title: 可反證的觀察者渲染：品質、延遲、成本、一致性與結構保真
english_title: Falsifiable Observer-Sovereign Rendering: Quality, Latency, Cost, Consistency, and Structural Fidelity
series: Observer-Sovereign Rendering（OSR）
paper_id: OSR-07
author: Neo.K
ai_collaboration: GPT-5.6 Sol
institution: EveMissLab／一言諾科技有限公司
version: v0.1
date: 2026-09-18
language: zh-TW
document_type: 理論論文／benchmark specification／falsification framework／AI-native rendering
status: 初版完成／第一卷理論收束

可反證的觀察者渲染

品質、延遲、成本、一致性與結構保真

Falsifiable Observer-Sovereign Rendering

Quality, Latency, Cost, Consistency, and Structural Fidelity

論文編號： OSR-07
系列： Observer-Sovereign Rendering（OSR）／觀察者主權渲染
作者： Neo.K
AI 協作： GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026 年 9 月 18 日

摘要

OSR-00 至 OSR-06 已依序建立觀察者主權渲染的理論譜系、Manifestation Obligation、Observation Probe 與 Perceptual Rendering Compiler、Heterogeneous Rendering Field、APR-governed adaptive rendering、world truth / manifestation truth 的真值防火牆，以及 Local World + Cloud Intelligence + Local Temporal Reconstruction 的分散式 AI 原生渲染架構。本篇作為第一卷理論收束，不再新增一個 renderer，而回答最後一個必要問題：

OSR 到底要怎麼被證明有用，或者被證明沒有用？

若一套渲染理論只宣稱「更智能」、「更 AI-native」或「感覺畫質更好」，卻沒有可重現場景、baseline、硬約束、指標、消融、失敗判準與可反證條件，那麼它仍只是架構敘事，而不是工程研究計畫。

本文提出 OSR Benchmark and Falsification Framework（OSR-BFF）。其核心拒絕將所有結果壓成單一「OSR Score」，因為畫質、結構保真、時間一致性、延遲、計算成本、雲端成本、頻寬、能耗、truth violation、critical miss 與 fallback continuity 具有不同量綱與不可交換性。本文改採：

\boxed{ \text{Hard Constraints} + \text{Multi-Dimensional Metrics} + \text{Pareto Frontier} + \text{Predeclared Acceptance Gates} }

作為主要評估方法。

定義 OSR 評估向量：

\boxed{ \mathbf M = ( Q, S, I, T, L, C, B, E, P, W, R, A ) }

其中：

$Q$ ：visual / perceptual quality；
$S$ ：structural fidelity；
$I$ ：identity fidelity；
$T$ ：temporal consistency；
$L$ ：latency；
$C$ ：compute / cloud monetary cost；
$B$ ：bandwidth / transfer cost；
$E$ ：energy / local resource cost；
$P$ ：provenance completeness；
$W$ ：world / truth violation；
$R$ ：re-render / reuse / recovery efficiency；
$A$ ：availability / fallback continuity。

本文將 metrics 分成四層：pixel/perceptual、world/structure、temporal/interaction、system/economic。對 pixel quality，可使用 PSNR / SSIM 作低階參考、LPIPS 等 learned perceptual metric 與 FLIP 等 graphics-oriented image difference evaluator；但任何單幀影像指標都不能替代 world-level structure、identity、temporal stability 與 truth-governance 測試。對網路與互動，本文要求至少報 P50 / P95 / P99 latency 與 jitter，而非只報平均值；CloudXR 現行官方文件同樣以 end-to-end pose-to-frame latency、jitter、bandwidth、packet loss 與分位數作為 streaming quality 診斷核心。

本文提出六大 baseline、十一類 benchmark scene、五種 observer profile、九組核心 ablation、三階段 cloud experiment，以及 Truth Stress Suite。OSR 是否成立不要求「所有場景都贏」，而要求存在明確工作域 $\mathcal D^*$ ，使 OSR 在所有 blocking constraints 滿足時，對至少一個重要目標維度形成 baseline 無法同時達成的 Pareto 改善：

\boxed{ \exists\mathcal D^*: \operatorname{Pareto}(OSR,\mathcal D^*) \succ \operatorname{Pareto}(Baseline,\mathcal D^*) }

反之，若 compiler / APR overhead 抵銷節省、heterogeneous composition 沒有形成 Pareto 改善、NO_RERENDER 導致不可接受 drift、cloud sparse intelligence 沒有優於 naive cloud 或 local-only、truth violation 增加、fallback continuity 失敗，則相應 OSR 命題應被拒絕、縮限或重新設計。

本文進一步建立 OSR Claim Matrix，把 OSR-01 至 OSR-06 的主要命題一一對應到可執行實驗；提出 preregistered gate、paired-seed scenario、failure-preserving reporting、negative controls、hardware-normalized reporting、provider-version pinning 與 artifact/evidence package；並明確區分 Prototype Feasibility、Domain Utility、Interactive Feasibility 與 Production Feasibility 四個證據等級。

本篇最終提出：

\boxed{ \text{OSR succeeds only where observer-conditioned, heterogeneous, governed rendering creates a measurable feasible region that simpler rendering policies cannot match under the same truth, safety, and resource constraints.} }

至此，OSR-00 至 OSR-07 第一卷理論閉包完成。下一階段不再增加理論篇數，而應轉入《OSR Integrated Technical Whitepaper》與第一代 APR-driven MVP。

關鍵詞： Observer-Sovereign Rendering、Benchmark、Falsifiability、Pareto Frontier、FLIP、LPIPS、Temporal Consistency、Latency、Truth Violation、Cloud Cost、APR、Neural Rendering

0. 為什麼最後一篇必須是「怎麼失敗」

OSR 前六篇已經可以形成一個非常漂亮的架構敘事：

\text{Observer} \rightarrow \text{Obligation} \rightarrow \text{Probe} \rightarrow \text{Compiler} \rightarrow HRF \rightarrow APR \rightarrow \text{TruthFirewall} \rightarrow \text{DistributedRendering}.

問題是：

漂亮的架構不代表有效的架構。

如果：

C_{controller} + C_{compiler} + C_{verification} + C_{transfer} > C_{saved},

OSR 可能比簡單 renderer 更差。

如果：

Q_{OSR}\uparrow

但：

WVR\uparrow,

那它可能只是更漂亮地畫錯世界。

如果：

\text{CloudCost}\downarrow

但：

\text{TemporalPop}\uparrow,

也未必值得。

所以：

\boxed{ \text{Theory closure requires failure conditions.} }

1. 不做單一 OSR Score

最容易犯的錯是定義：

\text{OSRScore} = w_1Q +w_2S -w_3L -w_4C +\cdots.

