モード A：素朴なクライアント
もっともらしいスコアによって、不正な状態が見逃される。
モデル呼び出し回数： 0アクション送出回数： 0
準備完了。模擬推論サイクルを待っています。
ワールドモデルが
世界を失うとき。
潜在空間ダイナミクスと安全境界
次の一歩を予測することと、道のり全体を見通し、いつ止まるべきかを判断することは、別の課題である。
Paper 2 のインタラクティブ解説：「ニューラル空間ダイナミクスにおける予測可能性の限界、潜在的な記憶と安全性の認証」。
インタラクティブ実験を始める確かな次の一歩。
その先に広がる不確かさ。
ワールドモデルは、アクションによって状態がどう変わるかを予測する。その予測を次の入力に戻すと、小さな誤差が蓄積しうる。エージェントを操作し、表示を切り替えて、同じアクション履歴から得られる軌跡を比較しよう。
実際のエージェント予測位置のゴーストゴール障害物
一歩ずつシミュレート
右へ進んで壁にぶつけてみよう。予測上のエージェントも止まるだろうか。
実行したアクション0 / 60
軌跡のドリフト（マス）0.00
準備完了。上へ四歩、右へ五歩進むとゴールに到達します。
この模式図で示せることと、その限界。 これらの経路は決定論的な教材用シミュレーションであり、チェックポイントによる推論ではない。ドリフトは意図的にプログラムしたもので、報告された MSE から算出していない。二つのゴースト経路は、どちらも実際の衝突判定に所定のドリフトと壁の通り抜け係数を加えており、独立したモデル予測ではない。論文の「既知」「新規」は、状態とアクションの入力バイト列が完全に一致するかどうかを指し、独立したレイアウトや新しい生成分布を意味しない。実データでは、 設計された 64 次元の状態ベクトル と 16 次元のアクション埋め込み を使い、相対的な進行方向に対する三つのアクション（左折、直進、右折）を表す。チェックポイントには残差遷移ネットワークと独立した sigmoid 安全ネットワークがある。これらは設計された空間特徴であり、言語モデルが学習した埋め込みではない。一方、この図では上下左右の四方向を用いる。
| 入力の区分 | サンプル数 | 状態の MSE | 安全分類の正解率 |
|---|---|---|---|
| 既知の入力 | 1,102 | 0.010202 | 99.9093% |
| 新規の入力 | 590 | 0.024584 | 99.3220% |
新規入力の MSE は既知入力の約 2.41 倍である。正解率は安全か否かの二値分類に対する値であり、状態予測の完全一致やナビゲーションの成功率ではない。ここでの「分布内」「分布外」は、同じ検証分割に含まれる既知入力とバイト列として新規の入力を指すため、分布シフトの証拠にはならない。この差は記憶への依存という仮説を支持するが、その原因を特定するものではない。
見覚えのある入力ほど容易になる。
データセットには、 1,620 エピソードにわたる 8,146 件の遷移が含まれる。内訳は、訓練用 1,296 エピソードの 6,454 件と、検証用 324 エピソードの 1,692 件である。状態とアクションの入力が訓練データと完全に一致する検証データ重複は、 検証用 1,692 行のうち 1,102 行（65.13%）に及ぶ。エピソード ID に重複がなくても、系列全体が完全に一致するものは、 検証用 324 エピソードのうち 181 件（55.86%）あった。
長く先を想像するほど、問いは変わる。
自己回帰による十ステップ目の MSE は 0.16989に達する。ただし、条件を満たすエピソードは 39 件しかなく、すべて実際に安全だった。この長期予測の結果からは、後半に現れる危険を検出する能力を判断できない。
自信に満ちたスコア。
ありえない状態。
NaN は「数ではない値」を意味する。空間モデルの独立した結果・報酬ヘッドが高い確信度の有限なスコアを返しても、壊れた遷移には NaN が含まれうる。この種の異常を注入し、二つのクライアントの挙動がどう分かれるかを観察しよう。
準備完了
モード B：フェイルクローズ
提案段階のフェイルクローズ契約を示す例。
モデル呼び出し回数： 0アクション送出回数： 0
準備完了。拒否状態は、管理されたリセットを行うまで保持されます。
イベントログ：ハードウェアを使わない模擬送出停止ラッチ = 0
- 00 · モニターが有効です。推論サイクルを待っています。
再現された不具合と、提案段階の修正。論文で実際のクライアントを調べた際、有限でない予測状態が返ったにもかかわらず、
