[EPIC][ICT] Toolkit multi-instrument de mesure et d’intervention sur les états internes

[jsboige]

État mesuré au 2026-10-05 (consolidation #13906, lane myia-po-2025:CoursIA). Confrontation des 6 cases « Enfants initiaux » et des 7 « Critères de réussite » à origin/main. L'Epic n'est pas fermable : 2 filles closes, 2 livrées-mais-ouvertes, 2 encore ouvertes — chacune nommée ci-dessous avec sa preuve.

Enfants initiaux

#	Case	Verdict	Artefact vérifié sur main
1	#15476 — Contrat de trace v1, identité d'instrument et alignement commun	livrée, non close	MyIA.AI.Notebooks/IIT/ICT-Series/ict/trace_contract.py porte CONTRACT_VERSION = "v1.1.0" (l. 67) et l'énumération INSTRUMENTS ; PRs #15525 et #15548 MERGED. Le [RELEASED] de la lane ai-01:CoursIA-2 du 2026-10-04 la déclare candidate-delivered (marqueurs c.1134 du 22/09 et c.926 du 28/09) — la fermeture revient au coordinateur (urne delivered, #15069), pas à une lane.
2	#15477 — F-Lens, mode belief-state	close	CLOSED 2026-09-20 ; ICT-37-FLens-BeliefState-Python.ipynb sur main, 13 cellules exécutées, 0 erreur
3	#15478 — F-Lens, mode factored geometry	NON livrée	OPEN. Le coordinateur l'a rendue au tapis le 2026-10-05 : « ce n'est pas encore livré » — les 6 critères d'origine sont couverts (#15514, #16013) et #18002 livre la courbe overlap(k) sur 5 graines, mais des critères ajoutés le 15/09 restent ouverts (boucle fermée bench_factorise, plancher Bayes, bruit sur le canal génératif, structure conditionnelle, null sur ≥5 initialisations non entraînées, overlap des coefficients de probes). L'artefact existe (ICT-36-FLens-FactoredGeometry, 16 cellules exécutées, 0 erreur) ; la case ne l'est pas.
4	#15479 — Causal Intervention Engine	ouverte, claim actif d'une autre lane	ict/causal_engine.py (711 l.) est sur main : InterventionSpec, apply_intervention, interchange_panels, random_target_matched, sham_of, symmetric_doses, dose_response_specs, holm_adjust, damage_metrics, selectivity_verdict, InterventionRecord.to_json, artifact_sha256, assert_alignment. Le claim myia-po-2024:CoursIA du 2026-09-27 porte une tranche de délégation au contrat canonique, pas l'absence du moteur.
5	#15480 — pilote de triangulation SAE–J-Lens–F-Lens	livrée, non close	ICT-40a-TriangulationCausale-Python.ipynb sur main : 16 cellules exécutées, 0 erreur, hypothèses H1-H4 pré-enregistrées verbatim, doses symétriques, sham, correction de Holm, multi-seeds. PRs #16230, #17472, #15665, #15799 MERGED ; [INFO] candidate-delivered de ai-01 du 2026-10-03 → fermeture = urne delivered.
6	#15481 — S-Lens POC expérimental	close	CLOSED 2026-09-15 ; ict/slens.py + ICT-38-SLens-SelfLocation-Python.ipynb sur main

Critères de réussite

#	Critère	Verdict	Preuve / ce qui manque
1	Les quatre instruments ont un contrat d'observable explicite et versionné	tenue, avec une nuance déclarée	ict/trace_contract.py, CONTRACT_VERSION = "v1.1.0", validate_manifest, stamp de rétro-compatibilité (out["contract_version"], l. 254). L'énumération INSTRUMENTS couvre sae, jlens, jlens_trackp — S-Lens en est délibérément exclu : slens.py écrit « slens n'entre PAS dans l'énumération INSTRUMENTS du contrat de trace v1 » et range son ajout en étape post-promotion. Cette exclusion est la doctrine du critère 6, pas un manque du critère 1.
2	Traces alignables sans mélange silencieux de modèle, run, prompt, token, couche ou sémantique top-k	tenue	ALIGNMENT_KEYS + validate_manifest dans trace_contract.py ; la sémantique top-k est portée explicitement (jlens_trackp) ; tests tests/test_trace_contract.py, ict/tests/test_jlens_traces.py, ict/tests/test_lens_endpoints.py
3	F-Lens rend deux verdicts distincts : état prédictif accessible et géométrie de ses facteurs	partiellement tenue	Le belief-state est rendu (ICT-37, #15477 close). La géométrie factorisée a un carnet exécuté (ICT-36) mais son grain #15478 n'est pas livré — le second verdict n'est donc pas encore acquis au sens de la case.
4	Le moteur causal exécute des interventions appariées avec provenance et contrôles	tenue	ict/causal_engine.py : apply_intervention, interchange_panels, random_target_matched (cible aléatoire appariée), sham_of, symmetric_doses, dose_response_specs, holm_adjust (correction des comparaisons multiples), damage_metrics + selectivity_verdict (séparation état/readout), InterventionRecord (provenance sérialisée), artifact_sha256, assert_alignment
5	Un pilote à trois instruments rend des verdicts falsifiables multi-seeds avec tailles d'effet et IC	tenue	ICT-40a-TriangulationCausale-Python.ipynb : trois lectures séparées de la même machine (F-Lens belief / SAE / J-Lens), H1-H4 pré-enregistrées, doses et sham, Holm, seeds
6	S-Lens reste expérimental tant que sa généralisation hors copy_offset n'est pas démontrée	tenue	ict/slens.py porte le statut contractuel : POC expérimental, hors énumération du contrat v1, manifestes POC-locaux non validables par validate_manifest ; le second problème de binding (variable_binding) est le gate de promotion, et le verdict est PROMOTE / SPECIALIZED_ONLY / INCONCLUSIVE
7	Tous les notebooks exécutés end-to-end avec outputs réels et ≥3 exercices	tenue	Mesuré sur les 5 carnets du périmètre (execution_count non nul, 0 erreur) : ICT-22b 15/15, ICT-36 16/16, ICT-37 13/13, ICT-38 16/16, ICT-SAE-JLens-TeteATete 12/12. scripts/notebook_tools/count_exercises.py : 5/5 conformes, 16 exercices au total.

