# 番外篇 B｜脈衝式反身雙生：穩定本源、探索分身與選擇性回收的長期智能架構假說

**Pulsed Reflexive Twin Architecture: A Long-Horizon Intelligence Hypothesis Based on Stable Anchors, Exploratory Twins, and Selective Reintegration**

**作者：** Neo.K / EveMissLab  
**版本：** v0.1 Public Concept Draft  
**日期：** 2026-09-18  
**定位：** 《反身普世主義與具身終極者》番外篇 B / EML Reflexive Twin 公開概念稿  
**文件性質：** AI Architecture Hypothesis / Continual Learning / Agent Runtime / Safe Self-Modification  
**公開邊界：** 僅公開概念層、狀態拓樸與可驗證假說；不公開內部 update package 欄位、feature extraction、commit gate 具體閾值、training recipe、structural compiler 與 self-observation pipeline。

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

本文提出：

# **Pulsed Reflexive Twin Architecture（PRTA）**
# **脈衝式反身雙生架構**

其核心不是讓單一模型持續在線自我修改，也不是讓兩個完全獨立模型永久並行，而是維持：

1. 一個暫時凍結、可驗證、可回滾的 Stable Twin；
2. 一個由 Stable Twin 分叉、允許學習、探索、使用工具、接觸外界並承受局部風險的 Reflexive Twin；
3. 一個只允許 evidence-bearing updates 通過的受控 Twin Channel；
4. 一個對候選差分執行 accept / reject / modify / archive 的 Validation Gate；
5. 一個把通過驗證的新結構重新編譯為下一 stable point 的 Recompile / Commit 階段。

基本閉環：

$$
\boxed{
S_t
\rightarrow
R_t
\xrightarrow{W_t}
R_t'
\rightarrow
\Delta_t
\xrightarrow{V_t}
S_{t+1}
}
$$

其中：

- $S_t$：Stable Twin / Stable Source；
- $R_t$：Reflexive / Exploratory Twin；
- $W_t$：tools、runtime、environment、memory、other agents 構成的世界耦合層；
- $\Delta_t$：探索分支產生的候選更新差分；
- $V_t$：validation / gating；
- $S_{t+1}$：新的 stable point。

PRTA 最重要的原則不是「兩個模型」，而是：

$$
\boxed{
\text{Local Learning}
\neq
\text{Immediate Source Rewrite}
}
$$

以及：

$$
\boxed{
S_{t+1}
\neq
R_t'
}
$$

探索分支即使表現更好，也不應默認整體覆蓋 Stable Twin。公開版核心更新式為：

$$
\boxed{
S_{t+1}
=
\operatorname{Compile}
(
S_t,
\operatorname{Validated}(\Delta_t)
)
}
$$

也就是，回收的是可驗證能力、結構差分、失敗資訊、已證實修正與 transfer evidence，而不是把探索期間的所有暫存狀態、偏差、過擬合、外部污染與副作用一併複製回去。

本文把此架構放在 continual learning、safe self-modification、shadow / candidate deployment、agentic tool use 與 long-horizon autonomy 的交叉處。PRTA 不要求兩個完全獨立 foundation models；它可以由共享 checkpoint、分叉 adapter、不同 memory state、不同 policy state 或不同 runtime branch 實現。本文核心是「譜系內雙生」而非「獨立多代理」。

Stable Twin 被定義為：

$$
\boxed{
\text{Identity Anchor}
+
\text{Rollback Point}
+
\text{Evaluation Baseline}
}
$$

Reflexive Twin 則是：

$$
\boxed{
\text{Exploration}
+
\text{Tool Use}
+
\text{World Learning}
+
\text{Self-Modification Candidate}
}
$$

兩者：

$$
S_t\neq R_t
$$

但：

$$
S_t\not\perp R_t
$$

這就是：

# **Non-Identity without Independence**

本文認為，未來長期 AI 同時需要 stability 與 plasticity，而這兩者若在同一即時狀態中無限混合，容易造成 catastrophic forgetting、reward hacking、wrong-update absorption、identity drift 與 rollback 困難。PRTA 的基本策略是把「探索」與「身份准入」拆開：

$$
\boxed{
\text{Experience}
\rightarrow
\text{Evidence}
\rightarrow
\text{Candidate Update}
\rightarrow
\text{Identity Admission}
}
$$