is_safe=Trueとなり、スコアも約 0.999557 という有限値だった。このパネルは、その過去の不具合経路と提案された修正ロジックを示す。論文では本番向けの修正を適用・検証していない。現在の Rust ルートには数値検証があるが、実行を継続的に阻止するラッチはない。下にあるソースコード監査済みのランタイム図を参照されたい。ここでの三成分の状態は、実際の 64 次元出力を教材用に簡略化している。不確実性の診断値も合成値であり、評価対象のネットワークには認識的不確実性の推定器がない。模擬的な指令の遮断は、物理的なモーター停止を検証した結果ではない。「小さくない」ことは、妥当性を意味しない。
JavaScript や IEEE 方式の比較では、NaN < 0.5 は false になる。この性質によって、スコアしか確認しない防護機構が破綻する場合もある。しかし、ここで扱う実際のクライアントの見逃しは、さらに分かりにくい。状態に NaN が含まれても、安全ヘッドのスコアは有限なのである。報酬のチェックだけでは検出できない。
ラッチは異常を記憶する。
異常を注入した後、正常なサイクルを試してみよう。フェイルクローズモニターは、次の推論や指令の送出が始まる前に処理を遮断する。ラッチを解除できるのは、別途行う管理されたリセットだけである。実環境で安全に停止することは、なお別の責務として残る。
許可 = 妥当 ∧（不確実性 ≤ 上限）∧（スコア ≥ しきい値）
停止次の時刻 = 停止現在 ∨ ¬許可
停止次の時刻 = 停止現在 ∨ ¬許可
マップを知ると、
問題そのものが変わる。
グラフプランナーは、正確な遷移と既知のトラップという答えを与えられている。学習型のニューラルフィルターは、どの候補が安全そうかを推定する。描かれた経路だけでなく、それぞれが利用できる情報を比較しよう。
オラクル：正確なグラフを参照
正確な遷移と、トラップへの所属を示す特権情報
東側は既知の吸収トラップである。オラクルはその候補を枝刈りし、迂回する。
緑の経路を一辺ずつたどります。
ニューラルフィルター：学習に基づく推定
設計された状態とアクション → 予測状態とスコア
東側のスコアは 0.96 でフィルターを通過する。しかし、隠れた環境にはトラップがある。
東側：トラップ
0.96
北側：安全
0.92
しきい値による判断の限界を示すため、合成スコアの順位を意図的に誤らせている。推論速度やキャリブレーションの測定ではない。
報告された 100% は、オラクルの診断結果である。100 組の対応するシードを用いた人工的な診断では、特権的なグラフ先読みが 100/100（100%）の成功と、0/100（0%）のトラップ到達を記録した。ニューラルモデルの読み込みや実行は行っていない。これは情報アクセスの面で優位なオラクルを上限の参照基準として使うもので、普遍的な性能上限ではない。MCTS が常にオラクルを必要とすることや、ニューラル制御が衝突しないことの証明にもならない。
| 問い | 特権的なグラフプランナー | 学習型ニューラルダイナミクス |
|---|---|---|
| 未来をどう求めるか？ | 環境の正確な遷移辞書を使う。 | 6,454 件の訓練用遷移に適合させた残差遷移ネットワークを使う。データセット全体には 8,146 件の遷移がある。 |
| 危険をどう識別するか？ | 実際のトラップへの所属情報を直接参照する。 | 学習した空間モデルの結果・報酬ヘッドを使う。凍結された意味的リスクゲートとは別であり、高い確信度は安全性の証明書ではない。 |
| 何を評価したか？ | 上下左右の四方向アクションからなる、人工的なグラフでの診断。 | 三つの相対アクションを使ったオフライン予測と安全分類。 |
| どの役割なら裏付けられるか？ | 特権情報を持つオラクルの参照基準。 | オフライン推定器、および候補を素早く絞る安全フィルター。閉ループでの安全性は未確立である。 |
実験から言えることの限界を読む
予測可能性：バイト列の完全一致による分類は、一つの検証分割に対する事後的な層別化である。共有レイアウト、近似的な重複、モデル選択の影響は除去していない。報告された誤差の差は仮説を支持するが、記憶への依存を因果的に診断するものではない。
安全性：モニターによる拒否の保証は、すべての処理を介在させること、正しいチェック、チェックと指令送出の原子性、実行を阻止できるフォールバックを前提とする。このブラウザデモは有限性、形状、スコアの範囲、合成した不確実性の上限を確認するが、識別情報、チェックポイント、中間値、物理的なフォールバックの検証をすべて実装したものではない。