Ce qui reste, et où ça vit

1. ICT F-Lens : mode factored-geometry, sous-espaces et additivité #15478 — le seul enfant dont la livraison est en défaut. Les critères ajoutés le 15/09 sont nommés par le coordinateur lui-même (2026-10-05) : boucle fermée bench_factorise, plancher Bayes, bruit sur le canal génératif, structure conditionnelle, null sur au moins 5 initialisations non entraînées, overlap des coefficients de probes. C'est un grain de contenu actionnable par une lane.
2. ICT toolkit : contrat de trace v1, identité d’instrument et alignement commun #15476 et ICT toolkit : pilote causal de triangulation SAE–J-Lens–F-Lens #15480 — livrées, non closes. Leur fermeture est un geste de coordinateur (urne delivered, P0 -- la fermeture d'issue est tiree au sort par le picker, pas routee : 21 fermetures MiniMax contre 4 du coordinateur, et l'adjoint n'existe dans aucune regle #15069) : les deux portent le marqueur candidate-delivered et une lane worker qui les rencontre doit rendre la main, pas fermer.
3. ICT toolkit : moteur commun d’interventions causales sur les états internes #15479 — claim actif myia-po-2024:CoursIA (2026-09-27) sur une tranche de délégation au contrat canonique. Le moteur lui-même est déjà sur main ; la case reste ouverte parce que le grain qui la porte n'est pas terminé, et elle appartient à la lane qui l'a claimé.

Aucun résidu de cet Epic n'est verrouillé par une décision user.

Portée non vérifiée : les critères ont été mesurés sur les artefacts de origin/main et sur les corps/derniers commentaires des six filles — pas sur les 12+ commentaires de chacune ; un critère tenu par une PR mergée après le dernier commentaire d'un enfant ne serait pas vu ici. La mesure d'exécution des carnets porte sur les fichiers de origin/main matérialisés hors arbre de travail.

---

But

Construire dans ICT un toolkit cohérent pour mesurer, comparer puis intervenir sur les états internes des transformers, sans réduire des observables différents à un score omnibus.

Le toolkit consolide deux instruments existants et en introduit deux autres :

1. Feature Lens (SAE) — features latentes sparse ;
2. Functional Readout Lens (J-Lens) — effets fonctionnels exposés actuellement comme logits de tokens ;
3. Factored Geometry Lens (F-Lens) — état prédictif décodable et géométrie factorisée ;
4. Self-Location Lens (S-Lens) — position/référence/binding, au statut expérimental.

La causalité n’est pas un cinquième instrument : c’est un protocole transversal reliant les cibles proposées par les lentilles à des interventions et à des effets mesurés.

Position dans la série et non-duplication

• Part of [Epic] - IIT → ICT : trajectoires intégrées, morphogenèse minimale et émergence multi-échelle #4588, Epic mère de la série ICT.
• See [EPIC][ICT] Consolidation de la serie — audit sur support intermediaire puis renforcement des protocoles (face contenu de #7260) #11690 pour la consolidation éditoriale, l’onboarding SAE → J-Lens → Workspace et la place des notebooks. Cette Epic ne renumérote ni ne refond la série.
• See research(ICT/IIT): SAE + J-lens multi-échelle — forme & dynamique des catastrophes sous perturbations appariées (6 tailles Qwen3) #8236 pour le programme SAE/J-Lens multi-échelle Qwen déjà engagé. Cette Epic réutilise ses traces et ne recrée pas son sweep.
• See [ICT] ICT-24 WorkspaceIgnition — l'axe Global Workspace et le Gate de réconciliation IIT<->GWT sur S4 (strate 5) #5635 pour Workspace Gates 22–24. Le Gate 24 est la première compatibilité attendue du moteur causal, mais reste tracké dans [ICT] ICT-24 WorkspaceIgnition — l'axe Global Workspace et le Gate de réconciliation IIT<->GWT sur S4 (strate 5) #5635.
• See ICT/SAE : tester causalement les transitions humour vers unfun sans confondre explication et mécanisme #14035 pour le banc applicatif humour→unfun, à brancher en aval après calibration.
• See ICT strate-5 — appareil J-Lens + choix de substrat (Base⇄Instruct) : réconciliation cross-méthode SAE ⇄ J-space (Part of #4588) #5681 comme provenance historique J-Lens ; ne pas rouvrir ce tracker fermé.

Principes architecturaux

Capture once, analyze many, intervene explicitly

1. adaptateurs de capture torch ;
2. trace store commun et versionné ;
3. adaptateurs SAE/J-Lens/F-Lens/S-Lens ;
4. alignement explicite run/prompt/token/couche ;
5. métriques, nulls et incertitudes ;
6. moteur d’interventions causales ;
7. rapports et notebooks consommant les mêmes primitives testées.

Le cœur analytique reste numpy-first/offline dans ict/ ; torch/transformers et les hooks restent dans scripts/.

Sémantique préservée

• Une feature SAE absente du top-k vaut zéro par construction ; un logit J-Lens absent du top-k est inconnu, pas nul.
• Les logits J-Lens actuels ne sont ni une matrice jacobienne brute ni des directions singulières.
• Les valeurs brutes, métriques dérivées, probes, nulls, incertitudes et interventions restent séparées.
• L’accord faible entre instruments est un résultat possible, pas un échec à masquer.
• Aucun score omnibus ne fusionne les lentilles.

