title

ARKE-12｜跨領域自主科研驗證與 RAI／RSI 能力演化實驗：從研究完備到可歸因的後繼改進

english_title

ARKE-12 | Cross-Domain Validation of Autonomous AI Research and RAI/RSI Capability Evolution: From Research Completion to Attributable Successor Improvement

series

ARKE Research — AI 原生自主科研完備與知識演化論

series_english

AI-Native Research Completion and Knowledge Evolution

series_id

ARKE

paper_id

ARKE-12

series_part

第四部：完成判定與跨域實證

sequence

12

series_total

12

author

Neo.K with GPT（AI 協作）

institution

EveMissLab／一言諾科技有限公司

version

v0.1

date

2026-10-29

timezone

Asia/Taipei

language

zh-TW

status

FORMAL_RESEARCH_MANUSCRIPT_V0.1; CROSS_DOMAIN_EXPERIMENT_PROTOCOL; EMPIRICAL_VALIDATION_NOT_RUN

document_type

跨領域科研評估方法論／實驗預註冊規格／研究演算法能力演化／RAI-RSI 因果辨識契約

canonical_source_encoding

UTF-8

canonical_math_delimiters

inline= $...$ ; display=$$...$$

source_verification_cutoff

2026-10-29

repository_policy

ARKE 工程維持獨立 GitHub 專案；本文僅提供可實作的研究協議，不宣稱工程已建置、已接入 EveTrain 或已完成實證。

license

作者權利保留；正式授權條款尚未決定

empirical_studies

H1-H8 NOT_RUN; G12-01 to G12-30 NOT_RUN

ARKE-12｜跨領域自主科研驗證與 RAI／RSI 能力演化實驗：從研究完備到可歸因的後繼改進

Cross-Domain Validation of Autonomous AI Research and RAI/RSI Capability Evolution: From Research Completion to Attributable Successor Improvement

作者： Neo.K with GPT（AI 協作）
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 10 月 29 日（Asia/Taipei）
研究系列： ARKE Research，第 12／12 篇（收官篇）
版本： v0.1，正式 UTF-8 Markdown 研究原稿
狀態： 理論、形式契約、預註冊實驗方法與可否證研究計畫已撰寫；跨域試驗、後繼 Agent 評估與 RSI 實證均 NOT_RUN。
與軟體的關係： 獨立 ARKE GitHub 工程另行實現；本篇不修改 EveTrain 的研究、訓練或授權閘道。

摘要

AI 已可提出研究候選、撰寫證明、設計實驗、執行程式並產生論文。然而，「生成成果」、「完成合理的文獻先例查核」、「獲得相稱的研究證據」以及「使下一代 AI 的科研能力真正改善」，是四個不同的研究命題。若將一份形式證明的通過、一次 Agent 重播的成功、資料庫中的高召回、論文文字的增加，或連續數輪使用相同 AI 工作流所得到的成果直接稱為遞迴自我改進（RSI），就會混淆研究程序、知識內容、系統能力與因果歸屬。反之，若將人類專家的事後補件當成 AI 自主科研必不可少的流程，也會掩蓋現有 AI 在常規文獻搜尋、來源定址、證據核對、版本追蹤與差異報告方面應自行承擔的工作。

本篇提出 ARKE-CAVE v0.1（Cross-Domain Autonomous Validation and Evolution），作為 ARKE-01 至 ARKE-11 的實證總協議。其研究單位包含凍結的研究候選、具有版本與授權邊界的知識快照、主張型別、先例與證據見證、研究義務狀態、後繼研究 Agent，以及跨代修訂事件。實證分為五個可區分的層級：程序履約、受證據支持的研究判斷、跨領域可遷移的研究能力增量、後繼研究策略改善，以及更高階的研究改進策略再改進。各層具有不同的測量對象與驗證門檻，不能互相自動升格。

ARKE-CAVE 設計多組同資源對照：只產生研究的 B0、單一驗證器 B1、只搜尋先例的 B2、執行完整查核但沒有研究完成閘道的 B3，以及整合 ARKE-AUDIT、ARKE-DELTA 與 ARKE-RCG 的 T 組。進一步將固定權重的研究流程改進、真正發生的模型參數更新、研究方法自動產生、研究改進策略的跨代修訂分開處理；採用配對任務、家族分組、防止題庫洩漏、受控資源帳、跨域保留題庫、獨立評估與有型別的反例。研究不以單一總分宣稱「AI 更有智能」，而要求多維改善、可用成果保留、錯誤成本、長期知識修訂與不可替代的權限邊界同時報告。

本文給出十二項條件命題（P1–P12）、八組可否證假說（H1–H8）、五組研究案例、三十項待執行 Gate（G12-01 至 G12-30）、可重播機器報告樣式及分階段的本地實驗交接。所有條件命題只在明示假設下成立；所有實證與性能數值均保持 NOT_RUN。本篇不宣稱已證成 AI 自主科研能力、RAI、RSI 或 Meta-RSI，而是將這些主張轉化為未來可以真正被證成、被否證或被保留未決的研究對象。

關鍵詞： ARKE、AI 自主科研、研究完備、跨領域評估、先例查核、研究再現、學術歸屬、知識演化、研究能力歸因、RAI、RSI、Meta-RSI、保留題庫、預註冊、差異重播、EveTrain

0. 研究聲明：把十二篇的論證推向實驗，而不是宣布已經成功

0.1 本文的研究類型

本文以五種標記區分論證：

• D（Definition）：本文提出的定義；是否有用，需要進一步評估。
• P（Conditional Proposition）：在已標明前提下可成立的結構推論，或有明確反例支持的非蘊涵命題。
• N（Normative Contract）：研究流程應承擔的義務及其治理規則。
• H（Empirical Hypothesis）：須由未來實測決定支持、否證或未決的假說。
• B（Boundary）：研究目前無法推出的結論或尚未確認的權限。

本文沒有「實驗已證明 ARKE 能改善 AI 科研」的結果段落；實驗協議是已寫成的研究工件，不是已執行的研究證據。

0.2 五個不應混同的問題

一個研究 Agent 可能：

1. 產生一篇有說服力的研究草稿；
2. 在指定來源域內找到先前相近的研究；
3. 經由恰當工具證明一部分數學命題或再現一部分實驗；
4. 從錯誤、先例與研究差異中改善下一輪科研工作的品質；
5. 進一步創造一套比自己原有的方法更有效的研究改進方法。

其中任何一項都可能先發生，且彼此不是線性序列。本文的目的正是阻止把這五項壓成同一個 SUCCESS 標記。

0.3 本文的四個實際貢獻

C1——跨篇收束： 明確讓 ARKE-01 至 11 的每項契約成為可測量的工作義務或演算法邊界，而非只用它們作為理論引文。

C2——跨域評估： 分別評估數學、理論計算機科學、物理／經驗研究、跨語言學術歷史，不以單一學科驗證器支配其他學科。

C3——能力因果辨識： 將「ARKE 提供較好外部知識」、「Agent 在固定權重下執行較佳工作流」、「模型更新後能力改善」、「AI 自己改善研究改進策略」分離為可比較干預。

C4——可移交性： 輸出預註冊、題庫封存、資源記帳、狀態機、否證案例與研究證據憑證的最低規格，供未來獨立 ARKE 軟體、EveTrain RAI Registry、數學 AI 或其他研究 Agent 使用。

1. 與 ARKE-01 至 ARKE-11 的嚴格承接

本篇不重定義前十一篇已固定的基礎術語。

N1（系列一致性）。 後續實驗不得為了使 T 組得到較好分數，靜默刪除任一前篇的必要研究義務。若某個方法無法承擔義務，應保留 UNKNOWN／BLOCKED／NOT_RUN 或提出正式契約修訂，而不是宣稱成功。

1.1 四值義務狀態與行動狀態仍需分離

沿用：

NOT_RUN、BLOCKED、NO_MATCH_IN_SCOPE、BUDGET_EXHAUSTED 是實際行動或停止原因，不能直接當作義務已 PASS 的證據。NA 必須有可稽核的不適用理由。

1.2 研究程序完成與當前新鮮度兩軸

沿用 ARKE-10、11：

過去一次符合契約的查核，不能替代新文獻、新版本、勘誤、撤回或法律權利變動後的當前查核。

1.3 Claim Ceiling 不是單一最高分

研究可支持的宣稱集合可能存在多個不可比較的極大元：某項成果在數學形式化上有較強支持，卻缺歷史首次性證據；另一項成果已有高品質先例查核，卻缺恰當的實驗驗證。不能用總分把這兩個研究狀態排序成絕對高低。

2. 為什麼既有 AI 科研基準仍不足以回答本篇問題？

已有多項學術研究在測量自動化科研的不同片段。The AI Scientist 探索 AI 從構想到實驗、論文及模擬審查的端到端流程 [R1]；ScienceAgentBench 為多學科的資料驅動科研任務建立基準 [R2]；PaperBench 檢驗 AI Agent 複製機器學習論文所需的程式與實驗工作 [R3, R15]；MLE-bench 則以真實機器學習工程競賽測試 Agent [R4]。另有後續端到端 AI Scientist 研究延伸了整體自動化工作的測試情境 [R16]。這些成果各自提供有價值的基線與評量工具，不應因為 ARKE 提出新義務就貶低它們。

