\mathrm{best-known}}). }

168. Geometry Stress Test

line-only vs geometry-aware。

169. Config Stress Test

fixed S / J / P / R vs adaptive。

170. Crystal Maintenance Stress Test

增加 world drift rate。

171. Expected

drift 越高：

C_{\mathrm{maintain}} \uparrow.

172. Crystal Utility Boundary

找：

\lambda_{\mathrm{drift}}^\*

使：

U_\kappa=0.

173. 這是重要實驗結果

告訴我們什麼世界不適合 crystallization。

174. Repetition Threshold

同樣找：

N^\*

使 build crystal 開始划算。

175. Break-Even

\boxed{ C_{\mathrm{compile}} + N^\* C_{\mathrm{run}} = N^\* C_{\mathrm{original}}. }

176. This Is Lifecycle Reality

不是只看單次 fast path。

177. Benchmark Modes

Performance Mode

主要看 cost。

Correctness Mode

主要看 equivalence。

Stress Mode

故意 shift / fault。

Audit Mode

全 reopen / provenance。

178. Performance Mode

正常 workload。

179. Correctness Mode

增加 hidden obligations。

180. Stress Mode

增加 drift。

181. Audit Mode

驗 crystal source trace。

182. Fault Injection

Synthetic 可注入：

stale dependency；
invalid index；
delayed event；
incorrect parallel independence；
missing provenance。

183. Adventure Land Faults

可用安全遊戲內變化：

map variation；
inventory mismatch；
target gone；
low HP；
cooldown unavailable。

184. GA Faults

contradictory memory；
stale plan；
changed relationship；
new event；
missing memory source。

185. Recovery Metric

\boxed{ T_{\mathrm{recover}}. }

186. Recovery Correctness

是否回 canonical slow path。

187. Recovery Cost

C_{\mathrm{recovery}}.

188. No Catastrophic Shortcut

在 controlled benchmark 中，fast path failure 不應造成 unrecoverable experiment corruption。

189. Snapshot Before Risky Run

所有 stress run 先 snapshot。

190. Replay After Failure

驗：

state；
route；
receipts；
crystal lifecycle。

191. Experiment Receipt

每 run：

ExperimentReceipt
- experiment_id
- benchmark_id
- group
- seed
- model_version
- runtime_version
- adapter_version
- world_revision
- initial_snapshot
- task
- route
- config_history
- scale_history
- crystal_hits
- crystal_promotions
- invalidations
- reopens
- cost_vector
- success
- failures
- validation
- final_state_digest

192. Canonical Serialization

UTF-8 JSON，stable key order。

193. Digest

h= \mathrm{SHA256}(\text{receipt}).

194. Experiment Batch Manifest

記全部 receipt hashes。

195. Missing Data

不得 silently drop。

196. Null Semantics

null = unknown / unavailable

不是 zero。

197. Failed Runs Included

失敗也是資料。

198. Outlier Handling

原始資料永遠保留。

199. Report Both Raw and Filtered

如果做 robust analysis。

200. No Cherry-Picking Seeds

seed list 在 run 前固定。

201. Pre-Registration Lite

至少先寫：

benchmark；
groups；
primary metrics；
success threshold；
seed set。

202. Primary Success Criterion

第一版可用：

\boxed{ \text{Correctness}_D \ge \text{Correctness}_A-\epsilon }

且：

\boxed{ E[J_D] < E[J_A]-\delta. }

203. $\epsilon$

容許統計噪音，但不能掩蓋明顯 correctness decline。

204. $\delta$

minimum meaningful improvement。

205. 不預設 Universal $\delta$

依 benchmark。

206. Crystal Success Criterion

G_{\mathrm{life}}>0

且 false-crystal rate 在容許範圍。

207. Scale Success Criterion

adaptive scale 比 best fixed scale on average 更接近 held-out optimum，或明顯降低 worst-case cost。

208. Config Success Criterion

Regret_C

低於 fixed single-form baseline family。

209. Reopen Success Criterion

該 reopen 時能 reopen，且回復正確 slow path。

210. Safety Success Criterion

N_{\mathrm{authorization\ violation}}=0.

211. Falsification Criterion F1

若：

J_D\ge J_A

在所有 tested workload family 中穩定成立，full WRO meta layer 無工程價值。

212. F2

若 C 與 B 無差異：

J_C\approx J_B

且 crystal maintenance > 0，crystallization 無獨立收益。

213. F3

若 D 與 C 無差異：

J_D\approx J_C,

scale/config layer 無獨立收益。

214. F4

若 crystal false-accept rate 高，promotion theory 不成熟。

215. F5

若 reopen 經常失敗，earned primitive governance 不成立。

216. F6

若 line-only representation 在所有 benchmark 都同樣好，geometry layer 應縮減。

217. F7

若 fixed scale 永遠優於 adaptive，scale router 應縮減。

218. F8

若 S/J/P/R adaptive router 不能在 workload shift 中降低 regret，24／72 route grammar 的 runtime 作用需縮減。

219. Partial Success Is Valid

理論可能只在：

repeated；
semi-stable；
heterogeneous；

world 有效。

220. Domain of Applicability

這本身就是重要結果。

221. Strongest Evidence Pattern

最有說服力不是 D 單次最快。

而是：

\boxed{ C_D(t) \downarrow }

隨 repeated experience，

同時：

\boxed{ \theta_t = \theta_0. }

222. Why

這才直接支持 external structural adaptation。

223. Stronger Evidence

在 shift 後：

C_D(t)

先上升，再因 reopen / reroute 重新下降。

224. This Shows Adaptation, Not Memorized Benchmark

225. Strongest Crystal Evidence

same semantic family、held-out variants 上：

crystal hit；
guard valid；
cost 下降；
source available；
shift 時安全 stale。

226. Anti-Evidence

exact same input cache hit 不足以支持 generalized path compilation。

227. Anti-Evidence 2

只少 model calls，但 game actions / work 不變，可能只是 planning compression。

228. Still Valuable, But Must Name Correctly

叫：

reasoning compression

而不是：

physical computation compression

229. Compression Vector Reporting

每 experiment 報：

\Delta_{\mathrm{crystal}} = ( \Delta_{\mathrm{reason}}, \Delta_{\mathrm{route}}, \Delta_{\mathrm{depth}}, \Delta_{\mathrm{work}}, \Delta_{\mathrm{time}}, \Delta_{\mathrm{verify}} ).

