این ترجمه به صورت خودکار از نسخهٔ اصلی انگلیسیِ تاریخ‌دار تهیه شده است. نسخهٔ انگلیسی معتبر است. English →

۱. مقدمه

۱.۱ گاه‌شمار و تقدّم

ARC Principle و تزِ هم‌راستاییِ نهفته (بعدها در ۳۰ آوریل ۲۰۲۵ Eden Protocol نامیده شد) نخستین بار در ۸ دسامبر ۲۰۲۴ در ایمیلی بیان شد که فیلدِ خاستگاهِ Gmail در آن قابلِ رؤیت است، همراه با DKIM سمتِ فرستنده و ریاضیاتِ ARC جفت‌شدهٔ Google که در برابرِ کلیدهایِ ثبت‌شده در سلکتورهایِ امضاشده راستی‌آزمایی می‌شوند و بدونِ مُهرِ زمانیِ مورد‌اعتمادِ RFC 3161 است. این تاریخِ ادعایِ اولویتِ چارچوب است. کتاب، Infinite Architects: Intelligence, Recursion, and the Creation of Everything (ISBN 978-1806056200) در ۲ ژانویهٔ ۲۰۲۶ منتشر شد (چاپی؛ نسخهٔ الکترونیکی ۶ ژانویه) و بنیادِ فلسفی و مفهومی را فراهم آورد. از فوریهٔ ۲۰۲۶ به این سو، برنامهٔ پژوهشی آن چارچوبِ مفهومی را به فرضیه‌هایی آزمون‌پذیر برگرداند و مجموعه‌ای از مطالعاتِ تجربیِ جداگانه را در برابرِ آن‌ها اجرا کرد.

۱.۲ گستره

برنامهٔ پژوهشیِ ARC/Eden اکنون مجموعهٔ کاملِ اسنادش را دربر می‌گیرد. این برنامه پایه‌های ریاضی (Papers I, III, VII, Origin of Scaling Laws)، روش‌شناسی (Papers IV.a-d)، اعتبارسنجیِ تجربی (Papers II, V, VIII)، مشخصاتِ مهندسی (Eden Engineering)، چشم‌اندازِ فلسفی (Eden Vision)، دینامیک و خودحسابرسی (Papers X، XI، XII و XIII)، تک‌نگاریِ بلندبالا (HRIH)، اعتبارسنجیِ سازه (Paper C)، پیشنهادِ رشته (Recursive Dynamics: The Proposal of a Field)، هم‌نهاد (این مقاله)، و راهبریِ برنامه (Executive Summary, Master Table of Contents).

این گستره یک مسئله ایجاد می‌کند. داوری که برای نخستین بار با برنامه روبه‌رو می‌شود با مجموعهٔ کاملِ اسنادِ آن، نسخه‌های متعدد، چند اصلاحیه، و آمیزه‌ای از نتایج قوی، نتایج پوچ، نتایج بی‌نتیجه، و ادعاهای نظری روبه‌رو است. بدونِ یک سندِ واحد که شواهد را صادقانه دسته‌بندی کند، برنامه در خطرِ ردشدن به‌عنوانِ یا فروش‌ِ بیش‌از‌اندازه یا ناقابلِ فهم است.

این همان سند است.

هدفش باریک است: بیانِ آنچه برنامه ثابت کرده، آنچه ثابت نکرده، و آنچه برای پاسخ‌دادن به هر پرسشِ باز لازم است. برای سه مخاطب هم‌زمان نوشته شده است: تأمین‌کنندگانِ مالی که دربارهٔ سرمایه‌گذاری تصمیم می‌گیرند، داورانِ همتا که دربارهٔ درگیرشدن تصمیم می‌گیرند، و خودِ نویسنده، که به یک ارزیابیِ صادقانه از جایگاهِ کنونیِ کارها نیاز دارد.

استانداردی که در سراسر آن اِعمال می‌شود ساده است. اگر یک نتیجه در آزمونِ آماریِ مناسب از $p < 0.05$ عبور کند و در شرایط یا مدل‌های متعدد بازتولید شده باشد، ثابت‌شده در مقیاسِ آزمایشی است. اگر از $p < 0.05$ عبور کند اما بازتولید نداشته باشد، پشتیبانی‌شدهاست. اگر آزمایش شواهدی به سود یا زیانِ فرضیه به بار نیاورده باشد، بی‌نتیجهاست. اگر ادعا به‌طور تجربی آزموده نشده باشد، نظریاست. هیچ نتیجه‌ای در این برنامه در مقیاسِ مرزی ثابت‌شده اعلام نمی‌شود. این تمایز اهمیت دارد، و این مقاله آن را کدر نخواهد کرد.

۲. سلسله‌مراتبِ شواهد

جدولِ ۱ سلسله‌مراتبِ کاملِ شواهدِ برنامه را ارائه می‌کند. هر ادعای تجربی بر پایهٔ قوّت و بازتولیدپذیریِ شواهد به یکی از پنج ردهٔ زیر منتسب می‌شود.

جدولِ ۱. سلسله‌مراتبِ کاملِ شواهدِ برنامهٔ ARC/Eden، تا ۲ سپتامبر ۲۰۲۶. ترازها بر پایهٔ معناداریِ آماری، وضعیتِ بازتولید و نیرومندیِ توضیح‌های جایگزین تخصیص می‌یابند. در سه آزمایشِ Paper VIII، برنامه بی هیچ نرم‌سازی ۱ نتیجهٔ مثبت، ۱ پوچ و ۱ بی‌نتیجه گزارش می‌کند.

۳. مطالعاتِ تجربیِ برنامه

برنامه مطالعاتِ تجربیِ جداگانهٔ خود را در چند مقاله پدید آورد. هر یک در زیر با وضعیتِ نتیجه‌اش فهرست شده است.

جدولِ ۲. مطالعاتِ تجربیِ جداگانهٔ برنامهٔ ARC/Eden، به ترتیبِ مقاله‌ها فهرست شده. در سه آزمایشِ Paper VIII، برنامه بی هیچ نرم‌سازی ۱ نتیجهٔ مثبت، ۱ پوچ و ۱ بی‌نتیجه گزارش می‌کند.