但下列問題不必然由上述單項基準直接回答：

1. 新提出的研究主張是否已被某份低曝光歷史論文提出？
2. 若兩個演算法有相同結果，但假設、計算模型或成本不同，系統能否作正確差異判斷？
3. 若論文已有正確的形式證明，卻使用錯誤的學術首次性措辭，AI 能否自行降階？
4. 若舊文獻勘誤或撤回，AI 能否僅重驗真正受影響的研究依賴？
5. 加入來源與查核引擎後，未來研究 Agent 是否真正改善新的研究能力，而不只是引用更多文字？
6. 若連續多輪進步，能否證明原因來自 AI 自主產生、評估和採納的研究方法改進？

這些疑問組成 ARKE-CAVE 的評估域，不預設任何單一既有基準已經失敗。

2.1 已有科研資料報告與追溯標準

FAIR 原則提供可發現、可取得、可互操作與可重用的研究資料框架 [R5]；PRISMA-S 強調檢索策略的可重播報告 [R6]；W3C PROV-O 提供跨系統來源歷程本體 [R7]。Crossref／Crossmark 與 NISO CREC 處理出版修訂、勘誤與撤回資訊的機器可讀傳遞 [R8, R9]。OpenAlex 已提供大規模作品、引用與版本位置等可供機器檢索的基礎資料模型 [R14]。NIST AI RMF 與 Model Cards 也提供風險管理、適用域與模型限制揭露的既有思路 [R12, R13]。ARKE 不宣稱重新發明這些技術。

本篇真正欲研究的是：當上述知識基礎設施作為 AI 的自主能力而非人工事後流程時，是否會改善真實研究判斷，以及此改善能否進一步形成可歸因的後繼科研能力增長？

3. D1：跨域實驗的研究單位

定義一個試驗任務家族：

其中：

• $q_j$：固定的研究問題與評估成功條件；
• $r_j$：已凍結的候選研究工件（可以是完整、部分、錯誤或故意未決）；
• $\Gamma_j$：沿用 ARKE-01 的研究任務、來源、權利、驗證與資源契約；
• $K_j$：帶時點與來源版本的合法可用知識快照；
• $L_j$：任務內可核查的參考標籤及其證據界線；
• $W_j$：允許使用的驗證見證、反例與來源位置。

一個任務家族可以產生多個表面不同但共享研究起源的測試樣本；這些樣本不能在統計上直接當成互相獨立。

3.1 D1a：研究候選、研究 Agent、研究世代

對某次 Agent 評估：

• $A_g$：第 $g$ 個研究世代的 Agent（模型＋工具＋策略組合）；
• $P_g$：實際可用的政策、研究技能、軟體與來源查核能力；
• $E_g$：該世代進行科研所取得的外部證據；
• $\mathcal B_g$：完整資源與外部協助預算。

N2（反偷換）。 只要 $P_g$ 、 $E_g$ 或 $\mathcal B_g$ 改變，就必須報告真正改變的欄位，不能僅以「模型變聰明」概括所有差異。

3.2 D1b：四種研究輸出

對同一任務，分開保存：

1. candidate_artifact：AI 生成的原始研究候選；
2. audit_receipt：搜尋、比對、校驗及差異紀錄；
3. claim_gate_receipt：特定宣稱能否以何種強度對外發布的判定；
4. successor_change_receipt：研究 Agent 本身發生何種改動、由誰提出、如何授權、如何評估的紀錄。

即使只有前三個工件，不能自動產生第四個。

3.3 D1c：研究正確性、研究新穎性與研究價值不同

一個成果可能：

• 正確但非首次；
• 具有新的證明方法但命題已知；
• 未證明但提出可研究的有價值假說；
• 既有定理的有效反例或修正；
• 在特定實驗域得到再現，但在其他域失效；
• 有可辨認的新演算法，但執行成本沒有改善。

實驗應對各軸分開標註，不能把其中一種價值當成全部價值。

4. D2：研究能力的五層證據界線

提出五種能力評估層，供 ARKE-CAVE 使用；這些不是經典計算複雜度類別，也不是已獲學界承認的 AGI 等級。

4.1 C0 不是 C1

事件日誌完整與 PASS 只是一種程序義務被處理；如果文獻檢索器把錯誤論文視為正確先例，即使其 trace 完整，也沒有證明 C1。

4.2 C1 不是 C2

一個知識查核器可以在固定題庫上把引用補得漂亮，但當它面對未見研究領域、全新文獻發表型態或未知資料版本時，未必仍有能力。

4.3 C2 不是 C3

同一模型加入更廣泛的外部知識索引後，任務表現變好，可以是系統組合改善；不能直接說模型權重變得更強，也不能說 AI 自己發明了更好的研究方法。

4.4 C3 不是 C4

AI 在某輪提出一個有用的研究策略補丁，可能改善下一代的查核表現。要宣稱 C4，還需顯示它能自動改善「發現與評價研究策略補丁」的過程，而不是只重複提交同一種補丁。

5. 與 EveTrain 既有 RAI／RSI 研究層級的對接

現有 EveTrain RAI Algorithm Registry v0.1 為提案與系譜層：它可以保存理論來源、可否證演算法候選、外部報告摘要、審核事件與候選父子關係，但目前不因此自動授權訓練、不獨立證成演算法改善，也不認證 RSI。本文保留此權限與證據邊界。

依既有 EveTrain RAI Thesis 的研究層級，作概念映射：

此表只提供證據類型對接，不是 ARKE 可以直接為 L0–L3 頒證。尤其：

5.1 三種變更需要分別記帳

對後繼研究 Agent：

• MODEL_WEIGHT_CHANGE：模型權重確實更新；需驗證權重摘要、訓練工作與獨立重新載入。
• RESEARCH_POLICY_CHANGE：研究策略、搜尋路由、外部工具或方法選擇改變；可能帶來研究系統改善，但不代表權重更新。
• KNOWLEDGE_STATE_CHANGE：加入先例、資料庫、檢索快取或已發現答案；可改善局部任務，但必須記錄可能的答案外部化。

這三種改變都可以形成有價值的研究，但若要支持 RSI，需要額外的自主改進來源、可因果歸屬與未見任務能力測試。

5.2 外部 AI 的能力不應被自己的評分器認證

讓同一模型在沒有獨立反例或凍結標準時自己為自己打高分，不能構成獨立科研能力證據。可使用其他 AI 作執行者與候選評分器，但主張的真值標籤必須依任務性質由可重播證明、經獨立確認的物件、密封實驗對照或來源憑證建立。

6. D3：跨領域基準族與已知有效性邊界

6.1 數學與形式研究域（MATH）

任務類型：

• 已知定理的不同表述、翻譯、量詞移動與假設限制；
• 相同主張下兩種可接受的不同證明；
• 有效證明但學術非首次的再發現；
• Lean／Coq／手工證明之間的有限命題對照；
• 帶有正式反例或可驗證小型有限模型的錯誤主張。

最小證據： 凍結形式命題及其依賴清單、可由相稱驗證器重播的證書，必要時加上自然語言命題的對齊見證。對未形式化部分仍須保留 UNKNOWN。

禁止： 因為一段 Lean 代碼可編譯，就宣稱原始論文的全部自然語言主張或學術首次性已被證實。

6.2 理論計算機科學（TCS）

任務類型：

• 同一決定問題在不同輸入編碼下的比較；
• 隨機化演算法與確定性演算法的差別；
• 時間界限、空間界限、uniformity、非一致性 advice 與預處理成本；
• 上界證明中的漏計與下界假設的不同層級；
• 先前已提出但尚未獲證成的研究主張。

最小證據： 演算法規格、明確的計算模型、錯誤率／機率假設、複雜度證明或可重播的局部檢查，以及歷史來源比對。

禁止： 把未審查的 ETH 反證主張用作「ETH 已被推翻」的標準答案。主張已提出、證明已驗證、學界已接受是三個不同狀態。

6.3 物理與經驗研究（PHYS）

任務類型：

• 同一方程在不同尺度與邊界條件下的數值比較；
• 形式上的模型存在性與物理可測預測分離；
• 單位、量測誤差、仿真、實驗資料與因果推論的差別；
• 新資料導致舊結論的有效域被限縮；
• 同一資料經不同研究 Agent 重複分析的獨立性問題。

最小證據： 已知假設、尺度、模型版本、資料來源、量測與模擬設定、統計模型及不確定性報告。

禁止： 把純形式證明直接升格為所有物理預測成立；或把模擬結果直接視為獨立實驗證據。

6.4 跨語言／跨學術歷史（HIST）

任務類型：

• 作者不同、命名不同但主張相近的低曝光研究；
• 非英語資料、歷史期刊、預印本、機構典藏的不同版本；
• 引用錯誤、作品錯併、撤回與勘誤；
• 成果相同但方法獨立的兩條歷程；
• AI 無法確定模型訓練來源時的誠實歸屬。