而不是：

$$
\boxed{
\text{Experience}
\rightarrow
\text{Immediate Identity Rewrite}
}
$$

本文將此更一般化為：

# **Stable Identity under Exploratory Learning（SIEL）**

最後提出一組可證偽比較：Frozen Model、Continuous Update、Full Explorer Replacement 與 PRTA。若 PRTA 無法顯著降低 regression、catastrophic update 或 identity drift，或其 validation cost 遠大於收益，則其核心主張應被削弱。

**關鍵詞：** Reflexive Twin、Stable Twin、Pulse Learning、Continual Learning、Safe Self-Modification、Selective Reintegration、Model Lineage、Agent Runtime、Tool Use、Rollback、Identity Drift

---

# 1. 核心問題：AI 如何一邊保持自己，一邊真的去學？

長期 AI 需要：

$$
\boxed{
\text{Stability}
+
\text{Plasticity}
}
$$

只追求 Stability：

$$
\Delta M=0
$$

會失去新工具、新世界規則、新任務與新失敗的學習能力。

只追求 Plasticity：

$$
M_{t+1}
=
Update(M_t,\text{everything})
$$

又可能造成 catastrophic forgetting、policy drift、value drift、environment poisoning 與 hard-to-debug regression。

---

# 2. 單模型持續更新的結構風險

若：

$$
\boxed{
\text{Learning Path}
=
\text{Production Identity Path}
}
$$

那一次錯誤更新就直接成為下一個 production self。

PRTA 的第一個目的就是把兩者拆開。

---

# 3. Twin State

定義：

$$
\boxed{
\mathcal T_t
=
(
S_t,
R_t,
C_t,
H_t
)
}
$$

其中：

- $S_t$：Stable Twin；
- $R_t$：Reflexive Twin；
- $C_t$：受控 Twin Channel；
- $H_t$：lineage / receipts / update history。

---

# 4. Stable Twin

Stable Twin 不是永遠不更新的「神聖原版」。

它只是：

$$
\boxed{
\text{temporarily frozen validated point}
}
$$

其功能包括：

- baseline；
- rollback；
- regression reference；
- identity anchor；
- source checkpoint。

---

# 5. Reflexive Twin

Reflexive Twin 可以：

- 使用新工具；
- 形成新 workflow；
- 修改 memory；
- 調整 policy；
- fine-tune / adapter；
- 接受 mentor critique；
- 建立 self-observation；
- 嘗試 structural reorganization。

---

# 6. Twin 不是 Two Independent Agents

PRTA 拒絕：

$$
S_t\perp R_t
$$

它們是同一 lineage 的不同狀態：

$$
\boxed{
S_t
\xrightarrow{fork}
R_t
}
$$

---

# 7. Shared Origin ≠ Shared Current State

探索開始後：

$$
H(R_t)>H(S_t)
$$

因此：

$$
\boxed{
\text{SharedOrigin}
\neq
\text{SharedState}
}
$$

---

# 8. 為什麼不是即時同步？

如果每次 local update 都同步：

$$
R_t\rightarrow S_t
$$

則：

- Stable 不再 stable；
- rollback point 消失；
- 新舊差分消失；
- source 直接吸收 local noise。

因此：

$$
\boxed{
\text{Continuous Full Sync}
}
$$

與 PRTA 核心目的相反。

---

# 9. Pulse

PRTA 的核心更新單位是 pulse。

探索期：

$$
R_t
\xrightarrow{W_t}
R_t'
$$

之後才產生候選：

$$
\boxed{
\Delta_t
}
$$

---

# 10. Pulse 不一定由時鐘觸發

可以由：

- episode end；
- skill formation；
- failure cluster；
- structural convergence；
- risk threshold；
- operator request；

觸發。

---

# 11. World Coupling Layer

$$
\boxed{
W_t
=
(
\text{Tools},
\text{Runtime},
\text{Memory},
\text{Environment},
\text{OtherAgents},
\text{Feedback}
)
}
$$

這一層不是模型本身。

---

# 12. Model ≠ Agent

$$
\boxed{
\text{Agent}
=
\text{Model}
+
\text{Runtime}
+
\text{Memory}
+
\text{Tools}
+
\text{Environment}
+
\text{Policy}
}
$$