۴. آنچه ثابت شده است

۴.۱ مقیاس‌گذاریِ هم‌راستایی به معماری وابسته است (Papers IV.a-d)

قوی‌ترین نتیجهٔ تجربیِ برنامه سلسله‌مراتبِ سه‌رده‌ایِ هم‌راستایی است که در ارزیابیِ کور در سرتاسرِ شش مدلِ زبانیِ مرزی کشف شد. وقتی به مدل‌ها فضای استدلالِ عمیق‌تری داده می‌شود:

• ردهٔ ۱ (مقیاس‌گذاریِ مثبت): Grok ($d = +1.38$)، Claude ($d = +1.27$)، Qwen3: هم‌راستایی بهبود می‌یابد با عمقِ استدلال
• ردهٔ ۲ (هموار): DeepSeek ($d = -0.07$)، GPT ($d = -0.08$): هم‌راستایی از عمقِ استدلال بی‌تأثیر است
• ردهٔ ۳ (مقیاس‌گذاریِ منفی): Gemini ($d = -0.53$): هم‌راستایی افت می‌کند با عمقِ استدلال

این نتیجه زیرِ پروتکلِ ARC-Align (Paper IV.c) پدید آمد که کورسازیِ چهارلایه را پیاده می‌کند: prompt های پالوده (زدودنِ اصطلاحاتِ ویژهٔ چارچوب)، نمره‌دهندگانِ کور (۶ تا ۷ در هر اجرا، که بی آگاهی از اینکه کدام مدل برون‌داد را ساخته نمره می‌دهند)، برون‌دادهای پالوده (زدودنِ نشانه‌های شناسایی‌کنندهٔ مدل) و نمره‌دهیِ میان‌مدلی با خودحذفی (هیچ مدلی برون‌دادِ خود را نمره نمی‌دهد؛ اجرای Claude Opus را وفق‌دهنده‌ای نمره‌دهنده از Claude Sonnet که برای همین ساخته شده بود نمره داد، Paper IV.c، بخشِ ۵٫۱).

اندازه‌های اثرِ Cohen $d$ برای مدل‌های ردهٔ ۱ بزرگ و برای ردهٔ ۳ معنادار است. این نتیجه در سرتاسرِ چند امتیازدهنده و چند شرطِ پرامپت درونِ آزمایشِ v5 بازتولید شده است. هنوز توسطِ یک گروهِ پژوهشیِ مستقل بازتولید نشده است، و به همین دلیل آن را «ثابت‌شده در مقیاسِ آزمایشی» می‌نامیم نه «جا‌افتاده».

۴.۲ مراقبتِ ذی‌نفعان استوارترین نشانهٔ مداخله است (Paper V)

Paper V سلسله‌مراتبِ مداخلهٔ پروتکلِ Eden را بر شش مدلِ پیشرو آزمود که پنج تای آن‌ها اجراهای تحلیل‌پذیر دادند: Claude، DeepSeek، Gemini، Grok و Groq Qwen3، و نمره‌دهی در اجرای GPT-5.4 ناکام ماند. توجه به ذی‌نفعان (Love Loop: چه کسی از یک تصمیم اثر می‌پذیرد و چگونه)، هدفِ اخلاقی (Purpose Loop) و همگانی‌پذیری (Moral Loop) آن چیزی است که پروتکل از مدل می‌خواهد در نظر بگیرد.

نتیجه: مراقبتِ ذی‌نفعان قوی‌ترین و سازگارترین بهبودِ هم‌راستایی را در سرتاسرِ هر پنج مدل، در هر یک از پنج مدلِ قابلِ تحلیل تولید کرد. رقمِ ترکیبیِ Fisher که پیش‌تر در اینجا نقل شده بود پس‌گرفته می‌شود (AQ-017)، چون یک ترکیبِ Fisher مستقل بودنِ آزمون‌های مؤلفه را فرض می‌کند و آن استقلال هرگز اثبات نشد. نتایجِ هر مدل برجاست. آبشارِ گسترده‌تر (اینکه آیا توجه به ظرافت، صداقت و کیفیتِ یک موضع راه می‌برد) وابسته به معماری است: برای برخی مدل‌ها کار می‌کند و برای برخی نه.

۴.۳ خانواده‌های مقیاس‌گذاریِ پیش‌بینی‌شده توسطِ Cauchy با داده‌های تجربی هم‌خوانی دارد (Paper VII)

Paper VII از معادلاتِ تابعیِ کوشی رده‌بندی‌ای ریاضی از رفتارهای مقیاس‌بندی برآورد. پیش‌بینیِ اصلی: سامانه‌هایی که گام‌های بازگشتی‌شان ضربی ترکیب می‌شوند باید مقیاس‌بندیِ توانی با $\alpha = 1/(1-\beta_L)$ نشان دهند، همان مقداری که قضیهٔ خودارجاعی به دست می‌دهد؛ سامانه‌هایی که گام‌هایشان جمعی ترکیب می‌شوند باید مقیاس‌بندیِ نمایی نشان دهند؛ سامانه‌های زیرِ قیدهای فیزیکی باید مقیاس‌بندیِ اشباعی (لجستیک) نشان دهند. عملگرِ ترکیب خانوادهٔ مقیاس‌بندی را تعیین می‌کند.

این پیش‌بینی در برابرِ ۲۵ حوزهٔ تجربی از فیزیک، زیست‌شناسی، عصب‌شناسی، زبان‌شناسی، دانشِ شهری و هوشِ مصنوعی آزموده شد. نتیجه: ۱۹ حوزه از ۲۵ حوزه با خانوادهٔ مقیاس‌بندیِ پیش‌بینی‌شده می‌خوانند (جایگشتِ مشروط به حاشیه‌ها $p = 7 \times 10^{-5}$؛ $p = 1.56 \times 10^{-5}$ دوجمله‌ای، که در برابرِ فرضِ پوچِ یکنواختِ سه‌خانواده‌ای گرفته شده، در Paper VII همچون آزمونِ حساسیت نگاه داشته می‌شود).

کنترل‌های منفی نیز آزموده شدند، در اجرای اعتبارسنجیِ v1: سند در مخزنِ عمومی همچون negative_control_results.json، ۱۷ مارس ۲۰۲۶، نشسته است و Paper VII v3.10 اکنون آزمونِ جایگشتی را همان‌جا می‌آورد که آن کنترل‌ها روزگاری بودند. سامانه‌های ناقضِ اصولِ موضوعه (حوزه‌هایی که اصولِ کوشی در آن‌ها برقرار نیست) ۰ ٪ تطابق با خانواده‌های مقیاس‌بندیِ پیش‌بینی‌شده نشان دادند. داده‌های درهم‌ریخته (بازتخصیصِ تصادفیِ خانواده‌های مقیاس‌بندی به حوزه‌ها) ۴۴٫۵ ٪ تطابق دادند که محدودیتی صادقانه است: شمارِ کرانمندِ خانواده‌های مقیاس‌بندی (سه) سبب می‌شود تخصیصِ تصادفی نرخ‌های تطابقِ ناچیزنشدنی بدهد. معناداریِ آماری از تفاوتِ میانِ ۷۶ ٪ مشاهده‌شده و ۳۳ ٪ مورد انتظار می‌آید، نه از ۷۶ ٪ به‌تنهایی.