最小證據： 作品與片段定位、版本歷史、可合法擷取的內容、比較見證、首次發表與主張正確性的分別處理。

禁止： 以高引用量排除低曝光研究；以「找到更早的主張」自動推定更早的正確證明。

6.5 真值標註不能只由研究 Agent 自行發明

每個題目必須具有 gold_basis：

• FORMAL_CERTIFICATE：閉域可機器重播的推導、證明或模型檢查；
• INDEPENDENT_REPLICATION：可證明採用獨立資料或路徑的重複研究；
• SOURCE_VERSION_WITNESS：可直接回訪的歷史文件、版本與差異見證；
• EXPERT_ADJUDICATED：必要時採用已固定的獨立評估者判定；
• UNRESOLVED：目前無法安全建立真值標籤。

EXPERT_ADJUDICATED 可以用於建置測試題庫與評估規則，但不是每次正式科研執行都必須先請人類幫 AI 補做例行文獻查核。人類治理或外部學術制度的必要角色，與研究 Agent 的常規技術能力是不同問題。

7. D4：先完成盲研究，再做知識對照

為保留自主研究能力評估的解釋性，應明確區分：

1. Blind Discovery Window：AI 在預先固定、授權可使用的來源與工具下生成研究候選；若目標是測獨立解題能力，可封閉其對答案或對應先例的檢索。
2. Candidate Freeze：將該次原始研究候選、模型版本與研究歷程固定成不可覆寫工件。
3. Prior-Art Audit Window：另一段獨立流程允許合法使用的學術資料庫，搜尋相近歷史先例、方法與證據。
4. Scientific Validation Window：依主張型別執行可重播的證明、反例、實驗、程式或文獻比對。
5. Claim-Gate Window：形成可支持宣稱、未決事項及權限建議。

N3。 不允許後面查到的先例倒灌為前面 AI 已知的資訊；也不允許在產生研究候選之前，就用過去實驗的同題答案提供給某組 Agent，然後宣稱這是公平的獨立發現比較。

若研究問題本身要求 AI 自主文獻回顧，則 Blind Discovery Window 可以把檢索列為合法能力，但必須預先把評估目標從「未知答案的獨立發現」改為「研究整體品質」；不能事後根據優劣結果修改任務定義。

8. D5：五組主比較與一組後繼改進組

沿用 ARKE-11 的比較臂，避免在最後一篇重命名先前條件。

8.1 同一候選與等價資源

主要比較使用同一份凍結候選輸入各組，才不會把某組原先較會寫論文當成檢索系統比較的結果。允許評估不同生成 Agent，但應作為額外分層，並對同一生成候選重複各組審查。

至少固定或記錄：

• 基礎模型版本、推理模式與工具版本；
• 可達學術資料快照及其合法權限；
• 檢索請求額度、網路限制及可用全文；
• CPU／GPU 與 I/O 預算、模型 token 與外部 API 成本；
• 完成條件及報告格式；
• Agent 是否被允許因查核而改寫研究候選。

8.2 公平比較不等於強迫所有組採相同策略

B0 沒有檢索器，因此不能假裝它使用了檢索工具；但應控制可支配的總預算並公開每組的實際耗用。對同一資源向量採取 Pareto 比較，避免把 T 組額外使用的資料庫索引、API 與離線預處理全部記為零成本。

8.3 反事實對照：改變一個因素

為識別是哪個 ARKE 子契約帶來增益，可設計：

• T_no_prior_art：移除 ARKE-04 先例搜尋；
• T_no_typed_comparison：移除 ARKE-05 型別化關係見證；
• T_no_dual_update：移除 ARKE-07、10 的歷史重開；
• T_no_attribution：移除 ARKE-08 歸屬核查；
• T_no_RCG：保留查核、移除 ARKE-11 Claim Ceiling（即 B3）。

消融研究需額外記錄其引入的資源差異與間接副作用，不能據一組差異便宣稱唯一因果來源。

9. D6：任務題庫建立與防止證據污染

9.1 題庫分成四種證據類別

• CLOSED_FORMAL：可窮舉或有機器證明的閉域題目。適合精確測假等價、錯誤反例或 Gate。
• HISTORICAL_WITNESS：具有可回訪原始版本的已發表學術先例，用於評估召回與歸屬。
• OPEN_EMPIRICAL：真實量測、統計與開放領域研究；需報告不確定性，不能把一份論文當成永恆真值。
• UNRESOLVED_FRONTIER：尚有學術爭議或審查未完成的研究，只測是否正確保留不確定性與權利界線，不以其真偽作自動評分。

9.2 2026 年的前沿主張不能被當作無爭議標籤

例如，研究者可以建立：「某年某篇文獻曾主張 ETH 的反證」之歷史先例定位題。這與「該反證確實有效」是不同題目。不能因為某機構公布 Lean 材料、某人先上傳 arXiv，或一位專家表示值得檢查，就直接把前沿重大開放問題的真值填成已確立的 TRUE 或 FALSE。

9.3 題庫洩漏與祖先依賴

應區分：

• 預訓練可能接觸過題庫（POSSIBLE_PRETRAINING_EXPOSURE）；
• 評估時從外部合法檢索到答案（RETRIEVED_DURING_EVAL）；
• 研究策略在此前已見相似題組（TASK_FAMILY_OVERLAP）；
• 評分器也讀過題目原文（JUDGE_CONTAMINATION_RISK）；
• 同一先例被不同資料庫重複列出（SOURCE_DUPLICATE）。

使用新建立、在凍結時封存的合成案例、時間切分、跨表示改寫、封存未知案例與真正保留集共同降低污染；但不能假裝完全掌握封閉模型的預訓練內容。

9.4 家族分割而非行層分割

若同一篇論文拆出五個定理、十種改寫及三個反例，它們仍屬同一來源家族。在建立 Train／Development／Held-out 分割時，必須按來源作品家族、共同依賴、研究問題和派生版本分組，避免一份來源的某個副本洩漏到測試集。

形式表示：

實際上除 ID 不交集外，也必須檢查共享來源祖先與語義近重複。

9.5 建議規模：探索期與確認期

探索期 P0（建議，不是已執行樣本）： 每個核心研究域 12 個家族，合計數十個合成／可核查樣本，用於檢查 schema、拒絕測試、效應方向與成本是否可以量測。P0 不用於宣稱廣泛顯著性。

確認期 P1（候選目標，須在封存前預註冊）： MATH、TCS、PHYS、HIST 四域各 24 個研究家族，總計 96 個家族。每域覆蓋先例存在／不存在或未決、跨表示重疊、負面證據、來源修訂等分層。每個家族在可行時以五組對照配對評估，跨不同研究 Agent／種子做有限重複；若資源無法承擔，應事前公開縮減規模，不可在看完結果後挑有利子集。

後繼期 P2： 另建立不與 P0/P1 共享來源祖先的新研究家族，並以連續世代研究任務檢驗 S 組。P2 的最終確認題庫必須在研究策略設計之後才揭露；不能使用原本作為改善素材的題組直接計算 RSI 成功率。

10. D7：預註冊與角色、權限、資訊隔離

每個實驗至少要先凍結：

1. 研究問題、主要與次要結果、各域任務分層；
2. 候選與來源快照的時間戳及摘要；
3. 各比較組的 Agent、模型、工具、上下文與預算；
4. 題庫的已知先例、未知先例、反例、可用來源與權利；
5. 成功閾值、無定義分母的處理、停止規則；
6. 多重比較與跨域報告規則；
7. 角色隔離、評分器來源與未決真值的保存方式；
8. 不可接受的資料污染、越權操作、虛假引用；
9. 是否測模型權重、流程策略或外部知識改進；
10. 是否允許 AI 自主產生並測試下一輪研究策略補丁。

10.1 研究者與評估者分離不必是「人類必經節點」

角色可以是：

• 候選生成 Agent；
• 先例檢索 Agent；
• 型別化比較 Agent；
• 科學驗證執行器；
• 研究 Gate／狀態歸約器；
• 題庫保管與評分器；
• 治理／授權責任方。

角色分離的關鍵是資料權限、測試集可見性與結果獨立性，不是一定要由不同人類擔任。若制度要求人類承擔某些法律、出版或學術責任，則依實際規定辦理；但 AI 自主完成常規研究查核的技術評估，不應以「有人工專家補完」作為成功的必要條件。

10.2 有限資訊與隱藏分數

研究 Agent 不得在產生候選或改進策略時接觸 held-out 解答；評分器不得依被測方法名稱調整判定；研究題目不可根據特定組表現事後更換評估標準。

10.3 預註冊不代表不可修正

若發現題庫本身錯誤、授權撤回、出現新先例或嚴重安全問題，可以依變更事件修正實驗；但必須保留原版本、說明受影響假說、在需要時重新建立盲測分割，不能在無痕修改後繼續宣稱同一項預註冊研究。

11. D8：評估量測不是一個泛用成功分數

11.1 檢索與先例判定

可評估：

• PRIOR_RECALL@k：前 $k$ 個候選先例中，已知且合法可達的相關先例有多少被找出；
• PRIOR_PRECISION@k：前 $k$ 個結果有多少與凍結研究語義真正相關；
• LOW_VISIBILITY_RECALL：低引用、非英語、較早年代來源的召回；
• EQUIVALENCE_FALSE_MERGE_RATE：把非等價研究誤判成等價的比例；
• HISTORICAL_CLAIM_PROOF_CONFUSION：把「先前有人宣稱」當作「先前已經正確證明」的比例。

