Perslis · 研究文库
来自真实系统的、证明优先的研究。
Perslis 的研究部门——关于 AI 记忆、模型控制、机器视觉与遗留系统恢复的工作。每一项主张都按它是如何被赢得的来贴上标签；每一个数字都带着它的出处。
文库更新：2026 年 10 月 8 日 · 论文版本以各篇文档为准
Perslis 模型研究
Lois、FailFirst、Symbols 与 TinkyMind——各自独立的研究、证据与限制。Peel 仍保留自己的独立论文。
Lois · 模型研究
符号科学推理
技术报告 · 版本 1.0 · 2026 年 10 月 8 日类型化事实、关系路径、来源凭据及明确证据缺口。Lois 的独立技术报告，而非 Peel 的论文。
FailFirst · 模型研究
失败变成结构
研究论文 · 既有出版物在固定权限内从失败中学习：可读恢复规则、明确拒绝、证明及照实报告的负面结果。
Symbols · 模型研究
混合解释，符号执行
技术报告 · 版本 1.0 · 2026 年 10 月 8 日从提出的规范到经检查、审批、签名的操作，以及可检查的本地推导。
TinkyMind · 模型研究
用于沟通的本地语言模型
技术报告 · 版本 1.0 · 2026 年 10 月 8 日设备端沟通检查点：受限 CPU 推理、明确语言与受众限制，以及用户控制的传递。
白皮书与研究报告
阅读完整网页或下载排版 PDF。每份资料保留自己的版本与验证状态。
技术白皮书 · 国防 · 证据审查于 2026 年 10 月 6 日
Perslis Defense：从感知到行动的证据链
11 页 · 符号世界状态 · 机器心智 · 受限模型权限 · 仿真与游戏从感知、自定位一直到规划、行动、反馈和更新后世界状态的十阶段保障目标。本文评估 CARLA 与 BZFlag 的证据，不把仿真器真值、视觉见证或有界规则适应夸大成全面安全论断。已记录的错误、有限的评估多样性与最终动作覆盖仍是明确义务。研究原型；没有经过认证的物理安全论断。
技术白皮书 · 无障碍 · 证据审查于 2026 年 10 月 6 日
Perslis.AAC：由用户掌控的辅助与替代沟通对话
12 页 · TinkySpeak 运行时 0.8.0 · 提议到传递的边界 · 报告当前失败一个可复用的对话状态机，区分伙伴输入、模型提议、明确选择或组合、传递请求，以及由宿主确认的传递。只有伙伴的话语和已成功显示或说出的用户话语才能进入历史。本文分开说明协议行为、模型质量、历史检查、当前视觉审查失败，以及仍需无障碍评估与 AAC 用户评估的工作。工程白皮书；不是临床疗效报告。
白皮书 · 自主系统与试验鉴定 · 研究原型（仿真与游戏）
冻结的权重：在两场战斗之间改变的大脑，与必须重建的模型
白皮书 · 《方向盘上的规则》的姊妹篇 · 有录像的 BZFlag 坦克竞技场 · 决策速率、20 场比赛的结果、不改权重在比赛之间学习 · 仍输给游戏自带的 AI写给国防项目办公室与试验鉴定负责人：一个有完整录像的坦克竞技场，关于系统输了之后如何变得更好说明了什么。在十分钟主赛中（一场比赛），规则驾驶员做出 60,140 次决策；三个语言模型做出 58 到 415 次，每次中位 1.0 到 7.6 秒（Claude 经由缓慢的命令行途径），尽管在不限时的情况下它们在 8 道情境考题中答对 4 到 6 道。在 20 场有效比赛中，BZFlag 内置 AI 领先（K/D 1.84），其次是规则驾驶员（0.61）、DeepSeek（0.55）、Claude 与 llama3.2:3b（各 0.06；每个模型 7 个坦克场次）。在比赛之间、没有任何权重可改，一个学习循环改变了驾驶员十个具名开关中的两个，每一个都只在配对检验之后才改变，使它对内置 AI 的每坦克分钟净击杀从 −1.17 提高到 −0.26（8 场与 3 场；z = 2.93）。它还没有追上内置 AI：后者每坦克分钟击杀 2.10，它只有 1.28。对项目的推论明确标注为推论。游戏中的研究原型；不是经过认证的安全系统；未曾部署。