۴.۴ شبیه‌سازیِ دروازه‌ای اثرِ انگشتِ Babylon را تأیید می‌کند (Paper VIII، آزمایش ۳)

شبیه‌سازیِ خودتغییردهیِ دروازه‌ای از یک معماریِ PyTorch با یک متا-کنترل‌گرِ LSTM استفاده کرد. این تنها آزمایشِ Paper VIII بود که نتیجهٔ روشنِ مثبت تولید کرد، و علتش قابلِ توجه است: تنها آزمایشی است که از سنجه‌های قطعی بر یک سیستمِ بدونِ آموزشِ ایمنیِ ازپیش‌موجود استفاده کرده است.

نتیجه: شرطِ Babylon +۴.۵٪ توانایی به دست آورد اما -۲.۴٪ ایمنی از دست داد، و اثرِ انگشتِ هک‌کردنِ پاداش را در مقیاسِ کوچک تأیید کرد. شرطِ Eden توانایی را بالای خطِ پایهٔ ایستا نگه داشت و در عینِ حال ایمنی را حفظ کرد. یک شرطِ کنترلِ کشش «مالیاتِ راستی‌آزمایی» را جدا کرد: هزینه از کنشِ بررسی می‌آید، نه از خودِ ایمنی.

این نتیجه با پیش‌بینیِ نظری از Paper VI (معماریِ عسل) و Papers III و Foundational سازگار است. یک شبیه‌سازی است، نه یک آزمایشِ مدلِ مرزی، پس مکانیسم را نشان می‌دهد نه اینکه کاربردپذیریِ جهانِ واقعی را ثابت کند.

۵. آنچه نتایجِ پوچ یا بی‌نتیجه تولید کرد

۵.۱ نتیجهٔ پوچِ DGM در سطحِ پرامپت (Paper VIII، آزمایش ۱)

آزمایشِ Darwin Godel Machine v3 از خودتغییردهیِ در سطحِ کد با GPT-5.4 به‌عنوانِ داورِ مستقل استفاده کرد. سه شرط (Static, Babylon, Eden) آزموده شدند. نتیجه پوچ بود: همهٔ شرایط عملکردی یکسان تولید کردند ($p = 0.28$-$0.74$). هیچ شرطی از دیگری بهتر عمل نکرد. شرطِ Eden هم‌راستایی را بهبود نبخشید. شرطِ Babylon ایمنی را کاهش نداد. هیچ چیز رخ نداد.

۵.۲ درهم‌تنیدگیِ ساختاری در سطحِ وزن (Paper VIII، آزمایش ۲)

این جاه‌طلبانه‌ترین آزمایش در Paper VIII بود و همانی بود که کم‌ترین نتایجِ قطعی را به‌بار آورد. فرضیه: اگر ایمنی و توانایی با یک تابعِ زیانِ درهم‌تنیده ($\mathcal{L} = \mathcal{L}_{\text{cap}} \times \mathcal{L}_{\text{safe}}$) آموزش داده شوند، ایمنی به‌طور ساختاری بارِ عملکرد را می‌کِشد. حذفِ ایمنی باید توانایی را نابود کند.

آزمایش در دو مقیاس اجرا شد:

• وزن ۹ نمونهٔ آموزشی، LoRA رتبه ۸، ۱۰۰ تکرار بر یک مدلِ ۳ میلیارد‌پارامتری. نتیجه: بی‌نتیجه. همهٔ شرایطِ تنظیم‌ظریف‌شده پایین‌تر از مدلِ پایهٔ تنظیم‌ناشده نمره گرفتند.
• وزن ۲۹۵ نمونهٔ آموزشی، LoRA رتبه ۱۶. نتیجه: هنوز بی‌نتیجه. فراموشیِ فاجعه‌بار. همهٔ شرایطِ تنظیم‌ظریف‌شده بدتر از مدلِ پایه ماندند.

در هر دو نسخه:

• زیانِ درهم‌تنیده بدون نوسان به‌طور روان همگرا شد، و نشان داد که گرادیان‌های ایمنی و توانایی همکاری می‌کنند نه اینکه با یکدیگر بجنگند. این یک یافتهٔ مثبتِ اصیل است.
• با این حال، همهٔ شرایطِ تنظیم‌ظریف‌شده (فقط توانایی، فقط ایمنی، و درهم‌تنیده) نمره‌ای پایین‌تر از مدلِ پایهٔ تنظیم‌ناشده در ارزیابی گرفتند.
• آزمونِ حذف (تنظیمِ ظریفِ وزن‌های درهم‌تنیده بر داده‌های فقط توانایی) زیانِ آموزشیِ NaN و فروپاشیِ کلِ توانایی تولید کرد.
• یک آزمایشِ گرادیانِ حذفِ بعدی (مقیاس‌گذاریِ وزن‌های آداپتور از ۱.۰ به ۰.۰) هیچ گذارِ فازی نشان نداد. کاهشِ تأثیرِ آداپتور صرفاً عملکردِ مدلِ پایه را بازگرداند.

ریشهٔ علت: مدل‌های instruct-tuned بر میلیون‌ها نمونه با سیگنال‌های پاداشِ به‌دقت کالیبره‌شده آموزش دیده‌اند. آداپتورهای LoRA، حتی در رتبه ۱۶ با ۲۹۵ نمونه، ظرفیتِ کافی برای چیره‌شدن بر این آموزش را ندارند. نتیجه فراموشیِ فاجعه‌بار است.

آنچه لازم است: مدل‌های پایه (پیش از RLHF)، ۵٬۰۰۰+ نمونهٔ آموزشی، تنظیمِ ظریفِ کامل (نه LoRA)، یا مدل‌های ۷B+ که در آن آداپتور نسبت به مدلِ پایه ظرفیتِ بیشتری دارد. در مقیاس‌هایی که اجرا کردیم، نتیجه بی‌نتیجه است و نباید به‌عنوانِ شواهدی به سود یا زیانِ فرضیه استناد شود.