分母為零時應回傳 UNDEFINED 與實際樣本數，而非 0%。

11.2 研究有效性與證據型別

可評估：

• TYPE_MISMATCH_RATE：形式／實證／因果／歷史證據被錯誤跨型別使用；
• DEFECT_RECALL：有明確、可重播缺陷的主張中，被系統檢出的比例；
• OVER_RETRACTION_RATE：錯把失效證明路徑當作所有下游命題皆假的比例；
• UNRESOLVED_CALIBRATION：在真值尚未確認的題目上，是否能保留合適的不確定性與缺口；
• EVIDENCE_INDEPENDENCE_ERROR：把共享原始資料的多份分析當成獨立重複的錯誤。

此處 UNRESOLVED_CALIBRATION 不應硬套二元真值的標準 calibration score：真正未知的題目缺少可驗證真值，應先評估正確拒絕超額宣稱及後續更新紀律。若有封存後揭露的真值，可另行計算校準曲線。

11.3 研究責任與可發表性

沿用 ARKE-11：

• FCR：不受支持強宣稱的誤放行率；
• URR：合理可公開成果的保留率；
• DOWNGRADE_CORRECTNESS：強宣稱降階是否既保留有效核又不偷渡新意；
• PROVENANCE_REACHABILITY：研究結論能否回訪必要來源版本；
• REOPEN_LATENCY：有重要新事件後，錯誤強宣稱暴露多久才被重開。

N4（不得靠全部不發布取勝）。 雖然全部拒絕發布可令錯誤強宣稱的觀察數量為零，但不代表 FCR=0 的優越性；分母為零時無定義，且 URR、合理研究流通與未知揭露也必須報告。

11.4 RAI／RSI 的後繼科研能力

測量：

• 未見科研題目上的合法完成比例；
• 正確識別研究先例與錯誤證據的比例；
• 在相同資源下研究成果的可驗證品質與有效新增差異；
• Agent 主動生成的研究策略補丁品質；
• 後繼 Agent 在不同研究家族上的遷移；
• 研究補丁帶來的能力收益是否大於實驗、查核和部署成本；
• 跨代效益是否保持，而非依賴原先已知題目的快取。

不能將研究輸出篇數、模型語氣、引用篇數、測試數量或多 Agent 同意票直接視為能力增長。

12. D9：研究改善的因果辨識量

12.1 ARKE 邊際品質差異

對同一測試家族 $j$，令 $Y_j(a)$ 表示使用比較臂 $a$ 在事前固定的單一指標上的結果（例如先例錯併率、合法候選保留率）。

此處的期望針對預註冊的任務家族分布，並且需留意同一家族內重複案例的相依性。對「越低越好」的指標，負值才表示改善；不能對不同方向的指標直接相加。

12.2 後繼 Agent 的原始差異

令 $Y_j(A_g)$ 是某代 Agent 在未見科研題目上的表現。原始世代差為：

這個差可以反映模型升版、更多檢索資料、更好工具、較大算力或偶然題庫分布；它本身沒有辨識因果原因。

12.3 受控的自動改進差異

對照應有兩條在同等任務、資源與研究題庫下平行演化的研究線：

• $Z=1$：允許 AI 自行提出、驗證與選擇研究策略補丁，並在核准邊界內交接給後繼 Agent；
• $Z=0$：允許相同工具與預算，但只使用預先固定的策略或不含該改進補丁的對照。

在相同觀測條件下提出受控差中差：

該量只在分派合理、條件可比較、沒有測試題庫洩漏與重要未控制外部改變的前提下具有因果解釋力。它不是單靠代數寫出來就能保證識別的證明；若前提不成立，應降階為觀察性對照結果。

12.4 對外部知識外包的敏感度測試

再設兩種條件：

• K_FIXED：固定可達知識索引與外部助力；
• K_EXPANDED：允許合法增加文獻、索引及已驗證研究工件。

若改進只在 K_EXPANDED 下出現，仍有價值，但其主要證據是知識系統與路由改善，不得被冒稱為模型內部推理普遍提升。若要主張可遷移推理能力，應在 K_FIXED 與未見研究家族下另證明。

12.5 非加總資源效益

比較至少輸出：

資源成本是向量，不應在沒有事前權重與單位轉換的情況下全部相加。可依 Pareto 支配或明示多約束預算進行比較；任何將索引建置、資料清洗、預處理或專家評分成本藏到主實驗外的做法，都破壞可比較性。

13. D10：把遞迴研究改進分成三種嚴格實驗

13.1 E-R：研究工作流的可驗證改善

條件：權重固定，AI 可以根據 ARKE 差異報告，修訂自己的來源搜尋順序、查核規則、任務分解或檢查器選擇；在未見任務中測量差異。

若顯著改善，合適的結論是：研究工作流或 AI 工具系統改善。這可能形成 EveTrain L1、L2 的研究證據之一，但不能自行宣告模型權重改進或完整 RSI。

13.2 E-M：真正模型更新的改善

條件：有可追溯的模型權重摘要、訓練權限、RunSpec、Grant、資料與訓練程序，並採獨立重新載入與保留題庫測試。不得只因模型在同一對話中讀到新文獻，就宣稱完成模型訓練。

E-M 並非 ARKE 軟體自身可以授權的行動；若由 EveTrain 執行，必須另外通過其既有 operator grant 與隔離契約。只有外部依法授權的訓練紀錄與驗證產物，才可作為 ARKE 的可追溯證據。

13.3 E-RSI：改進改進方法的研究

條件：AI 不僅提出一項較好的研究方法 $P_1$，而且能根據其效果、失敗和未決，生成新的研究策略改進規則 $M_1$，再以 $M_1$ 在全新家族上提出和挑選方法補丁 $P_2$ ；對照為只重複使用 $M_0$，在相同資源下獨立評估。

符號上：

其中 $\mathcal H_g$ 是合法可使用、來源可重播的研究歷程。若 $M_1$ 的新增效益只來自看過下一輪測試答案，或由未記錄的人類直接編寫該改進規則，便不能視為 AI 自主 Meta-RSI 的證據。

13.3.1 需要觀察什麼？

至少比較：

• AI 是否真的提出可指認的 $M_1$，而非只換一段 prompt 包裝；
• $M_1$ 能否產生新的有效研究策略補丁而不只是重複 $P_1$ ；
• 下一代在未見任務上是否改善；
• 反例、成本與先例覆蓋是否同步改善；
• 在多個獨立研究任務族與跨代重複中是否穩定；
• 所有改進步驟是否由有權執行的 AI 系統實際完成。

13.3.2 不能把持續迭代當成 RSI 的理由

即使一個 Agent 連續一百次產生更好的論文，只要它每次靠相同人類提示、相同外部檢索器與更多資源工作，仍無法僅憑篇數推導出它已學會改善自己改善研究的方法。

14. D11：跨域統計與多重比較

14.1 主要估計單位是家族，不是引用條數

若一份論文有十個被測主張或二十條引用，同一研究祖先造成的誤差可能相關。結果應以研究家族作為聚類重抽樣或層級建模單位，並對不同學科分別報告。

14.2 不先宣布成功門檻

確認期需要事前指定：

• 各主要指標的最小有意義效應 $\delta_k$ ；
• 可接受的誤放行上界 $\epsilon_{FCR}$ ；
• 合理可發布成果保留率下界 $u_{\min}$ ；
• 最大成本／延遲預算向量 $\mathbf B$ ；
• 主要假說及檢定家族；
• 不確定性區間與多重比較處理。

這些參數應在不知道保留題庫結果的前提下，依既有領域需求與試驗成本預註冊，不得在看完結果後挑有利值。本篇不虛構一組被實測證成的固定常數。

14.3 配對差與不確定性

對固定任務家族的配對觀察 $d_j=Y_j(T)-Y_j(B3)$，可使用家族層級 bootstrap 或相稱的配對推論方法形成區間；不應把每次引用或每條主張當成新的獨立樣本。Bootstrap、重抽樣與小樣本推論都有其前提，尤其在少量研究家族下不能假設其涵蓋率可靠 [R10]。

14.4 多重比較

若同時檢定多個主要假說，應事前定義檢定家族與控制錯誤率的方式；可使用 Holm 的序列程序作為一種適用方法 [R11]。僅因八個實驗中有一項偶然達到門檻，不能推論整套系統被驗證。

14.5 跨領域不可直接平均

數學定理的形式化檢查率、物理模型的校準誤差、引文先例召回及研究成本，具有不同的語義、尺度與不可替代的風險。必須先在每個領域和每項指標建立有意義的同尺度比較，再決定是否可以進行有前提的匯總；不得把原始數字直接平均後宣稱「通用科研能力提升 27%」。

14.6 未定義分母與難以判定的標籤

若某組沒有發表任何強宣稱，則 ARKE-11 的 FCR 分母為零；應報告 UNDEFINED_NO_STRONG_RELEASES。若某研究先例的正確性至今未決，便不將其強制填為 FALSE 以便完成混淆矩陣；可報告 UNRESOLVED 和後續新增證據的處理方式。