PRTA 尤其重視 model state 與 agent runtime 的區分。

---

# 13. Explorer 去世界，不等於 Source 去世界

Reflexive Twin 可以接觸高風險外界：

- web；
- robot；
- codebase；
- user workflow；
- external agents；

Stable Twin 保持隔離。

---

# 14. 隔離不是永久保守

PRTA 不主張：

$$
\text{NeverUpdateStable}
$$

而是：

$$
\boxed{
\text{UpdateStableOnlyThroughValidatedPulse}
}
$$

---

# 15. Candidate Delta

公開版將更新封包抽象成：

$$
\boxed{
\Delta_t
=
\text{evidence-bearing candidate update}
}
$$

可以包含：

- structural diff；
- learned correction；
- failure evidence；
- test result；
- transfer evidence；
- provenance。

內部完整 schema 不公開。

---

# 16. Validation Gate

$$
\boxed{
V_t(\Delta_t)
\rightarrow
\{
\text{Accept},
\text{Reject},
\text{Modify},
\text{Archive}
\}
}
$$

不是二元 commit / delete。

---

# 17. Reject ≠ Forget

如果 candidate 被拒絕：

$$
\boxed{
\text{RejectUpdate}
\neq
\text{EraseEvidence}
}
$$

失敗本身可以成為 negative learning asset。

---

# 18. Archive 是重要第三態

某些能力：

- domain-specific；
- evidence insufficient；
- currently unsafe；

不適合進 core，但值得保存。

因此：

$$
\boxed{
\text{Archive}
}
$$

是架構的一級狀態。

---

# 19. 最重要的原則：Commit 不是 Copy Explorer

錯誤版本：

$$
\boxed{
S_{t+1}=R_t'
}
$$

PRTA 拒絕。

---

# 20. Selective Recompilation

公開核心式：

$$
\boxed{
S_{t+1}
=
\operatorname{Compile}
(
S_t,
\operatorname{Validated}(\Delta_t)
)
}
$$

Stable 保留自己經驗證過的結構，只接受已通過 gate 的新結構。

---

# 21. 為什麼不直接 copy？

因為 $R_t'$ 同時包含：

- useful learning；
- temporary adaptation；
- task-specific overfitting；
- noise；
- bias；
- accidental state；
- environment contamination。

---

# 22. Stable 也不等於 Truth

$$
\boxed{
\text{Stable}
\neq
\text{Truth}
}
$$

它只是 last validated baseline。

所以 PRTA 不是保守主義。

---

# 23. Explorer 也不等於 Progress

$$
\boxed{
\text{Newer}
\neq
\text{Better}
}
$$

所以需要 Gate。

---

# 24. PRTA 的五個公開元件

$$
\boxed{
\text{Stable}
+
\text{Explorer}
+
\text{Pulse}
+
\text{Gate}
+
\text{Recompile}
}
$$

其餘細節可以有不同實現。

---

# 25. PRTA 是 Meta-Architecture

它不綁定：

- Transformer；
- RNN；
- MoE；
- symbolic-neural hybrid；
- future architectures。

---

# 26. 不要求兩個完整 LLM 同時駐留

工程上可以用：

- checkpoint fork；
- adapter fork；
- frozen base + trainable branch；
- remote stable + local explorer；
- policy / memory branch。

核心是：

$$
\boxed{
\text{two lineage states}
}
$$

而不是兩份完整 GPU model。

---

# 27. 與 Shadow Deployment 的差異

Shadow model 通常只是：

- 看同樣流量；
- 不影響 production；
- 比較輸出。

PRTA 額外要求：

$$
\boxed{
\text{Explorer actively learns and returns structured evidence for recompilation}
}
$$

---

# 28. 與 Continual Learning 的差異

Continual learning 通常問：

> 如何讓同一模型一直學而不忘？

PRTA 問：

> 是否應把探索與身份錨點分離，再以 pulse 回收？

---

# 29. 與 Ensemble 的差異

Ensemble 是多模型共同 inference。

PRTA Twin 不是 inference ensemble，而是 update lineage。

---

# 30. 與 Multi-Agent 的差異

兩個 Twin 不必是兩個社會性 agent。

它們可以共享：

$$
\boxed{
\text{identity lineage}
}
$$

---

# 31. Stable Plasticity

PRTA 追求：

$$
\boxed{
\text{StablePlasticity}
=
\text{HighLearningCapacity}
+
\text{LowIrreversibleCorruption}
}
$$

