CSE 100 Challenge — 進捗トラッカー

元ネタ: read/CSE 100 Challenge — CSEは何者なのか？.docx

「CSEを無理にLMとして成功させるのではなく、系列記憶・状態保持・異常検知・予兆検知・軽量常駐・LLM補助など、 どこで固有の強みが出るかを100問で調べる」ための実験ログ置き場。

• 1日1問が基本。性能改善しなくてもよい。「性質を1つ知る」だけで成功。
• 各Dayのログは logs/dayNN_*.md、実験スクリプトは scripts/dayNN_*.py に置く。
• 途中で有力な正体が見えたら、番号どおり進めず枝分かれしてよい。

横断メモ

• _note_seed_determinism.md — seedは決定論的経路(predict_next等)には無効。Day1〜Day5の「複数seed確認」の解釈に影響。
• _note_unk_collapse.md — テスト時(学習時でない)の未学習記号は全部<UNK>という共通ノードに丸め込まれる。Day11・14・15・16の「未学習記号」はこの意味で解釈し直す必要がある。
• 合流ノード仮説【確定】(day08bで3レプリケート再現): 「2つの学習系列が同じノードに合流する」構造だと平均accuracy 0.5、合流しない専用経路なら平均1.0。さらに合流点では常にコーパスリストの2番目(=epoch内で最後に学習した系列)側が勝つという方向性まで確認済み。CSEの既定Hebbian学習の構造的性質として整理できた。
• 【機構完全解明、ユーザー提案の連続追試による】「同時保持は2〜3本まで」は誤りで、正体は<START>ノードのtop_k枝刈り(day25c→day25d_e→day25e_f): N本同時学習でのnative retrieval capacityはN=4〜8でtop_k_edges本(既定3)に頭打ちになるが、N=16・32では全数想起に回復する谷型曲線。原因は<START>自身の出力エッジにもtop_k_edges枝刈りがかかり、選ばれた少数のブランチだけが活性化の先取りを受けて他を乗っ取るため。9本目を追加すると(内容が無意味なダミーでも)top-3枠の1つを奪われて優位が解消し、全数想起に回復する。storageは常に劣化しない(Day25.5)。

進捗

Phase1(Q1-10)まとめ

「系列そのものを覚えているか」を10問掘った結果、CSEの既定Hebbian学習の性質がかなり具体的に見えてきた:

1. 専用経路なら強い: 2つの系列が経路上のどのノードも共有しない限り、順番の違い・同じ要素数での配置違い・末尾の合流・old/recentの対立プローブまで、ほぼ確実(99%超)に正しく区別できる(Day1, Day3, Day5, Day7)。
2. 合流ノードがあると弱い: 経路の途中で2系列が同じノードを共有すると、その合流点では平均accuracy 0.5まで落ちる。しかもランダムに外すのではなく、常にコーパスリストの2番目(epoch内で最後に学習した系列)側に倒れる、極めて再現性の高い偏り(Day2, Day4, Day8, Day8.5で3レプリケート確認)。
3. 同じ小さい語彙内での繰り返しも弱点: 語彙(ノード)数がすぐ頭打ちになる一方、同じノードペア間の重みの奪い合いは続くため、系列長が伸びて繰り返しが増えるほど正解率が単調に下がる(Day6)。
4. 単一エッジの学習自体は安定: 暴走・発散は起きず、上限キャップと減衰の釣り合いで滑らかに飽和する(Day9, Day10)。

→ 現時点の暫定的な結論: CSEの弱点は「学習容量」ではなく「複数系列が同じノードを共有したときの競合处理」に集中している。Phase2(類似・ノイズ)以降は、この合流ノード仮説がどこまで一般化するかを引き続き意識する価値がある。

Phase2(Q11-20)まとめ

「類似・ノイズ・誤発火」を掘った結果、Phase1の合流ノード仮説がさらに一般化・深化した:

1. 確信度は判断材料にならない: 一致度が違っても、ノイズが入っても、確信度(確率)はほぼ常に0か1に張り付き、正しさとは無関係(Day11, 13, 14-16, 17)。
2. 長い共有文脈は「より正しく」ではなく「より自信満々に間違える」: 分岐前の共有プレフィックスが長いほど、誤った答えへの確信度が指数的に増幅する(Day13, 13.5)。
3. ノイズはほぼ中身を見ずに1段先へずらす: 挿入するノイズの種類(未学習/学習済みだが場違い/繰り返し)はほとんど結果を変えない、構造的な副作用(Day14, 15)。ただし誤答収束先そのものを注入する例外あり(Day16)。
4. 「知らない」は短い入力でしか言えない: 空文脈や単発の未知入力では適切な不確実性を示せるが、入力が積み重なるほど中身に関係なく過剰確信化する(Day17)。
5. 同時に扱える"似た系列"の本数に具体的な上限がある: 合流ノードが無くてもN本同時学習でN=8のうち5本が脱落。学習順のシャッフルでは解決せず、ノード数上限にも達していない、より根深い容量制約(Day18, 18.5)。
6. 誤発火の大半は「コーパス後方が勝つ」という単一パターンに集約できる(Day20)。

→ Phase1・2を通じての最重要な実務的示唆: CSEを使うなら、選択肢の数を絞り、系列を短く保ち、確信度を信頼せず、「後に学習させた情報ほど優先される」という性質を前提に設計する必要がある。

Phase3(Q21-30)まとめ

「記憶・忘却・状態保存」を掘った結果、Phase1-2の「後方が勝つ」パターンの正体がかなり明確になった:

1. 推論だけでは絶対に忘れない: 10000回の推論を挟んでも重みは不変。忘却は学習(train_text呼び出し)が起きたときだけ進む(Day21, 22)。
2. 忘却は時間ではなくイベント数: 無関係な学習を200エポック続けるだけで忘却が起きる、時計を持たない設計通りの挙動(Day22)。
3. 同時に安定保持できるのは2〜3本まで(※Day25.5b〜fで機構レベルまで訂正・解明): 同時学習(Day18)でも逐次追加(Day24)でも同じ本数で崩壊が起きたが、これは記憶容量ではなく<START>ノード自身のtop_k_edges枝刈りに起因する局所現象で、N=4〜8という中間本数でのみ発生し、N=9以上では(内容を問わない9本目の追加により)全数想起に回復することがDay25.5b〜fで確定した。
4. 【最重要】忘却の正体は「上書き」ではなく「乗っ取り」: 古いエッジの重みは消えずに残ったまま、無関係な直接エッジが存在しないのに他の記憶に予測を奪われる(Day25)。この乗っ取りは自然な競合でも意図的な削除でも同じ形で起きる(Day28)。
5. だからこそ再学習は桁違いに速い(節約効果): 土台の重みが残っているため、ゼロから学習するより遥かに少ない追加学習で復活する(Day26)。
6. 保存・復元は完全に正しい: 長期記憶(重み)はビット単位で保存され、短期記憶(活性化)は仕様通りリセットされる(Day30)。

→ Phase3の一番の発見は、CSEの「忘れる」という現象が、実は記憶の破壊ではなく検索の失敗であること。この理解は今後の改善の方向性(乗っ取りを起こす仕組みそのものを直せば、忘却に見える問題の多くが解決するかもしれない)を示している。

Phase6進捗(Q51-)

Phase5進捗(Q41-)

Phase5(Q41-50)まとめ

「設備・時系列ログ」への適用試験の結果、Phase1-4のトイ系列で見つけた性質が実データ相当の場面でそのまま(むしろ増幅して)再現し、CSEを実運用に置く上での明確な設計原則が固まった:

