--- title: "生成種子的因子分解與可組合性：從可重建狀態到可交換生成模組" english_title: "Generative Seed Factorization and Composability: From Reconstructive States to Exchangeable Generative Modules" series: "Generative Seed Reconstruction Theory" series_id: "GSRT" paper_id: "GSRT-04" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Factorization and Compositionality Theory" date: "2026-08-30" language: "zh-TW" canonical_source: "UTF-8 Markdown" --- # 生成種子的因子分解與可組合性 ## 從可重建狀態到可交換生成模組 ### Generative Seed Factorization and Composability: From Reconstructive States to Exchangeable Generative Modules **系列：** Generative Seed Reconstruction Theory（GSRT） **篇號：** GSRT-04 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-08-30 --- ## 摘要 GSRT-01 建立了 reconstructive generative seed 的存在猜想；GSRT-02 將其最小性改寫為 generator-relative、side-information-aware 的重建複雜度；GSRT-03 則指出，短 seed 的有效性可能依賴 decoder-side shared priors，而 fuzzy semantic interoperability 與 canonical protocol interoperability 必須分離。本文進一步處理 Seed Library 能否從「重建記憶」升級成「可操作生成知識」的關鍵問題： > **一顆可重建 seed 能否被分解成具有相對穩定功能邊界的生成因子？這些因子能否在不同 seed 之間被交換、組合、局部修改，而不讓所有其他生成屬性一起崩潰？** 本文首先拒絕一個過強前提：artifact 的「真正生成因素」不一定具有唯一、天然、模型無關的分解。既有 disentangled representation learning 已指出，若缺少模型與資料的 inductive bias，無監督地恢復唯一 generative factors 並沒有一般保證。因此 GSRT-04 不把 seed factorization 定義成「找出世界唯一正確 latent axes」，而定義成 **task-relative operational factorization**：在指定 generator、artifact family、intervention set 與 preservation contract 下，若一組 seed components 可以被局部替換，且其預期 target effect 顯著大於 unintended collateral effects，則這組 components 對目前任務具有 operational modularity。 令一顆 seed 為： $$ S = (S_1,S_2,\ldots,S_k), $$ 對第 $i$ 個 factor 的替換介入： $$ \mathcal I_i : S_i \mapsto S_i', $$ 生成結果由： $$ X \sim G_\gamma(S) $$ 變成： $$ X' \sim G_\gamma \left( S_{-i},S_i' \right). $$ 本文定義 factor-effect vector： $$ \Delta \mathbf F_i = \mathbf F(X') - \mathbf F(X), $$ 其中 $\mathbf F$ 是 identity、structure、composition、style、lighting、semantic relation、functional behavior 等多維 fidelity / attribute vector。若 intervention $\mathcal I_i$ 的主要變化集中於宣告 target coordinates，而 preservation coordinates 變化受控，則 $S_i$ 具有局部可操作性。 本文進一步定義 **Factor Locality Ratio**： $$ \Lambda_i = \frac{ \left\| \Delta \mathbf F_i^{\mathrm{target}} \right\| }{ \left\| \Delta \mathbf F_i^{\mathrm{collateral}} \right\| + \epsilon_0 }, $$ 以及 **Preservation Leakage**： $$ L_i^{\mathrm{pres}} = \left\| \Delta \mathbf F_i^{\mathrm{protected}} \right\|. $$ 高品質 factor 不必完全統計獨立，但應具有高 $\Lambda_i$ 、低 $L_i^{\mathrm{pres}}$，並在多個 base seed 上維持相似 intervention effect。 基於此，本文定義 seed composition 為帶相容性檢查的 partial operator，而不是無條件向量相加： $$ S_C = S_A \oplus_{\mathcal K} S_B, $$ 其中 $\mathcal K$ 是 compatibility / conflict contract。若 $S_A$ 的 identity factor、 $S_B$ 的 composition factor 與 $S_C$ 的 lighting factor 可以在保護其他必要屬性的情況下生成新的 artifact，則稱該組 factor swap 通過 compositionality contract。反之，如果 identity 與 style、pose 與 composition、rhythm 與 meter 等高度耦合，系統應把它們標為 coupled block，而不是強迫拆成獨立欄位。 本文提出 **Factor Interaction Graph**： $$ \mathcal G_F = (V_F,E_F,W_F), $$ 節點為 seed factors，邊權： $$ w_{ij} $$ 表示 intervention $i$ 對 factor-coordinate $j$ 的 collateral influence。因而 factorization 不再是平面欄位清單，而是可以包含： - near-independent factors； - weakly coupled factors； - strongly coupled blocks； - conditional dependencies； - mutually exclusive factors； - hierarchical factors； - modality-specific factors。 本文將可組合性分成至少六個不同層級：syntactic composition、decoder-accepted composition、semantic composition、factor-local composition、reconstructive composition 與 generative novelty composition。只有 seed 能被拼接不代表 artifact 真正按預期組合；只有生成結果「看起來不錯」也不代表來源 factor 被保存。 對文字，本文提出 proposition-factor experiment：把 subject、relation、negation、condition、claim strength、style 分開做 intervention；對圖像，提出 identity / structure / composition / camera / lighting / palette / style / material 的 controlled factor swap；對 code，提出 specification / interface / invariant / dependency / test / architecture 的 modular reconstruction。MVP 需建立 donor–recipient composition matrix、single-factor swap、multi-factor swap、round-trip swap、order test、conflict injection、protected-coordinate leakage、out-of-distribution composition 與 holdout generator 測試。 本文也明確區分 GSRT factorization 與傳統 latent disentanglement。 $\beta$ -VAE、InfoGAN、StyleGAN 等工作表明 generative representations 可以在不同程度上呈現可控制 factor structure；StyleGAN 更展示 scale-specific style control 與某些高階屬性、stochastic variation 的分離。然而 Locatello 等人的結果提醒，unsupervised disentanglement 一般無法在缺乏 inductive bias 時被唯一識別。另一方面，Composable Diffusion Models 展示 diffusion / energy-based generation 可以顯式組合多個條件或 component models，說明「生成條件可組合」已有重要技術先例。GSRT-04 的新研究位置不是重新發明 disentanglement 或 compositional generation，而是把它們改寫成：**從 realized artifact 反向提取、可外部保存、可版本化、可跨 seed 交換的 reconstructive generative factor object。** 本文最終提出六個核心猜想： 1. **Operational Factorization Conjecture**：某些 artifact family 存在 task-relative、非唯一但穩定的 seed factorization。 2. **Local Intervention Conjecture**：部分 seed factor 可以在有限 collateral drift 下造成可預測 target change。 3. **Coupled-Block Conjecture**：高品質 factorization 應允許 irreducible coupled blocks，而不是強迫完全 disentangled。 