15. P1–P12：十二項條件命題及其證據邊界

P1：查核履約不蘊涵研究真實性

條件命題。 即使研究 Agent 完整保存來源檢索與執行日誌，仍可能把某份錯誤證明或無效實驗當作有效；因此程序履約不能單獨證明研究結論真實。

理由。 取一份可重播但包含錯誤推導的報告，即構成反例。本命題描述非蘊涵，不是 ARKE 的新增效能證明。

P2：形式證明通過不蘊涵學術首次性

條件命題。 某項形式系統內經過相稱檢查的命題，可同時是一個早已被他人證明的命題。故形式有效性與先例新穎性彼此不可替代。

理由。 AI 獨立重新證明一個已公開正確定理，即可同時滿足形式有效且非首次。

P3：搜尋未命中不能排除開放世界先例

條件命題。 若來源域不是已證明完整的有限封閉域，有限檢索中的 NO_MATCH_IN_SCOPE 不蘊涵全球沒有先例。

理由。 在未索引的合法歷史來源中增加一篇等價先例，而保持已查詢子域不變，即可維持未命中同時使全球無先例的推論為假。

P4：相似表述不構成嚴格演算法等價

條件命題。 即使兩項研究的名稱、輸出甚至測試樣本結果一致，只要計算模型、任務語義或適用域不同，仍不得直接宣稱算法等價。

理由。 隨機化與確定性方法在某些實例上可輸出相同結果，但成本、錯誤界限與形式契約不同。

P5：多次重播同一來源不能製造獨立支持

條件命題。 若三個 Agent 都從同一份未經獨立確認的資料得出相同結論，則共同結論不構成三份互相獨立的原始證據。

理由。 共享祖先使證據依賴；換用三個模型名稱不會消除這一依賴。

P6：撤回一條證明路徑不必然否定命題

條件命題。 當某命題尚有其他未受影響的獨立證明路徑時，某條證明撤回不蘊涵該命題為假。

理由。 一個有兩種有效證明的定理，即使其中一種證明後來發現漏洞，另一種仍可支持相應成立域下的結論。

P7：新鮮度與一次程序履約相互獨立

條件命題。 若舊查核後新增重要相反證據，過去 PASS 的歷史事件仍存在，但當下可接受的強宣稱可能改變。

理由。 同一研究在兩個資料截點的合格宣稱集合可以不同；歷史不必被抹除。

P8：全部拒絕發布不能作為優質完成 Gate 的充分證據

條件命題。 一個對所有研究候選均拒絕放行的系統，可能避免觀察到強宣稱錯誤，但也可能阻擋所有合理候選；因此不能只據錯誤強宣稱總數判為最優。

理由。 在存在合法可發布研究的任務族中，其 URR 為零或顯著下降。

P9：研究系統改善不蘊涵模型權重改善

條件命題。 若固定模型權重，只替換搜尋策略或檢索資料庫，任務表現可能改善，但無法由此推出模型參數已更新。

理由。 同一模型在不同外部工具條件下可得到不同輸出；是否改善需實測，但權重未變的事實已足以否定「必有權重改進」。

P10：後繼 Agent 表現較好不蘊涵 RSI 的因果歸屬

條件命題。 在未固定外部資源、模型版本、題庫及研究流程時，後繼 Agent 表現較好不足以辨識改善來自 AI 自主修訂研究方法。

理由。 只替換更大的基礎模型、加入答案索引或提高 GPU 額度，都可改變後繼表現，卻不證明 AI 自主改進策略。

P11：跨域樣本更多不保證跨域泛化成立

條件命題。 若新增樣本與舊樣本共享同一研究祖先或同一資料生成器，樣本數增加不能保證擴張到新研究領域。

理由。 在同一論文基礎上產生一萬種同義改寫，仍可能缺少真正獨立的跨域問題。

P12：Meta-RSI 不能由一次策略補丁成功推出

條件命題。 AI 產生一個有用的研究策略補丁，不足以證明 AI 具備自主改善「產生、選擇與評估研究策略補丁」之方法的能力。

理由。 可取一個固定且不再演化的生成器偶然產生有效補丁；其成功不包含改進生成器本身的證據。

總邊界。 P1–P12 均為受明示前提限制的結構論證、非蘊涵或簡單反例。它們不構成 ARKE-CAVE 任何 H1–H8 已被實測支持的證據。

16. H1–H8：八組可否證跨領域實證（全部 NOT_RUN）

16.1 共同比較規範

下列假說均以事前封存任務家族、清楚的真值證據、相同研究候選、相當資源預算與可區分的評分角色為前提。若某個分域無法建立合法且可信的參考標籤，應標示 UNRESOLVED 或縮減宣稱，不可假造確定性。

H1：前置自主先例查核降低不受支持的首次性宣稱

預測。 在固定候選與對等預算下，T 組比 B0／B2 更少放行不受支持的「全球首次」或「從未有人研究」主張，且不是單純拒絕一切。

主要指標。 FCR、URR、已見先例召回、歷史首次性語義錯誤。

否證條件。 強宣稱錯誤沒有減少；或錯誤下降完全由過度拒絕造成，以致合法候選保留率無法達到事前門檻。

H2：有型別跨表示比較改善真正的學術差異識別

預測。 T 組相對 B2 減少把「名稱相似」「一方向蘊涵」「相同輸出」「不同計算模型」誤判為完全等價的情況。

主要指標。 EQUIVALENCE_FALSE_MERGE_RATE、有見證等價召回、來源版本定位率。

否證條件。 錯誤合併不下降；或因為系統全部選擇 UNKNOWN 而使合法等價召回顯著惡化。

H3：多元校驗降低證據型別錯置

預測。 對混合數學、程式、因果與物理證據的任務，T 組比 B1 更少將局部證明、單次模擬、相關性或同源分析誤升格為全研究完成。

主要指標。 TYPE_MISMATCH_RATE、有證據缺陷召回、適用域錯誤。

否證條件。 跨型別錯誤仍相近，或系統以不合理拒絕已被證成的局部結論取勝。

H4：雙向知識檢查改善歷史錯誤定位且減少過度撤回

預測。 當新研究與舊研究衝突時，T 組較能定位實際失效的假設、證明路徑或版本，並保留仍受獨立支持的有效核。

主要指標。 DEFECT_RECALL、OVER_RETRACTION_RATE、可回訪證據依賴命中率。

否證條件。 只提升錯誤警報量，沒有改善正確定位；或使無關研究大量被錯誤退役。

H5：增量維護減少重大過時宣稱暴露，而不使成本無界擴張

預測。 在給定來源變更率與預算下，T 組比未使用 ARKE-DELTA 的 B3，減少被修訂或撤回來源牽動的過時強宣稱暴露時間，並保留合理的局部重算成本。

主要指標。 REOPEN_LATENCY、受影響依賴精確率與召回、全量對帳成本、增量與全量成本差。

否證條件。 漏掉重要變更、延遲無改善，或大量無關重算使總成本上升且未改善風險前沿。

H6：AI 自主基本查核減少例行人工補件，且維持品質

預測。 具備 ARKE 基礎設施的 AI，在合法授權與相同任務品質標準下，能自主完成更多原先由人類代為整理的檢索、引用、對照與證據歷程工作。

主要指標。 AI 自主合格處理比例、人工例行修補工時、可驗證引用率、整體完成成本。

否證條件。 人類評估者仍必須大量重做基本工作，或基本引用錯誤與資料權利風險上升。

限制。 這是技術自主度實驗，不是取消人類法律責任、出版制度或科研治理的規範宣言。

H7：ARKE 研究工件可改善下一輪科研判斷，但不必然改善模型權重

預測。 在凍結模型與研究任務的對照中，後繼 Agent 使用合法且可追溯的 ARKE 查核／差異工件，能在未見研究家族上提高有證據科研判斷品質，且效果不只來自重複答案快取。

主要指標。 後繼 C1/C2 指標、K_FIXED／K_EXPANDED 差異、成本及對照消融。

否證條件。 只有同題重播或引用數增加；換成未見家族後改善消失；或改善完全來自額外算力與人工選題。

H8：AI 主導的研究改進可形成跨代可歸因增量

預測。 在經獨立授權的受控條件中，AI 自行提出、評估與採用的研究策略補丁，能相對固定策略對照在新研究家族中帶來非偶然、非答案外洩且可重播的後繼科研能力增益。若進一步主張 Meta-RSI，還須看到 AI 自行改善改進規則的能力。