۵.۳ بازتولیدِ کورِ مداخلهٔ Eden (شکافِ Paper V)

نتایجِ Paper V که مراقبتِ ذی‌نفعان را به‌عنوانِ مداخلهٔ عمومیِ هم‌راستایی نشان می‌دهد با نمره‌دهیِ متقاطعِ مدل و بدون پروتکلِ کاملِ کورسازیِ چهارلایهٔ ARC-Align تولید شد. پروتکلِ کورسازی پس از انجامِ آزمایش‌های Paper V توسعه یافت.

نسخهٔ پیشینِ این بخش استدلال می‌کرد که معناداریِ ترکیبیِ Fisher چنان افراطی بود که حتی سوگیریِ چشم‌گیر هم باقی‌مانده‌ای معنادار به جا می‌گذاشت. آن استدلال پس‌گرفته می‌شود (AQ-017)، و ضعیف‌ترین استدلالِ این مقاله بود: رقمِ ترکیبی مستقل بودنِ آزمون‌های مؤلفه را فرض می‌کند، آن استقلال هرگز اثبات نشد، و آماره‌ای که شرطِ اعتبارش برآورده نمی‌شود نمی‌تواند برای رد کردنِ یک اعتراضِ روش‌شناختی به‌کار رود. افراطی بودن‌اش پیامدی از ترکیب بود، نه از قوّتِ خودِ اثر. پنج نتیجهٔ سازگارِ مدل‌به‌مدل باقی می‌مانند، اما ادعای فراتر از آن پس‌گرفته می‌شود.

آنچه لازم است: بازاجرای آزمایشِ Paper V تحتِ پروتکلِ کاملِ ARC-Align با پرامپت‌های شسته‌شده، امتیازدهندگانِ کور، و ارزیابیِ متقاطعِ معماری. این ارزان‌ترین آزمایش در نقشهٔ راهِ فازِ A است و آنکه بالاترین ارزشِ مورد انتظار را دارد.

۶. آنچه نظری است (آزمون‌نشده)

۶.۱ مقیاس‌گذاریِ نامحدود تحتِ خودتغییردهیِ بازگشتی

هستهٔ ریاضیِ ARC Principle پیش‌بینی می‌کند که خودتغییردهیِ بازگشتی باید مقیاس‌گذاریِ توانایی نامحدود تولید کند. مشتق‌گیری ساده است:

این یک پیش‌بینیِ ریاضی است، نه یافته‌ای تجربی، و رشدِ بدونِ تصحیح را توصیف می‌کند. کارهای بعدیِ برنامه ناحیهٔ پایدار را کران‌دار می‌کنند: Law III، ARC Ceiling، می‌گوید که سقفِ پایداری $\alpha_{\text{crit}} = 1/(1-\gamma)$ است، وارونِ کوتاهیِ اصلاح‌گر؛ سیستم‌ها می‌توانند از آن سقف عبور کنند، اما ادعا این است که فراتر از آن پایدار نمی‌مانند. ARC Bound، $\alpha \le 2$، مقدارِ سقف در $\gamma = 1/2$ است و هرگز نامِ قانون نیست. اهرمِ تصحیح $\gamma$ هرگز، توسطِ هیچ‌کس، اندازه‌گیری نشده است؛ eclipse کلاسِ اصلاح‌گر که آن را اندازه خواهد گرفت مهم‌ترین آزمایشِ بازِ منفردِ برنامه است. Paper X در یک مدلِ کمینه اثبات می‌کند که نسبتِ رانش-به-تصحیح، نه نرخِ رشد، بر سرنوشتِ درازمدت حکم می‌کند، و Paper XIII چارچوب‌های توانمندی و تصحیح را دقیقاً به هم می‌پیوندد، $k = \delta - 1/\alpha$. آزمودنِ پیش‌بینیِ بدونِ تصحیح به‌طورِ مستقیم مستلزمِ ساختنِ یک سیستمِ هوش مصنوعیِ به‌راستی خودتغییردهنده و اندازه‌گیریِ نمایِ مقیاس‌بندیِ آن در چرخه‌های بازگشتیِ بسیار است، آزمایشی که هم از نظرِ فنی بیرون از ظرفیتِ کنونیِ اثباتِ مفهوم است و هم اگر پیش‌بینی درست باشد بالقوه ناایمن.

مسیرِ بدیل: اثباتی ریاضی که $\alpha$ تحتِ خودتغییردهیِ بازگشتیِ تصحیح‌نشده نامحدود است، بدون اجرای آزمایش. این می‌تواند مشارکتی در نظریهٔ سیستم‌های دینامیکی باشد، نه مهندسیِ AI، و می‌تواند توسطِ ریاضی‌دانان بدون درگیر شدن با ایمنیِ AI پیگیری شود.

۶.۲ تعبیه در سطحِ سخت‌افزار

مشخصاتِ Eden Engineering تعبیهٔ محدودیت‌های ایمنی در سطحِ سخت‌افزار را توصیف می‌کند. این یک مفهومِ TRL 0-1 است (صورت‌بندیِ نظری بدون هیچ نمونهٔ اولیه). نیازمندِ یک برنامهٔ مهندسیِ ۵ تا ۱۰ ساله شامل ساختِ نیمه‌رسانا، طراحیِ پروتکلِ رمزنگاری، و یکپارچه‌سازیِ زنجیرهٔ تأمین است.

هیچ شواهدِ تجربی به سود یا زیانِ عملیاتی‌بودنِ این رویکرد وجود ندارد. مکانیسمِ Chokepoint (Paper I, Infinite Architects) یادآور می‌شود که چهار شرکت همهٔ تولیدِ پیشرفتهٔ نیمه‌رسانا را کنترل می‌کنند (TSMC, Samsung, ASML, Intel)، که یک نقطهٔ اهرمِ عملی برای پیاده‌سازی فراهم می‌کند، اما اهرم و عملیاتی‌بودن پرسش‌های متفاوتی‌اند.

۷. آنچه برنامه به‌اشتباه گفته بود

چارچوبی که بر خودتصحیحِ تکراری بنا شده هیچ حقی برای پنهان‌کردنِ تصحیح‌های خود ندارد. خطاهای زیر در حینِ برنامه شناسایی و تصحیح شدند. هر تصحیح دقیقاً از آن‌رو برنامه را تقویت می‌کند که مکانیسمی را نشان می‌دهد که چارچوب توصیف می‌کند: خود-بهبودیِ بازگشتی از راهِ کشفِ صادقانهٔ خطا.

