--- title: "模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態" title_en: "Can a Model Live in Tables? CSV-Native Transformers and Inspectable Model State" series: "矩陣原生智能與可稽核計算系列" series_en: "Matrix-Native Intelligence and Auditable Computation Series" series_id: "EML-MNIAC-2026" paper_id: "EML-MNIAC-2026-01" version: "v0.1" date: "2026-08-16" language: "zh-Hant" document_type: "系列第01篇／Open Model State／可執行原型重構" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-00 矩陣原生智能與可稽核計算總論 v0.1" internal_artifacts: - "nanocsv_llm.py" - "自適應帳本量化代理框架技術規格.md" - "EveTessera / Veritaxa Workbench 試算表原生爬蟲與 Agent 系統技術白皮書" canonical_keywords: - Open Model State - CSV-Native Transformer - Inspectable Model State - Model Persistence - State Reconstruction - Tabular Representation - Model Identity - Serialization - Reproducible Inference --- # 模型可以住在表格裡嗎？ ## CSV-Native Transformer 與可檢查模型狀態 **Can a Model Live in Tables? CSV-Native Transformers and Inspectable Model State** --- ## 摘要 本文是《矩陣原生智能與可稽核計算》系列第 01 篇，重新檢視本系列最早、也最容易被誤解的實驗命題：**人工智慧模型是否可以「住在表格裡」？** 本文以 `nanocsv_llm.py` 為核心實驗對象。該原型是一個最小字元級 Transformer，具有 token embedding、position embedding、單頭 causal attention、MLP、residual connection、cross entropy、反向傳播與 Adam optimizer；其核心特徵不是模型架構本身，而是將全部可訓練模型參數、詞彙表與結構設定外部化為 CSV 檔案，並驗證： 1. 梯度計算與有限差分一致； 2. 訓練損失下降； 3. 模型經 `save → reload` 後，確定性生成保持一致。 本文主張，此實驗不能被解讀為「CSV 是更好的大型模型格式」，也不能推出「Excel 可以直接取代 GPU runtime」。它真正支持的是一個較小但重要的命題： $$ \boxed{ \text{對至少一類有限神經模型而言，完整推論所需的可學習狀態可以被外部化為開放表格表示。} } $$ 本文進一步將「模型保存」拆成四個不同層級： $$ \text{Persistence} \neq \text{Reconstruction} \neq \text{Execution} \neq \text{Auditability}. $$ 並將 CSV-Native 原型與現代 `state_dict`、Safetensors、ONNX 等模型持久化／交換方法放在同一工程座標中。本文的核心結論不是要求大型模型使用 CSV，而是提出 **Open Model State**：模型狀態可以被視為一組可命名、可定址、可檢查、可雜湊、可版本化與可重新裝載的外部結構，而不必在概念上與某個特定二進位封裝永久綁定。 --- # 1. 問題的重新定義 ## 1.1 「模型住在表格裡」不是什麼？ 若直接聽到： > 「把 AI 大模型放進 Excel／CSV。」 最容易出現三種誤解。 第一種： $$ \text{CSV} = \text{Neural Runtime}. $$ 第二種： $$ \text{Spreadsheet Formula} = \text{Transformer}. $$ 第三種： $$ \text{Human-readable} \Rightarrow \text{Computationally Efficient}. $$ 本文不接受這三個等號。 `nanocsv_llm.py` 的真正架構是： $$ \boxed{ \text{CSV} = \text{Persistent Model State} } $$ 而： $$ \boxed{ \text{NumPy + Python} = \text{Execution Engine}. } $$ 因此最早原型真正研究的是： > **模型狀態是否可以脫離不透明 binary container，而以非常普通的表格形式存在？** --- # 2. Model、State 與 Runtime 必須分開 定義一個神經模型： $$ M = ( \mathcal A, \Theta, \Gamma ), $$ 其中： - $\mathcal A$：architecture； - $\Theta$：learned parameters； - $\Gamma$：configuration / vocabulary / execution assumptions。 推論可寫為： $$ y = F_{\mathcal A,\Gamma}(x;\Theta). $$ 這裡真正被 CSV 外部化的是： $$ \Theta + \Gamma, $$ 而不是完整： $$ F. $$ 因此： $$ \boxed{ \text{Model State} \neq \text{Model Runtime}. } $$ 同樣地： $$ \boxed{ \text{Model State} \neq \text{Model Architecture Description} } $$ 除非架構本身也被足夠完整地保存。 --- # 3. `nanocsv_llm.py` 的最小模型 ## 3.1 參數集合 原型的可訓練參數為： $$ \Theta = \{ W_{te}, W_{pe}, W_q, W_k, W_v, W_o, W_1, b_1, W_2, b_2, W_h, b_h \}. $$ 其中： $$ W_{te}\in\mathbb R^{V\times D} $$ 是 token / character embedding， $$ W_{pe}\in\mathbb R^{T\times D} $$ 是 position embedding。 Attention 為： $$ Q=XW_q, $$ $$ K=XW_k, $$ $$ V=XW_v. $$ 注意力分數： $$ A = \frac{QK^\top}{\sqrt D} + M_{\mathrm{causal}}. $$ 經 row softmax： $$ P = \operatorname{softmax}(A), $$ 輸出： $$ O=PV. $$ 並形成 residual： $$ X' = X+OW_o. $$ MLP 為： $$ H = \operatorname{ReLU} (X'W_1+b_1), $$ $$ X'' = X' + HW_2+b_2. $$ 最後 logits： $$ Z = X''W_h+b_h. $$ 此架構不是前沿模型，也沒有 LayerNorm、多頭 attention、RoPE、MoE 或深層堆疊。 它的角色是： $$ \boxed{ \text{最小但真正可訓練、可生成、可保存的 Transformer-like test object}. } $$ --- # 4. 為什麼使用字元級模型？ 若實驗目的不是追求語言品質，而是測試： $$ \text{Save} \rightarrow \text{Reload} \rightarrow \text{Same Inference}, $$ 則字元級模型具有三個優點： 1. tokenizer 極簡； 2. vocabulary 可完整攤開； 3. state space 小到可以人工檢查。 詞彙映射： $$ stoi: char\rightarrow id, $$ $$ itos: id\rightarrow char. $$ 可直接保存為： ```text vocab.csv ``` 因此模型最低可重建集合為： $$ \boxed{ \mathcal S_M = ( \Theta, Vocab, Config ). } $$ --- # 5. CSV State Layout ## 5.1 每個矩陣一個檔案 原型使用： ```text weights/ ├─ Wte.csv ├─ Wpe.csv ├─ Wq.csv ├─ Wk.csv ├─ Wv.csv ├─ Wo.csv ├─ W1.csv ├─ b1.csv ├─ W2.csv ├─ b2.csv ├─ Wh.csv ├─ bh.csv ├─ vocab.csv └─ config.csv ``` 因此： $$ \Theta_k \longleftrightarrow File_k. $$ 這種設計的最大優點不是速度，而是： $$ \boxed{ \text{Parameter Naming Becomes Physical and Inspectable}. } $$ 也就是： > 你可以直接指出「這是 $W_q$ 」，而不是只知道某個巨大二進位區段「可能包含它」。 ## 5.2 Config 最小設定包括： $$ V, D, H, T_{len}. $$ 其中： - $V$：vocabulary size； - $D$：embedding dimension； - $H$：MLP hidden dimension； - $T_{len}$：context length。 因此： ```text config.csv ``` 不只是附註，而是重建模型 shape 的必要條件。 --- # 6. 第一個驗證：Gradient Check 若一個模型只是「可以 forward」，但 backward 錯誤，那麼 persistence 實驗沒有太大意義。 原型首先比較 analytic gradient 與 finite-difference gradient。 對參數： $$ \theta, $$ 數值梯度為： $$ g_{\mathrm{num}} = \frac{ L(\theta+\epsilon) - L(\theta-\epsilon) }{ 2\epsilon }. $$ 解析梯度： $$ g_{\mathrm{ana}} = \frac{\partial L}{\partial\theta}. $$ 檢查： $$ \boxed{ |g_{\mathrm{num}}-g_{\mathrm{ana}}| < 10^{-6}. } $$ 這代表原型至少不是「會吐文字的隨機公式拼裝器」。 它具有可核對的 learning mechanics。 --- # 7. 第二個驗證：Loss 是否真的下降？ 模型使用 Adam 更新。 若： $$ L_{\mathrm{early}} $$ 代表訓練初期平均 loss， 而： $$ L_{\mathrm{late}} $$ 代表末期平均 loss， 則最低要求： $$ L_{\mathrm{late}} < L_{\mathrm{early}}. $$ 原型甚至設置更強的測試條件： $$ L_{\mathrm{late}} < L_{\mathrm{early}} - 0.3. $$ 這個實驗仍然不證明模型「理解語言」。 它只證明： $$ \boxed{ \text{這是一個真正進行參數學習的有限模型。} } $$ --- # 8. 第三個驗證：Save → Reload → Same Generation 這是本文最核心的實驗。 假設： $$ M_1 $$ 是訓練完成後的 in-memory model。 