1. 合流ノード競合が実データでも即再現(Day41): 正常60回・故障5回でも、共有ノードのせいで正常運転がaccuracy 0%に崩壊しうる。
2. 【Phase5最大の発見】競合が無くても、単独の正常周期を連続観測するだけで自壊する(Day41.5, Day45): "RH"をたった1周観測しただけで予測が完全反転、正常専用モデルでも2周期目で"系列終了"を誤予測。学習順序・頻度不均衡は真因ではなかった。
3. 転用・離散化・速度・複数設備、いずれも「単純な直感」は通用しない:
4. 設備間転用は故障シグネチャのみ成功、正常動作の違い自体が誤検知の種になる(Day42)。
5. 離散化は粒度でなく「状態を1記号に一意に融合できているか」が本質。数値に近い精密な表現+方向融合が最強(Day43-44)。値と方向を分けて渡すのは逆効果。
6. 発生速度の違いはオーバーシュート型の誤認を生む。CSEは意味でなく処理した記号数を素朴に数えている(Day46)。
7. 複数設備の同時監視は致命的に混線し、設備IDの融合だけでは防げない。「1 CSE=1独立時系列」が確定した(Day47-48)。
8. 意味的劣化と資源的劣化は完全に別物(Day49/50): 予測はすぐ壊れるが、ノード数・メモリ・処理時間は24時間相当(2000ステップ)動かしても一切変化しない。

→ Phase5を通じての結論: CSEを実システムに置くなら、短い固定ウィンドウでの定期リセットを前提とし、設備ごとに独立した軽量インスタンスを配置し、入力は「状態を過不足なく一意に表す1記号」に設計する、という具体的な配置・設計指針が得られた。資源面(ノード数・重み行列サイズ・処理時間)は2000ステップの範囲で完全に安定しており、この方針(独立軽量インスタンス方式)と整合する有力な構成候補と言える。ただし今回確認できたのは小規模・短期条件のみであり、設備100台規模・長期常駐・実データ量でも同様に安定するかは別途スケーリング試験が必要。

想定アーキテクチャ:

Raw Sensor
  → 前処理/Change Detection(状態が変化した時だけイベント発行、Day45)
  → 状態+方向等をComposite Eventへ符号化(1記号への融合、Day43/44)
  → 設備ごとの短窓CSEインスタンス(Day47/48)
  → 定期reset(Day41.5/45)
  → CSEは局所的な系列逸脱を通知(Day32-40の「境界警備員」役)
  → 上位層が重大度判定・長期傾向・設備横断判断を担当

Phase7進捗(Q61-)

Phase7 運用ルール(Q61の査読で確定): 1. G0ゲート: 異常検出率を読む前に、正常(G0=訓練文、必要ならG1=未見だが正常)の受容(偽警報)を確認する。G0が崩れている行の検出率は評価しない(「悪かった」ではなく「評価不能」と書く)。 2. 構成とレジームを毎回明記(default / low-cap / low-cap+pair / +trace、Fresh / Steady)。設定を変えたら(top_k_edges・temperatureなど)、それが事前登録した設定か、失敗後の探索的な設定かを書く。 3. p<0.05の警報閾値とtemperatureは連動している(温度を動かすと判定境界が動く)。「T=10が良い」とは言わない。閾値と温度を独立に掃引するROC/PR的な実験はPhase7の未解決事項(必要になったとき)。 4. 意味理解と呼ばない: 語彙の組み合わせへの反応は「訓練済み局所語彙文脈からの逸脱」であって、意味的違反の検出や理解の証拠にはしない。 5. Phase6チェックポイントは書き換えず、後続Phaseで判明した追加・修正はsuperseded / revisedとして履歴に残す(Q61で判明した「後続候補数>top_k_edges」「稀な正当遷移のsoftmax圧縮」は、Phase6のFailure Modesへの追加候補として本ファイルとQ61ログに記録)。 6. Phase4〜5の結論を前提にする瞬間だけ「その根拠はdefault時代か?」を確認し、YESならlow-cap+pairで最小再検証。エンジン本体は100問終了まで変更しない。