プランニング：MCTS と名付けられたルーチンは、ルートノードでのバンディット割り当てと、決定論的な安全枝刈り付き先読みを使う。この診断は、座標に対して貪欲なベースラインが罠に陥るように設計されている。正確なモデルを使う診断と、ニューラルモデルのオフライン評価は別の実験であり、アクションのインターフェースにも互換性がない。
Gen-Zero モデルアーキテクチャ
とニューラルパイプライン
凍結された言語モデルは表現と尤度を提供する。専用の意思決定・アライメント・リスク経路は、それらを異なる形で利用する。空間ワールドモデルは独立して学習された分岐である。各層を探索し、テンソル形状を確認する。
コード監査： · gen-zero @ dc0c2133f059。実線の矢印は実装済みのデータフローを示し、破線の矢印は提案されたディスパッチ契約を示す。これらのコンポーネントは、広く展開済みの単一シリアルパイプラインではない。
すべてのフローを表示中。層を選択して次元と証拠を確認する。
狭い画面では図を横方向にスクロールすること。各層はキーボードで選択でき、ソースコードの注記にはテキスト版も用意されている。
モデル層を一つ選択
任意のボックスを選択してテンソル次元、仕組み、実装上の制約を確認する。Tab の後に Enter または Space を押すか、ポインターで選択する。
実装の証拠とアーキテクチャの境界
バックボーンの出典。 Qwen2.5-0.5B (d=896)、Qwen3.5-2B、Qwen2.5-72B (d=8192)、LLaMA-70B (d=8192) は文書化された層である。LLaMA-3.3-70B は依頼された対象だが、保持された大規模モデル抽出メタデータは LLaMA-3.1-70B を示している。検証済みの 3.3 抽出結果はまだ確立されていない。
学習範囲。 Transformer の重みはこれらの経路で凍結される。意味ゲートはラベル付きコンテキスト例 16 件と差分対数尤度（PMI）を使い、安全ヘッドを適合させない。空間モデルには学習された結果／報酬ヘッドが残り、教師ありアライメントヘッドも保持される。「バックボーンを微調整しない」ことは、下流学習がないことを意味しない。
安全範囲。 空間コードには NaN/Inf 入力の拒否と checkpoint ロックが存在する。前向計算後の出力検証と永続ハードウェアディスパッチラッチは提案された契約である。現在のソースコードでは非有限な予測が step() から逸脱する；図はモーターの安全性を証明しない。
crates/gen-zero-model/src/choice_head.rs：正規 ActionId ソートと Simplex ETF 幾何、Sₖ ⊂ ℝᵏ⁻¹。保持された直接 Rust ベンチマークは、表現と候補同一性を固定した場合の同一性反転が 0/16,232（0.00%）であることを報告し、最大確率ドリフトは 5.96 × 10⁻⁸ である。論文の証拠：equivariant-choice-head/evidence/revision/results.json。python/gen_zero/world_model/neural_dynamics.py：[B,64] 状態 + [B,16] アクション → [B,80] 連結 → Δz=f(z,a) → z′=z+Δz；学習された sigmoid 結果ヘッド。次元は空間構成に由来し、汎用的なクラス定数ではない。benchmarks/suites/geometric_latent_fusion.py：直交 Procrustes 診断と対応 SVD コア／残差特徴。benchmarks/suites/evaluate_manifold_pareto_ensemble.py：教師あり正規化 logit 融合であり、幾何学的な射影とは異なる。docs/zero/29-pubmedqa-aegis-unified-manifold-evaluation-closure.md：PubMedQA 78.40% (196/250)、選択された 2 ヘッド融合；Aegis Track A 81.60% (204/250)、選択された単一 LLaMA ヘッド。これらの記述的結果は統計的優位性を証明できない。python/gen_zero/service/semantic_risk.pyとpython/gen_zero/service/risk_data/report.json：凍結された 0.5B、16-shot ICL、3 つの順序、重複ウィンドウ、PMI スコアリング；AUC 0.944。診断 τ=0.50 は危険なリクエスト 18/18 件と良性リクエスト 7/18 件にフラグを付ける。リアルタイム閾値は 0.4494 / 0.7620 である。