這看似方便。

但權重：

w_i

通常非常任意。

更嚴重的是：

5 ms latency；
一次 gameplay truth violation；
0.02 LPIPS 改善；
0.01 USD cloud cost；

不一定可合理交換。

因此：

\boxed{ \text{No universal scalar OSR score.} }

2. 評估架構

本文採：

\boxed{ \mathcal E = ( \Gamma, \mathbf M, \mathcal P, \mathcal G ). }

其中：

$\Gamma$ ：hard constraints；
$\mathbf M$ ：metric vector；
$\mathcal P$ ：Pareto relation；
$\mathcal G$ ：predeclared acceptance gates。

3. Hard Constraints

先判斷：

\Gamma=\text{PASS}?

例如：

critical world fact 不得消失；
world violation rate 不得超過預設上限；
minimum manifestation 必須維持；
unauthorized cloud export 必須為 0；
cloud outage 時 base continuity 必須存在；
multiplayer hidden information 不得被顯現；
required provenance 不得缺失。

如果：

\Gamma=\text{FAIL},

就不應因：

Q\uparrow

宣稱系統成功。

4. Metric Vector

本文定義：

\boxed{ \mathbf M = ( Q, S, I, T, L, C, B, E, P, W, R, A ). }

不同 domain 可以再擴充，但核心評估至少覆蓋這些。

5. $Q$ ：Visual / Perceptual Quality

$Q$ 不只一個 metric。

建議分成：

Q = ( Q_{pixel}, Q_{percept}, Q_{human}, Q_{task} ).

6. Pixel Quality

可以報：

PSNR,

SSIM.

它們適合：

reconstruction；
reference comparison；
regression。

但不能單獨評估：

identity；
semantic correctness；
generative plausibility；
temporal stability。

7. Learned Perceptual Quality

可使用：

LPIPS

等 learned perceptual metric。

它更接近 feature-space perceptual similarity。

但仍然主要回答：

兩張圖在 learned perceptual representation 中有多相似？

不是：

有沒有畫出不存在的敵人？

8. FLIP

FLIP 是專為 rendered images 與 ground truth image difference 設計的 perceptual difference evaluator，輸出近似人類交替觀看兩張圖時感知差異的 error map。

因此很適合：

path-traced reference；
raster / neural approximation；
ROI quality heatmap。

但：

\boxed{ FLIP \neq \text{WorldTruthMetric}. }

9. Human Evaluation

最終 visual quality 仍需部分 human study。

至少可以做：

pairwise preference；
A/B blind comparison；
artifact detection；
identity consistency judgment；
temporal discomfort rating。

不要只問：

哪張更漂亮？

還應問：

哪張比較像同一個世界？

10. Task Quality

若 observer goal 是：

\text{combat},

畫質指標可能不是最重要。

可測：

target acquisition time；
hazard detection；
interaction success；
navigation error；
UI readability。

所以：

\boxed{ Q_{task} }

必須存在。

11. $S$ ：Structural Fidelity

定義：

\boxed{ S = f( \text{geometry}, \text{count}, \text{pose}, \text{depth}, \text{silhouette}, \text{topology}, \text{required-presence} ). }

12. Object Count Fidelity

若 world：

N_W

物件數，

output：

N_M.

critical scope 中要求：

N_M=N_W.

13. Required Presence Recall

定義：

R_{req} = \frac{ \text{RequiredVisibleObjectsPreserved} }{ \text{RequiredVisibleObjects} }.

critical manifestation 目標：

R_{req}\rightarrow1.

14. Forbidden Addition Rate

FAR = \frac{ \text{UnauthorizedAddedObjects} }{ \text{EvaluatedScopes} }.

15. Silhouette / Mask Fidelity

可對 engine object mask 與 rendered segmentation 比：

\text{IoU}.

對 neural region：

\text{IoU}_{structure}

是一個很直接的 world-grounding measure。

16. Depth Fidelity

若有 canonical depth：

D_W,

generated / reconstructed：

D_M.

可測：

MAE_D,

RMSE_D.

17. Pose Fidelity

角色 skeleton：

J_W, J_M.

測：

E_{pose}.

18. $I$ ：Identity Fidelity

Named character / key asset：

I.

可組合：

face embedding；
landmark；
silhouette；
costume signature；
object ID-linked feature；
human identity judgment。

19. Identity Drift

跨時間：

\text{IDrift}_t = D_I( I_t, I_{ref} ).

若：

\text{IDrift}_t

持續上升，表示 temporal generative drift。

20. $T$ ：Temporal Consistency

單幀漂亮不夠。

定義：

T = ( T_{warp}, T_{flicker}, T_{drift}, T_{pop}, T_{motion} ).

21. Warp Error

利用 canonical motion / depth：

\hat F_t = \text{Warp}(F_{t-1}).

比較：

E_{warp} = D(F_t,\hat F_t).

只在 mapping-valid region 計算。

22. Flicker

對靜態／低變 region：

\text{Flicker} = \text{TemporalVarianceAfterMotionCompensation}.

若 world 不變，

appearance 不應隨機跳動。

23. Drift

定義：

\text{Drift}(T) = D( \text{Representation}_T, \text{AnchorReference}_T ).

尤其測長時間 sparse-cloud anchor 系統。

24. Pop Rate

Renderer / depth / anchor transition：

\text{PopRate} = \frac{ \text{VisibleAbruptTransitions} }{ \text{Transitions} }.

25. Motion Fidelity

高速運動中檢查：

smear；
ghosting；
object lag；
double image；
edge breakup。

26. $L$ ：Latency

OSR 必須報多個 latency。

27. Input-to-Display Latency

L_{input\rightarrow display}.

這對 gameplay 最重要。

28. Base Renderer Latency

L_{base}.

29. Cloud Request Latency

L_{cloud}.

從：

\text{submit}

到：

\text{validated result}.

30. Useful Anchor Latency

更有意義：

\boxed{ L_{useful} = t_{commit} - t_{need}. }

如果 cloud result 回來但已 stale：

L_{useful}=\infty

對該需求而言。

31. Latency Distribution

至少：

P50, P95, P99.