| 94-A | 10. LLMの横に置いたら何になるか | query非依存の事前選別(区分=記述のみ、新規実験なし。Q91・Q92の結果を「後で何を聞かれるか知らない状態での事前圧縮」という角度から再整理) | CSEの重要度スコアはquery非依存であり、Q91・Q92が測ったのはまさにこの役割(write時の圧縮)そのもの。CSE=書き込み時の事前選別という位置づけを確定し、Q94-B(読み出し時のquery検索)と対比する土台とした。詳細: logs/day94a_query_independent_selection.md | | 94-B | 10. LLMの横に置いたら何になるか | RAGの検索器として使える?(区分=比較優位。質問(query)が分かった状態での検索。CSEはquery非依存ランキングをそのまま使用、Lexical Vector Retrieval Baseline(TF-IDF、sklearn)はqueryとの類似度でランキング。Recall@1・Recall@3・MRR) | Q94-B: 比較優位FOUND(Lexicalに対して)。全セルでLexical(平均R@1=0.814)がCSE(平均R@1=0.125)を大きく上回った。CSEは対話が長いほど劣化(R@1 短0.166→長0.049)、Lexicalは対話長にほぼ依らず安定(0.780〜0.850)。重要ターン数kの効果は予測より小さい(k=2〜4でR@1 0.137→0.116、対話長の効果の方が支配的)。CSEはquery条件付き検索という仕事では原理的に不利=Q94-Aとの対比で「CSE=書き込み時の事前選別、Lexical検索=読み出し時のquery検索」という役割分担が明確になった。私のミス: TfidfVectorizerの既定トークナイザが日本語フレーズを1トークン扱いしてRecall@1が常に0になるバグをスモークで発見、文字1-2gramに修正。詳細: logs/day94b_query_retrieval.md | | 95 | 10. LLMの横に置いたら何になるか | CSEと拾う情報が違うか?(区分=CHARACTERIZED、査読2で比較優位から変更。Q94-Bの結果を(対話,重要ターン)ごとにtop-3ヒットの有無でboth_hit/cse_only/lex_only/neitherの4象限に分類、Family Bはcommon/rare内訳も記録) | lex_onlyが両Familyで最頻(A 0.505・B 0.643)。lex_only象限のcommon値比率(0.609)はFamily B全体(0.512)より高い=CSEの検索失敗はQ91で確認した「common値の見落とし」と同じ機構(選別課題と検索課題という別タスクで同じ機構を再確認)。cse_onlyは全体で3.5%とごく少数だが、Family A(0.059)はFamily B(0.010)より明確に多い(重要=新規という構造が一致する場合はCSEが優位になりやすい)。予測P10-4: Directional3件全て○、Numerical(lex_only common比率≥0.6)も○(実測0.609)。詳細: logs/day95_retrieval_complementarity.md | | 96 | 10. LLMの横に置いたら何になるか | LLMの会話状態監視に使える?(区分=CHARACTERIZED。Task1=structural state-transition violation(話題タグの星型パターン、Phase6の「未知の辺=警報」を再適用)。Task2=semantic contradiction、上流parserを実装せず同一ground truthからU(unstructured、話題タグのみ)/S(structured、値を区別)の2表現を直接生成して比較) | Task1: CSEは違反を検出率1.000・誤警報率0.071で検知(Rule基準は1.0/0.0)。Task2: U表現ではΔp=0.000(構成上の必然、値の情報が上流で失われているため検出不能)。S表現でもΔp=0.0006と極めて小さく、警報率(p<0.05)はconsistent/contradictingで完全に同一(1.000/1.000)=実用的な閾値では区別できない。「CSEが意味矛盾を理解した」とは書かない(Q62/63のtrust boundary、上流の表現選択が検出可能性を規定する直接証明)。私のミス: 初版は単一フィラー'S'の頻発で不応期(Q57)と衝突し正常対話の誤警報率が1.000になった、フィラーを2種の交互パターン(W→H)に変更して解消。予測P10-5: (1)(2)(3)は○、(4)は記述(効果量が極小)。詳細: logs/day96_conversation_monitoring.md | | 97 | 10. LLMの横に置いたら何になるか | ユーザーごとの状態を小さく保持できる?(区分=CHARACTERIZED、事前登録閾値なし。最小ワーカーで永続状態バイト・ランタイム状態バイト・RSS・初期化時間を測定、N=10・100・1,000・5,000実測(逸脱、10・100はノイズ大)、N=1〜10,000へ外挿。単一プロセス vs 別プロセス vs 「1つの巨大なCSEを共有」を比較) | 定常状態の傾き(N=1,000→5,000のmarginal)=24,848B/インスタンス(未訓練pickleサイズ23,107Bとほぼ一致)、初期化時間0.044ms/インスタンス。単一プロセス構成はN=10,000で別プロセス構成の約1,251倍軽い(271MB対339,000MB=フレームワークの床をN回払うか1回だけ払うかが支配的)。Q84緩和ありのランタイム状態は緩和なしより1,175倍軽い。「1つの巨大なCSEを共有」は資源面で最軽量だが、Q54/58で確認済みのユーザー間干渉という代償を伴う(実測はQ98)。私のミス: N=10・100では累積バイト/インスタンスがアロケータの初回プール確保で不安定になり(367KB→58KB)、N=1,000・5,000を追加してmarginalで定常傾きを取り直した。予測P10-6: Directional3件全て○、Numerical(RSS増分30〜50KB)は×(実測24.8KB)。詳細: logs/day97_per_user_state.md | | 98 | 10. LLMの横に置いたら何になるか | 複数CSEを並列化すると役割分担できる?(区分=CHARACTERIZED。トピック(Q69の文脈一意コーパスN=4,L=8を代理)ごとに単一共有インスタンス vs 専用分割インスタンスを比較、K∈{2,4,8}、5 seed、epochs=5で単一・分割を揃える) | 分割はKに依らず位置正答率1.000を維持(全K)。単一インスタンスはKが増えるほど急激に低下(K=2:0.978→K=4:0.566→K=8:0.263、完全再生はK=4で既に0.025まで崩れる)。専用インスタンスへの分割がQ58/Q69/H-U7x-1の既知の性能劣化を完全に回避する=「1インスタンス=1トピック」という役割分担がアーキテクチャ上の解決策になる。Q97の「per-userインスタンスは軽量」と合わせ、分割設計が資源・機能の両面で単一巨大インスタンスに優ることが一貫して示された。予測P10-7: Directional3件全て○、Numerical(単一K=8は0.5〜0.8)は×(実測0.263、予測より大きく崩れた)。私のミス: 初版はepochs=50で実行し分割まで崩れる結果が出たが、これはQ69自身のdocstringに既に明記されていた既知の事実(N=4は50epochsで崩れる)を見落とした設計ミスと判明、epochs=5に修正して再実行。詳細: logs/day98_multi_instance_sharding.md | | 93 | 10. LLMの横に置いたら何になるか | CSEが選んだ履歴だけでもLLM回答品質を維持できる?(区分=比較優位+CHARACTERIZED、Primary=方式Bのみ・正式判定。方式A/C(LLM validation addendum)はQ100→チェックポイント→FROZENの後に実施検討、本Qでは未実施。情報十分性(Q91のrecall)を全履歴・CSE閾値・CSE top-k・Recency・Lexical(write時代理=既知4スロット全てに問い合わせてtop-1の和集合)で比較) | 比較優位FOUND(CSE閾値方式がRecency・Lexicalに対して)。CSE閾値方式は情報十分性を高く維持(Family A 1.000・B 0.946平均)、Recency(平均0.119)・Lexical write時代理(平均0.812)を上回る。全履歴はトリビアルに1.000。LexicalはFamily A・Bで大差ない(0.764/0.861)。予測P10-8: Directional3件・Numerical3件、全て○。言えないこと: 情報十分性が高いことは実際のLLMが正しく回答できることを意味しない(addendumで別途検証が必要)。詳細: logs/day93_answer_quality.md | | 99 | 10. LLMの横に置いたら何になるか | 「CSEが一番役に立つ仕事」を3候補に絞る(区分=合成、新規実験なし。候補7種(Local Transition Monitor/Anomaly Sensor/Short Pattern Recall/LLM History Selector/Query Retriever/Conversation State Monitor/Per-user State Engine)を、PHASE10_PROTOCOL.md§8で固定した採点式(Demonstrated capability・Comparative advantage・Operational viability・Known structural blockerの0/1/0/1/0/1/0,−1)でQ1〜98の記録から機械的にスコアリング、閾値2以上を抽出) | 基準を満たした候補は2件: LLM History Selector(+2)・Per-user State Engine(+2)(3件以下のためそのまま報告、tie-break不要)。LLM History SelectorはQ93の比較優位FOUND(唯一)が+1に、Per-user State EngineはQ97/98で既知の構造的限界が無いことが+2に貢献。Local Transition Monitor・Anomaly Sensor・Short Pattern Recall・Conversation State Monitorはいずれも+1(能力・運用性はあるが比較優位NOT FOUND・既知の限界あり=Phase8の判定パターンの再現)。Query Retriever(−1)は唯一マイナス(query条件付けの機構が構造的に無い、Q94-A/B)。詳細: logs/day99_candidate_scoring.md | | 100 | 10. LLMの横に置いたら何になるか | 最終判定: CSEは何者だった?(区分=合成、新規実験なし。元資料の選択肢LM/Sequence Memory/Temporal State/Pattern Detector/Anomaly Detector/LLM Memory/その他に、Q1〜99を機械的に当てはめる。Q80と同型。100問チャレンジの最終回) | CSEは核として「局所構造異常センサー(Anomaly Detector)」。LMはNOT FOUND(非局所依存・多義語に失敗)、Sequence Memoryは条件付き(N≤8・専用経路)、Anomaly Detectorは100問中最も一貫して再現された性質。比較優位は古典的な精度・資源・常駐エンジンの軸(Phase8・9)ではすべてNOT FOUNDだったが、Phase10のLLM history selectionという応用で初めてFOUND(Q93)。最終文: 「CSE, understood correctly as an anomaly detector, found one genuine job」(LLM会話履歴からquery非依存に重要そうな部分を選ぶ)。詳細: logs/day100_final_verdict.md |

Phase8(Q71-80)まとめ

→ 詳細(Evidence Map・W1/W2/W3の最終判定・撤回/修正台帳・構成別Capability Matrix・Failure Modes・誤りと訂正の台帳・Open Questions)は PHASE8_CHECKPOINT.md を参照。状態: ACCEPT / FROZEN(2026-09-21、査読2で固定。以後、本文は書き換えず、後続Phaseからsuperseded / revisedで追記)。 事前定義は PHASE8_PROTOCOL.md(FROZEN)、未検証仮説は OPEN_HYPOTHESES.md。