4. **Cross-Seed Composability Conjecture**：來自不同成功 artifact 的部分 factors 可以在相容性條件下重組成新的可用 seed。 5. **Composition Generalization Conjecture**：factorized seed 可使生成器抵達訓練／樣本中罕見但結構合法的新組合。 6. **Library Leverage Conjecture**：若 factor extraction 與 composition 成立，Seed Library 的有效生成能力可能隨可重用 factor 數與合法組合邊增長，而不只隨完整 artifact 數線性增加。 這一步是 GSRT 從 reconstruction theory 走向 generative engineering 的轉折點。若 factorization 失敗，Seed Library 仍可作為 artifact-level reconstruction memory；若 factorization 與 composition 成立，Seed Library 才可能真正成為可檢索、可混合、可變異、可演化的 generative state system。 **關鍵詞：** generative seed、factorization、composability、disentanglement、operational modularity、factor swap、preservation leakage、factor interaction graph、compositional generation、Seed Library、GSRT --- # 0. 系列位置：從「可重建」到「可操作」 GSRT-01： $$ X \rightarrow S_X \rightarrow \widehat X. $$ GSRT-02： $$ \min C(S_X) $$ subject to reconstruction fidelity。 GSRT-03： $$ S_X + \text{shared priors} \rightarrow \widehat X. $$ 到這裡，seed 仍可能只是不可拆的 blob。 如果： $$ S_X = \text{opaque object}, $$ 我們可以重新生成 $X$，但很難回答： > 只換角色，不換構圖，可以嗎？ > 保留旋律，只換配器，可以嗎？ > 保留 API contract，只換內部 architecture，可以嗎？ 因此 GSRT-04 問： $$ \boxed{ S_X \stackrel{?}{=} (S_1,\ldots,S_k) } $$ 以及： $$ \boxed{ S_A^{(i)} \oplus S_B^{(j)} \stackrel{?}{\longrightarrow} S_C. } $$ --- # 1. 不先假設存在「自然唯一分解」 最危險的直覺是： > 世界本來就由 identity、style、geometry、lighting 等獨立 latent axes 組成，我們只要找出來即可。 本文不採這個假設。 原因是： 1. 不同 generator 可能使用完全不同 internal representation； 2. artifact property 本身可能耦合； 3. factor boundary 依任務而變； 4. 同一效果可能有多種生成機制； 5. 無監督 disentanglement 缺乏一般唯一識別保證。 因此： $$ \boxed{ \text{GSRT factor} \neq \text{universal natural latent axis}. } $$ --- # 2. Operational Factorization 給定： - artifact family $\mathcal X$ ； - generator environment $\gamma$ ； - task family $\mathcal Q$ ； - intervention set $\mathcal I$ ； - fidelity vector $\mathbf F$ ； - preservation contract $\mathcal P$。 若 seed： $$ S $$ 可被分解為： $$ \boxed{ \Phi_{\mathcal Q,\gamma}(S) = (S_1,\ldots,S_k) } $$ 並且各 $S_i$ 對指定 intervention 有穩定、可測、局部化效果，則稱此分解為： # **Operational Seed Factorization** --- # 3. Factor 不是欄位名稱 JSON： ```text { "style": "...", "identity": "..." } ``` 不自動構成 factorization。 真正 factor 必須有： $$ \boxed{ \text{intervention semantics}. } $$ 也就是： > 修改這個 factor 時，預期哪一些 artifact coordinates 改變？ 以及： > 哪一些 coordinates 應保持？ --- # 4. Factor Contract 每個 factor： $$ S_i $$ 至少應帶： $$ \boxed{ \mathcal C_i = ( T_i, P_i, D_i, V_i, K_i ) } $$ 其中： - $T_i$：target coordinates； - $P_i$：protected coordinates； - $D_i$：dependency set； - $V_i$：validity domain； - $K_i$：compatibility constraints。 --- # 5. Factor Intervention 定義： $$ \mathcal I_i : S_i \mapsto S_i'. $$ 原 seed： $$ S = (S_{-i},S_i). $$ 介入後： $$ S' = (S_{-i},S_i'). $$ 生成： $$ X \sim G_\gamma(S), $$ $$ X' \sim G_\gamma(S'). $$ --- # 6. Factor Effect Vector 令 artifact evaluator 產生： $$ \mathbf F(X) = (F_1,\ldots,F_m). $$ 則： $$ \boxed{ \Delta \mathbf F_i = \mathbf F(X') - \mathbf F(X). } $$ 這是 factor $i$ 的 empirical intervention signature。 --- # 7. Target Effect 與 Collateral Effect 把 coordinates 分為： $$ T_i $$ 與： $$ \overline{T_i}. $$ 定義： $$ \Delta \mathbf F_i^{\mathrm{target}} = \Pi_{T_i} \Delta \mathbf F_i, $$ $$ \Delta \mathbf F_i^{\mathrm{collateral}} = \Pi_{\overline{T_i}} \Delta \mathbf F_i. $$ --- # 8. Factor Locality Ratio 定義： $$ \boxed{ \Lambda_i = \frac{ \left\| \Delta \mathbf F_i^{\mathrm{target}} \right\| }{ \left\| \Delta \mathbf F_i^{\mathrm{collateral}} \right\| + \epsilon_0 }. } $$ 其中： $$ \epsilon_0>0 $$ 避免分母為零。 高： $$ \Lambda_i $$ 表示 intervention 效果較局部。 --- # 9. Preservation Leakage 若 $P_i$ 是明確不可改變 coordinates，定義： $$ \boxed{ L_i^{\mathrm{pres}} = \left\| \Pi_{P_i} \Delta \mathbf F_i \right\|. } $$ 例如： > 換 style，但 identity 必須保留。 則： $$ P_i = \{\mathrm{identity}\}. $$ 若： $$ L_i^{\mathrm{pres}} $$ 大，style factor 並不乾淨。 --- # 10. Factor Consistency 同一 intervention： $$ \mathcal I_i $$ 在多個 base seeds： $$ S^{(1)},\ldots,S^{(n)} $$ 上測量： $$ \Delta \mathbf F_i^{(1)},\ldots, \Delta \mathbf F_i^{(n)}. $$ 定義 effect consistency： $$ \boxed{ C_i^{\mathrm{effect}} = 1 - \operatorname{Dispersion} \left( \Delta \mathbf F_i^{(1)}, \ldots, \Delta \mathbf F_i^{(n)} \right). } $$ 一個只在單一 artifact 上有效的 factor，可能只是 artifact-specific patch。 --- # 11. Factor Portability 若 factor： $$ S_i $$ 可放入多個 recipient seeds： $$ R_1,\ldots,R_m, $$ 而保持： - target effect； - protected coordinates； - validity； 則稱它具有 higher portability。 定義： $$ \boxed{ P_i^{\mathrm{port}} = \frac{ \#\text{valid recipients} }{ \#\text{tested recipients} }. } $$ --- # 12. Operational Modularity 本文將 factor quality 寫成向量： $$ \boxed{ \mathbf M_i = ( \Lambda_i, 1-L_i^{\mathrm{pres}}, C_i^{\mathrm{effect}}, P_i^{\mathrm{port}} ). } $$ 不建議直接壓成單一分數。 --- # 13. Factor Independence 不是硬要求 傳統直覺可能要求： $$ S_i \perp S_j. $$ GSRT-04 不要求完全統計獨立。 真正要求的是： $$ \boxed{ \text{controlled dependence}. } $$ 有些 factors 天然耦合： - identity 與 face geometry； - pose 與 camera； - rhythm 與 meter； - API interface 與 tests； - claim strength 與 evidence status。 --- # 14. Coupled Block 若： $$ S_i $$ 與： $$ S_j $$ 單獨 intervention 都產生高 collateral leakage，但共同 intervention： $$ \mathcal I_{ij} $$ 更穩定，則可形成： $$ \boxed{ B_{ij} = (S_i,S_j). } $$ 稱為 coupled factor block。 --- # 15. Coupled-Block Conjecture ### Conjecture GSRT-04-A 高品質 seed factorization 不應追求所有 factors 完全 disentangled，而應允許： $$ \boxed{ \text{independent factors} + \text{weak coupling} + \text{irreducible coupled blocks}. } $$ --- # 16. Factor Interaction Graph 令： $$ V_F = \{S_1,\ldots,S_k\}. $$ 建立： $$ \boxed{ \mathcal G_F = (V_F,E_F,W_F). } $$ 若 intervention $i$ 對 coordinate / factor $j$ 有顯著 collateral influence，加入 edge： $$ S_i \xrightarrow{w_{ij}} S_j. $$ --- # 17. Interaction Weight 例如： $$ \boxed{ w_{ij} = \mathbb E \left[ \left| \Delta F_j \mid \mathcal I_i \right| \right]. } $$ 若： $$ w_{ij} \approx0, $$ 表示弱干擾。 若大： $$ w_{ij}\gg0, $$ 表示耦合。 --- # 18. Directed Coupling 一般： $$ w_{ij} \neq w_{ji}. $$ 例如： > 換 identity 可能大幅改變 hairstyle； 但： > 換 hairstyle 不一定改 identity。 所以 factor interaction graph 應允許 directed edge。 --- # 19. Conditional Coupling 某些耦合只在 condition $c$ 下存在： $$ w_{ij} = w_{ij}(c). $$ 例如： - close-up portrait； - full-body； - anime； - photoreal； - specific music genre； - specific programming framework。 因此： $$ \boxed{ \text{factor independence is domain-relative}. } $$ --- # 20. Hierarchical Factorization seed factor 可能有階層： $$ S_{\mathrm{style}} = ( S_{\mathrm{palette}}, S_{\mathrm{stroke}}, S_{\mathrm{material}}, S_{\mathrm{lighting}} ). $$ 或： $$ S_{\mathrm{identity}} = ( S_{\mathrm{face}}, S_{\mathrm{body}}, S_{\mathrm{voice}}, S_{\mathrm{signature}} ). $$ 因此： $$ \boxed{ \text{factorization} \neq \text{flat table}. } $$ --- # 21. Multi-Resolution Factor 同一 factor 可以有： $$ S_i^{(0)}, S_i^{(1)}, \ldots,S_i^{(r)}. $$ 例如 style： ### Coarse ```text 1980s cel animation ``` ### Medium ```text limited palette hard shadow hand-painted background ``` ### Fine ```text line width grain edge halo specific highlight grammar ``` Seed Library 因此可支援多解析度投影。 --- # 22. Factor Identity factor 需要 stable identity： $$ \operatorname{id}(S_i). $$ 否則： ```text style_12 ``` 在不同 seed 中可能代表不同東西。 因此 factor object 應區分： $$ \boxed{ \text{factor identity} \neq \text{factor payload}. } $$ --- # 23. Factor Payload Version 同一 factor identity 可有： $$ v_1,v_2,\ldots. $$ 例如： ```text identity:alice version:3 ``` payload 更新，但 lineage 保留。 這將銜接 GSRT-06 與 GSRT-08。 --- # 24. Composition 不是 Concatenation 最弱做法： $$ S_C = S_A \Vert S_B. $$ 只是字串拼接。 本文所謂 composition 要求： $$ \boxed{ \text{factor semantics survive composition}. } $$ --- # 25. Partial Composition Operator 定義： $$ \boxed{ \oplus_{\mathcal K} : \mathcal S \times \mathcal S \rightharpoonup \mathcal S. } $$ 這是 partial operator。 只有當 compatibility contract： $$ \mathcal K $$ 通過時才定義。 --- # 26. Compatibility Contract 對 factors： $$ S_i, S_j, $$ 定義： $$ \boxed{ \mathcal K(S_i,S_j) = ( \mathcal T, \mathcal D, \mathcal X, \mathcal P, \mathcal V ). } $$ 其中： - $\mathcal T$：type compatibility； - $\mathcal D$：dependency compatibility； - $\mathcal X$：exclusive conflict； - $\mathcal P$：preservation compatibility； - $\mathcal V$：version / domain compatibility。 --- # 27. Type Conflict 例如： ```text camera = orthographic ``` 與： ```text lens = 85mm perspective ``` 可能衝突。 或： ```text return_type = integer ``` 與： ```text test expects string ``` 不能直接 composition。 --- # 28. Dependency Conflict factor $A$ 依賴： $$ d_1, $$ factor $B$ 禁止： $$ d_1. $$ 則： $$ \boxed{ A\oplus B } $$ 應 fail closed 或要求 repair。 --- # 29. Preservation Conflict A 要求： $$ P_{\mathrm{id}}=\text{fixed}, $$ B 要求： $$ \text{replace identity}. $$ 這不是 ordinary merge。 系統必須明示 priority / branch。 --- # 30. Composition Plan 因此 practical composition 不是： ```text mix A + B ``` 而更像： ```yaml composition: base: seed_A take: identity: seed_A.identity composition: seed_B.composition lighting: seed_C.lighting preserve: identity: hard text_content: hard allow_drift: palette: medium conflict_policy: style_vs_identity: preserve_identity ``` --- # 31. Donor–Recipient Model 令： $$ D $$ 為 donor seed， $$ R $$ 為 recipient seed。 取 donor factor： $$ D_i $$ 植入： $$ R. $$ 得到： $$ \boxed{ R' = R \oplus_i D_i. } $$ 這是最基本 factor swap。 --- # 32. Single-Factor Swap Contract 若： $$ R' = R \oplus_i D_i, $$ 應滿足： ### Target Match $$ F_i(R') \approx F_i(D). $$ ### Recipient Preservation 對： $$ j\in P_i, $$ $$ F_j(R') \approx F_j(R). $$ --- # 33. Factor Transfer Score 定義： $$ \boxed{ T_i(D\rightarrow R) = F_i \left( X_{R'}, X_D \right). } $$ 這裡 $F_i$ 只評 factor-relevant coordinate。 --- # 34. Recipient Preservation Score 定義： $$ \boxed{ P_i(D\rightarrow R) = \operatorname{Agg}_{j\in P_i} F_j \left( X_{R'}, X_R \right). } $$ 理想： $$ T_i \approx1, \qquad P_i \approx1. $$ --- # 35. Composability Score 定義雙目標： $$ \boxed{ \mathbf C_i = ( T_i, P_i ). } $$ 不要用單一平均隱藏： > factor transfer 成功，但 recipient identity 全毀。 --- # 36. Cross-Seed Composability Conjecture ### Conjecture GSRT-04-B 對某些 artifact family，存在 factor subset： $$ \mathcal F^\star $$ 使不同成功 seeds 的 factors 可在 compatibility contract 下交換，且： $$ T_i \ge \tau_T, $$ $$ P_i \ge \tau_P. $$ --- # 37. Composition 不必交換律 一般： $$ S_A \oplus S_B \neq S_B \oplus S_A. $$ 原因： - base seed 不同； - preservation priority 不同； - dependency order 不同； - generator conditioning order 不同。 