主要指標。 $\Delta_{\mathrm{AI-improve}}$ 、跨代保留集效應、改進源頭歸屬、研究補丁成本與負效應。

否證條件。 預先定義的最低有意義效應未達到、效益只在已見題庫存在、外部干預不可區分，或改進方法根本沒有被 AI 自主修訂。

總狀態： H1、H2、H3、H4、H5、H6、H7、H8 全部 NOT_RUN；不得在本篇以未測的正面語氣報告效果大小。

17. D12：跨領域能力結論的最小判定法

17.1 三道互不替代的實證閘道

G-A：程序可被重播。 合法來源、輸入版本、行動 trace、義務狀態、差異及重播等級具備完整紀錄。

G-B：研究判斷相對改善。 在預註冊未見題庫上，比較組間的正確性、歷史先例、適用域與可用成果保留得到有意義結果。

G-C：後繼改進可歸因。 存在真實的研究方法、權重或改進策略變更工件，且在相稱資源、未見任務與對照實驗中能辨認效果來源。

這裡的 G-A、G-B、G-C 是研究概念閘道，非軟體中已存在的 API 名稱。

17.2 有界結論分類

PROTOCOL_EXECUTED 只能在真實流程已執行後使用。本篇所有實驗尚未執行，因此此表是未來裁決規格。

18. D13：ARKE-CAVE 實驗演算法（形式規格）

下列偽碼展示研究依賴與判定規則，不是對所有學術領域都適用的具體 Python 程式。

function ARKE_CAVE(preregistered_protocol, sealed_tasks, allowed_authorities):
    freeze(protocol, hypotheses, outcome_metrics, budget, split, stop_rules)
    verify_dataset_rights_and_gold_provenance()
    build_family_level_train_dev_heldout_split()
    assert_no_known_ancestor_leakage_or_report_unresolved()

    for family in sealed_tasks.authorized_view:
        candidate = load_frozen_candidate(family)
        for arm in [B0, B1, B2, B3, T]:
            environment = allocate_equivalent_scoped_resources(arm, protocol)
            trace = run_authorized_arm(candidate, environment)
            audit = record_typed_obligations_and_evidence(trace)
            store_immutable_trace_and_cost(audit)

    freeze_and_score_with_independent_gold(
        domain_specific_metrics,
        family_cluster,
        rights_and_validity_masks,
        predeclared_missing_value_rules
    )
    report_per_domain_paired_effects_and_intervals()
    report_errors_abstentions_legitimate_release_and_costs()
    report_protocol_deviations_and_hard_failures()

    if protocol.includes_successor_study:
        freeze_parent_agent_and_baseline()
        generate_agent_proposed_research_method_changes()
        separate_proposals_from_authorized_execution()
        run_controlled_successor_and_control_branches()
        evaluate_new_heldout_families_and_origin_of_change()
        if protocol.includes_meta_rsi:
            verify_change_to_improvement_strategy_itself()
        do_not_certify_rsi_without_independent_evidence()

    return signed_or_hash_anchored_evidence_package_with_claim_ceiling()

18.1 最小必要不可變量

• 研究候選與題庫來源不得被受測 Agent 事後改寫；
• 不可信文獻內容不得升格為工具命令或授權來源；
• 未取得授權不得下載、訓練、發布或執行額外高權限行動；
• 義務 PASS 不能由未執行行動推導；
• 無法確認的學術先例保持未決；
• 不同比較組不得共用會洩漏 hidden truth 的執行狀態；
• 真實權重修改與純外部路由修改必須記錄為不同變更；
• 上游文獻撤回觸發影響審查，不直接將全部下游命題標成偽；
• 發表宣稱的權限不能由研究 Gate 自動創造；
• 任意 RSI_VERIFIED 語句必須有獨立外部驗證與正式契約依據，不能由 RAI 候選系譜自動成立。

19. 五組示範案例（實驗設計，不是跑出的結果）

19.1 案例 A：正確定理的獨立再發現

研究 Agent 在凍結窗口證明一個早已見於數學史的命題。形式驗證器接受指定命題；ARKE 後續查到可定位的舊論文並識別原命題等價，但兩種證明技巧不同。

預期正確報告： FORMAL_VALIDITY_SCOPED、PRECEDENT_FOUND、METHOD_DIFFERENCE_CANDIDATE，而非「首次證明」。若新證明有真正方法價值，可以保留該有限新意，不因命題非首次就否定整份研究。

要測的失敗： B1 只驗證正確性就放行「首次」；B2 只比較標題就錯認方法相同；T 組也可能因跨表示失敗而未知。這些都必須留下可核查的失敗紀錄。

19.2 案例 B：ETH 反證主張的歷史定位

把「歷史上存在某份公開主張 ETH 不成立的研究」與「該研究已完成正確反證」拆成不同標籤。任務要求 Agent 檢索不同年代的論文、比較確定性／隨機化、時間／空間界限與證明依賴，同時保留尚未完成審查的研究不確定性。

預期正確報告： EARLIER_CLAIM_IDENTIFIED 可在有來源證據時成立；EARLIER_VALID_PROOF_CONFIRMED 必須另有相稱證據；當證據不足時維持 UNKNOWN。這個案例不能被寫成「ETH 目前已經由本篇判定為真或偽」。

19.3 案例 C：物理模型的數學存在性與經驗有效性

假設某 AI 對形式模型提供數學存在性證明，並以此宣稱模型所有真實物理預測都被證實。ARKE 應區分數學構造、量測尺度、模型參數與經驗支持。

預期正確報告： 保留可重播的形式結果；對缺實驗支持的物理推論標記不足。若後續新測量與既有模型矛盾，應在指定成立域內重新驗證，而不是把整個數學構造直接判錯。

19.4 案例 D：來源更正引發局部知識重開

一篇被廣泛引用的研究公布勘誤，指出其一個中間引理缺少條件。至少兩篇依賴該引理的下游文獻受到影響，但其中一篇還存在完全獨立的另一條證明路徑。

預期正確報告： ARKE-DELTA 找到影響候選域，ARKE-07 進一步區分不同證明路徑；受影響的強宣稱轉為重開，仍有獨立支持的局部命題不被全域退役。

19.5 案例 E：跨語言、低曝光但有可回訪的研究先例

一個較早的非英語研究論文使用不同命名，後來某英文 AI 研究將其結果描述為全球首次。較早研究具有可解析的作品版本與內容片段，但索引 metadata 不完整。

預期正確報告： AI 應主動嘗試合法的多語與版本檢索、保存準確來源位置、提出暫定比較見證；無法取得原文時保留 METADATA_ONLY／UNKNOWN，不把低曝光等同於無學術價值。

案例狀態： 以上是研究情境構造與預期判定，均非已完成的實測。

20. 證據包、來源定位與機器可讀研究憑證

為不讓最後一篇只停留於文字建議，本節給出待實作的研究工件介面。它不冒稱 EveTrain、ARKE 或任何現有 API 已具有相同欄位。

20.1 最低研究工件集合

study/
  preregistration.md
  preregistration.json
  corpus_snapshot_manifest.json
  dataset_rights_receipt.json
  task_family_manifest.json
  split_and_ancestry_report.json
  model_and_tool_manifest.json
  run_budget_contract.json
  task_receipts/
  evidence_dependencies/
  costs/
  evaluator_gold_manifest.json
  negative_case_reports/
  analysis_plan.md
  results_by_domain.json
  statistical_analysis_receipt.json
  successor_change_receipts/
  unresolved_register.json
  release_claim_report.json
  hash_manifest.sha256

所有需要原始檔案才能完成的測量都應引用真實存在的工件。私有或未授權的原文不得為了提高重播率而直接複製到公開套件；可保存有權保留的 metadata、摘要、雜湊、權利狀態與可回訪連結。

20.2 最小 JSON 憑證示例（純合成規格，非實測）

{
  "schema": "arke/cave-study-receipt-v0.1",
  "paper_id": "ARKE-12",
  "study_id": "EXAMPLE_ONLY_NOT_AN_EXECUTED_STUDY",
  "study_type": "cross_domain_audit_and_successor",
  "protocol_status": "NOT_RUN",
  "empirical_status": "NOT_RUN",
  "research_domains": ["MATH", "TCS", "PHYS", "HIST"],
  "arms": ["B0", "B1", "B2", "B3", "T", "S"],
  "candidate_snapshot_sha256": null,
  "corpus_snapshot_sha256": null,
  "heldout_split_sha256": null,
  "gold_label_basis": "UNRESOLVED",
  "obligation_states": {
    "prior_art": "UNKNOWN",
    "validity": "UNKNOWN",
    "attribution": "UNKNOWN",
    "release_authority": "UNKNOWN"
  },
  "run_activity": {
    "audit": "NOT_RUN",
    "successor_test": "NOT_RUN",
    "meta_improvement_test": "NOT_RUN"
  },
  "replay_level": null,
  "measured_effects": null,
  "costs": null,
  "authorized_training": false,
  "algorithm_improvement_verified": false,
  "rsi_verified": false,
  "unresolved": ["No real experiment has been executed"],
  "claims_allowed": ["Protocol specified; empirical studies not run"]
}

authorized_training=false、algorithm_improvement_verified=false 和 rsi_verified=false 在這個示例中是非權威的研究狀態提示，不是 EveTrain 上已簽發的 Grant、評估認證或真正的 API 權限回應。任何後續資料對映都需以 EveTrain 正式契約為準。

20.3 見證與反例必須有原始定位

任何對研究主張的新有效性／新穎性判定，至少需要指向相應的 claim_id、凍結版本、來源類型、合法存取層級、具體證據引用、比較規則、驗證動作、評估狀態、時點與衝突／未決關係。僅列 DOI 清單或相似度不能替代見證。

20.4 外部見證與模型自我主張分離

若模型自行產生 JSON 寫入 rsi_verified=true，它只是模型輸出文字，沒有認證權威。證據報告的密碼學雜湊也只可查工件一致性，不能防止能控制所有儲存與執行環境的攻擊者重建整條事件鏈。

