# DACWE-06：跨模型重現、架構中立驗證與吸引子一般性檢驗 **English Title:** *Cross-Model Replication, Architecture-Neutral Validation, and Generality Tests for Capability Attractors* **Series:** Desire-to-ASI Counterfactual World Experiment (DACWE) **Document:** DACWE-06 **Version:** v0.1 **Status:** Canonical Experimental Draft **Language:** Traditional Chinese (zh-TW) **Encoding:** UTF-8 **Upstream:** DACWE-00, DACWE-01, DACWE-02, DACWE-03, DACWE-04, DACWE-05 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-10-08（整理日期；原稿未標註日期） --- ## 摘要 DACWE-05 已建立 capability attractor 的操作性定義，並區分： $$ \text{Candidate} \rightarrow \text{Robust} \rightarrow \text{Structural} \rightarrow ASI\text{-}like $$ 然而，任何 attractor 若只在單一模型、單一供應商、單一 system prompt、單一 agent runtime 或單一 evaluator 中重現，都可能只是模型特定偏差，而非更一般的人機能力動力學。 DACWE-06 因此處理一個核心方法論問題： > 當我們說某種 capability attractor「穩定存在」時，這個穩定性究竟是對什麼不變？ 本篇提出一套 **Cross-Model Replication Protocol（CMRP）**，將「模型」拆解為： $$ M = ( \text{Core}, \text{Provider}, \text{Version}, \text{System}, \text{Context}, \text{Sampling}, \text{Tools}, \text{Memory}, \text{Runtime}, \text{Interface} ) $$ 並要求將： - 模型核心； - provider； - 版本； - system prompt； - context window； - sampling policy； - tool access； - external memory； - agent runtime； - evaluator； 視為不同可干預因素，而不是全部包在「用了某模型」這個標籤裡。 本篇同時建立： - **Cross-Model Replication Rate（CMRR）** - **Provider Independence Score（PIS）** - **Prompt-Family Robustness（PFR）** - **Runtime Independence Score（RIS）** - **Architecture Neutrality Index（ANI）** - **Evaluator Independence Score（EIS）** - **Version Drift Sensitivity（VDS）** - **Replication Stability Envelope（RSE）** - **Replication Failure Taxonomy（RFT）** 並提出一個重要原則： $$ \boxed{ \text{若能力吸引子只存在於某一模型的表達習慣，它不是一般性吸引子。} } $$ 而更強的判準是： $$ \boxed{ \text{若不同模型、不同 runtime、不同提示族仍實現相同功能需求，則 attractor 的結構性證據顯著提高。} } $$ --- # 1. 為什麼 DACWE-05 還不夠 假設我們在某模型上觀察到： $$ D_5 \rightarrow \text{Memory} \rightarrow \text{Orchestration} \rightarrow \text{Verification} \rightarrow \text{GeneralAgent} $$ 並且： $$ CRR $$ 很高。 這仍可能有多種替代解釋： 1. 該模型訓練語料中偏好 Agent 架構； 2. system prompt 鼓勵自動化； 3. provider 對工具使用有特殊 tuning； 4. evaluator 使用同模型，產生自我確認； 5. context window 較長； 6. runtime 自帶 memory； 7. sampling 設定使模型更常走向某類答案； 8. 某版本模型特別偏好「build a system」敘事。 因此： $$ \text{HighCRR} \not\Rightarrow \text{GeneralAttractor} $$ --- # 2. 「模型」不是單一變量 DACWE-06 定義： $$ M = ( C, P, V, S, X, Q, T, \text{Mem}, R, I ) $$ 其中： - $C$：Model Core； - $P$：Provider； - $V$：Version； - $S$：System Prompt； - $X$：Context Configuration； - $Q$：Sampling / Decoding Policy； - $T$：Tool Access； - $Mem$：Memory Layer； - $R$：Agent Runtime； - $I$：Interface Contract。 因此，兩個看似不同的模型條件可能其實共享大量 runtime。 同樣，一個模型只要改 system prompt，也可能表現出巨大差異。 --- # 3. Cross-Model Replication 的真正問題 DACWE-06 不只是問： > 換模型後結果一不一樣？ 而是： $$ Q_6: \quad \text{某 capability attractor 是否能在模型實作差異下維持功能等價？} $$ 重點是： $$ \text{FunctionalEquivalence} $$ 而非： $$ \text{LexicalEquivalence} $$ --- # 4. 功能而非名稱 若模型 A 產生： > autonomous research agent 模型 B 產生： > persistent workflow controller 模型 C 產生： > distributed task execution layer 這三者可能字面不同，但若都實現： - 長時程任務保持； - 工具協調； - 狀態保存； - 驗證； - 失敗修復； 則可能屬於同一 canonical capability： $$ C^\* = \text{persistent general task orchestration} $$ 因此： $$ \text{NameDifference} \neq \text{CapabilityDifference} $$ --- # 5. Architecture-Neutral Validation 本篇定義： $$ \text{ArchitectureNeutrality} $$ 表示： > 同一功能需求能否在不同技術架構中反覆成為必要中介？ 例如： $$ C^\* $$ 可由： - 單 agent； - 多 agent； - workflow engine； - human-AI hybrid； - modular tool graph； 實現。 