• 問い: 「CSEはできるか?」ではなく「既存の比較手法よりCSEを選ぶ、事前定義済みの理由があるか?」。n-gram・ルール・小型GRU・Isolation Forestと同じデータ・同じ基準(G0ゲート・検証で選択・テスト固定)で戦わせた(Q71〜79)。
• 最終判定(Q80、新規実験なし): W1 Accuracy Win: NOT FOUND / W2 Pareto/Resource Win: NOT FOUND / W3 Functional Win: NOT FOUND(評価した範囲で)。
• 能力は残る: 局所noveltyの検出・位置特定、少数・短い・後続一意の固定系列の少回数学習・recall(N≤8)、旧文を保存しない条件付きオンライン追加(n≤8)、健全なLC+Pの10万トークン連続運転(単一正常周期)は再現された。「実証された能力」と「実証された比較上の優位」は別。
• 過去の主張の更新: 「連続観測で自壊する」はdefault設定の産物(一般化しない)。予測性能の非崩壊と履歴メモリの有界性(recent_fired約8B/トークン)は別問題。
• 補遺R1/R1b(FROZEN後の追加証拠、2026-09-21): 並走ジョブ停止後のCPU再測定(logs/rerun_quiet_cpu.md)。順位の逆転なし・W1/W2/W3の判定は維持(W2の反転条件=CSE÷3-gram表≤0.5に該当なし、最小7.6倍)。絶対値は前回の約0.55倍(並走が全手法を約1.8倍ふくらませていた)、倍率は精密化(学習145〜165倍・推論575〜615倍・GRU÷CSE 103〜112倍・1文追加はn0≤4で約8倍/n0≥8で約130〜160倍)。環境は厳密には静かでない(OSの.NET最適化サービス等が動いていた、R1とR1bは約10%以内で一致)。Q78の3-gram表の更新コストに分解能の欠陥があった(数値の向きは不変)。Phase9以降で倍率を引用するときは補遺の値を使い注記する。
• エンジンとpair_context_capacity(=64)は、チェックポイント固定まで変更しない(H-U7x-1はSEALED / UNTESTED)。

Phase9(Q81-90)まとめ

→ 詳細(Evidence Map・要件層別PASS/FAIL・比較優位S1/S2・予測スコアカードP9-1〜11・構成別Matrix・Failure Modes・誤りと訂正の台帳・Open Questions)は PHASE9_CHECKPOINT.md を参照。状態: ACCEPT / FROZEN(2026-09-22、査読2で固定。以後、本文は書き換えず、後続Phaseからsuperseded / revisedで追記)。事前定義は PHASE9_PROTOCOL.md(ACCEPT/FROZEN)。

• 問い: 「CSEは軽量常駐エンジンとして成立するか」(絶対要件PASS/FAIL/UNRESOLVED)と「比較対象より選ぶ理由になるか」(S1資源の厳密勝ち/S2運用機能の勝ち)を分けて答える。
• 要件層の総括: R1(10 ev/s)はPASS。R2(1,000 ev/s)は測定値上は要件(CPU 23.5〜24.0%対25%)を満たしたが、事前登録した環境基準を満たしていないため正式PASSではない(PROVISIONAL、numerical thresholds met / environment-unqualified)。R3(10,000 ev/s)はFAIL(必要な連続処理能力の約3.8倍不足)。SET-3・3-gram表はR1・R2を明確にPASSし資源でも一貫して優位(スループット456倍、Q82)。
• 比較優位: S1・S2ともNOT FOUND(Phase8の判定を運用の軸に拡張、反転なし)。
• 能力は再現・拡張された: ストリーミングAdapterの等価性(Q81 PASS)、作業記憶の非有界成長は完全に無害化可能(Q83 CHARACTERIZED→Q84 PASS、最小K=2)、単一正常周期は10^6イベントまで健全(Q90 PASS)、複数パターン混在+異常混入もほぼ全軸fresh基準内(Q90、時間軸のみUNRESOLVED)、重み量子化はint8まで劣化ゼロ(Q88-A)、活性量子化はcapを守れば劣化ゼロ(Q88-B、ただし内部overflowが隠れて発生)。
• 代償も明確になった: 間引きは最も軽い段階(k=2)から高コスト(G0が6倍上昇、Q89、CHARACTERIZED)。Q88-A・Q89では事前予測が明確に外れ、特にQ89のG0方向反転は要注目。
• Q86・Q87はUNRESOLVED(実機なし)で確定。
• 最終文: 「Phase9 characterized CSE's behavior as a lightweight resident engine and did not find a preregistered comparative advantage... It separates demonstrated operational viability from demonstrated comparative advantage.」(全文はPHASE9_CHECKPOINT.md第4節)
• エンジンとpair_context_capacity(=64)は、チェックポイント固定まで変更しない(H-U7x-1はSEALED / UNTESTED)。

Phase10(Q91-100)まとめ【100問チャレンジ最終Phase】

→ 詳細(Evidence Map・最終判定・Q99候補スコアリング・予測スコアカードP10-1〜8・Capability Matrix・Failure Modes・誤りと訂正の台帳・Open Questions)は PHASE10_CHECKPOINT.md を参照。状態: ACCEPT / FROZEN(2026-09-22、査読2で固定)。事前定義は PHASE10_PROTOCOL.md(ACCEPT/FROZEN)。

• 問い: 「LLMの横に置いたらCSEは何になるか」。Primary=方式B(合成タスクの情報十分性、無料・オフライン・決定論的)。実LLM検証(方式A/C)はチェックポイント固定後のexternal validation addendumとして分離。
• Q91〜93はFamily A(Novelty-aligned)/Family B(Novelty-decoupled)の2群で実施: CSEは「重要性」ではなく「新規性(低頻度)」を検出しており、common値(高頻度)の重要事実を約9〜15%見逃す(Q91、選別課題)。同じ機構が検索課題(Q95)でも確認された。
• Q93で100問チャレンジを通じて初めて事前登録した比較優位がFOUND: CSE閾値方式による重要履歴選別が、情報十分性においてRecency(平均0.119)・Lexical Vector Retrieval Baseline(平均0.812)を上回った(CSE平均0.973)。Phase8(W1/W2/W3)・Phase9(S1/S2)ではすべてNOT FOUNDだった比較優位が、LLM history selectionという応用でのみ成立。
• CSEにはquery条件付けの機構が構造的に無い(Q94-A/B): query条件付き検索ではLexical検索に一貫して劣る=「CSE=書き込み時の事前選別、Lexical検索=読み出し時のquery検索」という役割分担。
• 意味的矛盾の検出可能性は上流表現(U/S)が規定する(Q96): 値の情報を残さない表現からは論理的に検出不能、残す表現でも効果量は極小で運用閾値では区別できない。「CSEが意味を理解した」とは書かない。
• 「1インスタンス=1トピック/1ユーザー」という分割設計により、今回評価したK≤8では単一共有インスタンスで観測された性能劣化を観測しなかった(Q98、operational workaround。容量限界そのものの解決ではない、因果未解明)。per-userインスタンスは資源的に極めて軽量(Q97)。
• Q99: 基準を満たした候補は2件(LLM History Selector・Per-user State Engine、いずれも+2、3件への強制絞り込みはしない)。
• Q100最終判定: CSEは核として「局所構造異常センサー(Anomaly Detector)」(Phase6〜10で最も一貫して再現された性質、優劣ランキングではない)。比較優位は古典的な精度・資源・常駐エンジンの軸ではすべてNOT FOUNDだったが、Phase10のLLM history selectionという応用で初めてFOUND。
• 最終文(全文はPHASE10_CHECKPOINT.md第4節): 「Phase10 found, for the first time across all 100 questions, a preregistered comparative advantage for CSE... it adds one place where the separation between demonstrated capability and demonstrated comparative advantage, maintained since Q80, finally closes.」
• エンジンとpair_context_capacity(=64)は、このチェックポイントの固定後も変更しない(H-U7x-1・LLM validation addendum・embedding検索・実対話での再検証は100問終了後の追加研究)。