所以： $$ \boxed{ \oplus } $$ 不預設 commutative。 --- # 38. Composition 不必結合律 一般： $$ (S_A\oplus S_B)\oplus S_C \neq S_A\oplus(S_B\oplus S_C). $$ 因此 seed composer 必須保存 composition order / lineage。 --- # 39. Idempotence 某些 factor operation 可能近似： $$ S\oplus_i S_i \approx S. $$ 若重複套用同 factor 卻持續漂移： $$ S \rightarrow S' \rightarrow S'' $$ 則 factor application 具有 accumulation effect。 這應被實驗，而非假定。 --- # 40. Round-Trip Swap 從： $$ R $$ 植入： $$ D_i, $$ 得到： $$ R'. $$ 再把原 factor： $$ R_i $$ 植回： $$ R''. $$ 若： $$ X_{R''} \approx X_R, $$ 則 factor swap 具有 reversibility evidence。 --- # 41. Round-Trip Drift 定義： $$ \boxed{ D_i^{\mathrm{rt}} = D \left( X_{R''}, X_R \right). } $$ 越低越好。 這是 Seed Library edit safety 的重要指標。 --- # 42. Factor Isolation by Ablation 刪除： $$ S_i $$ 得到： $$ S_{-i}. $$ 觀察： $$ \Delta \mathbf F_{-i}. $$ 若只有 target coordinate 明顯下降，factor isolation 較強。 若所有 coordinates 都崩： $$ S_i $$ 可能是： - root factor； - hidden bundle； - decoder anchor； - badly factorized. --- # 43. Factor Merge 若： $$ S_i,S_j $$ 總是共同需要， 可以建立： $$ B_{ij}. $$ 若： $$ C(B_{ij}) < C(S_i)+C(S_j) $$ 且 intervention fidelity 上升，merge 有利。 --- # 44. Factor Split 如果： $$ S_i $$ 造成兩種不同效果： $$ e_1,e_2, $$ 可分： $$ S_i \rightarrow (S_{i1},S_{i2}). $$ 若 split 後 locality ratio 上升： $$ \Lambda_{i1}, \Lambda_{i2} > \Lambda_i, $$ 則分解改善。 --- # 45. Adaptive Factorization 因此 factorization 不是一次完成。 形成： $$ \boxed{ \Phi_t \rightarrow \text{intervention evidence} \rightarrow \Phi_{t+1}. } $$ 可隨 Seed Library 使用經驗演化。 --- # 46. Factorization Dynamic Fixed Point 對 task family $\mathcal Q$，若： - repeated intervention 不再要求大幅 split / merge； - locality 穩定； - portability 穩定； - conflict rate 低； 可定義： $$ \boxed{ \operatorname{FDFP} \left( \Phi,\mathcal Q \right) =1. } $$ 這不是絕對永恆分解。 只是目前 workload 下的 quiescence。 --- # 47. 與認知原子因果基底的關係 既有認知原子工作已提出：若單元可重用、可組合、具有可測邊界，且進一步分解不能顯著提高任務效用，可把它視為 task-relative cognitive atom。 GSRT factor 具有相似精神。 但研究對象不同： ### Cognitive Atom 面向 cognition / reasoning substrate。 ### Generative Seed Factor 面向 artifact reconstruction / generation control。 共同原則： $$ \boxed{ \text{atomicity is task-relative}. } $$ --- # 48. 與 Cognitive Seed 的關係 既有 Cognitive Seed： $$ K = (A,S,G,O,P) $$ 分為： - Anchors； - Structure； - Generators； - Obligations； - Provenance。 這已經是一種功能性 factorization。 GSRT-04 將這個思路推廣到： $$ \text{all AI-generatable artifacts}. $$ --- # 49. 與視覺多重約束域的關係 既有 AI 生成繪圖框架已寫： $$ \Omega^\star = \Omega_G \cap \Omega_{\mathrm{sem}} \cap \Omega_{\mathrm{style}} \cap \Omega_{\mathrm{subject}} \cap \Omega_{\mathrm{structure}} \cap \Omega_{\mathrm{palette}} \cap \Omega_{\mathrm{world}} \cap \Omega_{\mathrm{kernel}} \cap \Omega_{\mathrm{project}}. $$ GSRT-04 可以把這些 constraint domains 視為候選 factor basis。 但： $$ \boxed{ \text{constraint domain} \neq \text{empirically validated factor}. } $$ 還必須做 intervention。 --- # 50. 圖像 Seed 候選分解 承接 GSRT-01： $$ \boxed{ S_I = ( S_{\mathrm{subj}}, S_{\mathrm{id}}, S_{\mathrm{geom}}, S_{\mathrm{comp}}, S_{\mathrm{camera}}, S_{\mathrm{light}}, S_{\mathrm{palette}}, S_{\mathrm{style}}, S_{\mathrm{constraint}}, S_{\mathrm{exec}} ). } $$ 這只是候選 ontology。 GSRT-04 要問： > 這些欄位真的可交換嗎？ --- # 51. 圖像 Factor Swap 例 取： $$ S_A^{\mathrm{id}}, $$ $$ S_B^{\mathrm{comp}}, $$ $$ S_C^{\mathrm{light}}. $$ 組： $$ \boxed{ S_D = S_A^{\mathrm{id}} \oplus S_B^{\mathrm{comp}} \oplus S_C^{\mathrm{light}}. } $$ 若生成： $$ X_D $$ 同時通過： - identity A； - composition B； - lighting C； 才構成 composability evidence。 --- # 52. Style–Identity Binding Problem 常見失敗： > 換 style 後，人物臉也變了。 表示： $$ w_{\mathrm{style,id}} \gg0. $$ 此時不能假裝 style 與 identity 已 disentangled。 解法可能是： - stronger identity anchor； - coupled block； - preservation constraint； - generator-specific adapter； - multi-stage workflow。 --- # 53. Pose–Camera Coupling pose 與 camera 也常耦合。 所以： $$ S_{\mathrm{pose}} $$ 與： $$ S_{\mathrm{camera}} $$ 可能需要 joint block： $$ B_{\mathrm{pose,camera}}. $$ GSRT-04 的價值就是允許這種結果，而不是強迫模型符合我們先驗欄位表。 --- # 54. Video Preservation Vector 既有 AMER 已提出： $$ \mathbf P = ( P^{identity}, P^{motion}, P^{geometry}, P^{timing}, P^{camera}, P^{layout}, P^{text}, P^{audio} ). $$ 這幾乎可以直接成為 video factor intervention 的 protected-coordinate basis。 --- # 55. Music Seed 候選分解 $$ \boxed{ S_M = ( S_{\mathrm{motif}}, S_{\mathrm{harmony}}, S_{\mathrm{rhythm}}, S_{\mathrm{meter}}, S_{\mathrm{form}}, S_{\mathrm{instrument}}, S_{\mathrm{timbre}}, S_{\mathrm{dynamic}} ). } $$ 例如： > 保留 motif，換 harmony。 如果 motif 也被改壞，則： $$ L_{\mathrm{harmony}}^{\mathrm{motif}} $$ 高。 --- # 56. Text Seed 候選分解 文字： $$ \boxed{ S_T = ( S_{\mathrm{concept}}, S_{\mathrm{relation}}, S_{\mathrm{negation}}, S_{\mathrm{condition}}, S_{\mathrm{epistemic}}, S_{\mathrm{order}}, S_{\mathrm{style}} ). } $$ 這可以直接做 controlled reconstruction。 --- # 57. Text Factor Swap 原 A： ```text A may cause B under condition C. ``` 原 B： ```text X necessarily prevents Y. ``` 可以只換： $$ S_{\mathrm{epistemic}} $$ 測： > may 是否變成： > necessarily 而 concept / relation 是否保持。 --- # 58. Code Seed 候選分解 $$ \boxed{ S_C = ( S_{\mathrm{spec}}, S_{\mathrm{interface}}, S_{\mathrm{invariant}}, S_{\mathrm{dependency}}, S_{\mathrm{test}}, S_{\mathrm{architecture}}, S_{\mathrm{performance}} ). } $$ 例如： > 保留 interface / tests，換 architecture。 若新實作仍 pass tests： $$ F_{\mathrm{func}} $$ 高。 --- # 59. Code 的 Factorization 更容易有硬驗證 因為可用： - unit tests； - type checker； - conformance tests； - performance benchmark； - API diff。 因此 code 可能是 GSRT factorization 的重要 control modality。 --- # 60. Disentanglement 文獻的位置 $\beta$ -VAE、InfoGAN 等研究目標之一，是讓 latent representation 的不同 coordinates 對應較可解釋、較獨立的 generative factors。 這提供重要先例： $$ \boxed{ \text{factorized generative control is technically meaningful}. } $$ 但 GSRT-04 不直接把 latent disentanglement 當成 seed factorization。 --- # 61. Locatello Boundary Locatello 等人指出，unsupervised disentanglement 在缺乏 inductive biases 時沒有一般 identifiability 保證。 因此本文採取： $$ \boxed{ \text{task-relative operational factorization} } $$ 而不是： $$ \boxed{ \text{discover the unique true factors}. } $$ 這是重要邊界。 --- # 62. StyleGAN 的重要先例 StyleGAN 的 style-based architecture 展示： - high-level attributes； - stochastic variation； - scale-specific synthesis control； 可以在 generator 中被部分分離與操作。 這支持： $$ \boxed{ \text{generator architecture can expose useful intervention axes}. } $$ 但這些 axes 仍是 model-relative。 --- # 63. Composable Diffusion Models Composable Diffusion Models 顯示：可把不同 component / condition 的 energy-based diffusion distributions 顯式組合，以生成訓練中罕見的新 concept combinations。 這是 GSRT composition 的重要技術先例。 但 GSRT 多了： $$ \boxed{ \text{realized artifact} \rightarrow \text{external factor seed} \rightarrow \text{persistent library} \rightarrow \text{reuse / compose}. } $$ --- # 64. Factorization 與 Composition 是不同命題 可能： $$ S = (S_1,S_2,S_3) $$ 重建很好。 但： $$ S_1^A \oplus S_2^B $$ 完全失敗。 所以： $$ \boxed{ \text{factorized representation} \not\Rightarrow \text{cross-seed composability}. } $$ 兩者必須分開實驗。 --- # 65. Syntactic Composability 只表示： $$ Parser(S_A\oplus S_B) = \mathrm{valid}. $$ 最弱。 --- # 66. Decoder Composability 表示 decoder 接受： $$ S_A\oplus S_B. $$ 但不代表 artifact 正確。 --- # 67. Semantic Composability concept / relation 都出現。 --- # 68. Factor-Local Composability target factors 出現，protected factors 保留。 這才是 GSRT-04 的核心。 --- # 69. Reconstructive Composability 組合 seed： $$ S_C $$ 可以穩定重建： $$ X_C $$ family，而不是偶然一張成功。 --- # 70. Novelty Composability 如果： $$ S_C $$ 代表訓練或 seed library 中未直接出現的新組合，但生成仍結構合法，則有： $$ \boxed{ \text{compositional novelty}. } $$ --- # 71. Composition Generalization Conjecture ### Conjecture GSRT-04-C 如果 seed factors 具有足夠 operational modularity，則： $$ \boxed{ \text{new legal factor combinations} } $$ 可以比 ordinary low-constraint sampling 更可控地被生成。 --- # 72. Novelty 不等於 Quality 新組合： $$ \neq $$ 好組合。 所以需要： $$ Q(X_C) $$ 另行評估。 --- # 73. Factor Conflict Rate 對 random legal-looking factor pairs： $$ (S_i,S_j), $$ 定義： $$ \boxed{ R_{\mathrm{conflict}} = \frac{ \#\text{composition failures} }{ \#\text{tested pairs} }. } $$ 這可以比較不同 factor ontology。 --- # 74. Composition Coverage 對 factor library： $$ \mathcal F = \{f_1,\ldots,f_n\}, $$ 合法 pair 數： $$ N_2^{\mathrm{legal}}. $$ 合法 triple： $$ N_3^{\mathrm{legal}}. $$ Seed Library 的生成能力不只與： $$ n $$ 有關，還與 compatibility graph 有關。 --- # 75. Compatibility Graph 定義： $$ \boxed{ \mathcal G_C = (V_C,E_C). } $$ 節點是 factors。 若： $$ f_i $$ 與： $$ f_j $$ 可合法 composition，建立 edge。 --- # 76. Library Combinatorial Capacity 簡單 proxy： $$ \boxed{ \mathcal C_{\mathrm{lib}} = |E_C| } $$ 更強可以計算合法 cliques / hyperedges。 但不能把理論組合數當成可用生成品質。 --- # 77. Library Leverage Conjecture ### Conjecture GSRT-04-D 若 factor extraction、compatibility 與 composition 可靠，則 Seed Library 的有效可達生成狀態可能隨： $$ |V_C| + |E_C| + |\mathcal H_C| $$ 增長，而不只隨完整 artifact 數線性增加。 其中： $$ \mathcal H_C $$ 表示合法高階組合 hyperedges。 --- # 78. Combinatorial Explosion 的風險 更多 factors 也會增加： - invalid combinations； - evaluation cost； - search branching； - dependency conflict； - style collapse； - identity drift。 所以： $$ \boxed{ \text{more factors} \neq \text{better library}. } $$ 需要 navigation / evaluator。 這會接 GSRT-07。 --- # 79. Factor Provenance 每個 factor 應記錄： - 從哪些 artifacts 提取； - 哪些 generator； - 哪些 tests； - 哪些 intervention； - 哪些 failures。 例如： ```yaml factor: id: type: payload: source_artifacts: extractor: generator_scope: target_coordinates: protected_coordinates: dependencies: compatibility: intervention_evidence: failures: version: ``` --- # 80. Factor Authority 提取出的 factor 不應直接被當作「真實本體」。 它只是： $$ \boxed{ \text{operational hypothesis}. } $$ 通過更多 swap / ablation / holdout tests 後，confidence 才提高。 --- # 81. Factor Confidence 定義： $$ \boxed{ q_i = f( N_{\mathrm{tests}}, \Lambda_i, L_i^{\mathrm{pres}}, C_i^{\mathrm{effect}}, P_i^{\mathrm{port}} ). } $$ 不必立即規定單一公式。 --- # 82. Factor Promotion Lifecycle ```text candidate -> tested -> reusable -> portable -> stable -> canonical-candidate ``` 失敗可： ```text split merge couple deprecate retire ``` --- # 83. MVP Phase 1：Text Factorization 準備： $$ N=100 $$ 以上結構化文本。 標記： - concepts； - relations； - negation； - condition； - epistemic strength； - style。 