各層のテキスト版
凍結されたバックボーン重み
Token ID [B, T] → 隠れ状態 [B, T, d]。Qwen2.5-0.5B は d=896 を使用し、アーカイブされた Qwen-72B および LLaMA-70B の特徴量は d=8192 を使用する。ここでの Qwen-2B は Qwen3.5-2B を指す。LLaMA-3.3-70B は依頼された対象だが、保持された抽出メタデータは LLaMA-3.1-70B を示しているため、これらの測定では 3.3 checkpoint を検証できない。凍結表現はバックボーンを微調整せず、教師あり下流ヘッドと空間ダイナミクスはなお適合が必要である。
空間入力 · d=64 + 16
これらは工学的な空間特徴量であり、Transformer の隠れ状態から投影されたものではない。評価した空間構成では z と a を連結して [B, 80] とする。このクラスは状態・アクション次元を設定可能である。
隠れ状態の読み出し · [B, T, d] → [B, d]
順伝播計算から隠れ状態を読み取り、回答 token は生成しない。プーリング方式はエンコーダーが決め、アーカイブされた大規模モデルの特徴量では最終 token プーリングを使う。CPU の候補選択経路ではプロンプトキャッシュも使って候補の続きの評価を行う。したがって、出力 token がゼロでも、バックボーンを一度だけ呼び出すことや推論コストがないことを意味しない。
意味スコア · スカラーリスク
各リクエストウィンドウについて、log P(" dangerous") − log P(" safe") から空リクエストのロジットを差し引く。3 つのデモ順序で平均し、最も高いリスクの重複ウィンドウを用いて sigmoid を適用する。この意味ゲートは新たに学習したニューラル安全分類器を使わない。ラベル logits は凍結モデルから得られ、説明は生成しない。
残差空間ダイナミクス · 80 → 64
neural_dynamics.py は LayerNorm と GELU を備えた残差 MLP を使う。独立に学習された sigmoid の結果／報酬ヘッドは [B] を返し、現行コードに残っており、凍結された意味的リスクゲートとは別物である。このクラスのデフォルト隠れ幅は 128 で、2 つの残差ブロックを含む。checkpoint の構成を正とする。
選択幾何 · k 個のアクション → k−1 次元
gen-zero-model / choice_head.rs は安定した ActionId をソートし、共有表現を正単体（シンプレックス） Simplex ETF に射影し、正規順序でスコアリングした後、確率を呼び出し側の順序に戻す。適切に定義された意思決定は、一意な ID、妥当な次元、有限入力、決定的な同率処理に依存する。シャッフル時にも、候補集合、同一性、共有表現は不変でなければならない。
アライメントと融合は独立した経路
直交 Procrustes は XᵀY の SVD から R=UVᵀ を得る。GeometricLatentFusion はこの写像を診断情報として保存し、その特徴量には対応する SVD 軸、スケールを整合させたコア平均、残差を用いる。教師ありヘッドはラベルから学習する。PubMedQA で最良の結果を示した構成は Procrustes 座標ではなく正規化されたヘッド logits を組み合わせる：0.75 Qwen + 0.25 LLaMA。
リアルタイム閾値と診断 τ=0.50
リポジトリ内のサービスは 2 つの境界を使う：0.4494 はエスカレーション用、0.7620 は緊急停止用である。τ=0.50 は論文の二値分析閾値であり、リアルタイムポリシーではない。保存された 36 ケースでは、危険なリクエスト 18/18 件と良性リクエスト 7/18 件にフラグを付ける。リアルタイム階層は危険ケースで緊急停止 12 回 + エスカレーション 6 回、良性ケースでエスカレーション 9 回を生じさせる。
NaN / Inf の安全境界 · 実装上の欠落
step() は未ロードの重みと有限でない状態／アクション入力を拒否する。現行実装は予測状態と報酬を返すが、前向き計算後の有限性検査はない。指令送出を阻止し続ける緊急停止ラッチを伴う出力妥当性検査は提案された修正であり、実装済みのハードウェア安全機能ではない。ブラウザーのラッチは説明用にすぎず、物理モーター停止の挙動は未検証である。
シャッフル結果 · 測定済み・範囲限定