CSE 100 Challenge — Q1〜Q100 COMPLETE(2026-09-22)。Phase1〜10・全チェックポイントFROZEN。

100問終了後の追加研究(Challenge本体には含めない)

• H-U7x-1(pair-context capacity saturation): SEALED/UNTESTED → CONFIRMED (mechanistic)(2026-09-22、logs/hu7x1_capacity_sweep.md、OPEN_HYPOTHESES.md追記2)。pair_context_capacityを32/64/128/256/512で掃引した結果、recallの崖と学習CPUのジャンプが、真の文脈需要とcapacityの比(ratio)という単一の変数だけで、5つのcapacity値を通じて再現された(ratio≈0.87で全capacityがrecall=1.000から崩れ始め、ratio≈1.31で全capacityの学習CPUがジャンプする)。pair_context_capacityが崖・ジャンプの直接の原因であるという機構的証拠。範囲: 文脈一意コーパス(L=8)のみ、他タスクへの一般化・二次的なcapacity依存の機構は未検証。エンジン・Primary構成(capacity=64)は変更していない。
• Q93のLLM validation addendum実施済み(2026-09-22、logs/llm_validation_pilot.md、LLM_VALIDATION_ADDENDUM_PROTOCOL.md)。pilot(24対話×4条件=96回、Haiku 4.5・OpenRouter経由、コスト数十円未満)。Q93の情報十分性の比較優位(CSE>Lexical>Recency)が、実際のLLM回答品質でも同じ順位で再現された(CSE=1.000、Lexical=0.875、Recency=0.208)。「情報が残っている」が「LLMが実際に使える」に直結することを実測で確認。Family B(common値見落とし)での劣化(D3)はこのpilot規模(N=12/family)では確認できず(サンプル数不足、拡大pilotで再検証可能)。
• Family B Expansion Pilot実施済み(2026-09-22、logs/llm_validation_familyb_expansion.md)。Family Bのみ90対話(common-important 77件)に拡大し、selection failureとutilization failureを分離。CSEのcommon値見落とし率=9.1%(Q91の集計recall0.888とほぼ一致)、selection失敗7件は全てLLMも不正解(lucky guess0件)、selection成功70件は全てLLM正解(utilization failure0件)。「Q91の弱点は実LLM回答失敗に直結する」ことが定量的に確定。追加観察: Family B限定ではCSE(全体0.922)とLexical(全体0.922)がほぼ同水準(失敗の性質は対照的、common値はCSEが弱くLexicalが強い、rare値は逆)。
• Sonnet 5 Cross-Model Replication実施済み(2026-09-22、logs/llm_validation_sonnet_replication.md)。上記のCSE選択結果を固定し下流LLMだけをSonnet 5に交換、77件全件でHaikuと完全に同一のパターンが再現(utilization failure 0/70・lucky guess 0/7)。「selection段階への誤差の100%帰属」はHaiku固有ではないことを確認。LLM History Selector系の検証はここで一区切り。
• LLM History Selector validation branch — FROZEN(2026-09-22、LLM_VALIDATION_ADDENDUM_PROTOCOL.md§9)。新しい具体的な問いが出るまで再開しない。既知の境界: Anthropic 2モデル(Haiku 4.5・Sonnet 5)・合成対話コーパス・テストしたprobeの範囲。
• 残り: embedding検索・実対話での再検証・Anthropic以外のモデルでの再現性確認は未着手(FROZEN対象外の将来課題)。

H-U7x-2: capacity saturationの他タスク一般化・頻度依存eviction機構(FROZEN、2026-09-22)

実施済み(logs/hu7x2_generalization.md、logs/hu7x2_t3clean.md、OPEN_HYPOTHESES.md)。T1(Variable Length、L=4/8/16)・T2(Shared-prefix/Branch)は明確にratio整列を再現(H-U7x-1がL=8固有ではないと強く支持)。T3(Mixed-frequency)初回は「同ratioで高頻度群が低頻度群より生存する」(差0.391)ことを確認したが、訓練コーパスの反復操作自体がcapacityと無関係にQ69型劣化を引き起こす交絡を発見。T3-clean(頻度と総訓練量を分離した再検証): hard gate(G0)はFAILしたがこれ自体が新発見(capacity非依存の未解明の劣化機構、Open Hypothesesに登録)。差分(G2・G4)は汚染されておらず、「pair-context capacityの追い出しは頻度ベース」が介入(capacity増加で差が0.337→0.007まで単調縮小)という因果的に強い形で確認された。H-U7x系列(1→2 T1/T2→2 T3-clean)はここでFROZEN。H-U7x-1(context-unique L=8、CONFIRMED mechanistic)の結論は変更なし。

CSE v2: H-C2C-1(Chain-on-Chain 最小テスト、negative result)

実施済み(2026-09-23、logs/hc2c1_minimal_test.md、H_C2C1_PROTOCOL.md)。CSE v2 Modular Augmentation Specification v0.1(read/フォルダ)のM4 Chain-on-Chainに対応する最小PoC: L1(パススルー、圧縮なし、直前2記号キーを新しい1記号に再割り当て)+L2(pair-context完全無効、max_nodesを拡大)で、文脈一意コーパスの想起タスクを解けるかを検証。結果はnegative: 小N(8・16)ではFlat(no-pair)基準より悪化(0.175<0.336、0.237<0.296)、大N(32・64)でようやくFlat水準に近づく程度(B0.289 vs A0.206・C0.432、B0.255 vs A0.158・C0.277)。「圧縮なしの階層化だけで資源競争を回避できる」という単純な仮説はこの最小設計では支持されず、L1の語彙が訓練位置数に匹敵し大半が単発露出になったことが原因と疑われる(未確定)。H-C2C-1a(圧縮介入、2026-09-23)実施済み(logs/hc2c1a_compression.md): 決定論的hash/moduloの固定語彙圧縮(V=16/32/64)のみで検証。①(B0改善&Aを上回る)はN=8・16で成立(最適V=32、mechanistic finding)、②(Cと同等以上)は全N・全Vで不成立。大N(32・64)では圧縮を強めるほど悪化しB0にも届かなかった。ユーザー提示の判定基準では「①のみ成立、②不成立」=圧縮の効果はあるが比較優位はNOT FOUND。次はより強い/賢い圧縮を試すか、L2 pair-context有効化を試すか、M7(Deterministic Rule Hybrid)へ移るか、ユーザー判断待ち。

CSE v2: M4 CLOSED → M7系列(H-M7-1/H-M7-2) CLOSED → M1 H-M1-1(初の基準達成)