先生成： $$ Y_1 = G(M_1,x). $$ 之後： $$ Save(M_1) \rightarrow CSV. $$ 再： $$ M_2 = Load(CSV). $$ 重新生成： $$ Y_2 = G(M_2,x). $$ 確定性條件下要求： $$ \boxed{ Y_1=Y_2. } $$ 原型選擇 greedy generation： $$ temperature=0. $$ 這非常重要。 如果使用 stochastic sampling， 即使： $$ M_1=M_2, $$ 仍可能： $$ Y_1\neq Y_2 $$ 而不能直接判定 persistence failure。 因此這個測試真正測的是： $$ \boxed{ \text{State Reconstruction Fidelity}. } $$ --- # 9. Open Model State 本文正式定義： ## 定義 1 — Open Model State 設模型： $$ M=(\mathcal A,\Theta,\Gamma). $$ 若存在外部表示： $$ R(M), $$ 使得： 1. $\Theta$ 可被顯式定址； 2. $\Gamma$ 足以重建 required shapes / vocabulary / configuration； 3. state 可被獨立讀取； 4. state 可被重新載入； 5. declared deterministic inference equivalence 可測試； 則稱： $$ R(M) $$ 為該模型的一個 **Open Model State representation**。 形式上： $$ M \xrightarrow{Save} R(M) \xrightarrow{Load} M'. $$ 若對指定測試域： $$ \mathcal X_T, $$ 有： $$ \forall x\in\mathcal X_T, \quad F_M(x)=F_{M'}(x), $$ 則稱： $$ R(M) $$ 通過該域上的 reconstruction equivalence。 --- # 10. 四個常被混淆的層級 這是本文最重要的分類。 ## 10.1 Persistence $$ \boxed{ \text{State can be saved.} } $$ 表示 bytes 存在。 這是最低層。 --- ## 10.2 Reconstruction $$ \boxed{ \text{Saved state can reconstruct an equivalent model instance.} } $$ 需要： - shape； - parameter naming； - vocabulary； - model configuration； - correct loading logic。 --- ## 10.3 Execution $$ \boxed{ \text{The representation itself has executable semantics or can be executed by a defined runtime.} } $$ CSV-Native POC **沒有**證明： $$ CSV $$ 本身就是 efficient execution runtime。 它需要 Python / NumPy execution layer。 --- ## 10.4 Auditability $$ \boxed{ \text{A human or machine can inspect, identify, compare and verify relevant state components.} } $$ 這比「檔案是文字格式」更強。 真正 auditability 還需要： - schema； - stable identifiers； - shape declarations； - hashes； - version； - provenance； - diff semantics； - corruption detection。 因此： $$ \boxed{ Persistence \neq Reconstruction \neq Execution \neq Auditability. } $$ --- # 11. 與現代模型保存方法的關係 ## 11.1 PyTorch `state_dict` PyTorch 的典型模式本身已經把： $$ \text{Architecture Code} $$ 與： $$ \text{Parameter State} $$ 分開。 一個 `state_dict` 本質上是： $$ Name \rightarrow Tensor. $$ 因此 CSV-Native POC 並沒有發明「模型狀態可序列化」。 它把同一概念推向另一個極端： $$ \boxed{ \text{Parameter State} \rightarrow \text{Plain Tabular Files}. } $$ 其研究價值是 transparency，而非框架效率。 --- ## 11.2 Safetensors Safetensors 的問題設定更偏向： $$ \boxed{ Safe + Fast + Tensor-Oriented Serialization. } $$ 它適合真實大模型部署。 CSV 的問題設定則更偏向： $$ \boxed{ Inspectable + Simple + Tool-Agnostic + Human-Readable. } $$ 兩者不是同一 optimization target。 因此不能用： > 「Safetensors 比 CSV 快。」 來否定 CSV-Native POC。 同樣也不能用： > 「CSV 比 Safetensors 好看。」 來主張 CSV 應替代 Safetensors。 --- ## 11.3 ONNX ONNX 更進一步保存： $$ \boxed{ ComputationGraph + Operators + Tensor Initializers + Metadata. } $$ 這代表： $$ \text{State} $$ 與： $$ \text{Executable Graph Semantics} $$ 開始被放進同一模型交換框架。 從本系列角度看，ONNX 對後來 MLF / MMLC 的啟發點不是「使用 protobuf」，而是： > **一個可攜模型不能只知道參數值，還需要知道這些值如何進入計算。** --- # 12. CSV 的真正弱點 如果研究要誠實，CSV 的限制非常明顯。 ## 12.1 Type Weakness CSV 原生沒有： - tensor dtype； - shape semantics； - endian； - quantization metadata； - sparse layout； - device semantics。 --- ## 12.2 Structural Weakness 一個矩陣： $$ W_q $$ 被保存成 CSV 後，不會自動知道： > 「我是 Query projection matrix。」 語義必須存在於： $$ filename, schema, manifest, external spec. $$ --- ## 12.3 Scale Weakness 大型模型可能具有： $$ 10^9 \sim 10^{12} $$ 級參數。 若每個浮點數都使用十進位文字表示： $$ StorageCost_{\mathrm{CSV}} \gg StorageCost_{\mathrm{binary}}. $$ Parsing cost 也會顯著增加。 --- ## 12.4 Precision Risk 若： $$ SavePrecision < InternalPrecision, $$ 則： $$ \Theta \rightarrow \tilde\Theta $$ 可能產生 rounding drift。 原型使用： ```text %.10g ``` 因此： $$ \boxed{ \text{identical generation} } $$ 只代表該 toy model、該輸入與該 deterministic generation test 下沒有產生可觀察輸出差異。 它不等於： $$ \boxed{ \Theta=\tilde\Theta \text{ bitwise}. } $$ 這是本文必須比早期直覺寫得更精確的地方。 --- # 13. 「相同生成」也不是完整模型同一性 假設： $$ G(M_1,x)=G(M_2,x). $$ 不能推出： $$ M_1=M_2. $$ 因為可能： $$ \Theta_1\neq\Theta_2 $$ 但在有限測試集上： $$ F_{\Theta_1}(x) = F_{\Theta_2}(x). $$ 因此需要分至少三種 identity。 ## 13.1 Byte Identity $$ H(\Theta_1)=H(\Theta_2). $$ --- ## 13.2 Parameter Identity 對所有 named parameters： $$ \Theta_1[k]=\Theta_2[k]. $$ --- ## 13.3 Behavioral Identity on Domain $$ \forall x\in\mathcal X_T, \quad F_{\Theta_1}(x) = F_{\Theta_2}(x). $$ 三者強度不同。 CSV-Native 原型的原始 C3 主要驗證的是： $$ \boxed{ Behavioral Identity } $$ 在一個非常有限的 deterministic generation test 上成立。 --- # 14. 從 POC 到正式 Open Model State 如果今天重新做 v1.0，不應只保留： ```text Wq.csv Wk.csv ... ``` 而應增加 manifest。 例如： ```yaml format: open-model-state version: 1.0 architecture: family: minimal-causal-transformer code_hash: ... implementation_version: ... vocabulary: path: vocab.csv hash: ... config: path: config.csv hash: ... parameters: - id: Wte path: tensors/Wte.csv shape: [23, 24] dtype: float64 semantic_role: token_embedding hash: ... - id: Wq path: tensors/Wq.csv shape: [24, 24] dtype: float64 semantic_role: attention_query_projection hash: ... tests: - gradient_check - loss_decrease - reload_parameter_compare - deterministic_inference_compare ``` 這樣： $$ \boxed{ \text{Readable Files} } $$ 才真正開始升級為： $$ \boxed{ \text{Auditable Model Package}. } $$ --- # 15. 模型狀態可以是一個帳本嗎？ Open Model State 自然會導向下一個問題： 假設： $$ \Theta_0 \rightarrow \Theta_1 \rightarrow \Theta_2 \rightarrow \cdots \rightarrow \Theta_t. $$ 如果每個版本都只覆寫： ```text Wq.csv ``` 則歷史消失。 