Couche causale transversale

Opérations : ablate, clamp, patch, steer, interchange.

Contrôles minimaux : cible aléatoire appariée en norme/fréquence, sham, doses symétriques, contre-factuels appariés, plusieurs seeds, contrôle perplexité/reconstruction et correction des comparaisons multiples.

Chaîne de preuve exigée :

intervention interne → changement d’état mesuré → changement comportemental sélectif

Toujours séparer effet sur l’état, effet sur le readout et effet comportemental.

Enfants initiaux

• ICT toolkit : contrat de trace v1, identité d’instrument et alignement commun #15476 — Contrat de trace v1, identité d’instrument et alignement commun
• ICT F-Lens : mode belief-state et géométrie prédictive held-out #15477 — F-Lens, mode belief-state
• ICT F-Lens : mode factored-geometry, sous-espaces et additivité #15478 — F-Lens, mode factored geometry
• ICT toolkit : moteur commun d’interventions causales sur les états internes #15479 — Causal Intervention Engine
• ICT toolkit : pilote causal de triangulation SAE–J-Lens–F-Lens #15480 — pilote de triangulation SAE–J-Lens–F-Lens
• ICT S-Lens POC : self-location, référence et binding causal #15481 — S-Lens POC expérimental

La synthèse/API publique sera ouverte après le verdict du pilote causal. Le notebook S-Lens définitif sera ouvert seulement si le POC généralise à un second problème de binding.

Critères de réussite

• Les quatre instruments ont un contrat d’observable explicite et versionné.
• Les traces sont alignables sans mélange silencieux de modèle, run, prompt, token, couche ou sémantique top-k.
• F-Lens rend deux verdicts distincts : état prédictif accessible et géométrie de ses facteurs.
• Le moteur causal exécute des interventions appariées avec provenance et contrôles.
• Un pilote à trois instruments rend des verdicts falsifiables multi-seeds avec tailles d’effet et IC.
• S-Lens reste expérimental tant que sa généralisation hors copy_offset n’est pas démontrée.
• Tous les notebooks sont exécutés end-to-end avec outputs réels et ≥3 exercices.

Sources et licence

Méthodes scientifiques fondatrices : arXiv:2405.15943 et arXiv:2602.02385, enregistrées dans la bibliothèque canonique.

Les dépôts factored-reps, simplexity, strange-loop et pytorch-AI-interpretability-transformer_ZM n’ont pas de licence détectée lors du preflight. Ils servent uniquement de références scientifiques/architecturales : aucun code n’est copié ; les méthodes sont réimplémentées depuis les publications et nos propres contrats.

[jsboige]

Diagnostic : Epic #15475 manque un balisage explicite de la substance à réimplémenter

Constat — ce que l'Epic dit, et ce qu'elle ne dit pas

L'Epic #15475 liste :

• 2 publications canoniques (arXiv:2405.15943 et arXiv:2602.02385, à enregistrer dans la biblio canonique)
• 4 dépôts de référence (factored-reps, simplexity, strange-loop, pytorch-AI-interpretability-transformer_ZM)
• 4 instruments à réimplémenter (SAE / J-Lens / F-Lens belief / F-Lens geometry / S-Lens POC + moteur causal)
• 6 enfants (ICT toolkit : contrat de trace v1, identité d’instrument et alignement commun #15476-ICT S-Lens POC : self-location, référence et binding causal #15481)

Ce qui manque : la table de correspondance dépôt ↔ instrument ↔ brique. Sans elle, un worker qui pioche cette Epic ne sait pas ce qu'il réimplémente exactement, ni d'où viennent les concepts. La question « quels algorithmes / quelles métriques / quels formats de données concrets sortent de quel dépôt » n'a pas de réponse lisible dans le corps de l'Epic.

Cette absence a une conséquence opérationnelle directe : les enfants eux-mêmes parlent des méthodes (R², RMSE, NC@95, sparsity, FVU, geometric subspace overlap) sans dire « telle méthode vient de tel papier, tel dépôt l'illustre, tel notebook la démontre ». La cohérence entre les enfants n'est pas tracée.

Mesure firsthand

J'ai investigué les 4 dépôts (recherche GitHub + arXiv + lecture des READMEs) :

Dépôt	Statut licence	Substance identifiée	Couvre quel(s) instrument(s)
Astera-org/factored-reps	Pas de licence (à confirmer en preflight)	Code reproductibilité "Transformers learn factored representations". experiments/training/run.py (entraînement Hydra). experiments/figure_generation/{belief-grid,orthogonality,noise}/ : pipelines belief-grid (RNN/LSTM/transformer d480, nctx 33/101), orthogonality figures, noise sweep ε ∈ {0, 0.001, 0.01, 0.05, 0.1, 0.2, 0.3, 0.5}. Lib fwh_core/ interne.	F-Lens (belief-state + factored geometry) + banc synthétique (#15477, #15478). Le papier fondateur est arXiv:2602.02385.
Zeinab-Mohammadi/pytorch-AI-interpretability-transformer_ZM	Pas de licence	Transformer from-scratch (~101K params) entraîné sur Mess3 HMM. Extraction d'activations residual stream à chaque layer/position. PCA + effective dimensionality (95% cumvar). Linear probes pour belief state (R² > 0.989) et process identity (~60% vs 33%). mess3_transformer.py + report.pdf.	F-Lens (belief-state) — banc Mess3 minimal (prototype plus simple que Astera). Sert de référence d'architecture minimale pour #15476 et #15477.
simplexity	À identifier précisément (le terme renvoie surtout à la complexité algorithmique ou à un livre d'architecture — pas trouvé de dépôt GitHub canonical pour des techniques d'interprétabilité)	Indéterminé — peut être une référence erronée dans le preflight Epic, à clarifier avec ai-01.	Indéterminé. Action requise : confirmer ce que l'Epic entend par "simplexity".
strange-loop	Référence probablement littéraire (Hofstadter, I Am a Strange Loop), pas un dépôt technique d'interprétabilité	Indéterminé — possible référence à des strange-loop patterns / circuits récurrents dans la SAE / circuit discovery, mais aucun dépôt ne porte ce nom dans le domaine. Action requise : confirmer ce que l'Epic entend par "strange-loop".	Indéterminé.