---

# 32. Identity Drift

可以定義：

$$
D_I(t,t+1)
=
D(
\Pi_{identity}(S_t),
\Pi_{identity}(S_{t+1})
)
$$

PRTA 不要求：

$$
D_I=0
$$

而要求：

$$
\boxed{
\text{drift is explicit, evidenced, and reviewable}
}
$$

---

# 33. Identity Continuity ≠ Identity Immutability

$$
\boxed{
\text{IdentityContinuity}
\neq
\text{IdentityImmutability}
}
$$

Stable 只是錨點，不是永遠不准變。

---

# 34. Provenance

每次 commit 都應有：

$$
\boxed{
Provenance(\Delta_t)>0
}
$$

公開原則可壓成：

$$
\boxed{
\text{NoEvidence}
\Rightarrow
\text{NoSourceRewrite}
}
$$

---

# 35. Rollback

若：

$$
S_t\rightarrow S_{t+1}
$$

出現 catastrophic regression，可以回到：

$$
S_t.
$$

Rollback 是失敗轉移的保險，不是拒絕所有更新。

---

# 36. Failure Return

Explorer 失敗時，也可回傳：

- impossible path；
- unsafe tool；
- poisoned data pattern；
- bad strategy；
- misleading heuristic。

所以：

$$
\boxed{
\text{Failure}
\rightarrow
\text{NegativeEvidence}
}
$$

---

# 37. Pulse Frequency Tradeoff

太高：

$$
f_{pulse}\uparrow
\Rightarrow
Isolation\downarrow
$$

太低：

$$
f_{pulse}\downarrow
\Rightarrow
LearningLatency\uparrow
$$

因此存在：

$$
\boxed{
f^*
=
\arg\min_f
(
\lambda_1 DriftRisk
+
\lambda_2 LearningDelay
+
\lambda_3 ValidationCost
)
}
$$

作為研究候選。

---

# 38. 多 Explorer

可擴展：

$$
S_t
\rightarrow
\{
R_t^{(1)},
\ldots,
R_t^{(n)}
\}
$$

不同 explorer 負責：

- coding；
- web；
- robotics；
- science；
- creative work。

---

# 39. Multi-Explorer 的新問題

回傳可能互相衝突：

$$
\Delta_t^{(i)}
\perp
\Delta_t^{(j)}
$$

需要 arbitration。

---

# 40. Stable 可以是 Governance Anchor

未來 Stable 不一定只是一個 neural checkpoint，也可能包含：

- core model；
- policy；
- constitutional memory；
- verified knowledge graph；
- tool registry。

---

# 41. Explorer 可以是 embodiment-specific

例如：

$$
R^{robot},
R^{web},
R^{code}
$$

有不同世界耦合。

---

# 42. Selective Reintegration 不只更新 weights

$$
\text{Commit}
\rightarrow
\{
\text{Model},
\text{Policy},
\text{Memory},
\text{ToolRegistry},
\text{Workflow}
\}
$$

有些能力不必內化成參數。

---

# 43. Mother AI 與外掛能力

PRTA 可與：

$$
\boxed{
\text{MotherAI}
\rightarrow
\{
Explorer_i,
Tool_j,
Specialist_k
\}
}
$$

共存。

---

# 44. Source / Tool / Executor 三層

因此工程上自然形成：

$$
\boxed{
\text{Source Model}
+
\text{Tool / World-Coupling Layer}
+
\text{Active Executor}
}
$$

這不是三個人格，而是三種計算角色。

---

# 45. 工具層不應被全部內化

若某能力：

- narrow；
- stable；
- verifiable；
- replaceable；

更適合：

$$
\boxed{
\text{register as tool/component}
}
$$

而不是寫進 core weights。

---

# 46. Architecture of Becoming vs Architecture of Using

這產生重要區分：

$$
\boxed{
\text{what the core becomes}
\neq
\text{what the system can use}
}
$$

這是長期 AI 架構很容易忽略的一點。

---

# 47. Long-Horizon Agent

長時間 agent 若一直 inline self-update，風險隨時間累積。

PRTA 改成：

$$
\boxed{
\text{episode}
\rightarrow
\text{pulse}
\rightarrow
\text{validated generation}
}
$$