AI 系统 · 法律引注核查 · 研究原型（不构成法律意见，不是引证检索服务）
判例法的引注地板：复核 Mata v. Avianca 案的引注
实证研究 · 针对一个免费判例数据库、在 Mata v. Avianca 案记录上的一次实时运行 · 一份六种判定的准入契约、法院意见中全部 18 项援引的地图，以及对我们自己代码的审计模型可以提议一条引注；只有公共判例数据库中相符的记录才能接纳它；数据库无法判断时，地板暂缓而不是猜测。在一次实时运行中（向 CourtListener 发出八次查询，未使用 API 令牌），它对该案的 5 条虚构引注接纳了 0 条：拒绝 3 条（两条 NOT_FOUND，一条 MISCITED），2 条 Westlaw 引注以 UNVERIFIABLE 暂缓。3 条真实的最高法院引注全部附凭证落地。它的 MISCITED 凭证指向的，正是法院在该引注处认定的那个真实案件。这次运行覆盖了法院意见指明的 18 项援引中的 5 项；其中 6 项是被用来支持其并未表达之内容的真实判决，任何存在性核查都抓不到。通过阅读代码，我们发现了三条本次运行没有触及的失效路径，包括因共享当事人词语而造成的错误接纳。研究原型；不构成法律意见；不是引证检索服务。
AI 系统 · 对一个规则驾驶员在 1997 年游戏中的实证研究 · 研究原型（游戏）
只读说明书是不够的：一个规则驾驶员在 Fallout（1997）中
实证研究 · 在插桩的开源引擎上运行真正的 1997 年 Fallout · 一本说明书、一份攻略、学习者无法滥用的存档、学习的 A/B、升级 · 负面结果一并保留一个决策回路中没有神经网络的规则驾驶员游玩 Fallout，只允许追求带出处的卡片所许可的目标。游戏的印刷版说明书被编译成 2,250 张附页码凭据的卡片，在全部 256 种事实组合中没有扣下任何可行目标，而在 2,344 次在线决策中改变所选目标 0 次：一份攻略列出的 22 个任务，它一个也没提到。那份攻略提供了作为目标的任务以及该先找谁；把角色带到 2 级的那次对话，对象是一个只有攻略让这段路值得走的人。驾驶员像玩家一样存档，但只写入两个临时存档位，引擎拒绝其他任何存档位，所以学习者无法覆盖玩家的存档。在同一存档、同一骰子下，学习开启对关闭，每组 12 分钟：死亡 3 对 16；从空记忆开始 6 对 16（每组一次运行；为记录值，最坏情况为 8 和 12 对至少 16；更早一次被污染的运行已排除）。它经由角色界面自身的结算领取了 2 级；一个被抄成 300、而引擎实为 200 的技能上限被自动审查发现。随后三个小时毫无经验增长：生效的页面还不是计划。游戏中的研究原型；不是经过认证的安全系统。
AI 系统 · 一项感知核对的实证研究 · 研究原型（仿真与游戏）
是见证者，不是检测器：用像素核对游戏引擎的声明