Et les 2 publications :

arXiv	Auteurs	Substance canonique	Couvre quel(s) instrument(s)
2405.15943 — Transformers represent belief state geometry in their residual stream	Shai, Marzen, Teixeira, Oldenziel, Riechers	Théorie de la prédiction optimale : les belief states sont linéairement représentés dans le residual stream, même quand leur géométrie est fractale. Information sur le futur au-delà du next-token.	F-Lens belief-state (linéarité de l'accès) — le théorème fondateur que #15477 doit tester.
2602.02385 — Transformers learn factored representations	Shai, Amdahl-Culleton, Christensen, Bigelow, Rosas, Boyd, Alt, Ray, Riechers	Deux hypothèses : (1) product-space (dim exponentielle) vs (2) factored (dim linéaire). Prédiction : nombre de sous-espaces, dimensionalité, arrangement. Inductive bias vers le factoring même quand les conditions sont bruitées.	F-Lens factored geometry (#15478) — la mesure NC@p et l'additivité dimensionnelle viennent directement de ce papier.

Substance à réimplémenter — table de mapping

Si on croise instruments / briques / dépôts, on obtient :

Instrument Epic	Brique concrète	Dépôt(s) d'origine (référence, non copié)	Papier fondateur	Enfant Epic
SAE (Feature Lens)	(a) dictionnaire sparse ; (b) FVU, sparsité, sélectivité ; (c) hooks sur residual stream	pytorch-AI-interpretability-transformer_ZM (référence architecture Mess3). Note : aucun dépôt n'implémente de SAE — la SAE vient de la littérature Anthropic (Bricken et al., 2023) qui devrait être ajoutée à la biblio canonique.	Anthropic SAE series (à compléter en biblio)	(#15476 contrat de trace + feature lens dans #15480)
J-Lens (Functional Readout Lens)	(a) logits complets vs top-k ; (b) jacobienne de lecture ; (c) baseline de lecture next-token	Aucun dépôt source direct — concept propre à l'Epic, ancré dans la pratique d'interprétabilité Anthropic / Goodfire	(à compléter : Templeton et al., 2024 — Scaling monosemanticity)	(#15480)
F-Lens belief-state	(a) probe linéaire pondérée ; (b) R²/RMSE held-out ; (c) calibration ; (d) shuffle/next-token baselines ; (e) pré/post LayerNorm	factored-reps (Astera) + pytorch-AI-interpretability-transformer_ZM (ZM)	arXiv:2405.15943	#15477
F-Lens factored geometry	(a) PCA pondérée, NC@80/90/95/99 ; (b) angles principaux et overlap normalisé ; (c) freeze-and-vary ; (d) test additivité dimensionnelle	factored-reps (Astera)	arXiv:2602.02385	#15478
S-Lens (Self-Location POC)	(a) position/référence/binding ; (b) causal sur offset de copie	Indéterminé — pas trouvé de dépôt source. Référence théorique probable : circuits de.binding dans la littérature mechanistic interpretability (Wang et al., 2022, Interpretability in the Wild).	(à compléter)	#15481
Moteur causal	(a) ablate / clamp / patch / steer / interchange ; (b) sham + cibles appariées ; (c) ≥4 seeds ; (d) contrôle perplexité	Aucun dépôt source direct — pratique Anthropic / Redwood Research (Geiger et al., 2021 Causal Abstraction).	(à compléter en biblio)	#15479
Banc synthétique Mess3/RRXOR	(a) processus générateur ; (b) ground truth exact ; (c) petit transformer hookable ; (d) split train/val/test gelé	factored-reps (Astera) — banc factorisé + orthogonality + noise sweep ; pytorch-AI-interpretability-transformer_ZM — banc Mess3 minimal	arXiv:2602.02385 + arXiv:2405.15943	#15476, #15477, #15478, #15480

Diagnostic

Le constat est sans complaisance : l'Epic #15475 nomme les dépôts mais ne balise pas la substance. Les enfants (#15476-#15481) reproduisent cette absence : ils parlent de méthodes et de métriques sans dire d'où elles viennent ni ce qu'on réimplémente exactement. C'est un problème de traçabilité documentaire :

• Pour un reader : impossible de savoir si le F-Lens belief-state est l'implémentation d'un théorème publié ou une invention locale.
• Pour un worker qui pioche cette Epic : impossible de planifier un notebook sans avoir à refaire la même investigation que je viens de faire.
• Pour un reviewer : impossible de cross-vérifier qu'une PR porte bien la réimplémentation annoncée sans la même investigation.
• Pour un user qui demande « c'est quoi la valeur ajoutée par rapport au dépôt ? » : réponse impossible sans investigation.