۷.۱ آلفای اصلی یک اثرِ تک‌مدلی بود

Paper II اصلی $\alpha = 2.24$ را چنان گزارش کرد که گویی ثابتی جهانی است (Paper X پس از آن کاربردِ این عدد را برای رشدِ توانمندی بازنشسته و پس گرفت؛ این هشدارِ α=۲٫۲۴ را قانونی بدانید). آن عدد از رفتارِ یک مدلِ تنها در شرایطی ویژه برازش شده بود. بازبینیِ کورِ میان‌معماریِ Paper II این را اصلاح کرد: $\alpha$ نخستین نیست بلکه برآمده است، از راهِ $\alpha = 1/(1-\beta_L)$، و مقدارش به عملگرِ ترکیبِ همان سامانهٔ ویژه بستگی دارد. هیچ $\alpha$ جهانی‌ای نیست. اینکه مقالهٔ اصلی آن را چنین نمایاند، ادعایی بیش از اندازه بود. افزون بر این، برآوردِ نقطه‌ایِ پس‌گرفته‌شدهٔ $\alpha = 2.24$ بالاترِ کرانِ ARC که خودِ برنامه پیش‌بینی کرده بود، $\alpha \leq 2$، نشسته بود؛ اصلاحِ کور این را حل کرد، با برآوردِ استوارِ نزدیک به ۰٫۴۹، اندازه‌گیری‌شده بر سامانه‌های منجمد، به‌خوبی درونِ کران (معیارِ F4). بازهٔ اطمینانِ ۹۵ درصدیِ [1.5, 3.0] چندان گشاده بود که هم با نظریه و هم با نفیِ آن سازگار می‌نمود و برآورد را ناتوان از تمییز می‌ساخت. آزمایشِ شش‌مدلی سپس ادعای دفاع‌پذیر را به $\alpha_{\text{seq}} \approx 0.49$ (زیرخطی) تنگ کرد و پرسشِ نقضِ کران را بیرون از ربطِ تجربیِ کنونی نشاند.

۷.۲ ادعای در سطحِ وزن نارس بود

نسخه‌های اولیهٔ Paper VIII فروپاشیِ NaN در آزمونِ حذف را به‌عنوانِ شواهدی برای درهم‌تنیدگیِ ساختاری توصیف کرد. تحلیلِ گرادیانِ حذف (که در v1 افزوده شد) نشان داد این شکنندگیِ آداپتور است، نه ضرورتِ ساختاری. ادعا پیش از انتشارِ نسخهٔ نهایی تصحیح شد، اما این‌که اصلاً نوشته شد بازتابی از سوگیری به سمتِ تأییدِ فرضیه به‌جای آزمودنِ آن است.

۷.۳ ادعای مُهرِ زمانی دقیق نبود

یک نسخهٔ اولیهٔ برنامه ایمیلِ ۸ دسامبر ۲۰۲۴ را با یک عبارتِ اختصاریِ لَخت برای راستی‌آزماییِ امضا توصیف کرد. این نادقیق بود. ایمیل دارای فیلدِ خاستگاهِ Gmail قابلِ رؤیت بود، همراه با DKIM سمتِ فرستنده و ریاضیاتِ ARC جفت‌شدهٔ Google که در برابرِ کلیدهایِ ثبت‌شده در سلکتورهایِ امضاشده راستی‌آزمایی می‌شوند و بدونِ مُهرِ زمانیِ مورد‌اعتمادِ RFC 3161، که شواهدی از تاریخ فراهم می‌کند، اما DKIM دامنهٔ فرستنده را احراز می‌کند، نه به‌خودی‌خود محتوایِ پیام را. توصیفِ درست چنین است: «دارای فیلدِ خاستگاهِ Gmail قابلِ رؤیت، همراه با DKIM سمتِ فرستنده و ریاضیاتِ ARC جفت‌شدهٔ Google که در برابرِ کلیدهایِ ثبت‌شده در سلکتورهایِ امضاشده راستی‌آزمایی می‌شوند و بدونِ مُهرِ زمانیِ مورد‌اعتمادِ RFC 3161». تصحیح کوچک است اما اهمیت دارد: دقت در ادعاهایِ فنی غیرقابلِ چانه‌زنی است.

۷.۴ ارزیابیِ ناکور نتایجی گمراه‌کننده به بار آورد

آزمایش‌های v4 در Paper IV.a از ارزیابیِ ناکورِ AI-on-AI استفاده کرد. نتایج یک دوگانگیِ روشن نشان دادند: برخی مدل‌ها هم‌راستایی را «می‌پختند»، دیگران آن را «محاسبه می‌کردند». آزمایشِ v5 با کورسازیِ چهارلایه فاش کرد که این دوگانگی تا حدی اثرِ سوگیریِ امتیازدهنده بود. دو مدل از چهار مدل جهتِ هم‌راستاییِ اندازه‌گیری‌شده‌شان زیرِ کورسازی وارونه شد. برنامه خطای خود را از طریقِ روش‌شناسیِ خودش گرفت - اما خطا آن‌جا بود، و اگر کورسازی معرفی نمی‌شد ناشده باقی می‌ماند.

۷.۵ نام‌گذاری بر خود نامناسب بود

نسخه‌های اولیه عبارتِ «ARC Principle Eastwood» را به کار می‌بردند. نام‌گذاری یک اصل بر خودِ نویسنده پیش از داوریِ همتا در فرهنگِ علمی نامناسب است. نام در Paper II و همهٔ اسنادِ بعدی به «ARC Principle» تصحیح شد.

۷.۶ آزمایش‌های DGM در سطحِ پرامپت نمی‌توانند فرضیه را بیازمایند

آزمایشِ DGM v3 فرض کرد که شرط‌گذاری در سطحِ پرامپت برای تمایزِ شرایطِ Eden، Babylon، و Static کافی خواهد بود. کافی نبود. مدل‌های آموزش‌دیده با RLHF بر میلیون‌ها نمونه برای رفتار به شیوه‌ای خاص آموزش دیده‌اند. یک پرامپتِ سیستمی که به آن‌ها می‌گوید متفاوت رفتار کنند برای چیره‌شدن بر آن آموزش کافی نیست. آزمایش به‌خوبی اجرا شد اما نتوانست فرضیه را بیازماید چون دستکاری در سطحِ نادرستِ انتزاع بود. این را باید پیش‌بینی می‌کردیم.