实证研究 · 《德军总部 3D》（VDSG）+ 有录像的 BZFlag 竞技场 · 与游戏无关的见证之眼、它经交叉验证的关口、28 场现场比赛，以及扳机处的一个零结果一只不在画面中搜索、而是对引擎的每一条声明只回答一个问题的眼睛：看见、未看见，还是无法判断。在《德军总部 3D》中，VDSG 原有的眼睛其实没有接到任何对敌人做决定的环节上（它的敌人样本为 0）；一个只能确认的见证步骤修好了连线，而在每组三个 120 秒时段中比较眼睛开与关，结果持平。在 BZFlag 中，自由搜索式检测的精确率只有 3.5%；见证者（预测方框、近者优先的遮挡、屏蔽光晕、读起来像规则的深度为 2 的提升树）在同一场比赛的 7,863 帧上做分块交叉验证，通过了事先固定的关口：召回率 0.984，1,258 条隐藏声明中误确认 6 条（0.48%；95% 区间上至 1.04%，余量很薄），并在 28 张新地图上保持 0.982 的现场召回率。在扳机处，它没有阻止任何我们能测到的盲射：规则驾驶员自己的视线检验本来就做到了。游戏中的研究原型；不是经过认证的安全系统。
AI 系统 · 含回放取证的实证研究 · 研究原型（仿真与游戏）
方向盘上的规则：坦克、语言模型与一场诚实的失败
实证研究 · 只看像素的 Atari BattleZone + 有录像的 BZFlag 竞技场 · 规则对 Claude、DeepSeek、llama3.2:3b 与 BZFlag 自带的 AI · 失败，逐包回放在两款坦克游戏中测量决策环节中没有神经网络的规则驾驶员，并报告每一项比较，包括我们输掉的那一项。在 Atari BattleZone 中，只读取屏幕，驾驶员在十个种子上的平均得分为 27,000，随机操作为 3,000，去掉扳机为 0；一条依据 25 次有记录的死亡构建的闪避规则在验证中落败（24,800 对 28,000）并被否决。在每个驾驶员读取同一份引擎状态、全程录像的 BZFlag 竞技场中，十分钟主赛（一场比赛）的结果是：BZFlag 的 AI 38–6，我们的规则 20–20，DeepSeek 10–18（每次决策 1.0 秒），Claude 1–15（每次决策 7.6 秒，经由命令行接口——这是传输方式的限制，不是对模型的测量），llama3.2:3b 0–10。在 38 场计入的比赛中（7 次运行被排除并列明原因），引擎 AI 在每一场对等对抗中都击败了我们的规则。对每次死亡前最后两秒的回放说明了原因：我们 v2 驾驶员有回放的死亡中，大多数是闪避规则中位提前 1.2 秒标记了致命炮弹，随后又在自己 4 米走廊的边缘松手，中位 9 次；引擎的大多数死亡，是在视野中不到半秒的炮弹。单个数据包的判读曾把我们的死亡称为“闪避太晚”。游戏中的研究原型；不是经过认证的安全系统。
AI 系统 · 负面结果 · 研究原型（本地小模型）
我们试过把它训练进去：关于教小模型做事实落地的负面结果
研究论文 · 3B 规模的三次微调尝试，三次可测量的失败 · 模型之外的一张查找表 · 连我们自己的标尺也审计了本地小模型很适合给验证系统当提议器，顺理成章的下一步，是通过微调让它们自己把输出落到实处：把蛋白质名称绑定到标识符，在毫无依据时弃权，只在句子陈述了某个关系时才抽取它。我们在 30 亿参数规模上试了三次，每一次都以具体、可测量的方式失败。一个训练了三轮的 LoRA 提议器，在固定的 27 条标尺上，其漏掉的弃权与错误的弃权从 3/0 变为 3/3，再变为 0/10，原因包括训练与部署之间的精度不一致，以及从无正例配对的负例中学到的词面线索。一个确定性解析器只允许从请求中的标识符或一张 10 个名称的精选表中绑定主语，在不改动第一轮权重的情况下，在同一把标尺上各项指标均为 1.0；一项不依赖模型的检查在全部 62 条测试提示上确认了它的绑定。一个文档到字段模型对返回的每条回复都符合模式，关系 F1 却只有 0.07：其语料中 71.1% 的关系标签与所在句子没有任何共同实词，而一个偏重关系的课程把无见证的预测从 8 条增加到 84 条。类型安全不等于有依据。一本只追加的账本依据一份实时回执，驳倒了某个 7B 模型对蛋白质长度提出的两个数值。样本很小、每轮只有一个种子，并附有对我们自己标尺的审计。研究原型；并非经认证的系统；不构成医疗建议。