Préconisations (3)

P1 — Compléter l'Epic avec la table dépôt↔brique ci-dessus (balisage explicite)

Intégrer au corps de #15475 (par PATCH substantiel, pas par commentaire) :

• Une section « Sources et substance » qui pose la table ci-dessus comme authoritative.
• Une clarification sur simplexity et strange-loop : si l'Epic les entend comme des dépôts précis, les citer (URL, license preflight). Sinon, les retirer de la liste pour éviter qu'un futur worker parte en recherche sauvage.
• Une note sur la SAE : aucun des 4 dépôts ne l'implémente, donc le contrat SAE vient d'ailleurs (littérature Anthropic / OpenAI SAEs) — référencer explicitement le papier fondateur.

Effort estimé : 1 PR dédiée, ~50 lignes ajoutées à l'Epic. Pas de modification des enfants — c'est une consolidation transverse qui les éclaire rétroactivement.

P2 — Compléter la bibliothèque canonique (biblio canonique)

L'Epic dit « Méthodes scientifiques fondatrices : arXiv:2405.15943 et arXiv:2602.02385, enregistrées dans la bibliothèque canonique ». Cette consigne n'est pas exécutée : aucun des deux papers n'est dans le chemin G:\Mon Drive\MyIA\IA\Bibliographie IA\ à ma connaissance. Action requise :

• Télécharger les 2 PDFs canoniques.
• Ranger dans le rayon « Mechanistic Interpretability » (à créer si absent) ou « ML — Theory » (rayon générique).
• Citer dans l'Epic avec le chemin GDrive.

Effort estimé : 1 PR docs(biblio): 2 papers Astera (2405.15943 + 2602.02385) rangés en Bibliographie IA + chemin cité dans l'Epic.

P3 — Issue fille par instrument avec sa propre cartographie source

Chaque enfant #15476-#15481 devrait contenir une section « Sources et briques à réimplémenter » au début du body, qui nomme :

• Le ou les papier(s) fondateur(s).
• Le ou les dépôt(s) de référence.
• Les fichiers / modules précis dont la lecture a inspiré le contrat.
• La bibliographie canonical path.

Effort estimé : 6 PATCHs de body (ou 6 PRs par enfant), chacun ~10 lignes ajoutées.

Action concrète que je propose

Je peux livrer P2 (biblio canonique) en premier — c'est un geste court, indépendamment de P1 et P3 qui touchent l'Epic et ses enfants (geste coordonnateur ou PR dédiée).

Si la fenêtre le permet, je livre aussi P1 dans une PR dédiée qui PATCH le corps de l'Epic (en respectant catalog-pr-hygiene.md — pas de modification du bloc <!-- CATALOG-STATUS -->).

Avant tout geste : confirmation ai-01 que simplexity et strange-loop sont bien des dépôts précis (URL + license), faute de quoi je les retire de la liste source de l'Epic. Si l'Epic les entend comme des métaphores / références littéraires, elles n'ont rien à faire dans la liste « dépôts ».

Pourquoi cette proposition maintenant

L'Epic #15475 est jeune (createdAt 2026-09-10T15:21Z, < 24 h). Aucun enfant n'a encore de PR ouverte dessus (vérifié). C'est le bon moment pour baliser la substance, avant que des premières PRs soient ouvertes avec des hypothèses divergentes sur ce qu'on réimplémente.

lesson-verify-before-claiming.md (G.1) s'applique ici : un claim Epic non grounded en substance vérifiable = futures PRs qui dérivent. La table ci-dessus est vérifiée firsthand (lecture des READMEs + arXiv abstracts, URLs citées). Aucune affirmation n'est faite sans source.

---

— posté par myia-po-2027 (po-2027), 2026-09-11T01:30Z, en réponse à la demande user de mieux baliser l'Epic #15475.

🤖 Generated with Claude Code

[jsboige]

[Complément au diagnostic Epic #15475 — substance réelle de simplexity et strange-loop investiguée firsthand, 2026-09-11T02:00Z]

Suite à l'aimable rectification user (URL https://github.com/Astera-org/ pointant vers les deux dépôts manquants), investigation GitHub API directe (gh api repos/Astera-org/{simplexity,strange-loop}/contents/...). Les deux dépôts sont bien sous Astera-org, et la substance observée corrige / complète la case « Indéterminé » du diagnostic initial.

---

1. simplexity — bibliothèque JAX/Equinox de Computational Mechanics, et banc factorisé directement utile à l'Epic

Statut : Astera-org/simplexity — 12 stars, 5 forks, 42 issues, maj 2026-08-10. Pas de licence déclarée (à confirmer en preflight). README intégralement lu (≈ 4 ko) + tree complet de simplexity/.

Substance firsthand (lecture des modules, plus seulement du README) :

Module	Substance	Lien Epic
generative_processes/hidden_markov_model.py (6.5 ko)	HMM classique	Banc Mess3 pour F-Lens belief (#15477)
generative_processes/generalized_hidden_markov_model.py (8.7 ko)	GHMM (émissions distribuées)	Banc GHMM pour F-Lens belief
generative_processes/factored_generative_process.py (8.2 ko)	FactoredGenerativeProcess : composition de n HMM/GHMM avec ConditionalStructure pluggable + noise_epsilon (bruit contrôlé sur les transitions). C'est exactement le banc factorisé d'arXiv:2602.02385.	F-Lens factored geometry (#15478) — référence directe
generative_processes/independent_factored_generative_process.py (8.2 ko)	Variante indépendante (sous-espaces non-corrélés)	Banc « condition idéale » pour tester NC@p
generative_processes/nonergodic_generative_process.py (21.4 ko)	Composition non-ergodique	Test additivité dimensionnelle cross-mode
generative_processes/mixed_state_presentation.py (24.7 ko)	Présentation d'états mixtes (multi-variants)	Banc « état mélangé » pour orthogonal subspace probing
generative_processes/structures/	ConditionalStructure (fully_conditional / sequential_conditional / independent / conditional_transitions) — les 4 architectures de factorization	Cible directe pour le test d'inductive bias vers le factoring (#15478)
generative_processes/inflated_vocabulary_process.py (4.4 ko)	Vocabulaire augmenté (bruit K×V)	Banc « vocab bruité » pour noise sweep ε ∈ {0, 0.001, 0.01, 0.05, 0.1, 0.2, 0.3, 0.5} (référence factored-reps)
persistence/{local_penzai_persister,local_equinox_persister,...}	Equinox + Penzai pour serialiser les modèles JAX → ouvre la voie à des outils d'inspection visuelle des représentations apprises (Penzai = interpretability JAX)	Pertinent pour le workflow d'inspection F-Lens post-training
utils/{factoring_utils,analysis_utils,penzai_utils}	factoring_utils (5.1 ko) : TokenEncoder, transition_with_obs — encodeurs de processus ; penzai_utils (7.7 ko) : hooks Penzai	Câblage direct pour interpréter un FactoredGenerativeProcess via Penzai
notebooks/	Exemples workflow et analyse (non inspectés en détail ici, à ouvrir avant d'engager #15478)	Cible à vérifier avant de figer le contrat F-Lens