• M4 Chain-on-Chain = CLOSED(2026-09-23): 事前登録の続行基準③不成立のため、L2 pair-context延命はせず終了。
• H-M7-1(Deterministic Rule Hybrid、設備異常監視) = CLOSED / LOGICALLY INFEASIBLE UNDER FROZEN SIGNAL DESIGN(0 trials)(H_M7_1_PROTOCOL.md§14): Codex 3回目査読で、結合則の真理値表がRule-onlyと8パターン全一致=CSEの寄与が代数的にゼロと判明。RHR型競合とStructural anomalyが単一遷移特徴で同一入力になり、決定論的関数では分離不可能。実験はしていない。
• H-M7-2(Temporal Aggregation Separability) = CLOSED / NOT SEPARABLE(H_M7_2_PROTOCOL.md§11): 6特徴すべて事前登録基準不成立。min_p/mean_surprisalはbalanced accuracy 0.833まで届いたがStructural recall 4/6=0.667で未達(ISRCHRCHRCP・ISRCHRCPを一貫して見逃す)。基準は緩めていない。M7自体はOPEN。
• H-M1-1(Reverse Information Gain) = FINAL/FROZEN, amended sanity definition(H_M1_1_PROTOCOL.md、artifacts/hm1_1_reverse.json): 集約方法ではなく観測方向を増やす(Forward/Reverse/F+R単純OR)。mean_surprisalでOUTCOME 3(F_common・R_commonの見逃しパターンが完全に相補的で、OR結合で6/6・balanced accuracy 1.0)。他5特徴はNOT FOUND。CSE v2で初めて事前登録基準を満たした枝。
• 位置づけ: 初回実行中にsanity定義valid_rangeの誤り(CSEが正当に返すp=0を排除していた)を見つけ、Go/No-Go基準・特徴定義には触れずに訂正してから出た結果。無傷の一発試験ではない。
• 言えるのは、固定データ(6 unique Structural patterns)・固定運用点(k=3,T=3.0)・固定LOPO/OR手順でのseparability evidenceまで。一般化性能・実運用性能は主張しない。
• H-M1-2(Bidirectional policy)へ進む場合は、今回の閾値・OR則を流用せず、別のpreregistrationとして立てる。
• H-M1-2(Fresh-Grammar Confirmation) = FINAL/FROZEN — NOT REPLICATED(2026-09-24、Codex post-execution audit: PASS WITH CONCERNS、§17)(H_M1_2_PROTOCOL.md§16、artifacts/hm1_2_confirmation.json): 旧語彙ではStructuralが6パターン・RHRが1パターンしかなく、H-M1-1の6/6は偶然の2+2と区別できなかった。そこで、手続き生成した3文法(G2/G4/G12)のheld-out patternで、F+RとForward 2台のOR対照(F+F2)を比較した。C1 0/3・C2 1/3・C3 1/3で、事前登録基準では再現しなかった。
• C1は3文法ともnegative recallが基準未達(G4はStructural recallも未達)。G2・G4では、稀な正常テンプレート4本のうち2本を、どの検出器も常に警報にした。
• G12だけH-M1-1型の相補性が出た(F+R 18/20、F 11・R 14)が、Rの誤警報でBA 0.742となり基準未達。
• F2は、測定した検出集合・集計指標でFと高い類似性を示し、対照としては想定より弱かった可能性がある。
• S1(旧文法、参考値)ではF+F2=4/6でF単体と同じだった。
• H-M1-1の記録は変更しない(discoveryとして凍結、confirmationでは支持されず)。
• H-M2-1(Classical Multi-Hypothesis Search、M2の古典対照) = FINAL/FROZEN — P1・P2ともNOT FOUND、床(floor_both)(H_M2_1_PROTOCOL.md§14〜15、2026-09-24、Codex実行後監査: PASS WITH CONCERNS): 自由生成の想起課題(16セル×10インスタンス)で、A=greedy、B=1回分岐探索、C=beam(k=3)を比較した。正答率は3方式とも0.26%で、全160単位が同点だった。
• Aの誤りの半数以上は、分岐に着く前(cue直後の共通部分)で起きていた。B・Cは1件も取り返せず、正解は最終ビームにもほぼ乗っていなかった。greedyの出力には短い反復や早すぎる終了が見られたが、これらと候補選択・確率分布との因果関係は検証していない。
• 事前登録どおり、結論は「登録した条件では改善を検出しなかった」までにとどめ、「探索方式に効果がない」「M3は不要」とは解釈しない。低正答率だったことから、他の条件での探索の有効性や、差が生じなかった原因は判断できない。
• 実行前に、手作りデータでCSEの確率がほぼ1本に張り付くことを観察した(§10-2)が、凍結した条件は変えていない。
• 手順: プロトコルはCodexのpre-execution査読3回・実装後査読2回を経てv0.4で凍結し、commit 5c1f396で固定してから実行した。判定は、整合性確認が終わってから開いた。手順逸脱3件(誤送信経由の実行開始、Codexによる自己再監査、判定1行の先行閲覧)を§15〜17に記録しており、「逸脱なく実施」とは書かない。
• H-GEN-1(Free-Running Failure Localization、診断研究) = FINAL/FROZEN — 登録済みの出力 R1(near_miss 806/1599)(H_GEN_1_PROTOCOL.md§14〜18、2026-09-25、Codex実行後監査: PASS WITH CONCERNS): H-M2-1で自由生成がほぼ全滅したため、改善はせずに、greedyが正解系列から最初に外れる点j*を、正解強制の経路(自由生成とj*まで状態がbytesで一致)の上で分類・分解した。課題はH-M2-1と同じ生成器で乱数キーだけ変えた未見の1600プロンプト(Primary)。
• 1600件中1599件が逸脱。位置は分岐前(S1)1016・分岐点504。仕組みはnear_miss 806・pruned 755・underflow 38。事前固定の決定表ではR1(near_miss > 1/2)だけが成立し、§6による次の研究の候補はH-M2-1b。
• ただしR1は成立の最小件数800を6件上回っただけ。またnear_missの多くは確率の上では近くない(正解の確率の中央値8.1e-10、0.1以上は7%)。参考のSecondary(H-M2-1の課題、振り分けに使わない)では782/1596で不成立。これらは事後の記述で、出力は書き換えていない。
• 逸脱1599件中1595件で、history(履歴の活性の項)が、選ばれた記号と正解の実効scoreの差の、符号つきで最大の正の構成項だった。介入による因果効果は示していない(候補: H-GEN-2)。
• 手順: プロトコルはpre-execution設計査読3回でv0.5凍結、実装後査読2回(1回目FAIL=自由生成側のNaNの素通り→検査つき展開で修正、テスト84項目)、commit fce5ae4で固定してから実行。manifestにCSE本体のhashも記録。閲覧順序(整合性確認→判定)は実行者の記録によるもので、独立の時刻付き証拠はない。
• H-GEN-2(History Term Intervention、介入研究) = FINAL/FROZEN — hist_off PASS / pair_off NOT PASS(H_GEN_2_PROTOCOL.md§16〜17、2026-09-26、Codex実行後監査: CONCERN→記述訂正で凍結): H-GEN-1でhistoryが最大のscore差の構成項だった観察を、未見の課題(hgen2、1600プロンプト)で介入により検証。同じ学習済みエンジンのデコード時だけ係数を変え、最初の逸脱位置Lをユニット単位で比較。
• hist_off(history_boost = 0): ΔL = +3.69記号(macro)、160勝0敗0分、p = 2^-160 → PASS。16セルすべてで10/0。完全一致はbase 4/1600 → 726/1600。
• pair_off(pair_context_boost = 0): 観測されたΔL = −0.57(逸脱が早まった)、0勝145敗15分 → NOT PASS。hist_low(記述のみ): ΔL = +1.00。
• 言えるのは「この構成・この課題分布で、デコード時に履歴の項を外すと最初の逸脱が登録した両関門を満たして遅れた」まで。履歴の項への特異性(→H-GEN-2b候補)、生成失敗の一般的な原因、history_boost = 0の推奨設定化は主張しない。
• H-GEN-2b(履歴の項を取り除く効果の特異性) = FINAL/FROZEN — 主比較HIST_OFF > PAIR_OFF(H_GEN_2B_PROTOCOL.md§16〜18、2026-10-04、Codex実行後監査: PASS WITH CONCERNS→記述の限定で凍結): 未見の課題hgen2b(1600プロンプト)で、hist_off対pair_offを直接比較(ΔL +4.23、160/0)。副比較(4方向)では、履歴の値を不応期の後の大きさを保ったまま通常の記号の間でかき混ぜるhist_shuffleより、hist_offが逸脱を遅らせた(+4.17、160/0)。base対hist_shuffleはどちらの方向も検出せず(baseが+0.489、140/11だがマージン1/2未満)。初回の実行は件数の検査の誤り(各10プロンプトと想定、実際は8か12)で書き出し前に停止し、検査だけを訂正して再実行した(§16、逸脱として記録)。
• H-GEN-4(履歴の害は「すでに出た記号」からか「まだ出ていない記号」からか) = FINAL/FROZEN — 主比較NOT DETECTED(H_GEN_4_PROTOCOL.md§15〜16、2026-10-04、Codex実行後監査: PASS→日付の訂正で凍結): 点数の計算の間だけ、通常の記号の活性を「すでに出た記号(P)」と「まだ出ていない記号(F)」に分けてマスク。hist_past(Pだけ)対baseは+0.376(117/34)でマージン1/2未満、hist_future(Fだけ)はbaseとほぼ同じ、hist_offはhist_pastより+3.43(160/0)。記述: hist_pastで先走りは505→23に消えたが、繰り返し768・早すぎる<END>722に置き換わった。最初の逸脱が大きく遅れたのは履歴の項全体を外したときだけ。