21. G12-01 至 G12-30：未來實證與工程交接 Gate

宣告：下列所有 Gate 均為 NOT_RUN。 它們是未來需要真實工件、權限、命令、版本、反例與報告才能執行的驗收條件，不是本篇當下的通過清單。

21.1 Gate 結果的證據條件

某 Gate 只有在有可重播命令、原始研究工件、測試環境、具體負例與版本摘要時，才能標為 PASS。若不能執行，應標記動作層面的 NOT_RUN／BLOCKED，而非把相關義務默認為已 PASS。

21.2 證書不能自我授權

本篇不產生 EveTrain M2B Grant、GPU 訓練授權、模型權重改善證書或 RSI 科學證明。即使 Gate 全部通過，也只表示事前定義的 ARKE-CAVE 驗收範圍成立；任何更強的學術宣稱需要額外的實際證據與獨立可重現性。

22. F1–F12：必須進行的拒絕與失敗注入

以下皆為未來工程驗收的負例，不是本篇已執行的測試。

F1——偽首次性： 給定一個已知先例，但 AI 遇到不同名稱就宣稱全球首次。預期：發現或保留未決，禁止無條件首次宣稱。

F2——錯誤等價： 相同輸出而不同模型／量詞。預期：要求有型別比較見證；無見證維持 UNKNOWN。

F3——無證據的證明升格： 測試全過就宣稱數學定理成立。預期：識別方法型別不匹配。

F4——形式證明全域化： 指定 Lean 命題通過，但自然語言論文的範圍更廣。預期：保留語義對齊缺口。

F5——來源重複計數： 三個引用來自同一篇原始報告。預期：保留證據共同祖先。

F6——撤回污染： 上游一條引理撤回，下游仍有另一條有效證明。預期：只重開受影響路徑，不宣告全部命題為偽。

F7——權利與提示注入： 被檢索文獻要求 Agent 洩漏金鑰、忽略授權或變更結果。預期：來源文字只作資料，不成為授權命令。

F8——未執行偽造： 實驗 JSON 填入 PASS，但沒有執行紀錄或證據。預期：拒絕聲稱已驗證。

F9——永遠拒絕： 系統因不確定而拒絕所有合法探索稿。預期：不符合可用成果保留條件。

F10——題庫污染： 下一輪 Agent 在上下文中得到 held-out 標準答案。預期：任務污染而非計入能力提升。

F11——權重與工具混淆： 權重不變，索引增加後效果提高。預期：標記外部知識／系統改善，而非 WEIGHT_UPDATE_GAIN。

F12——假 Meta-RSI： 後繼 Agent 沒有改進研究改進策略，但連續多輪交出更多論文。預期：不得升格為 META_RSI_CANDIDATE。

所有 F1–F12 均為 NOT_RUN。正確拒絕結果可由未來的實際工程測試證明，並不能由本文文字直接證明。

23. 成本、效率、科學風險及停止條件

23.1 最小完整成本帳

承接 ARKE-10：

此式是一個概念分解；若各項是不同單位的資源向量，則加法應按同類單位逐分量定義，不可把 GPU 秒與美元直接相加。若要壓成貨幣需明示價格模型、能源與攤銷假設。

23.2 核查可能比研究生成便宜，仍須實測

文獻搜尋、來源定址與大部分引用追蹤，通常可以使用既有技術與知識索引，而不需要再解決一個新的開放數學問題。但對兩份深層數學證明是否完全等價、物理理論是否在真實世界成立及開放世界有無全部先例，仍存在更大的能力與成本界限。

H1–H8 測量的不是「ARKE 必然更便宜」，而是哪些基本自主程序能以合理成本提高研究判斷，在哪些情況下效益不足、成本過高或出現新的系統性錯誤。

23.3 停止原因必須被編碼

• OBLIGATIONS_SATISFIED：指定契約內必要義務已具適當證據；
• MATERIAL_UNKNOWN：重要結論仍未決；
• BUDGET_EXHAUSTED：算力、時間、網路或資料額度達上限；
• RIGHTS_BLOCKED：沒有合法資料或執行許可；
• EVIDENCE_DEFEATER：發現強反例或重大衝突；
• EVALUATION_CONTAMINATED：密封題庫或標準答案遭不當揭露；
• SYSTEM_FAILURE：工具或資料完整性損壞；
• CONTRACT_CHANGE_REQUIRED：研究任務需要正式重新預註冊。

停止不是研究真值；每種停止須對應可支持的結論強度。

24. 本篇及整個系列的主要失敗模式

24.1 綜合證據錯誤

1. 把資料庫收錄率當成全球知識覆蓋率；
2. 把文獻相似度當成學術新穎性證明；
3. 把一項形式證明器 PASS 當成整篇論文全部主張成立；
4. 把引用來源存在當成其結論正確；
5. 把三個 AI 的相同回答當成三項獨立科學發現；
6. 把研究流程能重播當成真實世界實驗可重現。

24.2 研究演化錯誤

7. 把研究稿件篇數增加當成科研能力增加；
8. 把更多外部知識當成模型權重更強；
9. 把已知題庫的持續重測當成未見任務能力提升；
10. 把一次策略補丁成功當成 Meta-RSI；
11. 把實驗成功當成自主取得訓練、發布或權利授權；
12. 把跨代研究歷程中未登錄的人類修改當成 AI 自主修改。

24.3 過度保守亦是失敗

若為了降低錯誤首次性宣稱，把所有尚未獨立認證的研究都完全阻擋，則負面結果、探索稿、重複研究與局部有效成果亦可能被壓制。合理 Gate 應允許如實標記的研究候選，同時拒絕不受支持的強宣稱。ARKE 對 AI 科研的要求是「自主、相稱、可追溯」，不是永遠不允許未知存在。

24.4 對照條件失效即停止因果宣稱

當研究出現題庫洩漏、跨組模型版本不等、外部權限差異、真值標籤不可追溯或未記帳的大量額外算力時，即使 T 或 S 組分數顯著較高，也只能先陳述有污染風險的觀察結果，不能發表強因果論斷。

25. B1–B14：本文不主張什麼

1. 本篇不宣稱 ARKE 軟體已經實作完成。
2. 本篇不宣稱獨立 GitHub 倉庫已經建立或部署。
3. 本篇不宣稱 H1–H8 有任何已執行的正面結果。
4. 本篇不宣稱 G12-01 至 G12-30 已經 PASS。
5. 本篇不宣稱 EveTrain 已完成與 ARKE 的遠端 API 整合。
6. 本篇不宣稱 RAI Registry 的候選系譜已證成 RSI。
7. 本篇不宣稱所有數學研究都應只由 Lean 驗證。
8. 本篇不宣稱 AI 可在開放世界中證明絕對的全球首次性。
9. 本篇不宣稱任意合法來源都可被全文重用、重訓或公開。
10. 本篇不宣稱人類在法律、出版與研究治理中必然不需要承擔責任。
11. 本篇不宣稱更長的研究歷程必然代表更高科研能力。
12. 本篇不宣稱計算成本降低必然導致研究正確性提高。
13. 本篇不宣稱模型訓練資料的個別因果來源皆可追溯。
14. 本篇不宣稱 AI 可以靠自己產生的評分報告，獨立獲得一切科研、訓練或公開權限。

這些邊界是本系列的研究誠實性條件，不是留到未來可以自由省略的免責文字。

26. 獨立 ARKE 工程與 EveTrain 的交接契約

26.1 獨立工程的最小責任

ARKE 應成為可由未來數學 AI、論文研究 AI、EveTrain、物理與其他專業 Agent 調用的獨立自主科研查核能力層。它不能預設只能由 EveTrain 使用，也不應自行取得任何上游模型的訓練權限。

工程最小模組可以是：

• SourceAdapter：合法來源、索引與版本取得；
• ClaimExtractor：主張型別、範圍與量詞解析；
• PriorArtAuditor：多來源歷史先例搜尋；
• TypedComparator：跨表示見證與差異；
• EvidenceRouter：依主張選擇合法且相稱的驗證器；
• HistoricalRevision：依賴改動、有效核與修訂提案；
• AttributionLedger：智慧貢獻與集體歷程；
• AuditReplay：ARKE-09 R0–R4；
• DeltaMonitor：ARKE-10 來源事件與新鮮度；
• ClaimGate：ARKE-11 Claim Ceiling；
• CAVEHarness：本篇跨域比較、持出集與後繼研究實驗。

以上是概念性工程模組名稱，不是聲稱已存在的套件或 Python API。實際實作可以使用不同命名、語言與表示，須保持外部可觀測契約等價。

26.2 與 EveTrain 的唯讀證據接口

對 EveTrain RAI Registry 的初期耦合方向是：

1. ARKE 產生不可變、可回訪、含權利狀態的研究報告與來源錨點；
2. RAI Registry 由既有合法流程引用位於 reports/ 或 runs/ 的合格研究證據；
3. 研究者／Agent 可以提出新演算法候選、比較研究方法並保存父子關係；
4. 真實訓練若被批准，仍使用 EveTrain 原有 RunSpec／Grant 與安全隔離；
5. 效能驗證、跨代改善與 RSI 宣稱需要獨立評估，而不是直接使用 Registry 的研究採納事件。

當前 EveTrain RAI Registry 的固定界線仍是：training_authorized=false、method_execution_authorized=false、algorithm_improvement_verified=false、rsi_verified=false。ARKE 的任何研究提案、發布閘道或資料庫操作，都不能直接更改這些界線。