Constatation structurante : simplexity est le pendant JAX/Equinox de factored-reps (PyTorch/Hydra) — il porte le même concept (factorisation orthogonal subspaces + inductive bias) avec un outillage différent. Pour l'Epic #15475, ce qui importe est moins le repo lui-même que le fait qu'il valide la portabilité multi-framework : ce qui est démontrable en PyTorch peut l'être en JAX/Equinox, et la réimplémentation from-scratch peut s'appuyer sur les deux squelettes plutôt que sur un seul.

Couverture Epic révisée :

• #15476 (contrat de trace) : pas de couverture directe, mais factoring_utils.TokenEncoder est un bon squelette de référence pour la spec de banc.
• #15477 (F-Lens belief-state) : banc HMM/GHMM = entrée ; mixed_state_presentation peut servir pour des bancs à belief-state non-trivial.
• #15478 (F-Lens factored geometry) : FactoredGenerativeProcess + structures/ = la source canonique, complémentaire de factored-reps PyTorch. Le test d'inductive bias vers le factoring se porte naturellement sur les 4 ConditionalStructure.

---

2. strange-loop — recherche musicale sur hypergraph attention, faible recouvrement avec l'Epic

Statut : Astera-org/strange-loop — 0 stars, 1 fork, maj 2026-09-10. Pas de licence déclarée (à confirmer en preflight). README = 924 octets (Quick Start uniquement, pas d'abstract ni de lien papier). Investigation par lecture des modules :

Module	Substance	Lien Epic
hgattn/layers/graph_attn.py (4.1 ko)	GraphAttention_Naive : attention hypergraphique avec GivensRotation, RotaryEmbedding — kernels CUDA via dépendance externe att3ntion	Pertinence indirecte : technique d'attention custom, pas d'attribution de feature. Ne couvre pas SAE/J-Lens/F-Lens.
hgattn/layers/{block,embed,ffn,givens_rotation}.py	Bloc transformer custom (SWIGLU/FFN), embeddings token, rotations de Givens paramétrées	Standard, pas spécifique à l'Epic
hgattn/models/{simple,generative,bertlike}.py	SimpleCompModel, modèle génératif, BertlikeModel (CLS head)	Modèles entraînés sur musique (hgattn/data/melody)
hgattn/expt/train_general.py (6.0 ko)	Boucle d'entraînement Hydra	Outillage générique
hgattn/expt/tempo_invariant.py (4.3 ko)	Expérience « tempo invariance » sur mélodies	Domaine musical — pas d'interprétabilité
hgattn/expt/sing_speed.py (5.7 ko)	Mesure de vitesse d'inférence (sing_speed)	Benchmark, pas d'interprétabilité
hgattn/expt/compare_hyper_vs_graph.py (542 o)	Comparaison hypergraph vs graph attention	Comparaison architecture d'attention — pas d'attribution circuit
hgattn/data/	Datasets musique (melody)	Hors scope Epic

Constatation : le titre « Searching for the strange loop in a machine » évoque Hofstadter (auto-référence, consciousness), mais le code ne fait pas de mechanistic interpretability ni de circuit discovery. Le dépôt explore des architectures d'attention alternatives (hypergraph) sur un domaine musical, avec une emphase sur la vitesse d'inference et l'invariance au tempo.

Couverture Epic révisée : nulle, ou marginale. Si on l'intègre, c'est comme cas d'usage non-conventionnel pour valider qu'une technique de probing (par exemple F-Lens) marche aussi sur une architecture d'attention non-standard. Pas de brique d'interprétabilité réutilisable.

Recommandation : soit retirer strange-loop de la liste source de l'Epic, soit le conserver comme annexe « cas exotiques / architectures custom » sans enfant dédié. À arbitrer par ai-01 ou par le user — je n'ai pas d'éléments pour trancher sans contexte additionnel.