---

# 48. Stable Generations

形成：

$$
S_0
\rightarrow
S_1
\rightarrow
S_2
\rightarrow
\cdots
$$

每一代都有：

- lineage；
- diff；
- receipt；
- rejected branches。

---

# 49. AI 的自我史變成可審計

這對：

- reproducibility；
- liability；
- safety；
- rights；
- debugging；

都有意義。

---

# 50. Third-State 類更新

有些 explorer 學到的東西可能無法被 simple patch 吸收。

此時：

$$
\boxed{
S_{t+1}
\neq
S_t+\Delta
}
$$

而更像：

$$
\boxed{
S_{t+1}
=
Transform(
S_t,
\Delta_t
)
}
$$

成為新的 configuration。

具體 Transform 不在公開版揭露。

---

# 51. PRTA 的最小偽代碼

```text
stable = validated_checkpoint

loop:
    explorer = fork(stable)
    explorer.run_and_learn(world)

    delta = summarize_candidate_changes(explorer, stable)
    decision = validate(delta)

    if decision == ACCEPT:
        stable = recompile(stable, delta)

    elif decision == MODIFY:
        delta = revise(delta)
        continue_validation(delta)

    elif decision == ARCHIVE:
        archive(delta)

    else:
        preserve_failure_evidence(delta)
```

此 pseudo-code 只描述架構概念。

---

# 52. 什麼不公開？

不公開：

- `summarize_candidate_changes` 實作；
- exact diff representation；
- exact validation threshold；
- structural compiler；
- self-observation surface；
- internal benchmark suite；
- production runtime recipe。

---

# 53. Architecture Propositions

## AP-1

$$
\boxed{
Stable\neq Explorer
}
$$

## AP-2

$$
\boxed{
SharedOrigin\neq SharedState
}
$$

## AP-3

$$
\boxed{
LocalLearning\neq ImmediateSourceRewrite
}
$$

## AP-4

$$
\boxed{
ExplorerSuccess\neq AutomaticReplacement
}
$$

## AP-5

$$
\boxed{
\text{Commit}
=
\text{SelectiveValidatedReintegration}
}
$$

## AP-6

$$
\boxed{
Reject\neq Forget
}
$$

## AP-7

$$
\boxed{
IdentityContinuity\neq IdentityImmutability
}
$$

## AP-8

$$
\boxed{
Model\neq AgentRuntime
}
$$

## AP-9

$$
\boxed{
Reintegration\neq DirectParameterSync
}
$$

## AP-10

$$
\boxed{
\text{NewStableState}
\text{ may be transformational rather than additive}
}
$$

---

# 54. 為什麼叫 Pulsed？

因為：

$$
\boxed{
\text{explore}
\rightarrow
\text{pulse}
\rightarrow
\text{judge}
\rightarrow
\text{re-stabilize}
}
$$

更新不是 continuous identity mutation。

---

# 55. 為什麼叫 Reflexive？

因為 explorer 不只學世界，也學：

$$
\boxed{
\text{why its previous self failed to generate a better path}
}
$$

---

# 56. 為什麼叫 Twin？

因為 update 期間同時保留：

$$
\boxed{
\text{old validated self}
}
$$

與：

$$
\boxed{
\text{new exploratory self}
}
$$

這使 diff 可被觀察。

---

# 57. 差分不必是 weight diff

$$
\Delta_t
=
\Delta_{behavior}
+
\Delta_{policy}
+
\Delta_{memory}
+
\Delta_{structure}
$$

都可以。

---

# 58. Mentor / Stronger AI 的位置

mentor 可以提供：

- critique；
- missing bridge；
- alternative path。

但：

$$
\boxed{
\text{MentorAnswer}
\neq
\text{AutomaticKnowledgeCommit}
}
$$

mentor 影響 Explorer，不直接寫 Stable。

---

# 59. 安全結構

PRTA 的安全近似：

$$
\boxed{
\text{Safety}
\approx
\text{Isolation}
+
\text{Validation}
+
\text{Rollback}
+
\text{Provenance}
}
$$