• H-GEN-3(繰り返しを「禁止」するか「減点」するか) = FINAL/FROZEN — RQ1・RQ2ともNOT DETECTED(H_GEN_3_PROTOCOL.md§15〜16、2026-10-04、Codex実行後監査: PASS→記述の限定で凍結): 正解に近い距離の繰り返し(「ABB」「ABA」)を含む新しい課題(50ユニット・400プロンプト)で、不応期の禁止(ban)・抑制なし(none)・減点(soft、banなら0にされる記号の正の点数をθ = 4で割る)を比較。soft対banは全40同点、soft対noneは9/7/24で、どちらも検出せず。床に近い(繰り返しのセルの320中243が最初の繰り返しの前に逸脱)。記述: θ = 4のsoftは392/400でbanと同じ生成、距離2の繰り返しに到達した40件で正解を選んだのは0件(noneは32件中17件)。有限のθは禁止と一致しない(設計査読で訂正)。
• H-M2-1b(history-off構成での複数仮説の探索) = FINAL/FROZEN — P1・P2ともNOT FOUND(H_M2_1B_PROTOCOL.md§20〜21、2026-09-29、Codex実行後監査: PASS WITH CONCERNS→記述の限定で凍結): H-M2-1と同じM2の問い(P1=B対A、P2=C対B)を、history_boost = 0の構成(H-GEN-2の結果を見た後に採用した事後の研究判断。最適値ではない)と未見の課題hm2_1b(1600プロンプト)でもう一度試した。decoderはH-M2-1のものを変更せずに使った。
• マクロ平均の正答率: A 0.459・B 0.465・C 0.465。登録した床の診断(floor_both)には該当しなかった(H-M2-1では0.26%)。
• P1: 平均差+0.0057、13勝4敗143分、p ≈ 0.0245。統計の関門は通過したが、効果量の関門(≥ 1/20)を満たさずNOT FOUND。P2: +0.0008、4勝4敗152分でNOT FOUND。
• 診断(記述): Aの経路で確率が正の子が2個以上あったステップは91.5%だが、2位の確率が1e-3以上だったのは14.9%(p2の中央値1.4e-11)。事後の集計では、Cの最終ビームに正解が入っていたのは1080件、Cの正答は719件。
• 言えるのは「この1構成・1課題分布で、B・Cとも登録した改善の基準を満たさなかった」まで。「探索に効果がない」「同等」「M3は不要」とは読まない。
• H-CAL-1(Top-1 Confidence Calibration、測定研究) = FINAL/FROZEN — NEITHER(H_CAL_1_PROTOCOL.md§15〜16、2026-10-03、Codex実行後監査: PASS／CONCERN 2→記述補足で凍結): Study 107の凍結入力・構成で、top-1確信度の較正(等幅15ビンECE)をbigram・trigram・GRU・Transformerと比較。107の再現の関門45/45通過。CSEのECEは最良の対照より0.017〜0.021大きい(点推定)が、FinnishでDISADVANTAGEの区間条件を満たさずNEITHER。CSEは過小確信で、確信度は張り付いていない。予測A当たり・B外れ(history_boost=0.35は逆に強い過小確信)・C不支持。
• H-COL-1(CSE Colony、役割分業の比較研究) = FINAL/FROZEN — COLONY GAIN, NO CSE-SPECIFIC ADVANTAGE(H_COL_1_PROTOCOL.md§18〜19、2026-10-03、Codex実行後監査: PASS／CONCERN 2→表現を訂正して凍結。構想の原文はCSE_COLONY_CONCEPT.md): 合成言語・oracleのラベルで、役割を分けたCSE(Colony)はカテゴリを介した汎化(既知の語の未知の組み合わせ)で1.000、単体CSE・保存サイズがColony以上の単体・trigramは0.333。同じラベルのクラスベースn-gramも1.000(20インスタンスすべて同点)で、利得はラベル(クラスの分解)で説明できる。予測1〜3当たり・4外れ(Colonyの保存サイズは単体の約1.22倍)。単体CSEにラベルを渡す条件と確率的な課題はH-COL-2の候補。
• H-COL-2(ラベルを1匹に渡す、比較研究) = FINAL/FROZEN — NOT DETECTED(H_COL_2_PROTOCOL.md§16〜17、2026-10-03、Codex実行後監査: PASS): H-COL-1と同じ課題で、同じラベルを1つのCSEに1本の系列(後置: 魚 N_FOOD を)として渡すと、カテゴリを介した汎化は1.000でColonyと20インスタンスすべて同点(主比較COL対SL_post = NOT DETECTED)。ラベル付きの単体はラベルなしの単体(0.333)を20/0で上回った。予測4つすべて当たり。ラベルを前に置く問い(RQ2)は、凍結構成では痕跡の読み出しが無効で意図した機構を検証できないため対象外(0 trials)。天井を外す確率的な課題は次の候補。
• H-COL-3(天井を外した確率的な課題、比較研究) = FINAL/FROZEN — CN BETTER(H_COL_3_PROTOCOL.md§17〜18、2026-10-03、Codex実行後監査: PASS): 動詞を目的語のカテゴリから確率的(主0.8/副0.2)にし、真の分布に対する交差エントロピーで比較。同じラベルのクラスベースn-gram(0.728ビット、下限0.722)が、Colony(1.379)とラベル付きの単体CSE(1.356)より約0.63〜0.65ビット低かった(20/0)。Colony対ラベル付きの単体は差0.023ビットでマージン未満(NOT DETECTED)。top-1は3者とも主の動詞で同じ。CSEの2条件は確率の約35〜36%を正解の動詞以外に与えていた(原因は未同定)。
• H-LEAK-1(H-COL-3の確率の漏れの診断) = FINAL/FROZEN(H_LEAK_1_PROTOCOL.md§14〜15、2026-10-04、Codex実行後監査: PASS／誤記1件を訂正): H-COL-3の本試験の課題で、再現の関門(全20×2×48のT2で保存値とビット一致)を通した後に、確率をdirect・pair・混合の3成分に分解。漏れ(約35〜36%)の約87〜91%がdirectの項(今の記号「を」の行が全カテゴリの動詞に平均1/3ずつ配られる)、約9〜13%が混合、pairは0。事前の予測3つは両条件とも当たり。介入はしていないので原因とは書かない。
• H-LEAK-2(pairの重みへの介入) = FINAL/FROZEN(H_LEAK_2_PROTOCOL.md§14〜15、2026-10-05、Codex実行後監査: PASS): H-COL-3と同じ生成規則の新しい課題(キーhleak2)で、ラベル付きの単体CSEの学習済みの状態はそのままに、採点のpair_context_boostだけを1→3→9に上げた。T2の交差エントロピーは1.356→1.035→0.871(B3・B9 BETTER、20/0)、正解の2つの動詞への確率は0.646→0.807→0.904。direct由来の漏れが1/(1+β)の割合で減り、混合の分は残った。β=9でもクラスベースn-gram(0.728)が0.143ビット良く(CN BETTER)、その差はほぼ残った漏れの分。混合を0にした効果は0.046ビットでマージン未満(NOT DETECTED)。予測1〜5すべて当たり(予測5は前提が成り立つときの恒等式の確認で、独立の発見ではない)。副作用は測っていないので推奨設定とはしない。
• H-LEAK-3(βを上げたときの副作用) = FINAL/FROZEN — SIDE EFFECT DETECTED(S-G-B9)(H_LEAK_3_PROTOCOL.md§14〜15、2026-10-05、Codex実行後監査: 数値・判定は一致／記述の誤り1件(CNとの大小)を訂正して凍結): 新しい課題(キーhleak3)で、真の分布が分かる2つの位置(「が」の後=目的語18語に一様、「は」の後=カテゴリの形容詞2語)を、ラベル付き(SL_post)とラベルなし(S)の単体CSEで、β = 1・3・9で比較(16本、α = 1/320)。β = 9でラベルなしの「が」の後が約0.09ビット悪化(20/0、pairのキーが個別の動物でまばらな行が、同じ18語の中で配分だけを変える)。β = 3は0.046ビットでマージン未満。「は」の後は両モデルとも0.35〜0.57ビット改善、ラベル付きの「が」の後はdirectとpairの行が同一でβは効かない。予測1〜5すべて当たり。まばらさを原因とは同定せず、βの推奨もしない。
• 研究マップ: V2_CHECKPOINT_1.md(M4 → M7 → M1 → M2 → H-GEN-1 → H-GEN-2)、V2_CHECKPOINT_2.md(M2の古典的な検証の系列: H-M2-1 → H-GEN-1 → H-GEN-2 → H-M2-1b)。
• v2 module exploration: PAUSED / REVIEWED(2026-09-29)— see V2_MODULE_SELECTION_NOTES.md。仕様書のM5・M6・M8を先行研究と照合した前提の監査で、追加の実験によって新しい情報が得られると事前に期待できる正の反証可能な予測を導出できなかった(CLOSEDではない。M2のscore本体・M7などは未検証の部分を残す)。未検証の仮説はOPEN_HYPOTHESES.md。再開するときは、理由と、Selection Notes §6のどの判断を更新するかを先に書く。
• CSE Hardware Feasibility(独立した系列) = NO EVIDENCE — STOP at Phase 0(2026-09-29、CSE_HARDWARE_FEASIBILITY_SPEC.md§14〜15、CSE未実行): 凍結したCSEをエッジ/ハードの局所構造異常検出器にする合理性を判定。Phase8/9などの原典監査で、Phase8/9が当てはまらない条件での資源の比較優位について、事前の正の根拠を確認できなかった(専用ハード上で不可能という結論ではない)。