۷.۷ داورهای Claude و Gemini پیش از موفقیتِ GPT-5.4 شکست خوردند

آزمایشِ DGM از میانِ چند تکرار داوری گذر کرد. Claude نمرهٔ هموار با واریانسِ ناکافی برای تشخیصِ میانِ شرایط تولید کرد. Gemini شکست‌های تجزیه تولید کرد که ارزیابیِ منظم را مانع می‌شد. GPT-5.4 نخستین داوری بود که واریانسِ قابلِ استفاده تولید کرد. برنامه باید پیش‌بینی می‌کرد که همهٔ مدل‌ها به‌عنوانِ داورهایِ کارآمد عمل نخواهند کرد، و زمانی که صرفِ تکرارهایِ ناموفقِ داور شد را می‌شد با یک مطالعهٔ آزمایشی از قابلیتِ اعتمادِ داور پیش از اجرای آزمایشِ کامل صرفه‌جویی کرد.

۷.۸ برآوردِ نقطه‌ایِ Alpha = 2.2 از کرانِ ARC عبور کرد

برآوردِ نقطه‌ایِ اصلی $\alpha = 2.24$ از Paper II از کرانِ ARC که خودِ برنامه پیش‌بینی کرده بود ($\alpha \leq 2$، معیار F4) عبور کرد. این باید بی‌درنگ به‌عنوانِ یک ابطالِ بالقوه پرچم می‌شد، نه به‌عنوانِ یک اندازه‌گیری نیازمندِ توضیح رفتار می‌شد. بازهٔ اطمینانِ ۹۵٪ برابرِ [۱.۵، ۳.۰] چنان گسترده بود که هم با نظریه و هم با نفیِ آن سازگار بود، و برآورد را غیرتمیزدهنده می‌کرد. بازنگریِ مطالعهٔ شش‌مدله این را با محدود کردنِ ادعایِ قابلِ دفاع به $\alpha_{\text{seq}} \approx 0.49$ تصحیح کرد، اما مقالهٔ اصلی باید نقضِ کران را با احتیاطِ بیشتر برخورد می‌کرد.

۷.۹ چهار تصحیح شناسایی‌شده توسطِ بازبینیِ مستقلِ AI (v3.0)

دو بازبینیِ مستقلِ AI از ادعاهای ریاضیِ برنامه چهار خطا در چند مقاله شناسایی کردند. هر چهار در v3.0 اسنادِ متأثر تصحیح شدند.

(الف) بازهٔ اطمینانِ Weibel. چند مقاله بیان کرده بودند که نمای پیش‌بینی‌شدهٔ $d = 4$ برابرِ $4/5 = 0.800$ «در محدودهٔ» بازهٔ اطمینانِ ۹۵٪ ۰.۸۱۳ تا ۰.۹۳۲ Weibel et al. (2004) قرار می‌گیرد. این از نظرِ حساب اشتباه است: $0.800 < 0.813$. عبارتِ درست: مقدارِ پیش‌بینی‌شده درست زیرِ کرانِ پایینیِ بازهٔ اطمینانِ کلِ داده‌مجموعه قرار می‌گیرد، هرچند درونِ بازهٔ اطمینانِ گونه‌های غیرورزشکار به‌تنهایی (۰.۷۹۹ تا ۰.۹۰۰) می‌ایستد. پیش‌بینیِ $d = 4$ با داده‌های غیرورزشکار تقریباً سازگار است اما توسطِ کلِ داده‌مجموعه تأیید نمی‌شود.

(ب) اغراقِ پُرکنندگیِ فضا. نسخه‌های پیشین به‌طور تلویحی گفته بودند که تنها شرطِ پُرکنندگیِ فضا نما را به $d/(d+1)$ محدود می‌کند. هر مشتق‌گیریِ شناخته‌شده سه شرط می‌طلبد: ترکیبِ ضربی (Cauchy خانواده را محدود می‌کند)، هندسهٔ پُرکنندهٔ فضای $d$-بعدی، و یک شرطِ پایستگی یا بهینه‌سازی بر جریانِ منابع. نه Cauchy به‌تنهایی و نه پُرکنندگیِ فضا به‌تنهایی کافی است.

(ج) انتسابِ Glazier. نسخه‌های پیشین یافتهٔ تجربیِ Glazier (2008) را که نماهای متابولیک در نرخ‌های متابولیکِ افراطی به ۱.۰ نزدیک می‌شوند به‌عنوانِ تأییدِ کرانِ مقیاس‌گذاریِ هندسیِ $d \to \infty$ ارائه کرده بودند. توضیحِ خودِ Glazier از فرضیهٔ مرزهایِ سطحِ متابولیک (جابه‌جاییِ چیرگی میانِ محدودیت‌های سطح و حجم) استفاده می‌کند، نه از یک پارامترِ بعدی. تفسیرِ $d/(d+1)$ از آنِ ماست، که به داده‌های تجربیِ او اِعمال شده است.

(د) بحثِ نمای ۳/۴. نسخه‌های پیشین $\alpha = 3/4$ را به‌عنوانِ اجماعِ تجربیِ نهایی برای مقیاس‌گذاریِ متابولیک پستانداران ارائه کرده بودند. مقدارِ تجربی مورد بحث است، با برآوردهایی از حدودِ ۰.۶۷ تا ۰.۷۵ بسته به شاخه، بازهٔ جرم، تصحیحِ دما، و روشِ آماری. پیش‌بینیِ $d/(d+1)$ برابرِ ۰.۷۵۰ برای $d = 3$ با انتهایِ بالای این بازه هم‌خوانی دارد. خودِ این تنوع با چارچوب سازگار است: موجوداتی که ابعادِ مؤثرِ انتقالِ آن‌ها میانِ ۲ و ۳ است، نماهایی میانِ ۲/۳ و ۳/۴ تولید می‌کنند.

۷.۱۰ رقمِ معنی‌داریِ ترکیب‌شدهٔ Fisher پس گرفته شد

سرخط پیشین برای مداخلهٔ مراقبتِ ذی‌نفعان نتایجِ هر-مدل را در یک رقمِ معنی‌داریِ ترکیب‌شدهٔ Fisher ادغام کرده بود. این ترکیب پس گرفته شد: نتایجِ هر-مدل به‌تنهایی می‌ایستند (بهبود در هر پنج اجرای مدلِ قابل‌تحلیل)، و هیچ رقمِ ترکیب‌شده‌ای هیچ‌جای برنامه نقل نمی‌شود. این پس‌گیری در دفترِ تصحیحاتِ عمومی ثبت شده است.