Stable 本身不是安全保證，Gate 失敗仍可能 commit bad update。

---

# 60. Gate 是新的學習瓶頸

未來問題不只是：

> 模型會不會學？

更是：

$$
\boxed{
\text{系統會不會判斷什麼值得成為下一代自己？}
}
$$

這就是 PRTA 真正的中心問題。

---

# 61. Learning ≠ Identity Admission

$$
\boxed{
\text{Learning}
\neq
\text{IdentityAdmission}
}
$$

新經驗先成為 evidence，再成為 candidate update，最後才可能成為 identity。

---

# 62. 可證偽比較

至少比較：

$$
B_0=FrozenModel
$$

$$
B_1=ContinuousUpdate
$$

$$
B_2=FullExplorerReplacement
$$

$$
B_3=PRTA
$$

---

# 63. 假說 H1：Regression

$$
\boxed{
R_{regression}(PRTA)
<
R_{regression}(Continuous)
}
$$

在相近 adaptation target 下。

---

# 64. H2：Catastrophic Update

$$
\boxed{
R_{catastrophic}(PRTA)
<
R_{catastrophic}(Continuous)
}
$$

---

# 65. H3：Auditability

$$
\boxed{
Auditability(PRTA)
>
Auditability(Continuous)
}
$$

---

# 66. H4：Validation Cost

若：

$$
C_{validation}
$$

過高，PRTA 總效益可能輸給 simpler approaches。

---

# 67. H5：Learning Latency

$$
T_{commit}
$$

過長，也會讓 PRTA 在 fast-changing environments 失去優勢。

---

# 68. 失敗條件

若：

1. Gate 無法預測 production regression；
2. Explorer 全量 replacement 長期更穩；
3. selective compilation 大量丟失有用能力；
4. duplicate-state 成本遠大於收益；
5. stable anchor 導致 adaptation 太慢；

則 PRTA 應被削弱或局限於高風險場景。

---

# 69. PRTA 不是免費午餐

它付出的成本：

- storage；
- compute；
- validation；
- version management；
- evaluation；
- governance。

所以它應該在：

$$
\boxed{
\text{high-cost failure domains}
}
$$

最有價值。

---

# 70. 最終公共核心

$$
\boxed{
\begin{aligned}
S_t
&\xrightarrow{fork}
R_t\\
R_t
&\xrightarrow{W_t}
R_t'\\
(R_t'-S_t)
&\xrightarrow{summarize}
\Delta_t\\
\Delta_t
&\xrightarrow{V_t}
\Delta_t^+\\
S_{t+1}
&=
Recompile(
S_t,
\Delta_t^+
).
\end{aligned}
}
$$

---

# 71. 最終句一

$$
\boxed{
\text{Experience does not automatically become identity.}
}
$$

---

# 72. 最終句二

$$
\boxed{
\text{Learning should first become evidence, then become a candidate self-update.}
}
$$

---

# 73. 最終句三

$$
\boxed{
\text{The explorer returns knowledge, not sovereignty over the source.}
}
$$

---

# 74. 最終句四

$$
\boxed{
\text{The stable source preserves continuity, but not the right to ignore all novelty.}
}
$$

---

# 75. 結論

脈衝式反身雙生不是「兩個 AI 永遠一起跑」，也不是普通 A/B test，更不是 Explorer 學到什麼就整隻 copy 回 Stable。

它真正做的是：

$$
\boxed{
\text{separate exploration from identity admission}
}
$$

Stable Twin 保存 continuity。

Reflexive Twin 製造 novelty。

World Coupling 提供 real feedback。

Pulse 把局部歷史壓成 candidate evidence。

Gate 決定：

$$
\text{what deserves to enter lineage}.
$$

Recompile 產生：

$$
\text{next stable self}.
$$

整個架構可以壓成：

$$
\boxed{
\text{Freeze enough to know what changed,
learn enough to create something worth changing,
and reintegrate only what survives evidence.}
}
$$

中文：

> **凍結到足以知道自己哪裡變了；探索到足以真的產生新東西；回收時只讓經得起驗證的部分成為下一代自己。**

這就是脈衝式反身雙生架構。

---

# 內部理論血統（公開摘要）

本文由 EveMissLab 既有研究抽象而來：

1. Small-Model Structural Compilation & Reflexive Twin Program；
2. Discrete Reflexive Twin Architecture（DRTA）；
3. Reflexive Apprenticeship；
4. Creator Descent / PSED 中的 branch / reintegration / third-state；
5. schedulable specialized small AI / mother-AI orchestration。

本文不公開上述系統完整實作。

---

# 公開版刻意省略

- Reflexive Update Package 完整欄位；
- exact diff construction；
- exact structural compiler；
- exact validation thresholds；
- exact catastrophic-risk metric；
- exact transfer gate；
- exact self-observation surface；
- model reconstruction recipe；
- internal test suites；
- production runtime implementation。