CSE v2 チェックポイント2 — M2の古典的な検証の系列(H-M2-1 → H-GEN-1 → H-GEN-2 → H-M2-1b)

作成: 2026-09-29(H-M2-1bの凍結の直後)。DRAFT(commit 6b776a8)→ Codexの系譜監査(FAIL 1件、§6)→ 修正。状態: FINAL/FROZEN(2026-09-29)。以後、本文は書き換えない。

この文書は、凍結済みの各研究の結論をそのまま並べて、M2(複数仮説の探索)の古典的な検証の系列を1枚にし、「v2で何を試して、何が残ったか」を再固定するためのものである。各研究の結果・判定・解釈は、それぞれのプロトコルが正本であり、この文書はそれらを書き換えない・強めない。数値はすべて各プロトコルからの引用である。M4・M7・M1とH-GEN-2までの流れはV2_CHECKPOINT_1.md(FINAL/FROZEN、commit e53aa89)が正本で、この文書はそれを書き換えない。

この文書では次の研究を決めない。決めるのは、この文書の凍結とOPEN_HYPOTHESES.mdの整理の後にする(2026-09-29、ユーザーと合意)。

1. 一本道の要約

H-M2-1   M2の古典対照(A=greedy / B=1回分岐 / C=beam-k)
         → P1(B対A)・P2(C対B)ともNOT FOUND、floor_both を伴う
   ↓  原因を切り分けないまま温度やbeamを調整するのを避け、診断を優先(運営上の判断)
H-GEN-1  自由生成の最初の逸脱の診断(改善はしない)
         → 登録済みの出力R1(near_miss 806/1599)。history が最大の正のscore差の構成項(1595/1599、観察)
   ↓  R1の路線の候補はH-M2-1bだったが、history の観察を介入で検証する事後の判断
H-GEN-2  デコード時の係数への介入
         → hist_off PASS / pair_off NOT PASS(履歴の項への特異性は未検証)
   ↓  hist_off の構成を、M2の問いの新しい登録構成として採用(結果を見た後の事後の判断)
H-M2-1b  history-off構成・未見の課題 hm2_1b で、同じP1・P2を事前登録して再検証
         → 再び P1・P2ともNOT FOUND(floor_both には該当しない)

要点: H-GEN-2のPASSと、M2の仮説が支持されたこととは別である。 H-GEN-2は、デコード時に履歴の項を外すと自由生成の最初の逸脱が遅れることを、登録した基準で支持した。しかし、その構成に移して同じM2の問いを事前登録で再検証しても、複数仮説の探索(B・C)の登録した改善の基準は満たされなかった。H-GEN-2の結果は、自由生成の挙動についての結果であり、M2の比較優位についての結果ではない。

2. 研究ごとの整理

2-1. H-M2-1(古典的な複数仮説の探索)— 正本 H_M2_1_PROTOCOL.md §6・§14〜15

2-2. H-GEN-1(自由生成の最初の逸脱の診断)— 正本 H_GEN_1_PROTOCOL.md §14〜18

2-3. H-GEN-2(履歴の項への介入)— 正本 H_GEN_2_PROTOCOL.md §16〜17

2-4. H-M2-1b(history-off構成での複数仮説の探索)— 正本 H_M2_1B_PROTOCOL.md §20〜21

3. 現時点で言えること(各正本の範囲を超えない)

• M2の古典的な検証として、2つの登録構成・2つの課題セットで、P1・P2とも登録した改善の基準を満たさなかった(H-M2-1: Primary構成low-cap+pair・floor_bothを伴う。H-M2-1b: history-off構成・床の診断に該当せず)。
• 2回のNOT FOUNDは、登録した判定は同じだが、観測値と関門の通過状況は異なる(記述上の対比であり、独自の結果の分類を作るものではない)。H-M2-1は3方式とも正答率が約0.26%で、全単位が同点だった。H-M2-1bはAの正答率が約0.46で、P1では同点でない17単位のうち13単位でBがAを上回った(統計の関門は通過)が、観測された平均の改善0.0057は登録したマージン1/20に届かなかった。
• H-M2-1bの記述(判定を変えない、§20-3): Aの経路では、確率が正の子が2個以上あったステップは91.5%、2位の確率が1e-3以上だったステップは14.9%(p2の中央値1.4e-11)。Aが最初に外れた890件のうち852件で、正解はtop-kの採用集合に入っていた(保存した所属の記録の集計)。
• hgen1・hgen2・hm2_1bは、H-M2-1と同じ生成器・同じgridから新しく取った標本である。「未見の課題」はこの意味であり、異なる課題分布での追試や独立した再現研究ではない。
• 言わないこと:
• M2(複数仮説の探索)に効果がない、または同等である(NOT FOUNDは同等性を示さない)。
• M3(量子シミュレーション)は不要である。H-M2-1 §0には、床・天井の診断タグが立った状態でのNOT FOUNDに「M3へ進む理由は弱くなる」を一律には適用しない、という留保がある。H-M2-1bでも登録した改善は検出されず、古典方式のFOUNDを受けてM3を問うという経路には至っていない。これはM3の否定ではない(§4-2)。
• H-GEN-2のPASSがM2を救済した、またはM2の失敗の原因が履歴の項だった。
• H-GEN-1(Primary構成low-cap+pair・hgen1)の仕組みの分布と、H-M2-1b(history-off構成・hm2_1b)の診断の値を直接比べて、介入の効果とすること(構成・課題・集計の定義がすべて違う)。

4. 残った問いの位置づけ(ここでは次の研究を選ばない)