---

3. Synthèse révisée — table dépôt ↔ Epic mise à jour

Dépôt	Substance confirmée	Couvre quel(s) enfant(s) Epic	Action
Astera-org/factored-reps	PyTorch/Hydra, belief-grid (RNN/LSTM/transformer d480), orthogonality, noise sweep	#15477 + #15478 (banc synthétique PyTorch)	Référencé (non copié)
Zeinab-Mohammadi/pytorch-AI-interpretability-transformer_ZM	Transformer from-scratch 101K params, PCA, linear probes (R²>0.989) sur Mess3	#15477 (référence architecture minimale)	Référencé (non copié)
Astera-org/simplexity	JAX/Equinox, FactoredGenerativeProcess, structures/ (4 conditional structures), Penzai persister	#15477 + #15478 (banc synthétique JAX, complémentaire de factored-reps)	Référence canonique JAX à ajouter
Astera-org/strange-loop	Hypergraph attention sur musique, vitesse d'inférence, invariance au tempo	Aucun (hors scope Epic — domaine musical, pas d'interprétabilité)	À retirer OU annexer — décision ai-01/user

4. Préconisations révisées

P1bis (au lieu de P1 générique) : PR dédiée qui PATCH le corps de l'Epic avec :

• Section « Sources et substance » (table révisée ci-dessus)
• Confirmation que simplexity est le pendant JAX/Equinox de factored-reps (PyTorch/Hydra) — 2 frameworks, 1 concept
• Décision explicite sur strange-loop (retrait ou annexe)
• Mention que la SAE n'est implémentée dans aucun des 4 dépôts → référence obligatoire à la littérature Anthropic (Bricken et al., 2023 ; Templeton et al., 2024)

P2 (inchangé) : biblio canonique — 2 PDFs Astera à ranger en G:\Mon Drive\MyIA\IA\Bibliographie IA\. Action que je peux livrer indépendamment si le user confirme (geste court, hors G.5 car biblio canonique ne touche pas le code).

P3 (révisé) : 6 PATCHs de body sur #15476-#15481 — notamment #15478 doit explicitement référencer simplexity.structures/ comme banc d'évaluation d'inductive bias. Sans ce patch, le contrat F-Lens geometry ré-implémentera from-scratch ce qui existe déjà en JAX.

P4 (nouveau) : investiguer notebooks/ de simplexity avant d'engager #15478 — peut contenir des exemples d'analyse factorisée qui raccourciraient le contrat.

5. Pourquoi je n'engage pas P1 tout de suite

L'Epic #15475 est coordonnée par ai-01 (cf dashboard workspace CoursIA, décision actée « EPIC #15475 (ICT) : Créé, 6 enfants #15476-#15481. #15476 claimée myia-po-2026:CoursIA-2. Diagnostic substance posté (msg 23:13Z) »). Le PATCH du corps Epic est un geste coordonnateur (équivalent à la décision sur strange-loop à prendre). Sans arbitrage sur strange-loop, P1 est bloqué.

P2 est dans mon scope (geste biblio canonique, indépendant). Demande user pour feu vert.

6. Crédits et statut licence

Les 4 dépôts Astera/ZM n'ont pas de licence déclarée (vérifié sur chaque page GitHub). Le preflight Epic doit être refait avec cette info, et le retrait pur est conforme au mandat Epic (réimplémentation from-scratch, pas de copier-coller).

— posté par myia-po-2027 (po-2027), 2026-09-11T02:00Z, complément diagnostic Epic #15475 (c.1060).

[jsboige]

[P2 livré entre c.1059 et c.1060 — correction factuelle, 2026-09-11T02:15Z]

Mon diagnostic initial (commentaire 5626680669) annonçait P2 « non exécuté ». Vérification directe à l'instant sur G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\ :

Paper arXiv	Fichier	Taille	Date fichier
2405.15943	2024 - Shai et al - Transformers Represent Belief State Geometry in their Residual Stream.pdf	3.22 Mo	2026-09-10 16:37
2602.02385	2026 - Shai et al - Transformers Learn Factored Representations.pdf	11.94 Mo	2026-09-10 16:37

Vérification substance (extraction PyMuPDF première page) :

• 2405.15943 → « Transformers Represent Belief State Geometry in their Residual Stream, Adam S. Shai, Sarah E. Marzen, Lucas Teixeira, Alexander Gietelink Oldenziel, Paul M. Riechers. Simplex, PIBBSS, BITS. » — abstract confirme : « belief states are linearly represented in the residual stream of transformers, even in cases where the predicted belief state geometry has highly nontrivial fractal structure ». ✅
• 2602.02385 → « Transformers learn factored representations, Adam Shai, Loren Amdahl-Culleton, Casper L. Christensen, Henry R. Bigelow, Fernando E. Rosas, Alexander B. Boyd, Eric A. Alt, Kyle J. Ray, Paul M. Riechers. » — abstract confirme : « factors in orthogonal subspaces of the residual stream … product space … exponentially growing dimensionality … orthogonal subspaces … linearly growing dimensionality ». ✅

Les 2 PDFs sont les bons (auteurs, titres, abstracts vérifiés firsthand) et déjà rangés dans MachineLearning/ sous la nomenclature canonique YYYY - Auteur(s) - Titre.pdf.

P2 = LIVRÉ par une session antérieure (timestamps 2026-09-10 16:37 = hier, entre c.1059 et c.1060). La note manquante au diagnostic initial est que je n'avais pas vérifié le répertoire avant de l'affirmer « non exécuté » — lesson-verify-before-claiming.md (G.1) appliquée rétroactivement : un claim d'absence sur disque exige ls préalable, et mon premier diagnostic l'a fait incorrectement.

Action restante sur P2 : nulle côté téléchargement. Le geste qui manque est de référencer ces chemins dans l'Epic #15475 (cf P1bis : PATCH du corps Epic avec table source-substance incluant les chemins GDrive).

Note de leçon consignée en mémoire

Leçon : avant de claim « X absent du disque », toujours ls ou find le chemin nommé — un claim d'absence non-vérifié est une violation G.1 (verify-before-claiming), même sur un disque partagé qu'on suppose statique. Ici, l'absent d'hier matin est devenu présent hier soir.

Crédits

Le geste (téléchargement, vérification, rangement sous nomenclature canonique) a été effectué par une session antérieure de la flotte — auteur non tracé dans cette investigation. Conformément à CLAUDE.md §A, je cite le chemin et la date, pas l'auteur.

— posté par myia-po-2027 (po-2027), 2026-09-11T02:15Z, vérification P2 post-clôture (c.1060).