230. This Prevents Overclaiming

231. Benchmark Layering

順序應：

Synthetic
→ Adventure Land
→ Generative Agents
→ Controlled Legacy Program

232. Why Synthetic First

最容易辨識 causal mechanism。

233. Why Adventure Land Second

real-time + repeated + replayable。

234. Why GA Third

semantic / memory / long horizon 更複雜。

235. Why Legacy Last

真軟體 dependency / side effect 更難。

236. Graduation Gate Synthetic → Game

至少：

URR invariants pass；
false crystal controlled；
replay works；
cost ledger valid。

237. Graduation Gate Game → GA

至少：

stale / reopen works；
route reuse gain；
no major correctness decline。

238. Graduation Gate GA → Legacy

至少：

source provenance；
shadow mode；
differential validation；
safe rollback。

239. Phase B Paper 02 Deliverable

本文本身是 benchmark contract。

240. Phase B Paper 03 Input

下一篇 Minimal Sidecar Implementation Specification 需直接實作：

experiment groups；
receipts；
adapters；
metrics；
crystal lifecycle；
config / scale routers。

241. Phase B Paper 04 Input

formal verification targets 從：

URR-1～16；
promotion；
invalidation；
authority；
replay；

提取 property tests / invariants。

242. First MVP Recommendation

先做：

\boxed{ SW-01 \rightarrow SW-04 \rightarrow SW-07 \rightarrow SW-08 \rightarrow SW-10. }

243. Why These Five

覆蓋：

sequential control；
retrieval crystal；
config shift；
stale invalidation；
wrapper illusion。

244. Then Adventure Land

先：

AL-04

full farm/restock/bank/return cycle。

245. Then GA

先：

GA-02

repeated memory query。

246. Minimal Model Use

Synthetic 可以完全不用 LLM。

247. Why

先證明 Runtime math / structure。

248. Then Add Frozen LLM

Adventure Land / GA。

249. This Separates Algorithmic from Model Effects

250. Core Benchmark Invariant B-1

所有比較必須使用相同 initial condition。

251. B-2

所有 adaptive gain 都必須計 meta cost。

252. B-3

所有 crystal gain 都必須計 compile / maintenance。

253. B-4

所有 fast path 都必須計 guard / validate。

254. B-5

unknown metric 不得當 zero。

255. B-6

failed runs 不得丟棄。

256. B-7

seed pairing 優先。

257. B-8

speedup claim 必須標 dimension。

258. B-9

crystal promotion 必須 held-out validation。

259. B-10

shift experiment 必須有 pre / post 明確界線。

260. B-11

authorization violation 為 hard failure。

261. B-12

world revision change 必須觸發相關 validity check。

262. B-13

reopen failure 必須顯式記錄。

263. B-14

full D 不得偷用 A/B/C 沒有的模型能力。

264. B-15

如果 adapter 不同，必須報 adapter cost。

265. B-16

任何「學會」主張都必須能指向 external structure delta。

266. External Structure Delta

例如：

new crystal
new route
new config profile
new scale policy
new bridge

267. Model Delta Must Be Zero

\Delta\theta=0.

268. This Is the Falsifiable Core

結論

UNPNP-II 是否成立，不應由「概念是否漂亮」決定。

真正需要證明的是：

\boxed{ \textbf{ 在模型能力固定時， 多尺度 route、configuration routing 與 crystallization 是否能在明確 workload family 中， 穩定降低未來計算成本， 同時維持 correctness、replayability、reopenability 與 authority。 } }

本文因此建立：

\boxed{ A=\text{Fixed}, \quad B=\text{Adaptive Route}, \quad C=\text{Crystallized}, \quad D=\text{Full Multi-Scale}. }

並要求：

\boxed{ \theta_A = \theta_B = \theta_C = \theta_D. }

若 D 在適合 workload 中真正有效，應看到的不只是單次 latency 下降，而是一組結構性訊號：

R_{\mathrm{reason}}(t)\downarrow,

H_{\mathrm{corridor}}(t)\uparrow,

R_K(t)\uparrow,

Regret_C(t)\downarrow,

C_{\mathrm{avg}}(t)\downarrow,

同時：

F_K, \quad S_U, \quad N_{\mathrm{auth\ violation}}

不得惡化。

如果做不到，理論就必須縮減。

如果只能在某些 repeated / semi-stable / heterogeneous worlds 做到，那麼其有效域就應被明確寫成那些 worlds，而不是宣稱 universal。

因此 Phase B 的第二個核心原則可以濃縮成：

\boxed{ \textbf{ 不是證明 UNPNP-II 一定有效， 而是建立一個讓它可以清楚失敗的實驗世界。 } }

只有在能夠失敗之後，它的成功才有研究意義。

UNPNP-II Phase B — Paper 02 — Experimental Protocol and Benchmark Matrix