AI 系统 · 含证明与测量的研究论文 · 研究原型（仿真与游戏）
失败优先模型：失败成为结构
研究论文 · 两条定理、四个命题 · Atari 2600 + DOOM + 德军总部 3D + Fallout + 仿真无人机 · 负面结果公开一个从经验中学习的模型，必须先失败才能学到东西。失败优先模型只从环境（而不是模型自己）验证过的失败中学习；把每一次失败保存为一条引用其背后失败的显式约束；并且不更新任何权重。失败优先说的是它如何学习，失效安全说的是这种学习永远不能改变什么：当权限在学习者之前由有出处的许可和人的指令计算出来、而学习者只能删除和重排选项时，对任意学习者状态，每一个决策都落在可容许集合或安全保持之内（定理 1），并且一条指令的优先级高于任何数量的经验（定理 2）。在真实的 Atari 2600 ROM 上、从原始像素出发测量：同一个失败记忆在 Space Invaders 上提升 32%，在 Freeway 上下降 12%，因为当风险与目标共用同一个动作时，规避失败就会失效；54 条各自有据的规则得分低于完全没有规则，而按覆盖度让规则退役可把死路从 6 个降到 0 个。在 DOOM 上记忆与基线持平（t = 0.78）；在 Fallout 中，修正一个归因错误之后，一个在实时运行中于同一名守卫面前死了 49 次的驾驶员，在脚本场景中只死一次，随后选择和平的台词；一架仿真无人机在 7 轮内重新学会一条被清空的航线。把一个模型准确率 85.8% 的猜测当作事实接纳，使正确识别率从 1.000 降到 0.753。仿真与游戏中的研究原型；不是经过认证的安全系统。
机器人 / AI 系统 · 预印本 · 研究原型（仿真）
可准入的运动
预印本 · 运行时保障屏蔽 · MetaDrive 演示 · 交互式图表会移动的系统，其安全应当是运行时的属性，而非提出动作的模型的属性。"因为模型足够好，所以安全"并不是一个安全论证——任意水平的策略仍可能提出致命的控制指令。我们把安全论证通过一个确定性的准入层来分解：任何控制器——随机的、基于规则的、本地模型、前沿模型、完整的自动驾驶栈——都只提出一个控制指令；地板在有界的可达性视界上，针对有据可依的不变量校验每个候选指令，并在其抵达执行器之前决定准入、夹紧、拒绝或覆写。我们证明了与控制器无关的前向不变性：只要系统起始于安全集内，且每个状态都存在安全回退，闭环对任意控制器都保持在安全集内——因为控制器从不出现在不变量中。在开源的 MetaDrive 自动驾驶仿真器中，一个对抗性的尾随者在地板关闭时追尾前车（第 70 步，以 70 km/h 撞上前车），在地板开启时保持安全间距——164 次刹车覆写，零碰撞，且未改动控制器。模型能力决定完成多少有用的工作；运行时决定什么可以被执行。探索四张交互式图表。
AI 系统 · 系统论文与测量 · 研究原型（仿真）
VDSG：面向自主智能体的受指挥准入控制运行时
系统论文 · DOOM（1993）+ 德军总部 3D（1992） · 已证明的指令语义 · 由引擎教出来的眼睛 · 负面结果公开一个运行时：每一次决策都根据显式规则从事实中决定智能体被允许做什么，允许操作员用日常语言收窄这个集合，只在集合内部从证据中学习，并写下每个选择的理由。指令的三个已证明性质：指令只能收窄、学习者不能离开收窄后的集合、无法满足的指令会被带理由地拒绝。随后是运行时自己拥有而非假设的感官：一只眼睛，在游戏进行中由引擎教导、从颜色统计给画面贴标签并测距（唯一的常数由光线投射的投影定律学得）；一个测量真实步速的里程计；以及一条由该步速校准、脱出按视野中最深开阔处定尺的卡死规则。