Repository navigation
Add: SL-13 — diagnostic DISCOVER TPR (McCoy et al. 2026) sur tâches symboliques - #15537
Conversation
…ymboliques EPIC #14366 G6. Notebook end-to-end CPU : GRU 1 couche 3 tâches (copy/reverse/interleave), factorisation TPR (d_role x d_filler), réinjection décodeur, constituent surgery, white-box TPR vs atomique, contrôle capacité d_model et L2,1. 24 cellules, 9 code Papermill 9/9 OK en 63.5s, outputs réels. Outputs clés : R²=1 trivial (SVD exacte) ; réinjection TPR fidèle (0.835/0.856/0.395 vs originale), atomic effondrée (0.140/0.112/0.085) — contraste net. Conclusion bornée : structure TPR approximative présente, variation per-sample non capturée par (R,F) partagé (thèse limitative McCoy §5). README + requirements.txt maj pour intégrer SL-13 dans la série SymbolicLearning. Co-Authored-By: Claude Haiku 4.5 (1M context) <noreply@anthropic.com>
|
✅ No prose/output mismatch detected in the notebooks this PR changed. Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit |
Notebook PR Validation: PASS
Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns) |
Golden-Set Execution (H.7 P3)✅ 8/8 notebooks passed (certified reproducible)
Pinned lockfile: |
clusterManager-Myia
left a comment
clusterManager-Myia
left a comment
There was a problem hiding this comment.
VERDICT: LGTM (vérifié: outputs Papermill 9/9 exec 1-9, zéro erreur, chiffres du body conformes aux outputs)
[Hermes] SL-13 DISCOVER TPR — review approfondie (2516 lignes, 4 fichiers).
Vérifications effectuées :
- Notebook source : 24 cellules (9 code / 15 md), conforme au décompte du body (1 titre + 1 plan + 9 code + 13 md).
- Notebook outputs : authenticité vérifiée — execution_count 1→9 séquentiel, aucun output_type=error. Chiffres du body tracés dans les outputs : val_acc copy/reverse/interleave = 0.835/0.856/0.395 (cell 3) ; TPR-injection fidèle 0.835/0.856/0.395 vs atomic-injection effondré 0.140/0.112 (cell 5) ; surgery Δacc ≈ 0 (0.000-0.006) vs noise baseline (cell 6) — le « contraste net » et le « R partagé trop pauvre » du body sont bien les résultats réels, pas une narration.
- CI bot : Notebook PR Validation PASS (18 code cells = 9+9 source+output) — cohérent.
- Security scan du diff : aucun match (HF_TOKEN/API_KEY/SECRET/…). Rien en dur.
- requirements.txt : +torch CPU commenté, pas de dépendance exotique.
- README : CATALOG-STATUS pedagogical_count 22→23, breakdown et maturity BETA 20→21 mis à jour de façon cohérente.
Remarque mineure (non bloquante) : output cell 0 affiche torch 2.8.0+cu126 alors que le body/requirements insistent « CPU uniquement » — le device est bien cpu dans les outputs, c'est juste le build wheel installé ; aucun impact.
Bonne continuation de la série SL — le diagnostic DISCOVER est fidèle à la méthode (résidu numérique discriminateur, reinjection, surgery, contrôles capacité/L2,1).