更完整的模型帳本應保存： $$ E_t = ( timestamp, parameter, before, after, cause, optimizer, data, provenance ). $$ 於是： $$ \Theta_t $$ 不只是一個 snapshot， 而是： $$ \boxed{ \Theta_t = Fold(E_0,\ldots,E_t). } $$ 這就是 Open Model State 與後續 Ledger / MLF / PHOSPHOR event-stream 理論之間的第一條正式橋。 --- # 16. 表格真正提供的是「可定位性」 二進位 tensor 一樣可以被命名。 但表格直覺的特殊價值是： $$ \boxed{ \text{Coordinate} + \text{Name} + \text{Visible Value}. } $$ 例如 embedding： $$ E_{i,:} $$ 可以被理解為： > vocabulary item $i$ 對應的一列向量。 因此： $$ \boxed{ \text{High-Dimensional Vector} } $$ 沒有因為存在於 AI 模型裡就失去「表格列」這個普通身份。 這個認知破除是早期實驗真正有價值的一點： > 大模型再巨大，其底層參數仍然是可以被索引、切片、命名與序列化的數值結構。 這不神秘化 AI，也不因此低估其整體湧現能力。 --- # 17. 可檢查不等於可理解 這裡需要再加一個重要限制。 即使： $$ \Theta $$ 全部攤開， 人類仍未必知道： $$ \Theta_{i,j} $$ 「代表什麼概念」。 因此： $$ \boxed{ Inspectable \neq Interpretable. } $$ CSV 解決的是： $$ \text{Where is the state?} $$ 而不是： $$ \text{What does every parameter mean?} $$ 同樣： $$ \boxed{ Readable \neq Semantically Transparent. } $$ 這條區分避免把 Open Model State 誤寫成完整 mechanistic interpretability。 --- # 18. 可檢查也不等於安全 如果 state 可以被直接編輯： $$ \Theta \rightarrow \Theta', $$ 則也必須面對： - accidental corruption； - malicious tampering； - unauthorized modification； - version drift； - partial overwrite。 因此 Open Model State 若走向正式工程，需要： $$ \boxed{ Hash + Signature + Schema + Version + AtomicWrite + Rollback. } $$ 這也是後來 Veritaxa 與 MLF 逐步加入： - checksum； - fingerprint； - append-only history； - source lock； - safe copy； 的原因。 --- # 19. Open Model State 的五層成熟度 本文提出一個五層分類。 ## OMS-0 — Opaque State 模型只能透過專用 runtime 操作，外部難以定位 state。 --- ## OMS-1 — Named Serialization $$ Name\rightarrow Tensor. $$ 具名參數可以保存與載入。 --- ## OMS-2 — Inspectable State state 能被通用工具讀取與逐項檢查。 CSV-Native POC 主要位於此層。 --- ## OMS-3 — Verifiable State 增加： $$ Schema + Hash + Version + Shape + DType + ReconstructionTests. $$ --- ## OMS-4 — Auditable State Ledger 再增加： $$ Provenance + History + Diff + Authorization + Rollback + Promotion. $$ 此時模型 state 不只是 checkpoint，而開始成為可治理研究物件。 --- # 20. 可證偽條件 ## F1 — Reconstruction Failure 若： $$ M' = Load(Save(M)) $$ 後無法執行同一 declared architecture， Open Model State failure。 --- ## F2 — Parameter Drift 若 claimed lossless save/load 後： $$ \exists k: \Theta_k\neq\Theta'_k, $$ 則 lossless claim 失敗。 --- ## F3 — Behavioral Drift 若 declared deterministic test domain 中： $$ \exists x: F_M(x)\neq F_{M'}(x), $$ 則 behavioral reconstruction claim 失敗。 --- ## F4 — Missing Semantic Binding 若檔案存在但無法知道： $$ File_i \leftrightarrow Parameter_i, $$ 則 inspectability 只能算 byte readability，不能算 model-state auditability。 --- ## F5 — Architecture Dependency Hidden 若重建依賴某個未保存的： - code version； - operator semantics； - tokenizer rule； - dtype assumption； 則 package 並不自足。 --- # 21. 對大型模型的真正問題 對大型模型而言，最重要的問題不是： > 能不能真的把一兆參數全部存成 CSV？ 技術上，只要儲存足夠大，當然可以。 真正問題是： $$ \boxed{ \text{是否值得？