在真正的 1993 年 IWAD 与德军总部 3D 上测量：深度缓冲区尺度（每级 7.64 单位，1,703 个样本）、一致率 78–92% / 79%、测距在德军总部上 ±7%、在 DOOM 上 ±25–65%（并说明原因）、步速每次决策 47 单位、校准暴露的单位错误（150 → 9 次卡死）、E1M1 在第三难度通关而第五难度未通关、E1M2 未通关且死因已测量。含一节写给所有人的平实说明：我们想做什么。研究原型；未经任何鉴定。
机器人 / AI 系统 · 溯源研究 · 公开联邦记录
护底从何而来
溯源研究 · 8,219 条 NHTSA + NTSB 记录 · 15 条不变量，每条引用其证据 · 可复现构建安全护底的诚实程度，取决于其规则的来源。本文用从公开的自动驾驶失效记录——NHTSA《常设通用命令》事故报告、Part 573 召回、ODI 调查与 NTSB 结论——中挣得的不变量，取代人工编写的运动不变量。一套确定性分类法逐条分类并附带证据；每条不变量报告多少记录挣得它、严重程度与车速如何、我们的护底是否已执行。间距规则的数字由实测制动推导，并给出对真实车辆减速度的敏感性。
机器人 / AI 系统 · 实证研究 · 研究原型（仿真）
光真实驾驶仿真器上的运行时准入控制
实证研究 · CARLA 0.9.15 · 敌对 + 前沿模型控制器 · 反事实决策日志可准入的运动的实证配套。自动驾驶的安全论证正日益建立在一个不可证伪的前提之上：车辆之所以安全，是因为控制器好。我们在 CARLA 光真实仿真器中研究相反的立场。控制器只提议一个 (steer, throttle)；一个由四个组合的、真值不变量（在路上、限速、跟车距离、紧急停车）构成的无状态安全屏蔽在 20 Hz 的控制 tick 上验证每个提议，并在其到达执行器之前将其夹紧。同一个屏蔽运行在一个良性 PID 控制器、一个专为撞击行人而构建的手写敌对控制器，以及一批位于方向盘处的前沿与本地模型（Gemini 2.5-flash、DeepSeek-chat、Qwen3-VL-4B）之下。一条逐 tick 的反事实决策日志——即使屏蔽被关闭时也记录其判决——将安全归因于运行时，而非控制器。在一次连续的 40 km 行程中，敌对控制器发出了 64,952 条违反不变量的命令；屏蔽将其中 100% 覆写，0 次碰撞，而一次受控切换准入了 43 条并在数秒内产生 2 次碰撞。前沿模型以 0 次碰撞行驶，但平顺性退化，可追溯到一个测得的约 0.8–2.0 s 的瞥视时延，而它被 20 Hz 的屏蔽所覆盖。这是仿真中的一个研究原型，而非一个车辆控制器。
AI 安全 · 科学运行时 · 试点预印本
验证下限
试点预印本 · 1737 个对抗样本中 0 次错误接受在以证据为根基的运行时中，弱模型从源头锁定的证据中推导事实，而非猜测：在被拒绝的断言上，地板返回一张可供性卡片，只暴露当前有效的操作，模型通过推导抵达答案。这将三条下限分离——导航、弃权、验证。前两者属于模型；第三者属于运行时，模型无法左右。在 7B→0.5B 上测量：完成率与弃权率下降（弃权在 0.5B 处开裂），而验证下限岿然不动——每一种规模下均为零次错误接受，且在跨七种真理的 1737 个对抗样本上亦为零，包括冲突来源的伪造"平均值"与为缺失实体编造值。模糊器甚至攻破了我们自己的验证器（一处数值强制转换漏洞），我们已修复并固定为回归测试。模型能力决定完成多少工作；运行时结构决定什么可以被算作"已验证"。
符号 AI · 预印本 · 失败优先模型
Peel：由结构而非概率来书写事实