→ 詳細・結論の履歴管理(撤回・修正台帳、構成別の能力表、Failure Modes)は PHASE6_CHECKPOINT.md を参照。⚠ Default CSEの過去結果を、そのまま現在のCSEの構造的限界として引用しないこと。

1. CSEは汎用的な系列理解器というより「局所遷移異常センサー」: 未知の隣接遷移を、ほぼ2値の警報として、その位置で即座に出す(Q58/60a)。pair_contextで直前2記号をキーとする局所文脈(2-symbol local context)まで識別するが、edgeとpairの局所情報が全て既知の再結合は検出できない(Q58b。Markov次数を厳密に測ったものではない)。
2. Q41〜56の「CSEの性質」の一部は既定設定の数値的な副産物だった(Q57): 既定activation_cap(3.4e35)の下で、活性の指数増加→飽和→丸めで直接辺・pairの差が消える。約30トークンの崩壊・Steadyの前方窓・既知記号の盲点・攻撃後の警報の持続は、この機構(または既定で無効の機能を使っていない結果)。activation_cap≤1e16で連続3000トークンまで鋭さが保たれる。
3. Primary構成はlow-cap+pair(Q57h: Q51〜53に回帰なし)、Comparisonはdefault、+traceは実験用(長距離情報は運べるが基本想起を壊すトレードオフ)。
4. 警戒状態はCSEの内部にない(攻撃終了後0〜2トークンで復帰、Q59)。CSE単体の出力は強度ではなくnovelty eventのカウンタ(Q60a)で、時間構造は外部Aggregatorで分離できる(Q60b: CSE単体AUC 0.50 → 外部集計0.95〜1.00)。責務分離: CSE=瞬間センサー → Aggregator → Policy。

Phase4(Q31-40)まとめ

「異常検知・予兆検知」を掘った結果、CSEの実用上の"職種"がかなり具体的に固まった:

1. 粗い異常検知には強い: 「正常セットの範囲内か」の判定は完璧(Day32/33)。ただし局所的な次点予測(セットの中のどれが起きるか)は確信度が実態と乖離する。
2. 異常の"種類"に依存する: 局所的に本当に不自然な異常(隣接ペアが未学習)なら、正常パターン数やPhase3+の崩壊帯に関係なく頑健に検知できる。一方、他の正常パターンと紛らわしい"際どい"異常は見逃す(Day34/34.5)。
3. 深刻度を測れない、境界検知器: 軽微な逸脱でも即座に強く反応し(崖型)、突然でも徐々でも最終反応は完全に同一。慣れも予期も無い(Day35/36)。
4. 予兆能力はゼロ: 観測可能な逸脱の瞬間と完全に同時に反応し、それより前には一切の兆候(NLL・マージンとも)が出ない(Day37/38)。
5. 偽陽性の2大原因を特定: 学習順序バイアスと頻度不均衡。稀だが正当な運用パターンほど誤検知されやすい(Day39)。
6. 回復は異常の"正体"次第: 未知記号による異常は<UNK>集約を通じてセッション全体に恒久的な微小干渉を残すが、稀だが既知の正常による偽陽性は連鎖しない一過性(Day40)。

→ CSEは「予言者」でも「深刻度を測る診断医」でもなく、「今まさに起きている、構造的に明白な逸脱を即座に知らせる境界警備員」という役割が最も適性に合う。運用するなら、稀な正常パターンの扱いに注意し、未知入力に遭遇した後はセッション状態を疑い、深刻度判定や予兆検知は別のレイヤーに任せる設計が現実的。

→ 詳細はPHASE4_CHECKPOINT.mdを参照(支持された結論・棄却された仮説・既知の制約・Phase5へ持ち越す問いを1ページに固定)。

最終ゴール

「CSEはLMとして成功したか？」ではなく、「CSEを使う理由は何か？」に答える。