feat(iit,#8236): pilote inoculation ICT-42 — clamp alpha multi-intensite + mode 2-couches + analyse multi-echelle

MyIA.AI.Notebooks/IIT/ICT-Series/README.md

@@ -227,10 +227,13 @@ La **strate 5 commence ici** : le substrat mesuré n'est plus un système dynami
 | [ICT-21c-SAECatastrophes](ICT-21c-SAECatastrophes.ipynb) | **Catastrophes du dictionnaire SAE — forme & dynamique** (livrable 2 de #8236) — perturbations appariées à trois échelles (1.7B/2B/9B) × deux régimes (trained/control), banc numpy-only sur les traces ICT-21 : forme (Gini, enrichissement top-500 par registre — le trained recrute 2-3× plus de features et les spécialise), dynamique (ablation vives/mortes/aléatoire : f50_vives 0.004→0.07 selon l'échelle trained, path-divergence 0.53-0.82), inoculation **absente** au banc figé (négatif propre), confrontation au FVU réel GPU (L0 constant, fidélité effondrée) *(GPU-free, traces committées)* | [#8236](https://github.com/jsboige/CoursIA/issues/8236) |
 | [ICT-25-InoculationRL](ICT-25-InoculationRL.ipynb) | **InoculationRL — GRPO à récompense hackable × inoculation** *(GPU)*. Capstone final de la strate 5 et **pont ICT↔PostTraining** : reproduit, dans les poids à échelle jouet, le phénomène de dérive de persona sous récompense hackable (arXiv 2511.18397). Deux bras d'entraînement GRPO identiques sauf le system prompt (N non inoculé / I inoculé), certifié `rewardspy` (le hack est appris dans les deux), panel persona + éval comportementale hors-domaine. Gates 20-21 falsifiables ; résultat négatif honnête possible (« non reproduit à cette échelle ») | [#5105](https://github.com/jsboige/CoursIA/issues/5105) |
 | [ICT-35-HumorCausalProbe-Pilot](ICT-35-HumorCausalProbe-Pilot.ipynb) | **HumorCausalProbe-Pilot — étage 0 : baseline de shortcuts lexicaux** *(strate 5, GPU-free)* : substrat HLS (banc humour dur GT-28b, 120 instances annotées), sans confusion explication/mécanisme — l'étage 0 pose la baseline lexicale AVANT toute phase SAE, les phases suivantes restant aval ([#5635](https://github.com/jsboige/CoursIA/issues/5635), [#8236](https://github.com/jsboige/CoursIA/issues/8236), [#5105](https://github.com/jsboige/CoursIA/issues/5105)) | [#14035](https://github.com/jsboige/CoursIA/issues/14035) |
+| [ICT-35b-HumorCausalPairs-SAE](ICT-35b-HumorCausalPairs-SAE.ipynb) | **HumorCausalPairs-SAE — paires minimales, substrat SAE** *(strate 5, tranche 1 de #14035)* : le pilote ICT-35 mesurait l'humour sur un substrat HLS lexical (verdict `INCONCLUSIVE` borné) ; ici le substrat devient le **SAE** Qwen-Scope avec un design expérimental plus fin — des **paires minimales** où seul varie le texte de punchline (humour committé vs punchline neutralisée « unfun », même setup token à token). 30 paires sur les blagues manuelles + 2 one-liners edges du banc GT-24b (instances Argumentum exclues du pairing, champ texte tronqué). Verdict : **INCONCLUSIVE** — amplitude du différentiel trained sous le bruit permuté, top-5 features disjoints du contrôle | [#14035](https://github.com/jsboige/CoursIA/issues/14035) |
+| [ICT-35c-HumorDepthProfile-SAE](ICT-35c-HumorDepthProfile-SAE.ipynb) | **HumorDepthProfile-SAE — le verdict survit-il à la profondeur ?** *(strate 5, tranche 2 de #14035)* : l'objection à un résultat mesuré à une seule profondeur — une incongruité comique peut être précoce (lexicale, couches 3-8) ou tardive (pragmatique, couches 18-22) — est levée en mesurant les mêmes 30 paires à **trois profondeurs** (early `--layer-frac 0.1667`, mid, late `0.8333`, captures early/late neuves GPU local, contrôle = permutation seedée des input embeddings à chaque couche) | [#14035](https://github.com/jsboige/CoursIA/issues/14035) |
 | [ICT-36-FLens-FactoredGeometry](ICT-36-FLens-FactoredGeometry.ipynb) | **F-Lens, mode factored-geometry — sous-espaces et additivité** *(grain autonome, CPU uniquement, primitives numpy-only)* : la lecture par sous-espaces factored et son test d'additivité, sans dépendre du contrat de traces — le mode factored-geometry du toolkit multi-instrument | [#15478](https://github.com/jsboige/CoursIA/issues/15478), Epic [#15475](https://github.com/jsboige/CoursIA/issues/15475) |
 | [ICT-37-FLens-BeliefState](ICT-37-FLens-BeliefState.ipynb) | **F-Lens, mode belief-state — probing linéaire et géométrie prédictive held-out** : un état prédictif suffisant du processus est-il lisible par sonde linéaire, mesuré held-out ? Consomme le contrat de traces ([#15476](https://github.com/jsboige/CoursIA/issues/15476) — split/fit IDs via `ict_trace`) | [#15477](https://github.com/jsboige/CoursIA/issues/15477), Epic [#15475](https://github.com/jsboige/CoursIA/issues/15475) |
 | [ICT-38-SLens-SelfLocation](ICT-38-SLens-SelfLocation.ipynb) | **S-Lens — la représentation porte-t-elle la bonne référence ?** *(strate 5, GPU requis, POC expérimental)* : quand la valeur à produire se trouve à une position déterminée par le **contenu** (et non par la position absolue du token), bancs synthétiques à vérité terrain exacte — lecture par tête et intervention causale appariée | [#15814](https://github.com/jsboige/CoursIA/issues/15814) |
 | [ICT-39-CompositionRegards](ICT-39-CompositionRegards.ipynb) | **Composition de regards** *(opération 12 « Composer des regards »)* : distinguer la lecture avant (`get`/`play`) de la demande arrière (`put`/`coplay`), les composer réellement, et construire le témoin falsifiable où deux regards composés divergent de leurs lectures isolées — prérequis légers (fonctions, composition, modulo 3) | [#12204](https://github.com/jsboige/CoursIA/issues/12204) |
+| [ICT-42-InoculationBifurcation-Pilot](ICT-42-InoculationBifurcation-Pilot.ipynb) | **Inoculation et bifurcation représentationnelle — pilote multi-échelle** *(strate 5, GPU-free à la lecture, traces GPU pré-calculées)* : jalon 3 de l'Épic [#8236](https://github.com/jsboige/CoursIA/issues/8236) — la première expérience de la série qui **intervient** sur le réseau au lieu de l'observer. Un panel de 16 features SAE différentielles (code/prose, dérivées GPU-free des références de chaque échelle) est partiellement supprimé (`h' = h − α·δ`) à mi-profondeur, intensité croissante α ∈ {0, 0.25, 0.5, 0.75, 1}, et la divergence des activations SAE est mesurée **au residual final** — après propagation non-linéaire par toutes les couches aval — sur deux échelles (Qwen3-1.7B-Base, Qwen3.5-2B-Base, SAE W32K-L0_50). Ordre-paramètre m(α), netteté (pente max, facteur de rupture vs réponse proportionnelle), profil token-par-token, comparaison cross-échelle + concordance de Spearman par prompt. Résultat : **dissociation de forme** — le 1.7B répond massivement dès α = 0.25 (36 % de sa valeur finale) puis sature sous-proportionnellement (facteur de rupture 2.77 < 4, pente max au premier cran α* = 0.125) ; le 2B absorbe puis **bascule tardivement** (facteur 8.11 > 4, α* = 0.625), transition portée par prose_fr (×11) et dialogue (×10.8) quand code_python reste proportionnel (×4.05) ; Spearman prompts cross-échelle négatif aux quatre intensités (−0.25 à −0.66). *Contrôle de plomberie α = 0 : ids top-k identiques et divergence L1 exactement nulle vs extraction sans hook.* **Contrôle permuté (phase 6)** : sous panel aléatoire de même taille (seed, hors panel différentiel), la réponse chute de 4× à 28× et la bascule super-linéaire du 2B disparaît (m(1)/m(0.25) = 1.18 vs 8.11 sous panel différentiel) — signature portée par le panel, avec le confondant d'activité mesuré (tirage 80-770× moins actif). **Contrôle apparié en norme (phase 6b)** : sous tirage restreint à la bande d'activité [m/8, 8m] (le panel occupe les rangs 1-19 de la distribution d'activité — une bande ×2 n'y laisse que 1-4 candidats), la réponse **revient** (m(1) = 0.1235 au 2B, 5.6× le tirage uniforme, ordre de grandeur du panel) mais la super-linéarité est divisée par 2.4 (×3.38 vs ×8.11) et la sélectivité par jeu disparaît (×3.2-3.9 homogène vs prose_fr ×11.1 sous panel) : **la norme porte l'amplitude, le contenu du panel porte la discrimination** — révision assumée de la lecture de la phase 6. Limites assumées : pas d'hystérésis (clamp par passe), appariement par le bas (tirage réalisé à ~58-67% de l'activité du panel), divergence dans l'espace top-k uniquement, panels indépendants → comparaison de forme, jamais d'amplitude | [#8236](https://github.com/jsboige/CoursIA/issues/8236) |
 