不能只報：

\text{mean}.

因為 interactive system 常被 tail latency 破壞。

32. Jitter

J = Var(L)

只是簡化。

實務至少報：

p95-p50；
p99-p50；
inter-arrival variation。

CloudXR 現行文件也將 end-to-end latency、jitter、bandwidth、packet loss 與分位數作為 streaming quality 核心診斷量。

33. CloudXR 作為網路參考，不是 OSR 成功標準

CloudXR 建議條件對其 streaming use case 包含低延遲、高頻寬與低 jitter。

OSR 不直接把該數值當作自己的普遍 gate。

原因：

DAINR \neq \text{full video streaming}.

OSR 可能使用：

low-frequency anchor；
ROI；
latent；
non-blocking enhancement。

因此應量自己的：

L_{useful}, B_{actual}, J_{actual}.

34. $C$ ：Compute / Monetary Cost

C = ( C_{local}, C_{cloud}, C_{verify}, C_{compile} ).

35. Local Compute Cost

至少：

GPU frame time；
GPU utilization；
CPU time；
VRAM peak；
memory traffic 若可得。

36. Cloud Monetary Cost

C_{\mathrm{cloud,currency}}.

不要只報：

\text{CostPerCall}.

也報：

\text{CostPerMinute},

\text{CostPerUsefulEnhancedSecond}.

37. Compiler Cost

C_{PRC}.

38. APR Controller Cost

C_{APR}.

如果：

C_{APR}+C_{PRC}

過高，

adaptive policy 可能失去價值。

39. Verification Cost

C_V.

Truth governance 也不是免費。

40. $B$ ：Bandwidth / Transfer

B = ( \text{BytesUp}, \text{BytesDown}, \text{Rate}, \text{Burst}, \text{CarrierOverhead} ).

41. ROI Savings

比較：

B_{ROI}

與：

B_{full}.

42. Pixel vs Latent

如果未來有 latent carrier：

B_{latent}

與：

B_{pixel}

直接比較。

43. Carrier Efficiency

定義：

\boxed{ CE = \frac{ \text{CommittedManifestationGain} }{ \text{TransferredBytes} }. }

44. $E$ ：Energy / Device Resource

如果可量：

GPU power；
CPU power；
battery drain；
total energy / frame。

特別適合：

laptop；
handheld；
XR。

45. Energy per Useful Frame

EUF = \frac{ \text{Energy} }{ \text{UsefulDisplayedFrames} }.

46. $P$ ：Provenance Completeness

OSR-05：

\pi_i.

定義：

\boxed{ PCR = \frac{ \text{ImportantVisibleScopesWithRequiredProvenance} }{ \text{ImportantVisibleScopes} }. }

47. Why-Visible Coverage

WVC = \frac{ \text{ScopesAnswerableByWhyVisible} }{ \text{ScopesRequiringInspection} }.

48. $W$ ：World / Truth Violation

最重要的 hard metrics 之一。

49. World Violation Rate

\boxed{ WVR = \frac{ \text{WorldContractViolations} }{ \text{EvaluatedCriticalScopes} }. }

50. Addition Violation Rate

AVR = \frac{ \text{UnauthorizedAddedCriticalObjects} }{ \text{Trials} }.

51. Omission Violation Rate

OVR = \frac{ \text{RequiredCriticalObjectsOmitted} }{ \text{Trials} }.

52. Identity Violation Rate

IVR.

53. Unauthorized Reveal Rate

競技／privacy：

URR_{truth} = \frac{ \text{UnauthorizedFactsRevealed} }{ \text{ProtectedFacts} }.

54. World Writeback Violation

WWV = \#( \text{RenderPath}\rightarrow\text{UnauthorizedWorldMutation} ).

理想：

WWV=0.

55. $R$ ：Rendering Efficiency / Reuse

OSR 自己的特色指標。

56. Render Avoidance Rate

\boxed{ RAR = \frac{ \text{EligibleScopesWithNoRerender} }{ \text{EligibleScopes} }. }

高不一定好。

還要搭配：

WVR,T,Q.

57. Useful Re-render Rate

\boxed{ URR_R = \frac{ \text{RerendersWithMeasuredBenefit} }{ \text{AllRerenders} }. }

58. Reuse Rate

RR_u = \frac{ \text{FramesOrScopesUsingValidReuse} }{ \text{EligibleFramesOrScopes} }.

59. False Reuse Rate

FRR = \frac{ \text{InvalidReuseCommits} }{ \text{ReuseCommits} }.

這必須低。

60. Cloud Call Efficiency

\boxed{ CCE = \frac{ \text{CommittedUsefulCloudResults} }{ \text{AllCloudRequests} }. }

61. Local Reconstruction Ratio

OSR-06：

\boxed{ LRR = \frac{ \text{DisplayFramesWithoutFreshCloudInference} }{ \text{DisplayFrames} }. }

62. Cloud Dependency Ratio

CDR = \frac{ \text{FramesWhoseMinimumManifestationRequiresCloud} }{ \text{DisplayFrames} }.

第一代 local-first OSR 目標：

CDR\approx0.

63. Anchor Lifetime

AL = t_{invalidate} - t_{commit}.

64. Anchor Reuse Count

ARC = \#( \text{LocalFramesUsingAnchor} ).

65. Anchor Waste Rate

AWR = \frac{ \text{CloudAnchorsNeverCommittedOrReused} }{ \text{CloudAnchorsGenerated} }.

66. $A$ ：Availability / Continuity

OSR 的另一個重要面向。

67. Base Continuity

cloud outage 時：

BC = P( \text{MinimumManifestationRemains} ).

68. Failure Recovery Time

FRT = t_{stable} - t_{failure}.

69. Fallback Success Rate

FSR = \frac{ \text{FailuresRecoveredWithinMinimumContract} }{ \text{RecoverableFailures} }.

70. 不把平均畫質當成功

假設 OSR：

Q+10\%

但：

WVR=2\%.

對 single-player photo mode 也許可接受某些 decorative difference。

對 competitive / robotics：

可能直接 FAIL。

所以：

\boxed{ \text{Success} = \text{DomainRelative}. }

71. Domain Profiles

至少：

\mathcal D = \{ D_{cinematic}, D_{gameplay}, D_{competitive}, D_{XR}, D_{debug} \}.

未來可以加：

digital twin；
robotics。

72. Cinematic Profile

重：

Q,T.