4-1. Candidate Selection / Scoring Hypothesisについて、現在言えること・まだ観測していないこと

• 現在言えること(H-M2-1b §20-4・§21の範囲): Cの最終ビームに正解が入っていたのは1080/1600件、Cの正答は719件。正解がビームにあったのにCが外した361件では、登録した選択の規則(累積log p、同点のときは辞書順)で別の完了した候補が選ばれた。出力の長さで分けると、正解と同じ長さの別の系列263、正解より短い67、長い31。
• 未保存・未集計のこと:
• ビームの全候補のscoreは保存していない。したがって、361件全体での正解の候補と選ばれた候補のscoreの差、および同点のときの辞書順で選択が決まった件数は、未集計・未確定である。
• ただし、A・Bが同じ正解のID列を出した場合など、一部は保存した結果から確認できる。系譜監査(§6)でCodexが事後に確認し、Claudeも再集計した: 361件のうち13件ではAが正解を出しており、そのscore(同じモデル・プロンプト・ID列)とCが選んだ候補のscoreを比べられる。13件すべてでCが選んだ候補のscoreの方が高く、同点は0件(例: b2_d1_e3_uniform / inst 8 / prompt LB、Aの正解QVNETW −1.372、Cの選択は空の出力 −0.696)。これは監査での事後の確認であり、登録した結果や原因の説明に格上げしない。361件全体への外挿もしない。
• 項の分解: 各ステップの生scoreの直接辺・pair文脈の項と、系列の累積log p(softmaxの後の確率の対数の和)は別物で、後者をそのまま直接辺・pairの加算項に分けることはできない。正解の経路・選ばれた経路の各ステップの項別の記録は保存していない。
• (H-M2-1b §21の「正解の候補とのscoreの差は確認できない」は、全件については正しいが、上の13件のように一部は確認できる。§21は凍結済みなので書き換えず、ここに記録する。)
• したがって、まだ言えないこと: 長さのバイアスだった/確率の較正が悪かった/scoreの規則が原因だった。仮説の名前を「長さ正規化仮説」のように狭めないのはこのためである。
• 注意: ②の事後の集計は、登録した判定(P2 NOT FOUND)を見た後に、Cが外した件数を調べたものである。これを動機に「scoreの規則を変えればCが勝つ」を試すと、M2を成立させるための救済研究になりやすい。立てる場合は、まず保存していない量(全候補のscore・同点の件数・経路の項別の記録)を観測する記述の研究として立てるか、判定の対象と構成を事前に固定した独立の研究として立てる。

4-2. M3を今は保留する理由

• 正本に基づく部分: H-M2-1 §0は「古典でNOT FOUNDならM3へ進む理由は弱くなる。ただし天井・床の診断タグが立った状態でのNOT FOUNDには一律には適用しない」「FOUNDなら、そこで初めてM3を問う意味が出る」としている。H-M2-1はfloor_bothを伴うので、この留保の対象である。H-M2-1bでも登録した改善は検出されず、古典方式のFOUNDを受けてM3を問うという経路には至っていない。これはM3の否定ではない。2回のNOT FOUNDを一括して「M3へ進む根拠が弱い」の根拠にはしない。
• 研究運営上の評価(結果そのものではない): 古典の探索で登録した改善が検出されないまま量子版へ進むことは、「量子の主張を先に置かず、まず古典的な複数仮説と比べる」というv2の方針と逆の順序になる、とClaudeとユーザーは評価した。

5. 手続きについての記録

• H-M2-1bの実際の順序: V2_CHECKPOINT_1.mdの凍結(commit e53aa89)→ プロトコルv0.1〜v0.4(設計査読2回、FROZEN commit f70eb7e)→ 課題セットの生成と凍結(commit c62a4f1)→ 実装・テスト・実装後査読2回 → commit(9696446)・manifest → 本実行(2026-09-26、hgen2の参照の再現1600/1600)→ 結果の記録(commit 93c41c2)→ Codexの実行後監査(PASS WITH CONCERNS)→ 記述の限定・凍結(commit d442381、2026-09-29)。
• 記述の限定の記録(H-M2-1b §21): 「床ではない」→「登録した床の診断(floor_both)に該当しなかった」、「改善の余地のある範囲での比較だった」を削除、hashの一致を実行直後に限定、top-kの所属852件は保存した記録の集計と明記、§20-4を「登録した選択の規則(累積log p、同点のときは辞書順)で別の完了した候補が選ばれた」に置き換え。数値・判定は変更なし。
• 逸脱と閲覧の順序: H-M2-1bの「逸脱なし」は実行者の記録であり、閲覧の順序を守ったこと自体は時刻つきの証拠で独立に検証できない(H-M2-1b §21)。
• この文書の数値の出典: H-M2-1は §14、H-GEN-1は §14〜18、H-GEN-2は §16〜17、H-M2-1bは §20〜21、およびそれらを引用したV2_CHECKPOINT_1.md §1。

6. Codexの系譜監査(2026-09-29)と対応

総合判定: FAIL(草稿の記述上)。数値・登録済みの判定・主要な研究の系譜は一致。不存在への言い換え1件の修正と、証拠・系譜の範囲の限定をすれば凍結してよい、という判断。対象はcommit 6b776a8(Codexは実験の再実行・ファイルの変更をしていない)。

• 数値・判定は変更していない。
• 凍結の手続き: 監査の指摘を反映した後、追加の再監査は実施していない。Checkpoint 1と同様に、指摘への対応の後に凍結した(2026-09-29、ユーザーの判断。Codexの利用枠を次の研究の設計査読に回すため)。