先由 extractor 建 seed。 --- # 84. Text Intervention Grid 對每個 seed 逐一： ```text change concept only reverse relation flip negation remove condition change claim strength change style ``` 測： $$ \Delta \mathbf F_i. $$ --- # 85. Text Factorization Acceptance 如果： > 改 style 大量改變： - proposition； - negation； - causal relation； 則 factorization 不合格。 如果： > 改 epistemic strength 只改： ```text may -> must ``` 而主要命題保持，locality 較好。 --- # 86. MVP Phase 2：Image Factorization 選 image corpus： - portraits； - character design； - objects； - scenes。 每張建立候選： $$ S_I. $$ --- # 87. Image Single-Factor Swap 至少測： ```text identity composition camera lighting palette style ``` --- # 88. Image Protected Coordinates 例如 style swap： ```text target: style protected: identity pose composition ``` camera swap： ```text target: camera protected: subject identity world content ``` --- # 89. Image Factor Metrics 至少： $$ \mathbf F_I = ( F_{\mathrm{id}}, F_{\mathrm{pose}}, F_{\mathrm{comp}}, F_{\mathrm{camera}}, F_{\mathrm{light}}, F_{\mathrm{palette}}, F_{\mathrm{style}}, F_{\mathrm{object}} ). $$ --- # 90. Identity Hard Gate 若實驗目標要求角色 identity： $$ F_{\mathrm{id}} < \tau_{\mathrm{id}} $$ 則 composition 直接 fail。 不能用高 aesthetic score 補回。 --- # 91. MVP Phase 3：Donor–Recipient Matrix 對： $$ m $$ donor seeds 與： $$ n $$ recipient seeds， 建立： $$ \boxed{ C_{ij}^{(f)} } $$ 表示 factor $f$ 從 donor $i$ 移到 recipient $j$ 的 composability。 --- # 92. Factor Transfer Matrix 例如 identity： $$ C^{(\mathrm{id})} \in \mathbb R^{m\times n}. $$ style： $$ C^{(\mathrm{style})}. $$ 比較哪種 factor 更 portable。 --- # 93. Same-Domain vs Cross-Domain 例如： - portrait to portrait； - portrait to full-body； - anime to photoreal； - indoor to outdoor。 觀察 portability domain。 --- # 94. Holdout Generator factor extraction 在： $$ G_1 $$ 上建立， 再投影到： $$ G_2. $$ 若仍有 transfer： $$ P_i^{\mathrm{port}} $$ 更強。 但這已開始接 GSRT-05 / 08。 --- # 95. MVP Phase 4：Multi-Factor Composition 測： $$ 2 $$ factor、 $$ 3 $$ factor、 $$ 4 $$ factor composition。 觀察： $$ F(k) $$ 是否隨組合數： $$ k $$ 下降。 --- # 96. Composition Load Curve 定義： $$ \boxed{ Q_{\mathrm{comp}}(k) = \mathbb E \left[ F_{\mathrm{contract}} \mid k\text{-factor composition} \right]. } $$ 這可以測「組越多越容易崩」的程度。 --- # 97. Interaction Explosion 若： $$ Q_{\mathrm{comp}}(k) $$ 快速下降，可能表示： - factorization 不夠局部； - conflict graph 不完整； - generator capacity 不足； - evaluator / workflow 不足。 --- # 98. MVP Phase 5：Conflict Injection 故意建立： - identity conflict； - style conflict； - geometry conflict； - constraint contradiction； - version mismatch。 系統應： $$ \boxed{ \text{detect} \neq \text{silently blend}. } $$ --- # 99. Fail-Closed Composition 對 hard conflict： $$ \mathcal K(S_i,S_j) = 0, $$ 應： $$ S_i\oplus S_j = \bot $$ 或產生 repair proposal。 --- # 100. Soft Conflict 某些 conflict 可調權重： ```text style A 0.7 style B 0.3 ``` 這是 mixture，不是 exact factor swap。 應標記不同 operation type。 --- # 101. Operation Type Taxonomy 至少分： - replace； - merge； - interpolate； - constrain； - suppress； - inherit； - branch； - override。 不能全部叫 compose。 --- # 102. Replace $$ S_i \leftarrow S_i'. $$ --- # 103. Merge $$ S_i = Merge(S_i^A,S_i^B). $$ --- # 104. Interpolate 若 factor space 支援： $$ S_i(\alpha) = (1-\alpha)S_i^A + \alpha S_i^B. $$ 但這只對有合法幾何的 representation 使用。 不能對 arbitrary symbolic seed 假裝向量化。 --- # 105. Constraint Intersection $$ \Omega' = \Omega_A \cap \Omega_B. $$ 這與 merge 不同。 --- # 106. Override priority： $$ A>B. $$ 衝突時保留 A。 --- # 107. Composition Lineage 每次： $$ S_C = S_A \oplus S_B $$ 保存： ```text parents: A B operation: factor swap factor: style ``` 後續才能 rollback。 --- # 108. Factor Round-Trip Audit 任何可逆宣稱都要測： $$ R \rightarrow R' \rightarrow R''. $$ 並記： $$ D_{\mathrm{rt}}. $$ --- # 109. Mutation 與 Composition 的差別 Mutation： $$ S_i \rightarrow S_i+\Delta. $$ Composition： $$ S_i^A \leftarrow S_i^B. $$ 兩者應分開。 GSRT-07 會把 mutation 用於 navigation。 --- # 110. Factor Distance 對 factor family： $$ \mathcal F_i, $$ 可定義： $$ d_i \left( S_i^A,S_i^B \right). $$ 但 metric 必須 factor-specific。 style distance 與 identity distance 不同。 --- # 111. Composition Search 如果 factor library 很大： $$ |\mathcal F|\gg1, $$ 不能暴力枚舉。 需用： - compatibility graph； - retrieval； - evaluator； - search policy。 這又銜接 GSRT-07。 --- # 112. Factor Library vs Artifact Library Artifact Library： $$ \{S_A,S_B,S_C\}. $$ Factor Library： $$ \{ S_A^{\mathrm{id}}, S_A^{\mathrm{style}}, S_B^{\mathrm{comp}}, S_C^{\mathrm{light}}, \ldots \}. $$ 後者提供更細粒度 reuse。 --- # 113. Artifact Seed 仍應保留 即使 factorization 成功，也不應只保存拆解 factors。 因為： $$ \boxed{ \text{whole seed} \neq \text{unordered factor bag}. } $$ whole seed 還保存： - coupling； - composition order； - calibration； - emergent interactions。 --- # 114. Whole–Factor Dual Storage 建議： $$ \boxed{ \text{Whole Seed} + \text{Factor Views} + \text{Interaction Graph}. } $$ 而不是只保存 factors。 --- # 115. Factor Reconstruction Completeness 若從 factors： $$ (S_1,\ldots,S_k) $$ 重新 assemble： $$ \widetilde S, $$ 應測： $$ G(\widetilde S) \approx G(S). $$ 定義： $$ \boxed{ F_{\mathrm{assemble}} = F \left( G(\widetilde S), G(S) \right). } $$ --- # 116. Factorization Loss 定義： $$ \boxed{ L_{\mathrm{fact}} = 1 - F_{\mathrm{assemble}}. } $$ 若很高，表示拆分本身遺失 whole-seed interactions。 --- # 117. Residual Seed 若 factors 無法完全解釋 whole seed，可保留： $$ \boxed{ S_{\mathrm{res}} } $$ 使： $$ S \approx Compose \left( S_1,\ldots,S_k,S_{\mathrm{res}} \right). $$ --- # 118. Irreducible Residue Conjecture ### Conjecture GSRT-04-E 實務 seed factorization 可能普遍需要 residual： $$ S_{\mathrm{res}} \neq \varnothing. $$ 它保存： - cross-factor interaction； - emergent calibration； - generator-specific residue； - unmodeled structure。 --- # 119. 不強迫 Residual 消失 若為了漂亮 factorization 把： $$ S_{\mathrm{res}} $$ 硬分配到錯誤 factor，會造成 semantic collapse。 所以： $$ \boxed{ \text{unexplained residue} > \text{false disentanglement}. } $$ --- # 120. Minimal Factor Basis 給 task family $\mathcal Q$，可研究最小 factor basis： $$ \boxed{ \mathcal B_{\mathcal Q}^{\star} = \arg\min_{\mathcal B} C(\mathcal B) } $$ subject to： - reconstruction； - intervention locality； - composition； - preservation。 但同 GSRT-02，不宣稱容易找到全域最小。 --- # 121. Factor Basis 不唯一 可能： $$ \mathcal B_1 \neq \mathcal B_2 $$ 但 performance 相近。 這很正常。 因此研究： $$ [\mathcal B]_{\varepsilon} $$ near-equivalent factorization classes。 --- # 122. Factor Ontology Evolution Seed Library 早期可能用： ```text style composition identity ``` 後期發現： ```text style: line palette shading ``` ontology 會演化。 所以 factor IDs 必須版本化。 --- # 123. Cross-Version Projection 舊： $$ S_{\mathrm{style}}^{v1} $$ 可投影到： $$ ( S_{\mathrm{line}}^{v2}, S_{\mathrm{palette}}^{v2}, S_{\mathrm{shading}}^{v2} ). $$ 需要 migration witness。 這是 GSRT-08 的 interface。 --- # 124. Factorization 與 Multimodality GSRT-04 先處理： $$ \text{within-modality factorization}. $$ 下一篇 GSRT-05 才問： > 不同模態 factors 是否有共同上層生成元？ 例如： $$ \text{rhythm} $$ 是否可投影到： - music timing； - video cut rhythm； - prose cadence。 --- # 125. Falsification Condition 1：No Locality 如果所有 intervention： $$ \Lambda_i \approx1 $$ 或更低，且 collateral drift 與 target effect 同級，則目前 factorization 無 operational modularity。 --- # 126. Falsification Condition 2：No Portability 若 factor 只能放回原 seed： $$ P_i^{\mathrm{port}} \approx0, $$ 則它只是 local parameterization，不是 reusable factor。 --- # 127. Falsification Condition 3：No Composition Advantage 若 factor composition 的結果不比重新 prompt / random sampling 更可控，則 Seed Library composability advantage 不獲支持。 --- # 128. Falsification Condition 4：Whole Seed Always Dominates 若 factorized assembly： $$ F_{\mathrm{assemble}} $$ 持續顯著低於 whole seed，而且 residual 幾乎等於 whole seed 大小，則 factorization 工程價值很低。 --- # 129. Falsification Condition 5：Conflict Undetectability 如果 incompatible factors 經常 silent blend，且系統無法預測 failure，則 composition runtime 不可靠。 --- # 130. Falsification Condition 6：Factor Labels Are Cosmetic 若把 factor labels 隨機置換，intervention / composition performance 幾乎不變，表示 system 可能沒有真正利用 factor semantics。 --- # 131. Falsification Condition 7：No Cross-Base Consistency 如果同一 factor intervention 在不同 base seed 上 effect direction 完全不一致： $$ C_i^{\mathrm{effect}} \approx0, $$ 則該 factor 不應升級為 library primitive。 --- # 132. Falsification Condition 8：Unsupervised Ontology Is Arbitrary 若不同 extractor 提出的 factorization 彼此無法映射，且 intervention 表現也沒有穩定優勢，則不存在目前可用的 shared factor ontology。 --- # 133. 六個核心猜想 ## C1 — Operational Factorization 某些 artifact family 存在 task-relative、非唯一但穩定的 factorization。 ## C2 — Local Intervention 部分 factors 可造成高 target effect 與低 preservation leakage。 ## C3 — Coupled Blocks 不可約耦合 block 是正常結構，不是 factorization 失敗本身。 ## C4 — Cross-Seed Composability 不同 seed 的部分 factors 可在 compatibility contract 下交換。 ## C5 — Composition Generalization factorized seed 可產生罕見但合法的新組合。 ## C6 — Library Leverage 可重用 factors 與合法 compatibility edges 可提高 library 的 generative reuse capacity。 --- # 134. 本文不主張的事情 本文不主張： 1. 世界有唯一真正 factorization； 2. latent disentanglement 可以無監督唯一恢復； 3. factor 一定統計獨立； 4. identity / style / geometry 是所有生成器共同 canonical axes； 5. 任意 factors 都能組； 6. composition operator 具有交換律； 7. composition operator 具有結合律； 8. factorization 一定降低 seed size； 9. factorization 可取代 whole seed； 10. factor library 可直接取代 evaluator； 11. ISQL 已經定義 factor ontology； 12. 多模態共享 factor 已經成立。 --- # 135. 本文真正建立的新層 GSRT-01 到 03 的核心： $$ \text{Artifact} \rightarrow \text{Seed} \rightarrow \text{Reconstruction}. $$ GSRT-04 增加： $$ \boxed{ \text{Seed} \rightarrow \text{Factors} \rightarrow \text{Intervention} \rightarrow \text{Composition} \rightarrow \text{New Seed}. } $$ 因此： $$ \boxed{ \text{reconstructive memory} \rightarrow \text{operable generative memory}. } $$ --- # 136. 對 Seed Library 的直接意義 如果 GSRT-04 不成立： Seed Library 仍可保存： $$ \{S_A,S_B,S_C,\ldots\} $$ 作為完整 artifact seeds。 如果 GSRT-04 成立： Seed Library 可以同時保存： $$ \boxed{ \text{whole seeds} + \text{factor library} + \text{compatibility graph} + \text{lineage}. } $$ 這是質變。 --- # 137. 從「抽卡」到「組裝」的第一個必要條件 沒有 factorization： ```text prompt -> sample -> sample -> sample ``` 有 factorization： ```text retrieve identity retrieve composition retrieve lighting validate compatibility compose seed generate evaluate ``` 因此： $$ \boxed{ \text{factorization} } $$ 是從 sampling 走向 navigation / assembly 的必要工程前件之一。 --- # 138. 與 GSRT-05 的接口 GSRT-04 建立： $$ S_{\mathrm{text}}, S_{\mathrm{image}}, S_{\mathrm{music}}, \ldots $$ 各自可有 factor basis。 下一篇問： > 這些 basis 上面是否還存在共同 meta-generative factors？ 即： $$ S_{\mathrm{meta}} \rightarrow \left\{ S_T, S_I, S_M, S_V, \ldots \right\}. $$ 這就是： # **GSRT-05 — Cross-Modal Generative Seeds and Shared Generative Meta-Space** --- # 139. 結論 生成種子只有能重建，仍不足以完成 Seed Library 的最終目標。 真正的 generative memory 需要： $$ \boxed{ \text{reconstruction} + \text{local editability} + \text{factor transfer} + \text{compatibility} + \text{composition} + \text{lineage}. } $$ 本文因此把 seed factorization 定義成 operational problem，而不是 ontology faith。 一個 factor 是否「真的存在」，在 GSRT-04 中不是問： > 模型內部是否有一顆純粹 latent neuron 對應它？ 而是問： > 當我們把它當成一個可保存生成單元時，能否穩定地改它、換它、保護其他屬性、放到別的 seed、驗證效果並追蹤失敗？ 因此本文的核心準則是： $$ \boxed{ \text{Factor} = \text{Reusable Intervention Boundary}. } $$ 而不是： $$ \text{Factor} = \text{Named Field}. $$ 若未來實驗顯示： $$ \Lambda_i \gg1, $$ $$ L_i^{\mathrm{pres}} \approx0, $$ $$ P_i^{\mathrm{port}} \gg0, $$ 並且 donor–recipient swap 可反覆成功，則「成功 artifact 可以被拆成可重用 generative knowledge」將獲得實質支持。 如果反而發現： - factors 高度纏結； - whole seed interactions 無法保存； - portability 接近零； - composition 不優於重抽； 那麼 Seed Library 應保持 artifact-level，而不能過度宣稱模組化生成。 這使 GSRT-04 同時提供正向路線與負向停止條件。 它不是保證所有生成內容都能像積木一樣拆。 它是在問： $$ \boxed{ \text{Which parts of successful generation can genuinely become reusable building blocks?} } $$ --- # 參考文獻 1. Higgins, I., Matthey, L., Pal, A., Burgess, C. P., Glorot, X., Botvinick, M. M., Mohamed, S., & Lerchner, A. (2017). *beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework*. International Conference on Learning Representations. 2. Chen, X., Duan, Y., Houthooft, R., Schulman, J., Sutskever, I., & Abbeel, P. (2016). InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets. *Advances in Neural Information Processing Systems 29*. 3. Locatello, F., Bauer, S., Lucic, M., Raetsch, G., Gelly, S., Schölkopf, B., & Bachem, O. (2019). Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations. *Proceedings of the 36th International Conference on Machine Learning*, PMLR 97, 4114--4124. 4. Karras, T., Laine, S., & Aila, T. (2019). A Style-Based Generator Architecture for Generative Adversarial Networks. *Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition*, 4401--4410. 5. Liu, N., Li, S., Du, Y., Torralba, A., & Tenenbaum, J. B. (2022). *Compositional Visual Generation with Composable Diffusion Models*. European Conference on Computer Vision. 6. Neo.K. (2026). *生成種子重建猜想：從已生成 Artifact 到可重用生成狀態*. GSRT-01. 7. Neo.K. (2026). *最小可重建種子與生成重建複雜度：Seed Budget 曲線、側資訊與重建臨界區域*. GSRT-02. 8. Neo.K. (2026). *共享模型先驗與跨 AI 模糊語義解碼：Seed、解碼負擔與潛在中介表示*. GSRT-03. 9. Neo.K. (2026). *AI 生成繪圖中的多重約束域算子、風格核一致性與代理式控制*. 10. Neo.K. (2026). *從記憶保存到認知重建：長期 AI 記憶的生成基底、再生性遺忘與認知等價*. 11. Neo.K. (2026). *認知原子因果基底命題：後設完備基底、稠密與表層稀疏主 AI 的跨尺度生成架構*. 12. Neo.K. (2026). *Adaptive Multimodal Editing Runtime*. AMER v0.1. --- # Appendix A. Canonical Operational Factor Definition 對 factor： $$ S_i, $$ 介入： $$ \mathcal I_i : S_i \mapsto S_i'. $$ 若： $$ \Lambda_i = \frac{ \left\| \Delta \mathbf F_i^{\mathrm{target}} \right\| }{ \left\| \Delta \mathbf F_i^{\mathrm{collateral}} \right\| + \epsilon_0 } $$ 足夠高，且： $$ L_i^{\mathrm{pres}} $$ 足夠低、effect consistency 與 portability 足夠高，則 $S_i$ 為目前 task / generator 下的 operational factor candidate。 --- # Appendix B. Canonical Composition Block $$ \boxed{ \oplus_{\mathcal K} : \mathcal S \times \mathcal S \rightharpoonup \mathcal S. } $$ 只在 compatibility contract： $$ \mathcal K $$ 通過時定義。 --- # Appendix C. Factor Experiment Record ```yaml gsrt04_factor_test: experiment_id: artifact_id: seed_id: generator: model: version: workflow: factor: factor_id: factor_type: factor_version: payload_hash: target_coordinates: protected_coordinates: dependencies: validity_domain: intervention: operation: donor_seed: recipient_seed: before_factor_hash: after_factor_hash: evaluation: target_effect: collateral_effect: locality_ratio: preservation_leakage: transfer_score: preservation_score: round_trip_drift: compatibility: type_ok: dependency_ok: exclusivity_ok: preservation_ok: version_ok: result: pass: coupled_block_candidate: split_candidate: merge_candidate: notes: ``` --- # Appendix D. Factor Library Object ```yaml generative_factor: id: version: modality: factor_type: payload: source_artifacts: source_seeds: extractor: generator_scope: target_coordinates: protected_coordinates: dependencies: incompatibilities: compatible_factors: intervention_signature: effect_consistency: portability: confidence: provenance: status: ``` --- # Appendix E. Canonical Claim Strength 本文目前允許： $$ \boxed{ \text{Some reconstructive seeds may admit task-relative operational factorization whose components support local intervention and conditional cross-seed reuse.} } $$ 本文目前不允許： $$ \boxed{ \text{All generative artifacts possess a unique, naturally disentangled, universally composable factor basis.} } $$ --- **文件結束**