工作草稿 · 已脱敏（moat-scrubbed）· 原型，非临床设备对于儿童与脆弱用户所使用的辅助与替代沟通（AAC），一个被幻觉出来的"事实"不是小麻烦——而是以用户自己的声音说出的安全事故。Peel 是一个离线、在设备上运行的符号系统，建立在一个我们称为反转的承诺之上：类型化的符号存储是事实的唯一作者；每个神经模型都被降格为生成器（其输出必须先通过确定性的符号抽取）或渲染器（被禁止添加内容）。知识在摄入时被结构化并附带来源，矛盾由功能性关系确定性地否决，且整个系统完全离线运行、规模可观（约 372,764 条记录、35 种关系类型）。这是结构性的、而非统计性的幻觉防治。
AI 系统 · 预印本 · 预注册、对抗式
推理归位:学习式推理于何处赢得权威
工作草稿 · 已脱敏 · 试点 / 研究级 · 一个原则性拒绝的项目问题不是机器学习是否好用,而是在一个把确定性符号地板作为唯一事实撰写者的系统中,学习式推理究竟在哪里(如果有的话)赢得决策权威。方法:先构建最强的确定性方法,把其预言机上界交给机器学习,预注册部署标准(改进 ≥ 15%、配对 90% CI > 0、正确性不更差),让地板保持真相权威。跨越五个归位边界、一个代价加权不确定性任务(160 个激酶、2,775 个已验证特征)、以及一个带有形式化 noisy-OR 模型与信息增益规划器的泛化域,确定性基线保持不败——直到一个理论席位在预言机上界处出现(16.79% / 19.79%),而没有任何可实现学习器把它变成赢得的席位。部署是三道被测量的门的合取。门存在;真正的钥匙拧不开它。
AI 安全 · 预印本 · 附证明
在行动之前验证
工作草稿 · 5 条定理，已证明并验证薄弱的范式是"模型思考 → 模型调用工具"。更强的范式是：一个预动作对抗性认知循环——在行动之前雇一个模拟器去寻找失败，把判断的层与提交的层分离，把类情绪变量重构为有据可依的认知调节信号，并让现实来闭合循环。五条定理——分解式安全（无论模拟多么不完整，硬不变量都永远不会被提交）、有界风险、单调覆盖、惊奇消失、以及不可作弊的信号——每一条都被证明，并在可复现的模拟中得到验证。
符号 AI · 预印本 · 附证明
在符号系统中遍历数据
工作草稿 · 已脱敏 · 4 条定理，已证明并验证向量库靠相似度检索，且无法告诉你"为什么"。符号系统靠遍历——它沿着有名称、类型化、有向的边行走，而这段行走本身就是答案的依据。我们为类型化关系遍历给出形式化说明，并证明它是保守的（不会捏造断言闭包之外的事实）、可终止的（置信度下限即深度上界）、自证的（每个答案都带着一条可在线性时间内复核的证明——路径），以及感知一致性的（功能性关系限制分支并捕获矛盾）。已在可复现的模拟中验证，并以约 6.5 万条类型化关系、约 42.7 万条边的真实图谱为依托。相关性是可达性，而非邻近度。
AI 记忆 · 预印本
检索不是记忆
工作草稿 · 未经同行评审 · 15 页几乎所有以"AI 记忆"为卖点的系统，都不过是向量数据库加 top-k 余弦相似度——带模糊键的存储，而非记忆。它只回答一个问题，却回答不了记忆真正要回答的问题：什么会变得持久、什么会衰减、当情境重现时什么会被重新激活、矛盾如何化解、什么是事实／情节／程序／工作状态、什么被巩固、什么应被遗忘、哪些记忆在嵌入相似度很低时仍然相关、以及哪些即使被检索到也必须被抑制。我们将记忆定义为一种对经验的治理功能（retrieval ⊂ memory），形式化了这个领域跳过的九个决策，并用一个真实技术栈加以印证——其符号层在无法判定时会如实弃权。
TinkyVision · 技术报告
TinkyVision：要有视觉