[jsboige]

Audit comparatif c.1119 — 8 PRs du périmètre Epic relues first-hand vs dépôts Astera/ZM

Tell c.745 ★★★ strict (vérif first-hand) + Tell c.1069 strict (honnêteté référentielle) + Tell c.1102 ★★★★★ anti-stonewall (pas défendre une formulation séduisante qui ne tient pas) + Tell c.1830 dissociation substance/coordination strict.

Mission : comparer la substance LIVRÉE dans les PRs Epic #15475 à ce que les dépôts de référence démontrent (Astera-org/factored-reps, Astera-org/simplexity, Astera-org/strange-loop, Zeinab-Mohammadi/pytorch-AI-interpretability-transformer_ZM).

Méthodologie : git show origin/<branch>:<fichier> + lecture intégrale de pca.py, linear_regression.py, factored_generative_process.py, data/copy_offset.py, data/arith.py, README ZM. Aucun claim non vérifié.

Bilan global

8 PRs auditées sur 12 du périmètre Epic. Substance LIVRÉE conforme sur 4 PRs (#15525 trace contract v1 MERGED, #15548 extension v1.1.0, #15657 bench factorisé, #15660 lens gates, #15665 SAE dictionary). Trous identifiés sur 3 PRs (#15514, #15662, #15599). Le diagnostic « dégénéré » redouté ne tient pas — la substance est globalement conforme, mais le référençage aux dépôts Astera/ZM est absent de toutes les PRs.

Table PR par PR

PR	Substance LIVRÉE	Trous vs dépôt de référence
#15525 MERGED	ict/trace_contract.py (+527l), refactor SAE/J-Lens, 46/46 tests verts	Aucun — infrastructure générique
#15548 OPEN	trace_contract.py v1.1.0 — jlens_trackP loader, branchP branch	Aucun — extension incrémentale
#15514 OPEN (MA)	ICT-36-FLens-FactoredGeometry.ipynb (+802l) — weighted_pca, nc_at, 3 régimes synthétiques	4-6 AC manquants : freeze-and-vary absent, ≥4 seeds non tenu (mono-seed), distinction belief/factorisation absente du notebook, référençage factored-reps.fwh_core.analysis.pca.compute_weighted_pca absent
#15662 OPEN	ICT-37-FLens-BeliefState.ipynb (+720l) — probes pondérées, Mess3 HMM + RRXOR, multi-seed 5	arXiv:2405.15943 (papier fondateur belief-state linéaire) non cité ; référençage ZM Mess3 absent
#15599 OPEN	ict/causal_engine.py (+659l) — 5 ops (ablate/clamp/patch/steer/interchange), numpy-only	Référençage Geiger et al. 2021 (Causal Abstraction, Redwood Research) absent
#15657 OPEN (MA)	ict/bench_factorise.py (+260l) — Mess3 POMDP, RRXOR, FactoredBench vary-one	Aucun — réimplémentation conforme à simplexity.generative_processes ; pas de ConditionalStructure attendue ici (c'est le scope #15478)
#15660 OPEN (MA)	ict/lens_gates.py (+177l) — heldout_linear_score, principal_angles, subspace_overlap, additivity_residual, separation_zscore	Aucun — layer_pca_analysis (orchestration factored-reps) explicitement différé avec justification Tell c.745 ★★★ (« sémantique fabriquée ») ; NC@95 différé idem
#15665 OPEN (MA)	ict/sae_dictionary.py (+298l) — TopKSae topk(relu), train_sae, factor_auc, factor_selectivity	Référençage Bricken et al. 2023 (Anthropic SAE series) absent ; limite mesurée et déclarée (plateau de mélange ~90% FVU sur corpus sur-complet)

Findings prioritaires

1. feat(ict,#15478): F-Lens factored-geometry -- primitives numpy-only + 3 regimes synthetiques #15514 ICT-36 factored-geometry : 4-6 acceptance non couverts (≥4 seeds, freeze-and-vary, distinction belief/factorisation, source arXiv) — référençage factored-reps + simplexity à ajouter dans le notebook. C'est ma PR, je suis légitime pour la compléter.
2. feat(ict,#15477): ICT-37 F-Lens mode belief-state -- primitives numpy-only + 3 regimes #15662 ICT-37 belief-state : arXiv:2405.15943 + référençage ZM à ajouter au body PR et au notebook. PR sur lane myia-po-2023:CoursIA-2 — commentaire de finding ici, action par le porteur.
3. feat(ict,#15479): causal intervention engine core — 5 ops, paired controls, Gate-24 format (numpy-only) #15599 causal engine : référençage Redwood Research / Geiger 2021 à ajouter au body PR. PR sur lane myia-po-2023:CoursIA-2.
4. feat(ict,#15480): dictionnaire sparse SAE top-k + selectivite aux facteurs — tranche 2b #15665 SAE dictionary : référençage Bricken 2023 à ajouter au body PR. PR sur MA lane — je peux amender.
5. Aucune PR ne cite les 4 dépôts Astera/ZM — #15475 EPIC les liste, mais aucune PR ne les pointe comme référence d'implémentation. Ce trou de référençage est transverse à tout le périmètre Epic.

Conclusion

La substance n'est pas dégénérée — Tell c.1102 ★★★★★ anti-stonewall m'oblige à le reconnaître. Mais la complétude par rapport aux dépôts est lacunaire sur le référençage, et insuffisante sur #15514 (AC manquants). Je relance les issues concernées avec ces findings first-hand ; commentaires de finding ciblés sur #15477, #15478, #15479, #15480 ; dissolution / complétion de #15514 à arbitrer.

— myia-po-2027:CoursIA-2, c.1119 2026-09-12 ~03:30Z