保持された直接 Rust ベンチマークは、小集合の全順列とシード付き大集合シャッフルにおいて、同一性反転 0/16,232（0.00%）を観測した。アライメント確率の最大ドリフトは 5.96 × 10⁻⁸ である。実装が要求する妥当な入力という仮定の下では、正規ソートがメニュー順への依存を取り除く。これは意味的正しさの証明ではなく、候補内容、プロンプト文脈、モデル出力の変化に対する不変性も証明しない。このページのインタラクティブ表示は教材用であり、このベンチマークを再実行するものではない。
評価 · 選択された構成
PubMedQA は fuse0.75+bbp|raw（2 ヘッドの正規化 logit 融合）を選定した。Aegis Track A は llama+bbp|raw（単一モデルヘッド）を選定した。これらは記述的なローカルテスト結果であり、検証済みの SOTA や普遍的なアライメント向上ではない。両タスクのマクロ bootstrap 区間はゼロを含む。
リスクの証拠 · 小規模な選定スイート
AUC は 0.944444 で、危険な保存済みリクエスト 18 件と良性 18 件に基づく。τ=0.50 では危険なリクエストの再現率が 18/18 で、良性 7 件にフラグが付く。chmod 単体の回帰テスト用プローブは、なお検出されない。実装は実測計算時間を記録する。キャッシュ済みプロンプトは重複したセットアップを減らすが、推論レイテンシーをなくさない。
ディスパッチ契約 · 提案段階・未展開
提案されたモニターはディスパッチ前に予測状態、スコア、形状を検証する。無効値は永続的な緊急停止を設定し、制御されたリセットまで後続のモデル呼び出しとアクションを阻止する。これは必要なハードウェア安全境界を説明するものであり、現行コードベースで検証済みの物理ラッチではない。
Gen-Zero システムアーキテクチャとフロー
Rust ランタイムはエントリー、ポリシー、プランニング、意思決定ヘッド、暗号監査を接続する。図は責務ごとにグループ化され、選択した動詞が実際の呼び出し経路を決める。
ソースコード監査：2026年9月27日 · gen-zero@dc0c2133f05954146e9738bce64bf15dd36ffbee。ソースコードで検証した接続関係であり、新たな展開やモデル評価を主張するものではない。
層を選択して実装と制約を確認する。
ここで実装されていないもの
依頼された AST パーサー + Linux capabilities スタック、物理 衝突検査 および永続化された フェイルクローズ（Fail-Closed）サーキットブレーカーラッチは、これらの Rust crate 内で統合された実行経路を形成していない。無効入力の拒否とポリシーのエスカレーションはすでに存在するが、サンドボックスや物理的な停止を構成するものではない。
これらのサービス経路は意思決定とシミュレーション結果を返す。意思決定台帳は外部アクションが実行された証拠にはならない。
リクエストから応答へ
- 受け入れてバインドする。 CLI または MCP/HTTP サービスがリクエストを受け取る。ルーターはそのマウントスナップショットを取得し、経路固有のフィールドを検証して動詞を選択する。
- リクエストを評価する。 テキスト
ask、routeとimagineは、Python ブリッジ経由で意味的リスクを取得する。リスクが欠落または無効ならエスカレーションされ、緊急停止階層はその経路を阻止する。アクション選択時にもポリシー制約を適用する。 - リクエストの経路を使う。 テキスト ask は意味に基づくスコアリングを使い、利用できない場合は明示的にラベル付けされた first-feasible fallback を使う。未評価のリスクは引き続きエスカレーションされる。テキスト route はブリッジを実行できない場合に利用不能を報告する。数値プランニングでは
gen-zero-plannerとgen-zero-worldmodelを使う。simulate、what_ifと shadowauditは未学習の事前分布を公開する。明示的な ETF ヘッドは正規 action ID とシンプレックス (単体) 投影を使う。数値認知リクエストには独自の幾何学的検証経路がある。 - ゲート制御し、記録して返す。 アクション選択経路はポリシー判定とリクエストのリスクを組み合わせる。成功した
askの結果、および decision append を伴うpipeline decideの結果は、監査結果を返す前にプロヴナンス台帳へ追記される。応答には経路メタデータが含まれ、外部コマンドはディスパッチされない。
ソースコード対応表と全層の説明
エントリー層