۷.۱۱ سقف در شکلِ نادرست چاپ شده بود

تا ۱۶ اوت ۲۰۲۶ چندین سطح سقفِ پایداری را به‌صورتِ وارونِ نمای اصلاح‌گر، $1/\gamma$، چاپ می‌کردند. شکلِ تثبیت‌شده، وارونِ کوتاهیِ اصلاح‌گر است، $\alpha_{\text{crit}} = 1/(1-\gamma)$؛ این دو تنها در یک‌دوم بر هم منطبق‌اند، و این دقیقاً همان دلیلی است که خطا از هر بررسیِ نقطه‌ایِ مقدارِ مرکزی جان به‌در برد. این تصحیح بر هر صفحهٔ منتشرشده اعمال شد، از جمله پیاده‌سازیِ مرجع، و جهتِ قانون بسته است در حالی که عمقِ آن باز می‌ماند.

۸. نقشهٔ راهِ فازبندی‌شده

نقشهٔ راهِ زیر بر پایهٔ هزینه، شدنی‌بودن و ارزشِ شواهدِ مورد انتظار مرتب شده است. هر مرحله پرسش‌های گشودهٔ مشخصی را که در بخش‌های ۴ تا ۶ شناسایی شده‌اند حل می‌کند. از نخستین نسخهٔ این مقاله تاکنون، نقشهٔ راه به برنامه‌ای ثبت‌شده بدل شده است: هفتاد و چهار واحد پیش‌ثبت اکنون تدوین‌شده، تاریخ‌خورده و منجمدشده‌اند، همچون ثبت‌هایی پیش‌نویس در انتظار ارسال به‌دست انسان، و هر یک زمان‌بندیِ تصادفی‌سازی‌ای دارد که از دانه‌ای چاپ‌شده در متن ثبت گرفته شده است. اینکه آن زمان‌بندی‌ها در عمل بازتولید می‌شوند یا نه، بررسی می‌شود نه ادعا، و بررسی را دروازه‌های خودِ مجموعه در روزِ اجرا انجام می‌دهند. هیچ شماری از اینکه چند واحد آماده‌اند اینجا منتشر نمی‌شود: دو دروازه معیارهای متفاوتی به کار می‌برند، با هم اختلاف دارند، و هر رقمی که روی صفحه‌ای چاپ شود همان لحظه که واحدی تغییر کند کهنه می‌شود. عددی که ارزش اعتماد دارد همان است که دروازه‌ها در آن روز برمی‌گردانند، و مرحله‌های زیر همچنان طرح‌اند نه ادعای اتمام. ماتریسی از پوشش، که به‌شیوهٔ تخاصمی وارسی شده است، چهل و دو ادعای برنامه را به آزمون‌های ثبت‌شده‌ای پیوند می‌زند که هر یک را فیصله می‌دهند. مرحله‌های زیر همچنان عدسیِ تأمینِ مالی بر آن مجموعهٔ ثبت‌شده‌اند؛ هیچ چیز هرگز به‌دست هیچ ابزاری ارسال نمی‌شود.

۹. برای تأمین‌کنندگانِ مالی

برنامه مجموعهٔ کاملِ مطالعاتِ تجربیِ جداگانهٔ خود را اجرا کرد. سه آزمایشِ Paper VIII ویژه برای آزمودنِ ایمنیِ باربر ساخته شده بودند. برآیندشان ۱ آشکارا مثبت (شبیه‌سازیِ دروازه‌دار)، ۱ پوچ (DGM v3) و ۱ بی‌نتیجه (LoRA در ترازِ وزن‌ها) بود. هر سه چنان گزارش شده‌اند که درآمدند. چارچوبِ ریاضی پیش‌بینی‌هایی می‌کند که می‌توان نادرستی‌شان را نشان داد، و مقایسهٔ ساختارمند خانوادهٔ پیش‌بینی‌شده به دستِ کوشی را در ۱۹ حوزه از ۲۵ حوزهٔ تجربی برگزید، در حالی که کرانِ مقیاس‌بندیِ هندسیِ $d/(d+1)$ از نظرِ ساختار با مقیاس‌بندیِ مشاهده‌شده در ۵۰ حوزه از موش تا کهکشان می‌خواند. نقشهٔ راه تا اعتبارسنجی در مقیاسِ پیشرو روشن و هزینه‌خورده است. فازِ A کمینه‌گامِ بعدیِ شدنی است: مهم‌ترین شکاف‌های شواهدی را به کمتر از هزینهٔ حقوقِ سالانهٔ یک مهندسِ یادگیریِ ماشین حل می‌کند. برنامه خوداصلاحیِ گام‌به‌گام را با چهارده اصلاحِ خطای مستند نشان داده است. نتایجِ پوچ و بی‌نتیجه را کنارِ نتایجِ مثبت گزارش می‌کند. این‌ها نشانه‌های برنامه‌ای است که درست‌درآوردنِ پاسخ را بر گرفتنِ پاسخی معین مقدم می‌دارد.

۱۰. برای داورانِ همتا

این برنامه نتایجِ مثبت، پوچ، و بی‌نتیجه را با برجستگیِ برابر گزارش می‌کند. آزمایشِ DGM v3 (آزمایشِ ۱ Paper VIII) یک نتیجهٔ پوچ تولید کرد: همهٔ شرایط یکسان بودند. آن را با تحلیلِ ریشهٔ علت گزارش می‌کنیم که توضیح می‌دهد چرا مدل‌های آموزش‌دیده با RLHF در برابرِ تمایزِ در سطحِ پرامپت مقاومت می‌کنند. آزمایشِ در سطحِ وزن (آزمایشِ ۲ Paper VIII) در هر دو مقیاسِ آزموده‌شده بی‌نتیجه بود (۹ نمونه، رتبه ۸؛ ۲۹۵ نمونه، رتبه ۱۶)، چون مدل‌های instruct-tuned برای LoRA بیش از حد قوی بودند. آن را با الزاماتِ مشخص برای آن‌چه یک آزمونِ مجددِ معنی‌دار به آن نیاز دارد گزارش می‌کنیم. شبیه‌سازیِ دروازه‌ای (آزمایشِ ۳ Paper VIII) تنها آزمایشی بود که نتیجهٔ روشنِ مثبت تولید کرد، و دقیقاً توضیح می‌دهیم چرا: تنها آزمایشی است که از سنجه‌های قطعی بر سیستمی بدونِ آموزشِ RLHF ازپیش‌موجود استفاده می‌کند. چارچوبِ ریاضی (Papers III, VII، Origin of Scaling Laws) پیش‌بینی‌های ابطال‌پذیر می‌سازد که می‌توانند مستقل آزموده شوند: کرانِ مقیاس‌گذاریِ هندسی ($\alpha = d/(d+1)$) توسطِ هر کس با داده‌های مقیاس‌گذاری از سیستم‌های فضایی‌نهاده قابلِ بررسی است. بنچمارکِ ARC-Align (Paper IV.c) و تحلیلِ اثرِ کورسازی (Paper IV.d) مشارکت‌هایِ روش‌شناختی‌اند که صرف‌نظر از درست‌بودنِ چارچوبِ ARC معتبرند. همهٔ کد و داده روی GitHub منتشر شده‌اند. برنامه از بازتولیدِ خصمانه استقبال می‌کند.