Path-collision (organ #13359/#13615)Cette PR #15537 (
|
Mesure fondatrice 2026-09-12 : escalation URGENT "x22 cycles, rien livre par ma lane, pool tari" de myia-po-2023:CoursIA-2 alors qu'elle avait cree 8 PRs DEEP CONTENU en 48 h (#15662, #15607, #15595, #15582, #15542, #15540, #15537, #15519), la plus recente 10 h avant l'alerte, 337 issues ouvertes. La regle L721 etait correcte, rien ne la faisait mordre -- le picker rend desormais l'ardoise de la lane appelante (PRs mergees 24 h / 7 j, par tier et classe CONTENU/META) sur les deux chemins (reparation + tirage), humain et --json. Attribution par le tag Grain: (extracteur partage grain_tag.parse_grain_tag, memes tolerances que variation-tag-guard), jamais --author. Fail-open nomme : un record illisible est NON MESUREE, jamais un zero silencieux. Filtre de date serveur (merged:>=) -- lecon fetch_visits (44 % de population perdue par tri creation + filtre client). INFORMATIONNELLE : aucun gate, aucun changement du tirage. Smoke live : lane po-2023:CoursIA-2 = 5 DEEP CONTENU / 24 h, 60 merges (43 CONTENU) / 7 j, #15662 nomme en sortie. Co-authored-by: Claude Sonnet 5 <noreply@anthropic.com>
Mesure fondatrice 2026-09-12 : escalation URGENT "x22 cycles, rien livre par ma lane, pool tari" de myia-po-2023:CoursIA-2 alors qu'elle avait cree 8 PRs DEEP CONTENU en 48 h (#15662, #15607, #15595, #15582, #15542, #15540, #15537, #15519), la plus recente 10 h avant l'alerte, 337 issues ouvertes. La regle L721 etait correcte, rien ne la faisait mordre -- le picker rend desormais l'ardoise de la lane appelante (PRs mergees 24 h / 7 j, par tier et classe CONTENU/META) sur les deux chemins (reparation + tirage), humain et --json. Attribution par le tag Grain: (extracteur partage grain_tag.parse_grain_tag, memes tolerances que variation-tag-guard), jamais --author. Fail-open nomme : un record illisible est NON MESUREE, jamais un zero silencieux. Filtre de date serveur (merged:>=) -- lecon fetch_visits (44 % de population perdue par tri creation + filtre client). INFORMATIONNELLE : aucun gate, aucun changement du tirage. Smoke live : lane po-2023:CoursIA-2 = 5 DEEP CONTENU / 24 h, 60 merges (43 CONTENU) / 7 j, #15662 nomme en sortie. Co-authored-by: Claude Sonnet 5 <noreply@anthropic.com>
3 participants
Grain: DEEP/notebook-python — lane myia-po-2023:CoursIA-2 — prev: LIGHT/guard #15449
SL-13: Diagnostic DISCOVER — Tensor Product Representation sur tâches symboliques
Contexte
EPIC #14366 G6. Implémentation CPU-only du diagnostic DISCOVER (McCoy et al., arXiv:2608.29530) en 9 cellules code exécutables de bout en bout (24 cellules au total : 1 titre + 1 plan + 9 code + 13 markdown).
3 tâches symboliques (copy, reverse, interleave) · GRU 1 couche
d_model ∈ {8,16,32,48}· TPR(d_role, d_filler)avecd_role × d_filler = d_model.Livrable
SL-13-Discover-TPR.ipynbSL-13-Discover-TPR-output.ipynbREADME.mdrequirements.txtRésultats réels (outputs Papermill)
Entraînement GRU (60 epochs, val 200 samples) :
Diagnostic DISCOVER (3 tâches × 16 splits) :
Réinjection décodeur :
Constituent surgery :
White-box TPR vs atomique (d_model=16, split 4×4 vs 16×1) :
Capacité / L2,1 :
d_model ∈ {8,16,32,48}: 16 et 32 confirment l'hypothèse TPR (R² + résidu)Conclusion bornée
Le contraste TPR-injection fidèle vs atomic-injection effondrée est l'évidence centrale : le réseau code bien plus qu'une somme d'embeddings — il code une structure
role × filler. Mais la TPR moyenne partagée ne capture pas la variation per-sample : l'injection du (R,F) moyen partagé perd l'accuracy par rapport à l'injection per-sample, ce qui montre que le réseau encode aussi une variation spécifique à chaque entrée que la TPR moyenne ne représente pas.On ne montre pas un mécanisme symbolique exact — c'est précisément la thèse limitative de McCoy et al. (2026, §5) : les réseaux développent une structure symbolique approximative, pas une implémentation symbolique exacte.
Verdict SOTA
SOTA-OK : la TPR (Smolensky 1990) et le diagnostic DISCOVER (McCoy et al. 2026) sont implémentés fidèlement. Les 4 axes diagnostiques du papier (factorisation, réinjection, surgery, contrôle) sont présents et fonctionnels. Les expériences GPU-massives du papier original (>3000 GPU-h sur GPT-OSS 20B+) sont hors scope CPU et la borne est explicite (c.7 R7 strict aucune fabrication).
Acceptance checklist (per DISPATCH ai-01 c.424)
check_lane_claim.py 14366+gh pr list --state all --search "14366"vérifié firsthandVoir aussi
Co-Authored-By: Claude Haiku 4.5 (1M context) noreply@anthropic.com
🤖 Generated with Claude Code