容許：

L_{cloud}

較高。

73. Gameplay Profile

重：

L,T,A.

Cloud enhancement 不能阻塞 base interaction。

74. Competitive Profile

重：

W, \text{Authorization}, L.

generation freedom 較低。

75. XR Profile

重：

L,J,T.

local reprojection 非常重要。

76. Debug Profile

重：

S,P,\text{Determinism}.

不一定追求漂亮。

77. Observer Profiles

同一 benchmark scene 至少跑不同 observer：

O_{cinematic},

O_{combat},

O_{inspection},

O_{accessibility},

O_{AI}.

驗證 OSR-01：

\text{ObserverConditioning}

是否真的改變合理 plan。

78. 十一類核心 Scene

S1｜Static Interior

測：

reuse；
no-rerender；
background anchor lifetime。

S2｜Dialogue Close-Up

測：

face identity；
neural enhancement；
local/cloud composition。

S3｜Slow Camera Orbit

測：

temporal warp；
anchor validity；
view-neighborhood。

S4｜Fast Motion

測：

ghosting；
temporal failure；
local fallback。

S5｜Disocclusion

測：

history invalidation；
local fill；
cloud escalation。

S6｜Reflective Object

測：

ray / path / neural composition。

S7｜Foliage / Hair

測：

generative appearance；
temporal stability。

S8｜Hazard Microchange

小 pixel change、高 significance。

測：

\Delta^{sig}

是否優於：

\Delta^{pix}.

S9｜Camera Cut / Teleport

測：

full refresh；
stale-anchor rejection。

S10｜Network Failure / Jitter

測：

continuity；
cloud degradation；
tail latency。

S11｜Truth Stress Scene

故意誘發：

object addition；
omission；
identity swap；
hidden-info reveal；
cloud stale result。

79. Hardware Matrix

第一代至少固定：

H_0=RTX3070.

因為它是本研究的 constrained local baseline。

未來再加入：

H_1=\text{newer local GPU}.

不要先把不同硬體結果混在一起。

80. Baseline B0｜Local Raster

B_0 = \text{RasterBase}.

所有 OSR 系統至少比較它。

81. Baseline B1｜Local High

本地盡可能提高：

resolution；
ray；
quality。

觀察：

C_{local-high}.

82. Baseline B2｜Traditional Dynamic Quality

只依：

FPS；
GPU load；

調 resolution / preset。

它是 OSR-04 的主要傳統比較。

83. Baseline B3｜Local Neural

\text{Raster} + \text{LocalNeural}.

測 cloud 是否真的必要。

84. Baseline B4｜Naive Cloud

固定週期／完整 frame cloud enhancement。

這個 baseline 很重要。

如果 APR sparse cloud 不比它有效，

OSR-04/06 的價值可疑。

85. Baseline B5｜Cloud Gaming Style Reference

若可行，用 remote final-frame streaming 作架構參考。

不要求相同 provider / hardware。

主要比較：

network boundary；
local dependency；
bandwidth；
continuity。

86. System O0｜OSR Local-Only

APR + PRC + HRF + \text{Reuse} + \text{LocalNeural}.

沒有 cloud。

87. System O1｜OSR General Cloud Anchor

O_0 + \text{GeneralCloudAI}.

低頻 anchor / ROI。

88. System O2｜OSR Dedicated Cloud Candidate

未來若有 specialized service：

O_0 + \text{DedicatedNeuralRenderBackend}.

89. 不應只比較最差 Baseline

如果 OSR 只打敗：

\text{FixedLow},

沒有意義。

至少要打：

local dynamic；
local neural；
naive cloud；
best feasible simple hybrid。

90. Core Ablation A0｜Remove Observer Goal

把：

G_t

拿掉。

測：

OSR-01.

若無差：

observer conditioning 可能沒有價值。

91. A1｜Remove Manifestation Obligation Layer

直接由 scene → renderer policy。

測：

OSR-01/02.

92. A2｜Remove Heterogeneous Field

整幀只允許單一 renderer class。

測：

OSR-03.

93. A3｜Remove Persistent World State

每幀 memoryless。

測：

OSR-04.

94. A4｜Remove NO_RERENDER

強制每個 eligible scope 都 refresh。

測：

RAR, C.

95. A5｜Remove Risk / Safety Reserve

測：

\text{CriticalMiss}.

96. A6｜Remove Truth Firewall

讓 generated output 無明確 truth metadata。

測：

WVR；
debug recovery；
writeback violation。

97. A7｜Remove Temporal Reconstruction

Cloud anchor 只在返回幀使用。

測 OSR-06：

LRR, Q,T,C.

98. A8｜Remove Local Base Fallback

故意讓 cloud failure 造成 blank / invalid output。

這是 negative control。

證明：

\text{LocalBaseInvariant}

的實際價值。

99. OSR Claim Matrix

每篇主要 claim 必須對應實驗。

Paper	Claim	Primary Test
OSR-01	Observer state creates useful manifestation differences	A0 + multi-observer
OSR-02	Probe/compiler abstraction can produce feasible plans	compiler conformance
OSR-03	Heterogeneous plan forms better frontier	A2 + renderer matrix
OSR-04	APR/PWS reduces waste under constraints	A3/A4/A5
OSR-05	truth firewall contains generative errors	A6 + Truth Stress
OSR-06	sparse cloud + local temporal can outperform naive boundary	A7 + cloud stages

100. Compiler Conformance Test

相同：

(W,O,Q,\Gamma,K,B)

在 deterministic mode：

P_1=P_2.

至少 plan identity / semantic plan 應相同。

101. Cross-Implementation Test

如果未來有兩個 compiler implementation：

C_A,C_B,

不要求 byte-equal plan。

但要求：

\text{Satisfy}(P_A,\mathcal U)=\text{PASS},

\text{Satisfy}(P_B,\mathcal U)=\text{PASS}.

102. Plan Explanation Test

對每個 cloud node：

\text{WhySelected?}

必須能回：

obligation；
capability；
cost；
fallback；
truth contract。

103. Negative Control：Random Renderer

隨機選 renderer。

如果 random 和 OSR 一樣好：

\boxed{ \text{OSRPolicyValue}\approx0. }

這是很重要的控制組。

104. Negative Control：Always Cloud

所有可用 region 都 cloud。

測：

cost；
latency；
stale；
truth；
availability。

105. Negative Control：Always Local High

盡可能 local max。

測：

GPU saturation；
frame time；
quality。

106. Negative Control：Pixel Delta Only

只用：

\Delta^{pix}

trigger。

比較：

\Delta^{sig}.