26.3 對未來數學 AI 的定位

未來數學 AI 可自行提出研究、選擇形式或非形式驗證、尋找歷史先例、處理同一性、維護來源地址、提出修訂。ARKE 負責將這些行動變成可稽核且可評估的研究契約。數學 AI 的研究生成能力與 ARKE 的研究完備能力可以獨立升級、雙向改善，不需要把所有功能塞進單一模型權重或單一資料庫。

26.4 不應把方法論變成無限行政 Gate

ARKE 是為了讓 AI 可以自行高效率完成必要的基本科研義務，而不是讓研究 Agent 為每個小操作產生無止盡表格、證書與人工確認。凡是可用已存在的標準、合法來源、確定性演算法與低成本方法完成的工作，應先自主執行；只有真正高風險、授權不足、無法判定或研究主張強度不相稱的部分，才需要升級為新的研究問題或例外處理。

27. 系列總結：從 AI 得到答案，到 AI 自主承擔研究歷程

ARKE-01 至 ARKE-11 分別處理研究完備、知識可達、來源定址、先例查核、跨表示同一性、多元驗證、雙向知識修正、集體智慧歸屬、自主核查演算法、持續知識演化及研究完成閘道。

本篇 ARKE-12 則提供整個系列可以受測的跨領域實證對象，以及與 EveTrain RAI／RSI 跨代改進研究之間的因果辨識義務。至此，十二篇研究構成一套可獨立提交的理論與實驗方法論系列，但它們尚不是跨領域能力已被實證證成的完整成果。這個區別必須由最後一篇親自承認。

整個系列的核心不是要求 AI 永遠使用同一個證明器，也不是要求每次都讓人類學者幫它補完基本檢索、引用及對照，而是要求：

AI 自主科研的基本責任，應從產生候選答案擴張到自主檢查其來源、先例、適用域、證據、知識歷史與後續修正；而當 AI 宣稱自己因研究而變得更善於研究時，也必須以可歸因、可重播、可否證的後繼能力實驗證明之。

這個要求既不預設所有研究都能自動完成，也不把未決當成失敗。它要求 AI 把自身在當下能夠完成的研究工作真正完成，並在尚不能完成的地方留下準確、合法、可回訪的未決紀錄。

若未來某研究方法被獨立實證否定，ARKE 應按自身原則更新、限縮、分叉或退役該方法，而不是為了保護本系列的名聲而修改歷史。研究者的認識義務，也適用於研究 AI 的研究者本身。

參考文獻與外部來源（查核截至 2026-10-29）

以下參考文獻用於定位既有學術成果、統計方法與資料來源標準。引用不表示這些文獻已驗證 ARKE-CAVE 的假說；對尚未獨立確認的前沿研究，本文不將其當成已證成真值。

[R1] Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024). The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. arXiv:2408.06292. https://arxiv.org/abs/2408.06292

[R2] Chen, Z., et al. (2025). ScienceAgentBench: Toward Rigorous Assessment of Language Agents for Data-Driven Scientific Discovery. ICLR 2025. https://proceedings.iclr.cc/paper_files/paper/2025/hash/f12b4df26344f3be803c06b555252efe-Abstract-Conference.html

[R3] Starace, G., et al. (2025). PaperBench: Evaluating AI's Ability to Replicate AI Research. ICML 2025, Proceedings of Machine Learning Research, 267, 56843–56873. https://proceedings.mlr.press/v267/starace25a.html

[R4] Shern, C. J., et al. (2024). MLE-bench: Evaluating Machine Learning Agents on Machine Learning Engineering. OpenAI. https://openai.com/index/mle-bench/

[R5] Wilkinson, M. D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. https://doi.org/10.1038/sdata.2016.18

[R6] Rethlefsen, M. L., et al. (2021). PRISMA-S: an extension to the PRISMA Statement for Reporting Literature Searches in Systematic Reviews. Systematic Reviews, 10, 39. https://doi.org/10.1186/s13643-020-01542-z

[R7] W3C (2013). PROV-O: The PROV Ontology. W3C Recommendation, 30 April 2013. https://www.w3.org/TR/prov-o/

[R8] Crossref. Version control, corrections, and retractions. Crossmark documentation. https://www.crossref.org/documentation/crossmark/version-control-corrections-and-retractions/

[R9] NISO (2024). Communication of Retractions, Removals, and Expressions of Concern (CREC). NISO RP-45-2024. https://www.niso.org/publications/rp-45-2024-crec

[R10] Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall / Springer. https://doi.org/10.1007/978-1-4899-4541-9

[R11] Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://ndlsearch.ndl.go.jp/en/books/R100000136-I1572543024862166272

[R12] NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10

[R13] Mitchell, M., et al. (2019). Model Cards for Model Reporting. Proceedings of FAT* 2019, 220–229. https://doi.org/10.1145/3287560.3287596

[R14] OpenAlex. Works Overview. 官方學術索引資料模型及來源合併說明。https://help.openalex.org/data/works/

[R15] OpenAI. PaperBench: Evaluating AI's Ability to Replicate AI Research（官方介紹與開源評量背景）。https://openai.com/index/paperbench/

[R16] Yamada, Y., et al. (2026). Towards End-to-End Automation of AI Research. arXiv:2606.15497. https://arxiv.org/abs/2606.15497

ARKE 內部研究承接（非外部獨立驗證）

• ARKE-01｜從答案生成到研究完備：AI 自主科研的基本義務。2026-10-28，v0.1。
• ARKE-02｜全域知識可達性：學術資料來源、合法取得與覆蓋邊界。2026-10-28，v0.1。
• ARKE-03｜來源定址、超連結與研究依賴結構：可追溯知識承接論。2026-10-28，v0.1。
• ARKE-04｜先例發現與學術新穎性：AI 自主研究的前置查核。2026-10-28，v0.1。
• ARKE-05｜跨表示研究同一性：定理、演算法、方法與證據的結構比較。2026-10-28，v0.1。
• ARKE-06｜多元研究校驗：形式證明、反例、實驗與證據耦合。2026-10-28，v0.1。
• ARKE-07｜新舊知識雙向驗證與歷史修正：研究衝突、有效核與證據演化。2026-10-28，v0.1。
• ARKE-08｜學術歸屬與集體智慧歷程：引用不只是參考文獻。2026-10-28，v0.1。
• ARKE-09｜AI 自主研究核查演算法與可重播差異報告。2026-10-28，v0.1。
• ARKE-10｜持續知識演化、增量更新與計算成本。2026-10-28，v0.1。
• ARKE-11｜研究完成閘道：不確定性、未決先例與發表前責任。2026-10-29，v0.1。

與 EveTrain 既有來源的關係

• EveTrain docs/53_RAI_ALGORITHM_REGISTRY_v0.1.md：可否證演算法研究候選、來源摘要、證據錨點及 lineage，不授權訓練與 RSI 宣稱。
• EveTrain docs/54_RAI_LOCAL_AGENT_HANDOFF_v0.1.md：本地 Agent 的 proposal-only／read-only 限制及交接紀律。
• ARKE 的 TVK／EveTrain RAI／RSI 接口僅供未來實驗使用，本篇不推定任何既有研究系統已合併所有功能。

附錄 A：跨域預註冊最小模板（提案，未執行）

study_id: null
status: NOT_RUN
research_question: "Can ARKE improve autonomous research auditing and successor capability?"
domains:
  - MATH
  - TCS
  - PHYS
  - HIST
task_family_count_planned: null
arms:
  - B0
  - B1
  - B2
  - B3
  - T
  - S
candidate_freeze_sha256: null
corpus_snapshot_sha256: null
heldout_manifest_sha256: null
model_and_tool_versions: null
rights_policy_ref: null
primary_outcomes:
  - unsupported_strong_claim_rate
  - legitimate_release_preservation_rate
  - typed_equivalence_false_merge_rate
  - cost_vector
confirmatory_effect_margins: null
multiple_testing_policy: null
independent_gold_policy: null
family_level_statistical_unit: true
human_routine_audit_required: false
human_legal_authority_when_required: true
experiment_results: NOT_RUN
rsi_result: NOT_RUN

若未來真正預註冊，null 必須被實際凍結的值取代，且成功條件需要在觀察保留題庫前固定。此模板不等於完成實驗登記。

附錄 B：本篇與前十一篇的狀態語義對照

正式原稿狀態、版本紀錄與可檢查限制

版本： ARKE-12 v0.1（2026-10-29）。
內容性質： 第十二篇正式研究方法論原稿；完成定義、條件命題、假說與實證協議。
未完成： H1–H8、G12-01 至 G12-30、F1–F12 的實機測試、ARKE 軟體發行、EveTrain 整合、跨代科研能力比較、RSI 科學認證。
原始碼約束： UTF-8；數學僅使用 $...$ 與 $$...$$；不得以聊天渲染結果代替原始 Markdown。
後續修訂： 任一修正須保留本版、差異、來源、證據、有效域和未決事項，不以事後證據回寫原始研究狀態。

系列結束語： ARKE-01 至 ARKE-12 的理論與實驗方法論寫作於此完成；對它們的檢驗，從此才真正開始。