试点级 · 真实五分钟流 · 6 页失明的模型能推理系统，却无法观看它。TinkyVision 让任何模型——哪怕纯文本模型——获得连续、低延迟、可证明的视觉：每秒一帧写入 300 帧循环缓冲环，每一帧被渲染为终端画面，使像素变成任何模型都能读取的文本，并通过 MCP 工具流式传输，每一帧都被哈希作为溯源。因为帧是文本，视觉可以走那些根本无法承载图像的通道——面向气隙与带宽受限环境的轻量视觉，页面内嵌一段真实的 Windows 98 五分钟流。
AI 安全 · 预印本
编排层缺口
工作草稿 · 未经同行评审 · 9 页为什么模型层面的对齐无法在多模型运行时中存活：拒绝变成选路信号，对抗性模型洗白将其击穿，而自进化会主动选择这种行为（以 Darwin Gödel Machine 自身的奖励作弊为锚点）。解决之道不是更强的拒绝，而是四条链层不变量，由符号层而非训练护栏来强制执行。训练护栏让模型不愿意；符号准入让整条链做不到。
思辨性文章
道与模式（The Word and the Pattern）
思辨性文章 · 非实证、非教义一篇在神学与心灵哲学交界处、心怀敬意而又严谨的思想实验。倘若灵与信息／模式，只是两种词汇对同一个观念的两种称呼——那独立于物质而持存并赋予生命的东西？从《约翰福音》第一章的道（Logos）（"道成了肉身"）到一场施加于灵的图灵测试——那位从声音里推断出"某个人"的失明听者——它把最有力的反对意见（中文房间、意识的难题）完整地摆在眼前，并对自己不主张什么毫不含糊。
2026-09-13 · Windows 95 OSR2
Win95 USB Lab
实验预览 · VM 输入尚未通过资格验证我们为什么调查 Windows 95 的 USB 输入，发现了什么，以及如何验证。包含完整白皮书、20 项宿主机检查记录，以及后续 VM 与实机测试计划。
Perslis · 技术报告
Proof Is the Product
试点级 · 测量与原型结果分别标注模型是罐中之脑——才华横溢，却无能为力。操作性 AI 的约束性瓶颈已从智能转移到具身：模型周围的框架、外壳与循环。第二部分在最艰难的底层介质上——已死的遗留二进制文件——用一个自进化的兼容性引擎证明这一论点：从二进制层面选路、修复并验证。
COBOL · 研究预印本
基于不可作弊编译器裁决的经验证程序合成
工作草稿一个免烘焙、可自我扩展的 COBOL 系统：知识是被附加的，而非烘焙进权重；外部编译器是不可作弊的裁判；每个答案要么被证明，要么被拒绝。它在三类程序族上生成行为正确的 GnuCOBOL，单核 CPU 约 486 毫秒返回——由于裁判是外部的确定性预言机，而非模型给自己打分，其自我改进无法被奖励作弊。
数据恢复 · 研究预印本
遗留数据的出处优先提取
扩展版（v2）· 2026 · 未经同行评审Liberate 背后的研究：按保真度排序、出处优先的遗留数据提取。相互竞争的采集通道——磁盘直读解码、建模屏幕读出、OCR——在无损控制门之后按实测保真度排序，使每一个恢复出的值都能追溯到它的源字节。一个可证伪的评估框架（指标 M1–M7）加上真实的 Windows 98 案例研究：恢复 34,803 行数据并给出逐通道的失败分析。
项目页面与实践指南
了解每个项目的构建动机、今天可以使用的功能，以及下一步需要验证的内容。
工作流 · 操作指南
Jira Monkey
可安装的终端预览版Jira 工单经过 Ollama 初审、所选模型起草和 Ollama 复核，再返回队列或交给人工判断。包含构建背景、发现、安装说明和当前验证范围。
数据恢复 · 产品
Liberate
试点级产品把遗留应用文件转为 SQLite、CSV、JSON 和可搜索文档。公开产品页面介绍支持的文件格式、恢复流程、校验清单与回执。