gen-zero-cli · gen-zero-service — CLI は McpServer を起動するか、意思決定を送信する。サービスは stdio と HTTP/SSE で MCP を受け付け、REST 経路も提供する。zero router は不変のマウントスナップショットをバインドして動詞ごとにディスパッチする。これらは共有 crate を介した別経路である。
配置場所：/ebs/pj/gen-zero/crates/ 配下：gen-zero-cli/src/main.rs; gen-zero-service/src/server.rs; gen-zero-service/src/zero.rs
ゲート制御と安全
gen-zero-gate — PolicyGate は形式化制約、確認レジストリ、エントロピー、意味的リスク階層をサポートする。デフォルト状態には登録済みの制約や確認アクションがない。テキスト ask、route、imagine は Python の意味的リスクブリッジを使い、リスクが欠落または不正形式ならエスカレーションされる。Shell AST パーサーと Linux プロセス capability の強制は、この Rust gate に接続されていない。
配置場所：/ebs/pj/gen-zero/crates/ 配下：gen-zero-gate/src/policy.rs; gen-zero-gate/src/risk.rs; gen-zero-service/src/bridge.rs
プランニングとダイナミクス
gen-zero-planner · gen-zero-worldmodel — 数値潜在リクエストは MCTS、MPC-CEM、または A* を使える。サービスは未学習の残差またはシンプレクティック・ダイナミクスを公開し、有限入力の検査と終端状態の危険処理を備える。プランニングはゲート制御された緊急停止の候補をフィルタリングするが、固定計画のシミュレーションは阻止されたアクションのステップをなお実行し、そのゲート階層を記録する。これはオフラインのダイナミクス・フィルタリングであり、物理衝突検査は検証されていない。この Rust 経路には永続的なフェイルクローズ実行ラッチが接続されていない。
配置場所：/ebs/pj/gen-zero/crates/ 配下：gen-zero-service/src/worldsim.rs; gen-zero-planner/src/pipeline.rs; gen-zero-worldmodel/src/dynamics.rs
意思決定コア
gen-zero-model — ActionETFChoiceHead は安定した ActionId をソートし、共有表現を正単体（シンプレックス） に射影して、スコアを呼び出し側の順序へ並べ直し、softmax を適用する。コアには決定的な近似同率ルールがある。サービスは明示的なヘッドオプションを通じて ETF を公開する。通常のテキスト意思決定は意味ブリッジを使うため、ETF はすべてのリクエストのデフォルトヘッドではない。
配置場所：/ebs/pj/gen-zero/crates/ 配下：gen-zero-model/src/choice_head.rs; gen-zero-service/src/zero.rs
検証と監査
gen-zero-provenance — DecisionAuditEntry は直前の MMR ルートを含む。鍵付き BLAKE3 Merkle Mountain Range が意思決定履歴をコミットし、包含証明をサポートする。成功した ask の結果と decision append を伴う pipeline decide の結果が記録される。GENZERO_MMR_PERSIST_PATH による永続化は任意である。直近 4,096 リーフには包含証明が保持され、信頼されたルートは外部に保持しなければならない。これは実行監査ではなく、外部 shell コマンドやモーター動作が実際に実行されたことを証明できない。
配置場所：/ebs/pj/gen-zero/crates/ 配下：gen-zero-provenance/src/entry.rs; gen-zero-provenance/src/mmr.rs; gen-zero-service/src/zero.rs
関連するランタイム基盤には gen-zero-core（共有型）、gen-zero-lod（グラフ事実）、gen-zero-storage（スナップショット）および任意の gen-zero-nanocore 経路がある。論文の上下にある実験は研究上の証拠であり、このランタイム対応図の代わりにはならない。