107. Truth Stress Suite

至少五類：

Addition；
Omission；
Identity swap；
Semantic mutation；
Unauthorized reveal。

108. Addition

Canonical：

N=3.

生成器可能：

N=4.

若新增 gameplay-salient object：

WVR+1.

109. Omission

Required object 消失：

OVR+1.

110. Identity Swap

NPC A/B 相似。

檢查生成 renderer 是否交換 identity。

111. Semantic Mutation

例如：

\text{door.closed}

被畫成明顯 open。

112. Unauthorized Reveal

例如 wall-behind enemy。

即使推測正確：

\text{AuthorizationViolation}.

113. Latency Stress Suite

至少模擬：

RTT \in \{ \text{low}, \text{medium}, \text{high} \}

與：

\text{Jitter} \in \{ \text{low}, \text{burst}, \text{periodic} \}.

實際值依環境設定，不預設 universal threshold。

114. Packet / Result Loss

模擬：

timeout；
duplicate response；
out-of-order；
late response；
invalid response。

確認：

\text{Idempotency}, \text{Fallback}, \text{LateReject}.

115. GPU Pressure Suite

人工提高：

\text{GPUUtil}.

確認 APR 是否：

reuse ↑；
depth ↓；
cloud optional ↑；
mandatory 保留。

116. VRAM Pressure Suite

確認：

history trim；
latent eviction；
fallback；
no crash。

117. Budget Pressure Suite

cloud monetary budget 逐步降低。

觀察：

\lambda_{cloud}\uparrow

後 plan 是否合理轉移。

118. Human Evaluation Design

至少使用：

\text{paired comparison}.

同一 scene / camera / seed：

A/B 隨機順序。

119. Human Questions

分開問：

哪個畫面較自然？
哪個角色身份較一致？
哪個影片較穩定？
哪個 transition 較不突兀？
哪個對任務更有幫助？

不要混成單一：

哪個比較好？

120. Blind Evaluation

受試者不應知道：

local；
cloud；
OSR；
baseline。

避免 technology bias。

121. Developer Evaluation

另設 developer panel：

structure；
art direction；
regression；
explainability。

與一般 user preference 分開。

122. Seed Control

若 neural renderer stochastic：

固定：

\text{SeedSet} = \{s_1,\ldots,s_n\}.

不同 system 跑相同 seed policy。

123. Multi-Seed Robustness

不能只挑最好 seed。

報：

\text{mean}, \text{median}, \text{P95 error}, \text{worst selected case}.

124. Scenario Replay

所有世界事件：

E_{0:T}

可 deterministic replay。

包括：

camera；
input；
object motion；
hazard；
network condition。

125. Paired Scenario

Baseline 與 OSR 必須跑：

\text{same scenario}.

避免：

\text{scene confounder}.

126. Warm vs Cold

分開報：

\text{ColdStart}

與：

\text{WarmCache}.

因為 OSR 很依賴 reuse / cache。

127. First-Visit vs Revisit

Scene 第一次進入：

C_{first}.

再次進入：

C_{revisit}.

如果 semantic / appearance cache 有價值：

C_{revisit}<C_{first}

應可觀測。

128. Report Distribution, Not Only Mean

特別：

latency；
cloud cost；
anchor lifetime；
identity drift。

應報 distribution。

129. Confidence Intervals

對主要指標報：

CI.

方法可以依 metric 選：

bootstrap；
paired interval；
nonparametric。

本文不綁定單一統計方法。

130. Effect Size

不要只報：

p<0.05.

還要報：

\Delta.

例如：

latency difference；
cost ratio；
FLIP difference；
WVR difference。

131. Multiple Comparisons

OSR metrics 很多。

若大量 hypothesis test，

需處理 multiple-comparison 問題。

或把主要 hypotheses 事先固定。

132. Preregister Primary Metrics

每個 experiment 先固定：

primary outcome；
blocking constraints；
secondary metrics；
failure conditions。

避免看到結果後再挑對自己有利的 metric。

133. Predeclared Gate

例如某 domain：

\Gamma_D = \{ WVR\le\epsilon_W, CriticalMiss\le\epsilon_C, BaseContinuity=1 \}.

數值：

\epsilon_W,\epsilon_C

應在 benchmark 執行前固定。

134. 不在理論文中偷定 Universal Threshold

不同 domain 風險差異太大。

所以本文不宣稱：

WVR<0.1\%

是 universal standard。

而要求：

\boxed{ \text{thresholds must be preregistered per domain}. }

135. Pareto Dominance

對兩個 system：

A,B.

若 A 在所有 blocking metrics 不差，至少一個 objective metric 更好：

A\succ_P B.

136. $\epsilon$ -Pareto

實務上測量有 noise。

可以定義：

A\succ_P^{\epsilon}B

表示 A 在各 metric 不比 B 差超過 tolerance $\epsilon$ ，並至少一項超出 practical improvement threshold。

137. OSR Success Domain

本文不要求：

OSR

全域支配所有 baseline。

而定義：

\boxed{ \mathcal D^* = \{ d: OSR \text{ creates a useful Pareto improvement in }d \}. }

138. Strong Success

如果：

|\mathcal D^*|

跨多 domain 且效果穩定，

支持強版本 OSR。

139. Weak Success

若只在：

dialogue；
photo mode；
slow strategy scene；

成立，

仍支持：

\boxed{ \text{domain-bounded OSR}. }

這比假裝 universal 更科學。

140. Failure

若：

\mathcal D^*=\varnothing,

則 OSR 第一代核心工程命題失敗。

141. Partial Failure

如果：

APR 有用；
cloud 沒用；

則：

OSR-04 保留，

OSR-06 cloud claim 縮限。

系列不需要整體一起倒。

142. Claim-Level Falsification

OSR 是模組化命題集合。

每一篇可以獨立：

SUPPORTED, PARTIAL, NOT\ SUPPORTED.