 ### Distillation externe — hors strates
 

MyIA.AI.Notebooks/IIT/ICT-Series/ict/sae_traces.py

@@ -406,7 +406,8 @@ def assert_sae_topk_compatible(k_sae: int, k_requested: int) -> None:
 
 def trace_filename(variant: str, layer: int, *, model: str = "",
                    default_model: str = "", n_layers: int | None = None,
-                   n_clamp: int = 0, prefix: str = "ict21_sae") -> str:
+                   n_clamp: int = 0, clamp_scale: float | None = None,
+                   prefix: str = "ict21_sae") -> str:
     """Nom de fichier de trace **discriminant par echelle**.
 
     Defaut historique conserve a l'octet pour le modele de reference (les
@@ -416,8 +417,16 @@ def trace_filename(variant: str, layer: int, *, model: str = "",
     sans lui, un run 2B et un run 9B a la meme couche 16 ecrivent **le meme
     nom** et le second efface le premier en silence — perte de donnees, pas
     seulement confusion.
+
+    ``clamp_scale`` (experience pilote #8236) : intensite alpha du clamp,
+    h' = h - alpha * delta. Le suffixe ``_s{alpha}`` n'est insere **que si**
+    alpha s'ecarte de 1.0 — a intensite unitaire le nom reste byte-identique
+    au defaut historique, et les traces existantes a clamp plein ne se
+    retrouvent pas dupliquees sous deux noms.
     """
     clamp = f"_clamp{n_clamp}" if n_clamp else ""
+    if clamp_scale is not None and n_clamp and abs(clamp_scale - 1.0) > 1e-9:
+        clamp += f"_s{clamp_scale:g}"
     if model and default_model and model != default_model:
         slug = model.rstrip("/").split("/")[-1].lower().replace(".", "")
         depth = f"layer{layer}of{n_layers}" if n_layers else f"layer{layer}"