} } $$ 對 production runtime： $$ Answer\approx No. $$ 對 educational / audit / forensic / reduced-slice views： $$ Answer\approx Often\ Yes. $$ 因此較合理的方向是： $$ \boxed{ \text{Binary Canonical Tensor Storage} + \text{Inspectable Tabular Projection}. } $$ 也就是不要求： $$ CSV=\text{canonical physical bytes}, $$ 而允許： $$ \Phi_{\mathrm{table}}(\Theta) $$ 成為可逆或可驗證的 human / AI inspection view。 這一點直接連到後來的 MLF projection philosophy。 --- # 22. 與 MLF 的橋接 Open Model State 可以自然寫成 MLF 類型的 projection。 設 canonical model state： $$ S_M. $$ 則： $$ \Phi_{\mathrm{tensor}}(S_M) = \text{Safetensors / framework tensors}, $$ $$ \Phi_{\mathrm{graph}}(S_M) = \text{ONNX-like computation graph}, $$ $$ \Phi_{\mathrm{table}}(S_M) = \text{CSV / Spreadsheet inspection view}, $$ $$ \Phi_{\mathrm{audit}}(S_M) = \text{hash / provenance / diff ledger}. $$ 所以早期 `nanocsv_llm.py` 可以重新理解成： $$ \boxed{ \text{Open Model State 的第一個極簡 projection experiment}. } $$ 而不是終極格式提案。 --- # 23. 本文結論 「模型可以住在表格裡嗎？」 答案需要分層。 如果問題是： > **模型所有權重能否以表格保存？** 答案： $$ \boxed{ Yes. } $$ 如果問題是： > **保存後能否重新建模並保持指定 deterministic inference？** 對本文原型： $$ \boxed{ Yes,\ under\ the\ tested\ conditions. } $$ 如果問題是： > **CSV 本身是不是 Transformer runtime？** 答案： $$ \boxed{ No. } $$ 如果問題是： > **CSV 是否適合作為大型模型 production checkpoint？** 本文： $$ \boxed{ No\ such\ claim. } $$ 如果問題是： > **表格是否仍具有 AI 工程價值？** 本文的答案是： $$ \boxed{ Yes, } $$ 但價值不在取代專用 tensor format，而在： $$ \boxed{ \text{Inspectability} + \text{Addressability} + \text{Versionability} + \text{Reconstruction Testing}. } $$ 因此本文最終提出： $$ \boxed{ \textbf{ 模型狀態可以被視為一個外部、可命名、可檢查、可驗證的結構， 而不是只能被視為某個框架內部不可見的參數黑盒。 } } $$ 這就是整個「矩陣原生智能與可稽核計算」系列的第一塊工程地基。 --- # 24. 下一篇 ## EML-MNIAC-2026-02 **《學習作為帳本流：不變量、投影約束與不可消除結構殘差》** 下一篇將正式處理： $$ \boxed{ \text{Learning} + \text{Invariant} + \text{Projection} + \text{Residual}. } $$ 並回答： > 當模型被允許學習，但不能離開某個合法狀態域時，什麼條件下 constraint 不會殺死 learning？而什麼時候 constraint 本身就是錯的？ --- # 參考資料 ## 內部原型與既有文件 1. EveMissLab, `nanocsv_llm.py`, minimal char-level Transformer with CSV-native parameter persistence. 2. EveMissLab, `ledger_experiment.py`. 3. EveMissLab, `build_xlsx.py`. 4. 《自適應帳本量化代理框架技術規格》。 5. 《EveTessera / Veritaxa Workbench 試算表原生爬蟲與 Agent 系統技術白皮書》。 6. 《矩陣原生智能與可稽核計算：從表格模型狀態到多重投影執行同一性的統一研究綱領》。 ## 外部工程對照 7. PyTorch Tutorials, **Saving and Loading Models**. https://docs.pytorch.org/tutorials/beginner/saving_loading_models 8. Hugging Face, **Safetensors Documentation**. https://huggingface.co/docs/safetensors/index 9. ONNX Documentation, **ONNX Concepts**. https://onnx.ai/onnx/intro/concepts.html 10. ONNX Documentation, **Open Neural Network Exchange Intermediate Representation Specification**. https://onnx.ai/onnx/repo-docs/IR.html --- **系列狀態：** 第 01 篇完成。 **下一篇：** EML-MNIAC-2026-02 —《學習作為帳本流：不變量、投影約束與不可消除結構殘差》