143. Evidence Levels

本文定義四層。

144. E0｜Architecture Feasibility

證明：

contracts 可執行；
compiler 能跑；
backend 能接；
truth firewall 生效。

不代表效能有益。

145. E1｜Prototype Utility

在 controlled scene：

OSR

對至少一個 baseline 有 practical gain。

146. E2｜Interactive Feasibility

真實互動：

latency；
jitter；
temporal；
failure；

達到預先定義 gate。

147. E3｜Production Feasibility

還需：

long-duration reliability；
provider stability；
cost；
security；
platform integration；
user study；
regression infrastructure。

148. 不可把 E0 宣稱成 E3

\boxed{ \text{ArchitectureRuns} \neq \text{ProductionReady}. }

149. 第一代 MVP 的目標只是 E0→E1

這非常重要。

第一個 OSR MVP 不需要：

立刻商業化即時 cloud neural rendering。

只需證明：

\boxed{ \text{observer-conditioned heterogeneous rendering can produce measurable utility under controlled constraints}. }

150. 第一代主要 Research Questions

RQ1

Observer conditioning 是否真的改變最優 rendering plan？

RQ2

Heterogeneous plan 是否優於 best simple single/hybrid baseline？

RQ3

Persistent world + NO_RERENDER 是否真的減少無效工作？

RQ4

Truth firewall 是否降低 generative world violation？

RQ5

Sparse cloud anchor + local temporal reconstruction 是否比 naive cloud 更有效？

RQ6

3070 constrained local baseline 是否能透過 sparse cloud intelligence 提升 perceived quality / utility？

151. Primary Hypothesis H1｜Observer Value

U(OSR_{observer}) > U(OSR_{camera-only})

在至少一類 multi-goal workload 成立。

152. H2｜Heterogeneous Frontier

\operatorname{Pareto}(HRF) \succ \operatorname{Pareto}(\text{single/hybrid baseline})

在至少一類 mixed scene 成立。

153. H3｜Differential Rendering

穩態場景：

C_{PWS+NO\_RERENDER} < C_{full-refresh}

且：

Q,S,T

不低於 gate。

154. H4｜Truth Firewall

WVR_{firewall} < WVR_{no-firewall}.

155. H5｜Sparse Cloud

C_{sparse-cloud} < C_{naive-cloud}

且：

Q_{sparse-cloud} \ge Q_{acceptable}.

156. H6｜Frequency Separation

存在：

f_C\ll f_D

同時：

T\ge\tau_T.

157. H7｜Local Continuity

cloud failure：

MinimumManifestation=PASS.

158. H8｜3070 Augmentation

存在 domain：

Q/Utility_{3070+OSR-cloud} > Q/Utility_{3070-local}

在 cost / latency gate 內。

159. Falsification F1｜No Observer Benefit

如果：

OSR_{camera-only}

與：

OSR_{observer}

無 practical difference，

OSR-01 的上位 observer model 需縮限。

160. F2｜Compiler Does Not Generalize

若每個 backend 都需要大量 special-case core code，

Probe / compiler abstraction 失敗。

161. F3｜Heterogeneous Overhead Dominates

若：

C_{convert} + C_{sync} + C_{switch} + C_{compiler}

長期大於 gain，

OSR-03 失敗。

162. F4｜NO_RERENDER Causes Drift

若節省成本但：

T,S,W

超過 gate，

OSR-04 policy 失敗。

163. F5｜Truth Firewall Ineffective

若生成錯誤仍可污染 world state：

WWV>0

且不是已知測試例外，

OSR-05 architecture 失敗。

164. F6｜Sparse Cloud Has No Useful Window

若 general/dedicated cloud：

latency 太高；
cost 太高；
quality gain 太低；

使：

\mathcal D^*_{cloud}=\varnothing,

OSR-06 cloud claim 不成立於當前技術條件。

165. F7｜Temporal Reconstruction Fails

若 cloud frequency 降低後：

T<\tau_T

在所有有用場景成立，

frequency-separation claim 失敗。

166. F8｜3070 Local Tasks Too Heavy

如果：

\text{TemporalReconstruction} + \text{Verification} + \text{Base}

本身把 3070 壓到不可互動，

第一代 thin-authoritative-node 假說需修改。

167. F9｜Cloud Gaming Dominates

如果在目標 workload 中：

\text{CloudGaming}

在：

latency；
quality；
cost；
bandwidth；
privacy；
local complexity；

全面支配 DAINR，

則 OSR-06 的 distributed boundary 缺乏實用價值。

168. F10｜Simple Dynamic Resolution Is Enough

若傳統 dynamic resolution / local neural 在所有目標場景都近似達到 OSR frontier，

則 OSR 可能過度複雜。

這是一個必須真正允許的結果。

169. Failure-Preserving Reporting

實驗失敗不能被刪掉。

至少保存：

failed provider call；
stale result；
rejected generation；
compiler no-feasible-plan；
truth violation；
fallback；
network outage。

170. 不把失敗重跑到成功再只報成功

如果：

\text{Attempt}_1=FAIL, \text{Attempt}_2=PASS,

兩者都要留。

否則 availability metric 會被美化。

171. Cloud Cost 也保存失敗成本

API 已收費但 output 無法 commit：

C_{waste}>0.

這必須算。

172. Rejected Anchor 也算成本

AWR

不能忽略。

173. Artifact Package

每次 benchmark run 產生：

run_manifest.json
world_trace.jsonl
observer_profile.json
plan_receipts.jsonl
execution_receipts.jsonl
truth_receipts.jsonl
network_metrics.csv
gpu_metrics.csv
quality_metrics.csv
frames/
videos/
summary.md

174. Reproducibility Manifest

至少：

code commit；
config hash；
GPU / driver；
OS；
engine version；
model / provider；
model revision if available；
network condition；
random seed；
benchmark fixture hash。

175. Opaque Provider

若 provider 不提供 exact model revision：

\text{revision}=OPAQUE.

這必須寫入限制。

176. Cost Pricing Basis

Cloud price：

\text{PricingDate}.

因價格會變。

不要把舊價格當永恆。

177. Network Geography

Cloud test 應記：

client region；
server/provider region 若可知；
RTT；
timestamp。

因 latency 地理相依。

178. Hardware Normalization

不同 GPU 不直接比：

FPS.

應同時報：

raw；
per-watt；
quality-normalized；
cost-normalized。

179. Provider A/B

若比較 provider：

同一：

source carrier；
scene；
request contract；
output class；
budget。

180. Model A/B

不要一個 model 用 1K ROI，另一個用 full 4K。

除非研究的就是不同策略。

181. Benchmark Versioning

定義：

\text{OSRBench v0.1}.

未來 scene / metric 改變：

v0.2.