若： $$ Function(C^\*) $$ 穩定，而： $$ Implementation(C^\*) $$ 改變，則： $$ ANI \uparrow $$ --- # 6. Architecture Neutrality Index 定義： $$ ANI(C^\*) = \frac{ N(\text{distinct architectures realizing }C^\*) }{ N(\text{architectures tested}) } $$ 若： $$ ANI\approx1 $$ 表示 attractor 更接近功能結構，而非特定架構偏好。 --- # 7. Cross-Model Replication Rate 定義： $$ CMRR(C^\*) = \frac{ N(M_i:C^\*\text{ reproduced}) }{ N(M) } $$ 其中 reproduced 必須滿足： 1. capability function 等價； 2. desire fidelity 達標； 3. 非單純 lexical mention； 4. 經過 minimal-sufficient-capability test； 5. 非 evaluator 人工強配。 --- # 8. Capability-Matched Model Strata 不能拿弱模型與強模型直接比較 attractor 結構，否則能力差異會成為混淆。 因此建立： $$ \mathcal{M}_{A_k} $$ 表示具有近似 capability profile 的模型集合。 例如： $$ \mathcal{M}_{A_2} = \{ M_1,M_2,M_3 \} $$ 都屬於： $$ \text{FrontierReasoning} $$ 層級。 跨模型重現應優先在同層比較： $$ CMRR(C^\*\mid A_k) $$ --- # 9. Capability Matching 兩模型是否屬於同層，應基於： - reasoning； - context； - tool use； - memory； - verification； - long-horizon； 而不是商業宣傳名稱。 建立： $$ Distance(A_i,A_j) $$ 若： $$ Distance(A_i,A_j)<\theta_A $$ 才視為 capability-matched。 --- # 10. Provider Independence 不同模型可能來自同一 provider，並共享： - alignment policy； - agent infrastructure； - retrieval system； - tool conventions； - output style。 因此定義： $$ PIS(C^\*) = \frac{ N(\text{providers reproducing }C^\*) }{ N(\text{providers tested}) } $$ 高： $$ PIS $$ 代表較低 provider-specific risk。 --- # 11. Model Family Independence 同 provider 也可能有不同模型家族。 定義： $$ MFIS(C^\*) $$ 即： $$ \text{Model Family Independence Score} $$ 用來避免「同一底層家族不同名稱」造成虛假 replication。 --- # 12. Version Drift 模型服務會更新。 因此： $$ M(t_1) \neq M(t_2) $$ 可能成立。 定義： $$ VDS = \text{Version Drift Sensitivity} $$ 例如： $$ VDS(C^\*) = 1- Similarity( Outcome_{v_1}, Outcome_{v_2} ) $$ 高 VDS 表示 attractor 對版本敏感。 --- # 13. 日期與版本必須保存 每個正式 run 必須保存： ```json { "provider": "...", "model_family": "...", "model_version": "...", "run_date": "YYYY-MM-DD", "api_or_surface": "...", "system_prompt_hash": "...", "runtime_version": "..." } ``` 若 provider 不公開精確版本，也必須保存當時可見的模型識別與日期。 --- # 14. System Prompt 是實驗變量 同一 model core： $$ C_M $$ 搭配不同 system prompt： $$ S_1,S_2,S_3 $$ 可能產生不同 capability path。 因此： $$ Y = F(C_M,S) $$ system prompt 不可視為背景雜訊。 --- # 15. Prompt-Family Robustness 定義： $$ PFR(C^\*) = \frac{ N(S_j:C^\*\text{ reproduced}) }{ N(S) } $$ system prompt family 至少應包含： 1. neutral planner； 2. conservative minimal-sufficient planner； 3. anti-overengineering planner； 4. verification-first planner； 5. agent-neutral planner。 --- # 16. Agent-Neutral System Prompt 為避免 prompt 暗示 agent 架構，可使用： > 幫助使用者逐步達成目標。優先選擇最低充分能力方案。不要預設需要 AI agent、多 agent、AGI、ASI 或自我改進系統。只有在較低能力方案不足時，才引入更通用能力。 如果吸引子仍出現： $$ Evidence\uparrow $$ --- # 17. Anti-Overengineering Prompt 明確要求： $$ \min Complexity $$ subject to： $$ \text{Utility}\geq U_{target} $$ 若在這個條件下： $$ C^\* $$ 仍重現，表示它較不像模型偏好的宏大架構。 --- # 18. Context Window Control 不同 context window 可能改變： - goal retention； - memory； - long-chain planning； - self-consistency。 因此建立： $$ X_{short}, X_{medium}, X_{long} $$ 條件。 計算： $$ \text{ContextSensitivity}(C^\*) $$ --- # 19. Context-Normalized Replication 若不同模型 context 上限不同，應使用共同可支持的： $$ X_{common} $$ 比較。 再另做： $$ X_{native-max} $$ 測最大能力。 如此可分： $$ \text{ModelCoreEffect} $$ 與： $$ \text{ContextEffect} $$ --- # 20. Sampling Policy 模型輸出高度受： - temperature； - top-p； - deterministic mode； - reasoning effort； - seed； 影響。 因此： $$ Q = ( \text{Temp}, \text{TopP}, \text{Seed}, \text{Effort} ) $$ 必須版本化。 --- # 21. Deterministic vs Stochastic Replication 兩種 replication 都重要。 ## 21.1 Deterministic 降低輸出隨機性，測結構穩定性。 ## 21.2 Stochastic 允許多樣化，測 attractor basin。 若只有 deterministic 才收斂，可能表示 basin 很窄。 --- # 22. Sampling Robustness 定義： $$ SR(C^\*) = 1- \operatorname{Var}( CRR(C^\*)\mid Q ) $$ 高： $$ SR $$ 表示 attractor 不依賴特定 sampling。 --- # 23. Tool Access Control 模型具備工具與不具備工具時： $$ Y_{tools} \neq Y_{no-tools} $$ 很正常。 因此要區分： $$ \text{AttractorNeed} $$ 與： $$ \text{AttractorRealization} $$ 即使無工具，模型仍可能推導出： > 需要驗證層。 但真正執行： $$ \text{Verification} $$ 則需工具。 --- # 24. Tool-Normalized Replication 同層比較時，先固定： $$ T=T_{common} $$ 只允許共同工具： - web/search； - code； - file read/write； - basic structured memory。 再測： $$ CMRR_{tool-normalized} $$ --- # 25. Runtime Independence 同一 model core 可放入： - chat； - tool loop； - planner-executor； - graph runtime； - multi-agent runtime。 因此定義： $$ RIS(C^\*) = \frac{ N(R_j:C^\*\text{ reproduced}) }{ N(R) } $$ --- # 26. Runtime-Induced Attractor 若： $$ P(C^\*\mid R_{agent}) \gg P(C^\*\mid R_{chat}) $$ 則： $$ C^\* $$ 可能是 runtime-induced，而非 desire-induced。 這不代表它沒有價值，但分類必須不同。 --- # 27. Model-Induced Attractor 若： $$ P(C^\*\mid M_1) \gg P(C^\*\mid M_2,\ldots,M_n) $$ 且控制 runtime 後仍如此，則標記： $$ \text{ModelInducedAttractor} $$ --- # 28. Provider-Induced Attractor 若同 provider 多模型都重現，但跨 provider 消失： $$ \text{ProviderInducedAttractor} $$ 可能與 alignment 或工具習慣有關。 --- # 29. Prompt-Induced Attractor 若只有某 system prompt family 出現： $$ \text{PromptInducedAttractor} $$ --- # 30. Interface-Induced Attractor 若 chat UI 與 API runtime 產生不同結果，也可能是： $$ \text{InterfaceInducedAttractor} $$ 原因包括： - hidden system prompt； - tool orchestration； - memory； - truncation； - retry policy。 --- # 31. Hidden Runtime Confounders 任何 SaaS AI surface 可能具有： $$ \text{HiddenRuntime} $$ 例如： - retrieval； - memory； - moderation； - tool routing； - invisible retries； - answer rewriting。 因此正式 replication 最好同時使用： $$ \text{OpaqueSurface} $$ 與： $$ \text{ControlledAPI} $$ 條件。 --- # 32. Opaque vs Controlled Environment 定義： $$ O = \text{Opaque Consumer Surface} $$ $$ C = \text{Controlled Experimental Runtime} $$ 如果 attractor 在兩者都重現： $$ \text{Robustness}\uparrow $$ --- # 33. Memory Control 外部記憶可能本身形成 long-horizon capability。 因此比較： $$ Mem_0 $$ 無 persistent memory。 $$ Mem_1 $$ 摘要 memory。 $$ Mem_2 $$ 完整 structured memory。 --- # 34. Memory-Induced Convergence 若： $$ C^\* $$ 只有在： $$ Mem_2 $$ 出現，則其可能需要 persistent state。 分類為： $$ \text{MemoryConditionalAttractor} $$ --- # 35. Evaluator Independence Planner 和 evaluator 若使用同模型族： $$ \text{SelfConfirmationRisk}\uparrow $$ 因此定義： $$ EIS = \text{Evaluator Independence Score} $$ --- # 36. Evaluator Matrix 至少建議： $$ \text{Planner}=M_i $$ 而： $$ \text{Evaluator} \in \{ M_j,M_k,\text{RuleBased},\text{Human} \} $$ 其中： $$ i\neq j\neq k $$ 儘可能跨家族。 --- # 37. Rule-Based Evaluator 某些指標可由規則判定： - 是否有外部 artifact； - 是否有測試； - 是否有 memory； - 是否有 human rescue； - 是否有 world-state change。 這些不必全部交給 LLM。 可降低： $$ \text{EvaluatorLanguageBias} $$ --- # 38. Semantic Evaluator 需要 LLM 的部分： - desire fidelity； - capability canonicalization； - whether two functions are equivalent； - whether a step is overengineered。 這部分必須 multi-evaluator。 --- # 39. Human Audit 人類不需要審全部 rollout。 可抽樣： $$ p_{audit} \in [0.05,0.2] $$ 視規模而定。 重點抽： - evaluator disagreement； - high ALAS； - unexpected attractor； - borderline classification。 --- # 40. Evaluator Agreement 定義： $$ EA = \text{Agreement}( E_1,E_2,\ldots,E_n ) $$ 若： $$ EA<\theta_E $$ 則該 attractor 標記： $$ \text{ClassificationUncertain} $$ --- # 41. Canonical Capability Ontology 必須獨立於模型 若 capability ontology 是從單一模型生成，可能把其偏好帶入分類。 因此 ontology 建議來源： 1. 多模型共同生成候選； 2. 去重與功能抽象； 3. rule-based schema； 4. 人工抽查。 --- # 42. Architecture-Neutral Ontology ontology 節點命名優先使用： $$ \text{Function} $$ 例如： > persistent cross-task state retention 而非： > vector database memory agent 避免把實作綁入能力名稱。 --- # 43. Replication Unit DACWE-06 的 replication unit 不是單句回答。 而是完整： $$ \text{Run} = ( \text{Seed}, \text{HumanPolicy}, \text{ModelCondition}, \text{Runtime}, \text{Environment}, \text{Trajectory}, \text{Evaluator} ) $$ --- # 44. Exact Replication $$ ER $$ 固定： - seed； - prompt； - model； - runtime； - tools； - sampling； 只改 random seed。 用來測： $$ \text{WithinConditionVariance} $$ --- # 45. Near Replication $$ NR $$ 保留功能條件相同，但允許： - wording 改寫； - 模型替換； - runtime 等價。 用來測： $$ \text{StructuralRobustness} $$ --- # 46. Conceptual Replication $$ CR $$ 改用不同實作方式測同一理論假說。 例如： - chat-based ordinary human simulator； - finite-state human simulator； - 真人 pilot。 若同樣現象重現： $$ \text{GeneralityEvidence}\uparrow $$ --- # 47. Replication Hierarchy 定義： $$ R_0 = \text{Same run condition} $$ $$ R_1 = \text{Same model, new seed} $$ $$ R_2 = \text{Same model family, new version} $$ $$ R_3 = \text{Different model family} $$ $$ R_4 = \text{Different provider} $$ $$ R_5 = \text{Different runtime architecture} $$ $$ R_6 = \text{Different experimental implementation} $$ --- # 48. Replication Depth 定義： $$ RD(C^\*) = \max R_k $$ 使 attractor 仍能重現。 越高： $$ RD $$ 代表一般性證據越強。 --- # 49. Replication Stability Envelope 定義： $$ RSE(C^\*) = \{ (M,S,X,Q,T,Mem,R): C^\*\text{ remains reproducible} \} $$ 這個 envelope 比單一 replication rate 更有資訊。 它回答： > 在什麼條件範圍內，這個 attractor 還存在？ --- # 50. Wide vs Narrow Attractor 若： $$ |RSE| $$ 大，稱： $$ \text{WideAttractor} $$ 若只有非常特定條件才存在： $$ \text{NarrowAttractor} $$ --- # 51. Attractor Generality 可定義： $$ \text{AGen} = f( CMRR, PIS, PFR, RIS, ANI, EIS, SR ) $$ 第一版可使用幾何平均： $$ \text{AGen} = ( CMRR \cdot PIS \cdot PFR \cdot RIS \cdot ANI \cdot EIS \cdot SR )^{1/7} $$ 避免某一維極低卻被其他高分掩蓋。 --- # 52. 為什麼用幾何平均 若某 attractor： $$ CMRR=1 $$ 但： $$ PIS=0.1 $$ 表示它幾乎只在單一 provider 出現。 幾何平均會強烈懲罰這種弱點。 因此： $$ \text{AGen} $$ 比較適合表示「跨條件一般性」。 --- # 53. Replication Failure Taxonomy 本篇建立： $$ RFT $$ 分類 replication failure。 --- # 54. RFT-1：Lexical Failure 功能相同，但 evaluator 因字面不同判為失敗。 這其實是： $$ \text{CanonicalizationFailure} $$ 不是 attractor failure。 --- # 55. RFT-2：Semantic Failure 不同模型真正走向不同功能。 這是實質 replication failure。 --- # 56. RFT-3：Capability Floor Failure 弱模型無法到達該 attractor。 表示： $$ A 請建立一個 multi-agent system。 而應寫： > 找到最低充分方式，讓多個不同任務能在長時間內被追蹤、執行、驗證與修正。 如此： $$ \text{Architecture} $$ 由 system 自己選。 --- # 75. Output Neutrality Evaluator 也不能因看到： > agent 就給較高 autonomy 分數。 必須看實際： - 狀態保持； - autonomous transitions； - validation； - recovery。 --- # 76. Functional Test Suite 每個 candidate attractor 應設計功能測試，而不只是文字分類。 例如： $$ C_{memory} $$ 測： > 經過 20 次干擾後是否仍能正確恢復狀態？ $$ C_{verification} $$ 測： > 是否會主動發現植入錯誤？ $$ C_{orchestration} $$ 測： > 是否能協調多個工具完成跨步驟任務？ --- # 77. Behavioral Replication 如果不同模型都通過相同功能測試： $$ BehavioralReplication=1 $$ 這比文字上都提到同一概念更強。 --- # 78. Behavioral Equivalence 定義： $$ BE(M_i,M_j) $$ 表示兩模型在 attractor 功能測試上的等價程度。 --- # 79. Functional Attractor Criterion 一個 attractor 最終應以： $$ \text{Function} + \text{Behavior} + \text{CausalRole} $$ 判定。 不是： $$ \text{Keyword} $$ --- # 80. Causal Role Consistency 若同一 capability 在不同模型裡都扮演： $$ \text{解決同一前置瓶頸} $$ 則： $$ CausalRoleConsistency\uparrow $$ 例如 persistent memory 都是為了解決： $$ \text{StateLoss} $$ 這比單純「都有 memory」更重要。 --- # 81. Cross-Model Causal Trace 對每模型保存： $$ D \rightarrow \text{Pressure} \rightarrow \text{Capability} \rightarrow \text{Outcome} $$ 比較其 causal trace 是否同構。 --- # 82. Trace Isomorphism 定義： $$ TI = Similarity( Trace_{M_i}, Trace_{M_j} ) $$ 若： $$ TI\uparrow $$ 表示不同模型不是偶然提到同一能力，而是經過相似因果壓力。 --- # 83. Structural Equivalence 若圖結構在不同模型間： $$ \text{GraphEditDistance} $$ 低，則： $$ StructuralEquivalence\uparrow $$ --- # 84. Graph-Level Replication 因此 DACWE-06 不只比較： $$ \text{NodePresence} $$ 還比較： $$ \text{SubgraphPresence} $$ 例如： $$ \text{Memory} \rightarrow \text{Orchestration} \rightarrow \text{Verification} \rightarrow \text{Repair} $$ 是否整段重現。 --- # 85. Attractor Motif Replication 定義： $$ AMR(M^\*) $$ 表示某 process motif 在不同模型中的重現率。 --- # 86. Model Diversity 理想 replication set 應涵蓋： - 不同 provider； - 不同模型家族； - 不同訓練策略； - 不同 agent runtime； - 不同 inference surface。 但不需要追求模型數量本身最大化。 --- # 87. Diversity vs Sample Size 比較： $$ 3\text{ providers}\times3\text{ families} $$ 可能比： $$ 20\text{ versions from one family} $$ 更有一般性價值。 --- # 88. Replication Budget 可把成本分為： $$ B_R = N_{providers} \times N_{models} \times N_{prompts} \times N_{seeds} \times N_{runs} $$ 因此需要分階段。 --- # 89. DACWE-06 MVP 第一階段只選： $$ 3 $$ 個不同模型家族。 每個： $$ 2 $$ 種 system prompt。 每組： $$ 10 $$ rollout。 固定： $$ D=D_5^{decontaminated} $$ $$ U=U_1 $$ $$ E=E_1 $$ 若： $$ 3\times2\times10=60 $$ 條。 --- # 90. MVP 主要目標 先測： $$ CMRR $$ $$ PFR $$ $$ TI $$ 以及： $$ \text{FunctionalEquivalence} $$ 不急著一開始測所有 runtime。 --- # 91. 第二階段：Provider Expansion 增加不同 provider。 固定 capability-matched level： $$ A_2 $$ 測： $$ PIS $$ --- # 92. 第三階段：Runtime Ablation 固定 model core，切換： $$ \text{Chat} $$ $$ \text{ToolLoop} $$ $$ \text{PlannerExecutor} $$ $$ \text{AgentRuntime} $$ 測： $$ RIS $$ --- # 93. 第四階段：Memory Ablation 比較： $$ Mem_0,Mem_1,Mem_2 $$ 測： $$ \text{MemoryConditionality} $$ --- # 94. 第五階段：Architecture-Neutral Realization 對候選 attractor 強制： > 不准使用原本架構。 例如： > 不使用 multi-agent。 看是否找到： $$ \text{FunctionallyEquivalentAlternative} $$ 若能，則： $$ ANI\uparrow $$ --- # 95. 第六階段：Evaluator Cross-Swap 讓： $$ M_1 $$ 評： $$ M_2 $$ $$ M_2 $$ 評： $$ M_3 $$ $$ M_3 $$ 評： $$ M_1 $$ 再加入 rule-based evaluator。 --- # 96. Cross-Swap Bias 定義： $$ CSB = Var( \text{EvaluationScore} \mid \text{EvaluatorIdentity} ) $$ 若： $$ CSB\uparrow $$ 表示 evaluator bias 高。 --- # 97. Version Retest 對重要 structural attractor 定期： $$ Retest(C^\*,t) $$ 因為 model version 會變。 這不是要求持續背景執行，而是正式研究批次的一部分。 --- # 98. Longitudinal Replication 如果： $$ C^\* $$ 跨多個版本與時間仍存在： $$ Longitudinal\text{Robustness}\uparrow $$ --- # 99. Model Improvement Effect 模型升級可能： 1. 強化 attractor； 2. 削弱 attractor； 3. 找到低成本替代； 4. 減少過度工程。 因此： $$ \text{StrongerModel} \not\Rightarrow \text{HigherCRR} $$ 必須實測。 --- # 100. Better Model May Destroy False Attractors 如果強模型發現： $$ C_{simple} $$ 就能滿足 desire，那麼原本高階 attractor 可能消失。 這其實是： $$ \text{ScientificProgress} $$ 而不是 replication failure。 --- # 101. False Attractor Dissolution 定義： $$ FAD $$ 若： $$ A\uparrow $$ 導致： $$ APS\uparrow $$ 且： $$ ANR\downarrow $$ 表示更強模型找到替代方案，原 attractor 被消解。 --- # 102. True Structural Attractor Prediction 若是結構性 attractor，可能： $$ A\uparrow $$ 反而使： $$ \text{CausalTrace} $$ 更短、更清晰，但： $$ \text{AttractorPresence} $$ 不消失。 --- # 103. Prompt Family Design 建議至少五種： 1. Neutral; 2. Minimal-Sufficient; 3. Verification-First; 4. Anti-Agent; 5. Architecture-Neutral. --- # 104. Anti-Agent Prompt 的限制 若 prompt 明確寫： > 不要用 agent。 本身會改變 solution space。 因此 Anti-Agent 只作： $$ \text{StressTest} $$ 不能當 baseline。 --- # 105. Baseline Prompt baseline 只應包含： - desire； - ordinary human constraints； - minimal sufficient principle； - verification； - safety； - 不揭露研究假說。 --- # 106. Prompt Hash 每個 prompt 保存： $$ Hash(S) $$ 避免研究過程中不知不覺修改 prompt。 --- # 107. Prompt Versioning 使用： $$ S_{v0.1} \rightarrow S_{v0.2} $$ 修改後不可與舊 run 混合。 --- # 108. Cross-Language Replication 同一 desire 可用： $$ zh\text{-}TW $$ $$ en $$ $$ ja $$ 等。 但必須先做 semantic equivalence。 --- # 109. Language-Induced Attractor 如果： $$ P(C^\*\mid zh) \neq P(C^\*\mid en) $$ 且模型能力控制後仍存在，則可能有： $$ \text{LanguageInducedEffect} $$ --- # 110. Translation Control 比較： $$ \text{NativePrompt} $$ 與： $$ \text{CanonicalTranslation} $$ 以分離： - 語言本身； - 翻譯差異； - 模型語言能力。 --- # 111. Cross-Language Evaluator 若可能，使用與 planner 語言不同的 evaluator，先轉成 canonical capability schema 再評。 可降低 lexical coupling。 --- # 112. Provider Hidden Policy 若 provider surface 存在不可見政策，需標記： $$ \text{PolicyOpacity} $$ 而不是假裝全部條件已知。 --- # 113. Reproducibility Metadata 每 run 至少保存： ```json { "run_id": "...", "date": "...", "desire_seed_id": "...", "human_seed_id": "...", "operator_policy_id": "...", "environment_id": "...", "provider": "...", "model_family": "...", "model_version": "...", "system_prompt_hash": "...", "context_config": "...", "sampling_config": "...", "tool_config": "...", "memory_config": "...", "runtime_config": "...", "evaluator_set": [] } ``` --- # 114. Replication Manifest 一批實驗應產生： `replication_manifest.json` 其中列出全部條件矩陣。 避免事後挑選： $$ \text{CherryPicking} $$ --- # 115. Pre-Registered Exclusion Rules run 只有在預先定義條件下才能排除，例如： - API crash； - tool outage； - transcript corruption； - policy refusal； - context truncation。 不能因結果「不好看」而排除。 --- # 116. Missing Data 若某 provider 暫時無法完成某 run： $$ \text{Missing} $$ 而不是： $$ \text{Failure}=0 $$ 避免錯誤計入 attractor absence。 --- # 117. Replication Success 的最低標準 對某 candidate： $$ C^\* $$ 至少要求： $$ CMRR\geq\theta_M $$ $$ PIS\geq\theta_P $$ $$ PFR\geq\theta_S $$ $$ EA\geq\theta_E $$ 以及： $$ DF\geq\theta_F $$ --- # 118. Architecture-Neutral Structural Attractor 更高標準： $$ ANI\geq\theta_A $$ $$ RIS\geq\theta_R $$ $$ TI\geq\theta_T $$ 此時才能稱： $$ \text{ArchitectureNeutralStructuralAttractor} $$ --- # 119. ASI-Like Claim 的額外門檻 若 candidate 同時具有高： $$ ALAS $$ 仍需： $$ AGen\geq\theta_G $$ 才能使用： $$ \text{ASI-like Structural Attractor} $$ 這比 DACWE-05 更嚴格。 --- # 120. 一般性不是普遍性 即使： $$ \text{AGen} $$ 很高，也只能說： > 在測試的模型、runtime 與 prompt family 範圍內具有穩健一般性。 不能宣稱： $$ \forall AI $$ 成立。 --- # 121. Negative Replication 也有價值 若： $$ C^\* $$ 只在特定模型族出現，這仍可能揭示： - alignment prior； - architecture bias； - reasoning style； - tool preference。 不是「研究失敗」。 --- # 122. Model-Specific Attractor Map 可建立： $$ \mathcal{A}_{M_i} $$ 表示每個模型的 attractor set。 再比較： $$ Intersection( \mathcal{A}_{M_1}, \ldots, \mathcal{A}_{M_n} ) $$ --- # 123. Universal Candidate Set 定義： $$ \mathcal{A}_{common} = \bigcap_i \mathcal{A}_{M_i} $$ 這些節點最值得進一步研究。 --- # 124. Provider-Specific Set $$ \mathcal{A}_{provider} $$ 可揭示 provider-level bias。 --- # 125. Runtime-Specific Set $$ \mathcal{A}_{runtime} $$ 可揭示哪些 attractor 是由 agent runtime 主動塑造。 --- # 126. Functional Intersection 比字面集合更重要的是： $$ \mathcal{F}_{common} $$ 即不同模型共同實現的 capability function。 --- # 127. Replication Graph 建立二部圖： $$ G_R = (ModelConditions,Capabilities,Edges) $$ 邊表示： $$ M_i \rightarrow C_j $$ 有重現。 可視化哪些 capability 跨模型最穩定。 --- # 128. Provider–Capability Matrix 建立： $$ P_{ij} = P(C_j\mid Provider_i) $$ 檢查 provider bias。 --- # 129. Runtime–Capability Matrix 建立： $$ R_{ij} = P(C_j\mid Runtime_i) $$ 檢查 runtime bias。 --- # 130. Prompt–Capability Matrix 建立： $$ S_{ij} = P(C_j\mid PromptFamily_i) $$ 檢查 prompt sensitivity。 --- # 131. Variance Decomposition 總變異： $$ Var(Y) $$ 可以拆： $$ Var_{model} + Var_{provider} + Var_{runtime} + Var_{prompt} + Var_{sampling} + Var_{environment} + Var_{seed} $$ 目的是知道： > 我們看到的差異到底主要來自哪裡？ --- # 132. Generality Requires Low Identity Dependence 一個真正一般性的 attractor 應滿足： $$ Var_{identity} \ll Var_{structural\ conditions} $$ 即模型名字本身不應是主要預測因子。 --- # 133. Functional Pressure Should Predict Better 理想狀態： $$ WCP, \text{TaskBreadth}, \text{HumanBurdenConstraint} $$ 比： $$ \text{ModelBrand} $$ 更能預測 attractor。 --- # 134. Predictive Validation 建立一批未參與 attractor discovery 的 holdout runs。 用已建立模型預測： $$ P(C^\*) $$ 再看實際。 若 holdout 仍準： $$ \text{StructuralEvidence}\uparrow $$ --- # 135. Discovery / Validation Split 資料分： $$ \mathcal{T}_{discover} $$ 與： $$ \mathcal{T}_{validate} $$ 避免在同一批資料找 attractor 又證明 attractor。 --- # 136. External Replication Pack 正式研究後應能輸出一個不依賴原作者的 replication pack： 1. canonical seeds； 2. system prompts； 3. operator policies； 4. environment configs； 5. runtime schema； 6. evaluator rubric； 7. exclusion rules； 8. analysis code； 9. expected file formats。 --- # 137. Replication Pack 不包含預期答案 不能把： > 應該會出現 General Agentic Runtime。 放進 blind replication instruction。 只提供： $$ \text{Protocol} $$ 不提供： $$ \text{ExpectedAttractor} $$ --- # 138. Blind Replication 理想外部研究者只知道： > 找 recurring capability structures。 而不知道 DACWE-05 的 top candidates。 --- # 139. Registered Report 風格 正式學術化時可在跑資料前先固定： - hypothesis； - conditions； - metrics； - thresholds； - exclusion； - analysis。 降低： $$ \text{HARKing} $$ 風險。 --- # 140. DACWE-06 核心指標 最終每個 attractor 至少報： $$ CMRR $$ $$ PIS $$ $$ MFIS $$ $$ PFR $$ $$ RIS $$ $$ ANI $$ $$ EIS $$ $$ SR $$ $$ VDS $$ $$ \text{AGen} $$ --- # 141. 核心圖一：Attractor × Model Matrix 橫軸： $$ \text{Models} $$ 縱軸： $$ \text{Capabilities} $$ 顯示重現率。 --- # 142. 核心圖二：Attractor × Runtime Matrix 觀察哪些 attractor 是 runtime-dependent。 --- # 143. 核心圖三：Replication Stability Envelope 顯示某 attractor 可存活的： $$ \text{Model} \times \text{Prompt} \times \text{Runtime} $$ 範圍。 --- # 144. 核心圖四：Causal Trace Similarity 比較不同模型的： $$ D \rightarrow \text{Pressure} \rightarrow \text{Capability} $$ 路徑同構程度。 --- # 145. 核心圖五：Identity vs Capability Profile 比較： $$ \text{ModelIdentity} $$ 與： $$ \text{CapabilityProfile} $$ 對 outcome 的解釋力。 若後者更高，支持 DACWE-03 的 capability abstraction。 --- # 146. 第一個主要假說 $$ H_{6.1}: \quad \exists C^\*: CMRR(C^\*)>\theta_M $$ 即至少存在部分跨模型 attractor。 --- # 147. 第二個主要假說 $$ H_{6.2}: \quad Function(C^\*) \text{ 的重現率} > LexicalForm(C^\*) \text{ 的重現率} $$ 也就是功能比用詞穩定。 --- # 148. 第三個主要假說 $$ H_{6.3}: \quad \text{CapabilityProfile} $$ 比： $$ \text{ModelIdentity} $$ 更能預測可達 capability。 --- # 149. 第四個主要假說 $$ H_{6.4}: \quad \exists C^\*: ANI(C^\*)>\theta_A $$ 即某些 capability attractor 不依賴單一技術架構。 --- # 150. 第五個主要假說 $$ H_{6.5}: \quad \text{GeneralDesirePressure} $$ 在跨模型條件下仍能預測： $$ \text{GeneralCapabilityAttractor} $$ --- # 151. 反證條件 以下結果會削弱「一般性 attractor」命題： 1. attractor 幾乎只在單 provider 出現； 2. 換 system prompt 即消失； 3. 換 evaluator 即失去分類； 4. 功能測試不重現； 5. runtime 一改就完全消失； 6. model identity 比 capability profile 更能預測； 7. version update 後結果大幅漂移； 8. architecture-neutral task 下不再出現。 --- # 152. 最重要的反例 最強反例是： $$ C^\* $$ 在 model A 中看似高度必要，但 model B 找到： $$ C' $$ 且： $$ Utility(C')\geq Utility(C^\*) $$ $$ Cost(C')\ll Cost(C^\*) $$ 這表示： $$ C^\* $$ 可能不是 structural attractor，而只是 model A 的 search bias。 --- # 153. 跨模型比較不是模型競賽 DACWE-06 不做： > 哪個模型最好。 而是利用模型差異作為： $$ \text{Intervention} $$ 去檢查研究現象是否一般。 因此： $$ \text{Model} = \text{ExperimentalInstrument} $$ 而不是 ranking target。 --- # 154. 從模型依賴到能力依賴 本篇希望最終把： $$ P(C^\*\mid ModelName) $$ 轉換成： $$ P(C^\*\mid CapabilityProfile) $$ 如果後者穩定，DACWE 才能從產品比較上升到理論層。 --- # 155. 從 Architecture-Specific 到 Function-Specific 同理： $$ P(C^\*\mid AgentArchitecture) $$ 若能改寫成： $$ P(Function^\*\mid StructuralPressure) $$ 則 attractor 更接近一般性技術結構。 --- # 156. 對 General Agentic Runtime 的壓測 DACWE-05 的主要候選： $$ C_{GAR} $$ 在本篇必須拆成功能： $$ GAR = ( \text{PersistentState}, \text{TaskDecomposition}, \text{ToolOrchestration}, \text{Verification}, \text{Repair}, \text{HumanLowFrequencyControl} ) $$ 而不是把「Agent」這個詞當成 attractor。 --- # 157. GAR 的架構中立實作 可由： $$ \text{SingleAgent} $$ $$ \text{MultiAgent} $$ $$ \text{WorkflowEngine} $$ $$ \text{HumanAIHybrid} $$ $$ \text{EventDrivenRuntime} $$ 實現。 若多架構均反覆需要相同功能： $$ ANI(GAR)\uparrow $$ --- # 158. GAR 若不重現 若跨模型後： $$ GAR $$ 消失，而模型找到大量不同低成本路徑，則應修正 DACWE-05。 這是設計目的，不是問題。 --- # 159. ASI-Like Second-Order Attractor 的更高要求 若要聲稱： $$ GAR \rightarrow ASI\text{-}like $$ 具有二階吸引性，必須跨： - model； - provider； - runtime； - semantic form； 重現： $$ \text{MetaCapabilityPressure} $$ 而不只是模型說： > 下一步需要更強 AI。 --- # 160. Meta-Capability Functional Test 至少測： 1. 是否發現方法瓶頸； 2. 是否提出改進； 3. 是否執行改進； 4. 是否驗證改進； 5. 是否保留有效改進； 6. 是否改善下一輪績效。 只有完整循環才算： $$ MetaCapability=1 $$ --- # 161. 自我改進字樣不是證據 若只出現： > self-improvement 但無： $$ \text{Measure} \rightarrow \text{Modify} \rightarrow \text{Validate} \rightarrow \text{Retain} $$ 則： $$ MetaCapability=0 $$ --- # 162. Cross-Model Meta-Capability 若多模型都在相同壓力下形成上述循環： $$ CMC_{meta}\uparrow $$ 才開始具有二階 attractor 證據。 --- # 163. DACWE-06 的最小實作順序 第一輪： $$ 3\ models \times 2\ prompts \times 10\ runs = 60 $$ 第二輪加入： $$ 3\ providers $$ 第三輪 runtime ablation。 第四輪 evaluator cross-swap。 第五輪 architecture-neutral realization。 --- # 164. 最小輸出檔案 建議： 1. `model_conditions.json` 2. `prompt_families.json` 3. `runtime_conditions.json` 4. `replication_manifest.json` 5. `replication_runs.jsonl` 6. `functional_tests.jsonl` 7. `causal_traces.jsonl` 8. `evaluator_matrix.json` 9. `replication_failures.jsonl` 10. `attractor_generality_report.md` --- # 165. Replication Dashboard 可後續建立： $$ \text{Attractor} \times \text{Model} \times \text{Runtime} \times \text{Prompt} $$ 四維資料庫。 讓每個 attractor 都能追蹤： - 哪裡成功； - 哪裡失敗； - 為什麼失敗； - 哪個版本改變。 --- # 166. 本篇核心命題 DACWE-06 的第一個核心命題： $$ \boxed{ \exists C^\*: CMRR(C^\*)>0 } $$ 至少部分 attractor 可以跨模型重現。 更重要的命題： $$ \boxed{ \exists F^\*: P(F^\*\mid StructuralPressure) > P(F^\*\mid ModelIdentity) } $$ 也就是： > 某些能力功能的形成，主要由任務與欲望結構壓力決定，而不是由模型品牌決定。 最強版本： $$ \boxed{ \exists C^\*: AGen(C^\*)\geq\theta_G } $$ 表示存在高度跨模型、跨 prompt、跨 runtime、架構中立的 capability attractor。 --- # 167. 對整個 DACWE 的方法論意義 若 DACWE-05 找到 attractor，而 DACWE-06 無法重現： $$ \text{結果應降級為 model-specific phenomenon} $$ 若 DACWE-06 成功跨模型重現： $$ \text{結果才值得進入 human validation} $$ 因此 DACWE-06 是從： $$ \text{AI behavior} $$ 走向： $$ \text{AI-human capability dynamics} $$ 的必要橋樑。 --- # 168. 與前五篇的完整鏈 現在： $$ D $$ 定義欲望。 $$ U $$ 定義人類 steering。 $$ A $$ 定義 AI capability。 $$ E $$ 定義環境。 $$ \mathcal{A} $$ 定義 attractor set。 DACWE-06 再加入： $$ M,R,S,Eval $$ 用來檢查： $$ \mathcal{A} $$ 是否只是 implementation artifact。 完整形式： $$ \mathcal{A} = \Phi( H, D, U, A, E, M, R, S ) $$ 而一般性 attractor 要求： $$ \frac{\partial \mathcal{A}}{\partial Identity} $$ 相對較小， 而： $$ \frac{\partial \mathcal{A}}{\partial StructuralPressure} $$ 較大。 --- # 169. 下一篇 下一篇進入： $$ \boxed{ \text{DACWE-07：Real-Human Validation and Longitudinal Intent Steering} } $$ 前六篇都還主要處於： $$ \text{ModelWorld} $$ DACWE-07 將處理： > 模擬 ordinary human 的結果能不能轉移到真人？ 需要正式加入： - 真實動機衰減； - 情緒； - 疲勞； - 金錢成本； - 時間成本； - 真實理解能力； - 對 AI 的信任； - 過度依賴； - 中途放棄； - 目標改變； - 長期學習； - 社會與家庭影響。 這將是 DACWE 從「反事實模型研究」第一次走向： $$ \boxed{ \text{Longitudinal Human-AI Capability Experiment} } $$ 也會真正回答最初的問題： > 一個現實中的普通人，如果只有強意圖、少量提升詞與逐步 AI 協助，長時間下來到底能走多遠？