--- 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： 1. Addition； 2. Omission； 3. Identity swap； 4. Semantic mutation； 5. 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： 1. 哪個畫面較自然？ 2. 哪個角色身份較一致？ 3. 哪個影片較穩定？ 4. 哪個 transition 較不突兀？ 5. 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： $$ C_{revisit} 立刻商業化即時 cloud neural rendering。 只需證明： $$ \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 $$ 不能忽略。 --- # 173. Artifact Package 每次 benchmark run 產生： ```text run_manifest.json world_trace.jsonl observer_profile.json plan_receipts.jsonl execution_receipts.jsonl truth_receipts.jsonl network_metrics.csv gpu_metrics.csv quality_metrics.csv frames/ videos/ summary.md ``` --- # 174. Reproducibility Manifest 至少： - code commit； - config hash； - GPU / driver； - OS； - engine version； - model / provider； - model revision if available； - network condition； - random seed； - benchmark fixture hash。 --- # 175. Opaque Provider 若 provider 不提供 exact model revision： $$ \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}. $$ 用於 temporal metrics。 --- # 187. OSR Benchmark Report 報告分四頁： 1. Hard constraint pass/fail； 2. Pareto frontier； 3. Metric distributions； 4. Failure cases。 不要先放一張漂亮 hero screenshot 就結束。 --- # 188. Failure Gallery 生成： - addition； - omission； - drift； - pop； - cloud stale； - fallback visible degradation。 這對改進比只看成功案例更有價值。 --- # 189. Pareto Plot 可畫： $$ \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 1. 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. 2. Neo.K. *我們到底想看什麼？觀察者、目的與顯現場*. OSR-01, v0.1, 2026. 3. 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. 4. Neo.K. *異質渲染場：Raster、Ray、Neural、Semantic 與 Reuse 的統一選擇*. OSR-03, v0.1, 2026. 5. 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. 6. 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. 7. Neo.K. *分散式 AI 原生渲染：Local World、Cloud Intelligence 與 Temporal Reconstruction*. OSR-06, v0.1, 2026. 8. EveMissLab. *APR — Adaptive Perceptual Reading / Agentic Perception Runtime*. https://github.com/kakon77777-commits/APR 9. EveMissLab. *MRMIC/NVCL*. https://github.com/kakon77777-commits/MRMIC_NVCL 10. EveMissLab. *PNCW — Projection-Native Computational World*. https://github.com/kakon77777-commits/PNCW ## 外部品質／渲染／系統研究 11. 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 12. 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 13. 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. 14. NVIDIA ADLR. *DLSS 5: Generative Neural Rendering*. Published 2026-09-01. https://research.nvidia.com/labs/adlr/DLSS5/ 15. 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/ 16. 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/ 17. 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/ 18. NVIDIA CloudXR SDK. *Network Setup*. https://docs.nvidia.com/cloudxr-sdk/latest/requirement/network_setup.html 19. NVIDIA CloudXR SDK. *Network Test and Session Quality*. https://docs.nvidia.com/cloudxr-sdk/latest/usr_guide/cloudxr_framework/network_quality.html 20. 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 ```text 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 ```text 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 ```text 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。**