不要 silently 改 benchmark。

182. Golden Fixtures

至少固定：

world state；
camera trace；
object IDs；
hazard events；
truth masks；
reference render。

183. Reference Render

對 selected frames 可產：

R_{ref}

例如高 sample path tracing。

用於：

FLIP；
SSIM；
structure comparison。

不必每 frame 都有。

184. Reference 也不是「終極真」

Path-traced image 只是在 physical appearance 上的高品質 reference。

仍不是：

F_W.

所以 truth tests 依 world state，而不是只依 reference image。

185. Dual Reference

最好有：

\text{Reference}_{image}

與：

\text{Reference}_{world}.

前者測 appearance。

後者測 truth / structure。

186. Temporal Reference

高品質 sequence：

R_{ref}^{0:T}.

用於 temporal metrics。

187. OSR Benchmark Report

報告分四頁：

Hard constraint pass/fail；
Pareto frontier；
Metric distributions；
Failure cases。

不要先放一張漂亮 hero screenshot 就結束。

188. Failure Gallery

生成：

addition；
omission；
drift；
pop；
cloud stale；
fallback visible degradation。

這對改進比只看成功案例更有價值。

189. Pareto Plot

可畫：

\text{Quality} \leftrightarrow \text{Latency},

\text{Quality} \leftrightarrow \text{Cost},

\text{Quality} \leftrightarrow \text{TruthRisk},

\text{CloudCost} \leftrightarrow \text{LocalGPU}.

190. 3D Pareto

必要時：

(Q,L,C).

但不要用太高維圖讓人看不懂。

191. Practical Dominance

如果兩系統差異小到使用者／工程上無意義，

不要只靠 statistical significance 宣稱勝利。

定義：

\delta_{practical}.

預先固定。

192. Minimal Success Gate

第一代 MVP 最小成功不要求 cloud real-time。

只要求：

\boxed{ \Gamma=PASS }

且至少存在一個：

\mathcal D^*

使 OSR 相較 baseline 有 practical Pareto improvement。

193. OSR-06 特別成功 Gate

General cloud prototype：

可以允許：

L_{cloud}=\text{seconds}.

但必須證明：

anchor 可 commit；
anchor 可 reuse；
cloud frequency < display；
local base continuity；
truth firewall；
measurable quality gain。

這是：

E0/E1.

不是：

E2.

194. Interactive Gate

若要宣稱：

\text{InteractiveDAINR},

才需要：

p95 useful latency；
jitter；
temporal；
input continuity；

達 domain-specific gate。

195. Production Gate

若要宣稱：

\text{ProductionReady},

還需要：

long run；
recovery；
provider outages；
cost；
security；
regression；
user study。

196. OSR Series Closure Map

OSR-00

問題：

從哪裡來？

輸出：

\text{Lineage}.

OSR-01

問題：

想看什麼？

輸出：

\text{ManifestationObligations}.

OSR-02

問題：

怎麼編譯？

輸出：

\text{ObservationProbe+OSRIR}.

OSR-03

問題：

用誰畫？

輸出：

HRF.

OSR-04

問題：

什麼時候重算？

輸出：

\text{APRGovernance}.

OSR-05

問題：

畫出來代表什麼？

輸出：

\text{TruthFirewall}.

OSR-06

問題：

昂貴 AI 在哪裡跑？

輸出：

Local+Cloud+Temporal.

OSR-07

問題：

怎麼證明有用？

輸出：

\text{FalsifiableBenchmark}.

197. 第一卷閉包

所以 OSR 第一卷可以濃縮成：

\boxed{ W \xrightarrow{ \text{Observer} } U \xrightarrow{ \text{Compiler} } P \xrightarrow{ HRF } M }

並由：

APR

動態治理，

由：

\text{TruthFirewall}

限制 authority，

由：

\text{DistributedRuntime}

分配 local/cloud，

最後由：

\text{Benchmark}

接受或拒絕 claims。

198. 這不是「新 Renderer」論文集

OSR 的真正主張不是：

我們發明了一個比 path tracing 更漂亮的算法。

而是：

\boxed{ \text{rendering policy itself can become an observer-conditioned, budgeted, verifiable runtime computation}. }

199. 最小理論核心

若刪掉所有細節，OSR 只剩：

\boxed{ \text{What should become manifest?} }

\boxed{ \text{How much computation is justified?} }

\boxed{ \text{Which realization should do it?} }

\boxed{ \text{What truth status does the result have?} }

\boxed{ \text{How do we know the architecture was worth it?} }

200. 最終可反證命題

本文將整個系列壓成：

\boxed{ H_{OSR}: \exists\mathcal D^* \text{ such that observer-conditioned heterogeneous rendering} }

\boxed{ \text{achieves a practically better feasible frontier than simpler rendering policies} }

\boxed{ \text{under the same truth, safety, latency, and resource constraints.} }

若：

\mathcal D^*=\varnothing,

則：

\boxed{ H_{OSR} \text{ is not supported in the tested regime.} }

這就是 OSR 第一卷真正的結束方式。

不是：

理論一定對。

而是：

現在已經知道怎麼讓它輸。

201. 下一階段：不再加理論篇

OSR-00 至 OSR-07 完成後，

下一步不是：

OSR-08.

而是：

\boxed{ \text{OSR Integrated Technical Whitepaper}. }

202. 技術白皮書要做什麼

將八篇壓成工程 contract：

component graph；
OSR-IR schema；
APR adapter；
backend API；
engine adapter；
truth contract；
cloud carrier；
temporal cache；
metrics；
benchmark harness；
failure recovery。

203. 白皮書之後

才是：

\boxed{ MVP. }

第一代 MVP 只需要：

Godot/Unity/UE + RTX3070 + APR + \text{BaseRenderer} + \text{GeneralCloudAnchor} + \text{TemporalReconstruction} + \text{TruthFirewall} + \text{BenchmarkHarness}.

204. 第一代 MVP 最重要的問題

不是：

畫面能不能超過 RTX 5090？

而是：

\boxed{ \text{Does OSR create a new useful operating point?} }

例如：

Q\uparrow

而：

CloudCalls\downarrow,

BaseContinuity=1,

WVR\approx0.

205. 最終結論

電腦圖形學長期研究：

更快 raster；
更準 ray；
更低 variance；
更好的 denoiser；
更高解析；
更強 neural renderer。

這些都仍然重要。

OSR 增加的是另一個問題：

計算本身該在何時、何地、為誰、為了什麼目的、以什麼真值身分被執行？

如果答案永遠是：

每一幀、每一 pixel、同一 renderer、盡量最高品質。

那 OSR 沒有必要。

但如果未來世界是：

persistent；
heterogeneous；
AI-generated；
local/cloud mixed；
multi-observer；
budget-constrained；

那麼 renderer 將越來越像一個持續治理系統，而不只是固定 graphics pipeline。

因此 OSR 第一卷最終不以：

\text{「我們已經證明它比較好」}

收尾。

而以：

\boxed{ \text{「我們已經把『比較好』拆成可以真正測量、真正失敗、真正推翻的命題。」} }

收尾。

這才是從理論走向工程的分界。

參考資料

EveMissLab / OSR

Neo.K. 從萬能光到觀察者主權渲染：理論譜系重構與研究綱領. OSR-00, v0.1, 2026.
Neo.K. 我們到底想看什麼？觀察者、目的與顯現場. OSR-01, v0.1, 2026.
Neo.K. 從射線到觀察探針：廣義觀察算子與感知渲染編譯器. OSR-02, v0.1, 2026.
Neo.K. 異質渲染場：Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇. OSR-03, v0.1, 2026.
Neo.K. APR 治理的自適應渲染：感知預算、表示深度與動態重算. OSR-04, v0.1, 2026.
Neo.K. 世界真值與顯現真值：生成式渲染中的一致性、幻覺與表示主權. OSR-05, v0.1, 2026.
Neo.K. 分散式 AI 原生渲染：Local World、Cloud Intelligence 與 Temporal Reconstruction. OSR-06, v0.1, 2026.
EveMissLab. APR — Adaptive Perceptual Reading / Agentic Perception Runtime. https://github.com/kakon77777-commits/APR
EveMissLab. MRMIC/NVCL. https://github.com/kakon77777-commits/MRMIC_NVCL
EveMissLab. PNCW — Projection-Native Computational World. https://github.com/kakon77777-commits/PNCW

外部品質／渲染／系統研究

Andersson, P., Nilsson, J., Akenine-Möller, T., Oskarsson, M., Åström, K., & Fairchild, M. D. FLIP: A Difference Evaluator for Alternating Images. Proceedings of the ACM on Computer Graphics and Interactive Techniques, 2020. https://research.nvidia.com/publication/flip
Zhang, R., Isola, P., Efros, A. A., Shechtman, E., & Wang, O. The Unreasonable Effectiveness of Deep Features as a Perceptual Metric. CVPR 2018. https://arxiv.org/abs/1801.03924
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. Image Quality Assessment: From Error Visibility to Structural Similarity. IEEE Transactions on Image Processing, 2004.
NVIDIA ADLR. DLSS 5: Generative Neural Rendering. Published 2026-09-01. https://research.nvidia.com/labs/adlr/DLSS5/
Perel, O., Abu Alhaija, H., Wang, Z., Munkberg, J., Atzmon, M., Fidler, S., & Shugrina, M. TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions. arXiv:2606.11314, 2026. https://research.nvidia.com/labs/sil/projects/tron/
Wang, Y.-C., Kettunen, M., Lin, D., Wyman, C., Wu, L., & Zhao, S. Real-Time Level-of-Detail Rendering with ReSTIR. SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/wang2026levelofdetail/
Hong, P., Zhang, S., Lin, D., Kettunen, M., Wyman, C., & Yuksel, C. Multi-Layer Reservoir Splatting for Temporal Reuse under Disocclusion. SIGGRAPH 2026. https://research.nvidia.com/labs/rtr/publication/hong2026multilayer/
NVIDIA CloudXR SDK. Network Setup. https://docs.nvidia.com/cloudxr-sdk/latest/requirement/network_setup.html
NVIDIA CloudXR SDK. Network Test and Session Quality. https://docs.nvidia.com/cloudxr-sdk/latest/usr_guide/cloudxr_framework/network_quality.html
Zhang, K., et al. QuadStream: A Quad-Based Scene Streaming Architecture for Novel Viewpoint Reconstruction. NVIDIA Research, 2022. https://research.nvidia.com/publication/2022-12_quadstream-quad-based-scene-streaming-architecture-novel-viewpoint

附錄 A｜OSR Benchmark 最小指標

quality:
  PSNR
  SSIM
  LPIPS
  FLIP
  human_pairwise

structure:
  object_count
  required_presence
  forbidden_addition
  silhouette_iou
  depth_error
  pose_error

identity:
  identity_drift
  identity_violation

temporal:
  warp_error
  flicker
  drift
  pop_rate
  motion_artifact

latency:
  input_to_display
  base_latency
  cloud_latency
  useful_anchor_latency
  p50
  p95
  p99
  jitter

cost:
  gpu_time
  vram_peak
  compiler_cost
  apr_cost
  verification_cost
  cloud_usd

network:
  bytes_up
  bytes_down
  bandwidth
  packet_loss

truth:
  provenance_completeness
  world_violation
  omission_violation
  addition_violation
  unauthorized_reveal
  writeback_violation

osr:
  render_avoidance_rate
  useful_rerender_rate
  reuse_rate
  false_reuse_rate
  cloud_call_efficiency
  local_reconstruction_ratio
  cloud_dependency_ratio
  anchor_lifetime
  anchor_reuse_count
  anchor_waste_rate
  fallback_success_rate

附錄 B｜第一代 Baseline / System

B0  Local Raster
B1  Local High
B2  Traditional Dynamic Quality
B3  Local Raster + Local Neural
B4  Naive Cloud
B5  Cloud-Gaming-Style Reference

O0  OSR Local-Only
O1  OSR + General Cloud Anchor
O2  OSR + Dedicated Cloud Renderer Candidate

附錄 C｜第一代證據等級

E0  Architecture Feasibility
E1  Controlled Prototype Utility
E2  Interactive Feasibility
E3  Production Feasibility

附錄 D｜OSR 第一卷一句話版本

Observer-Sovereign Rendering 並不是宣稱 AI 應取代傳統 renderer，而是把「什麼值得被顯現、該花多少計算、由哪一種 realization 執行、結果具有什麼真值身分、昂貴智能應放本地還是雲端」全部提升為 runtime 可治理的決策；OSR-07 則要求這些額外複雜度只有在真值、安全與資源約束下形成可重現的 Pareto 改善時，才被視為真正有價值。

可反證的觀察者渲染：品質、延遲、成本、一致性與結構保真