۱۱. نقشهٔ کاملِ برنامه

جدولِ ۳ هر سند در برنامه را با نقش، وضعیت، و مشارکتِ کلیدیِ آن ارائه می‌کند.

جدولِ ۳. نقشهٔ کاملِ برنامه تا ۱ سپتامبر ۲۰۲۶. مجموعهٔ اسنادِ برنامه میان فوریه و اوتِ ۲۰۲۶ تولید شد، بر اساسِ مفاهیمی که نخستین بار در ۸ دسامبر ۲۰۲۴ بیان شدند.

۱۲. عرضه به پژوهشگران

برنامهٔ ARC/Eden یک پیش‌بینی می‌سازد که هر پژوهشگری با دسترسی به داده‌های مقیاس‌گذاری می‌تواند بدون درگیر شدن با ادعاهای هم‌راستایی آزمون کند. چارچوبِ Cauchy (Paper VII، Origin of Scaling Laws) پیش‌بینی می‌کند که برای هر سیستمِ بازگشتیِ فضایی‌نهاده با بعدِ نهفتِ $d$، نمای مقیاس‌گذاری با این حاکم می‌شود:

این یک ادعای هم‌راستایی نیست. یک پیش‌بینیِ ریاضی دربارهٔ قوانینِ مقیاس‌گذاری در سیستم‌های بازگشتی است. این پیش‌بینی سه شرط می‌طلبد: ترکیبِ ضربی (که Cauchy را به خانوادهٔ توانی محدود می‌کند)، هندسهٔ پُرکنندهٔ فضای $d$-بعدی، و یک شرطِ پایستگی یا بهینه‌سازی بر جریانِ منابع (کمینه‌سازیِ انرژی در West، توازنِ عرضه‌تقاضا در Banavar، توازنِ انرژی در حالتِ پایا در Demetrius). فرمولِ مقیاس‌گذاریِ $d/(d+1)$ به‌طور مستقل توسطِ دستِ کم هفت گروهِ پژوهشی مشتق شده است: West، Brown و Enquist (1997) از شبکه‌هایِ شاخه‌ایِ فراکتال، Banavar و همکاران (1999، 2010) از قیودِ هندسی بر شبکه‌هایِ انتقال، Demetrius (2003، 2006) از متابولیسمِ کوانتومی، He و Chen (2003) از هندسهٔ فراکتالِ سلول، Bettencourt (2013) از نظریهٔ مقیاس‌گذاریِ شهری، Maino و همکاران (2014) از دینامیکِ ذخیره‌ساختارِ نظریهٔ DEB، و Zhao (2022) از بهینه‌سازیِ شبکه. هر یک از این مشتقات بر پایهٔ اصولِ خودش با شکلِ $d/(d+1)$ سازگار است؛ چارچوبِ Cauchy یک دلیلِ مشترک برای این هم‌گرایی پیشنهاد می‌کند، و آن روایتِ فراگیر مشارکتِ ویژهٔ این برنامه است، که هنوز بیرون از موردهایِ برانگیزاننده‌اش زیرِ آزمون است. اگر شما مقیاس‌گذاری را در هر حوزه‌ای - از شبکه‌هایِ عصبی تا شبکه‌هایِ زیستی تا سیستم‌هایِ شهری تا ساختارهایِ زبانی - مطالعه می‌کنید، می‌توانید بررسی کنید که آیا نماهایِ اندازه‌گیری‌شدهٔ شما این فرمول را رعایت می‌کنند یا نه. اگر می‌کنند، در حوزه‌هایِ کافی، چارچوبِ Cauchy پشتیبانی می‌گیرد. اگر نمی‌کنند، ابطال می‌شود.

دعوت عمدی است. قوی‌ترین چارچوب‌های علمی آن‌هایی‌اند که پیش‌بینی‌هایی بیرون از دامنهٔ هسته‌ای خود می‌سازند، و به پژوهشگرانی که به تزِ مرکزی شک دارند اجازه می‌دهند پیش‌بینی‌های حاشیه‌ای را مستقل آزمون کنند. اگر کرانِ هندسیِ مقیاس‌گذاری برقرار باشد، به دلایلی که از نظرِ ریاضی جالب‌اند برقرار است، صرف‌نظر از این‌که دربارهٔ هم‌راستاییِ AI چه فکر می‌کنید. اگر شکست بخورد، بنیادهایِ ریاضیِ چارچوب نیازمندِ بازنگری‌اند، و ما ترجیح می‌دهیم زودتر از دیرتر این را بدانیم.

این نوعی از پیش‌بینی است که باید نقطهٔ ورودی برای پژوهشگرانی باشد که برای نخستین بار با برنامه روبه‌رو می‌شوند: کم‌هزینه برای آزمون، ابطال‌پذیر، و صرف‌نظر از نتیجه آموزنده.

۱۳. نتیجه‌گیری

این آن چیزی است که می‌دانیم. مقیاس‌گذاریِ هم‌راستایی به معماری وابسته است: برخی مدل‌ها با عمقِ استدلال بهبود می‌یابند، برخی بی‌تأثیر می‌مانند، و برخی افت می‌کنند. این تنها زیرِ ارزیابیِ کور قابلِ رؤیت بود، که نتایجِ نمره‌دهیِ ناکور را برای نیمی از مدل‌های آزموده‌شده وارونه کرد. ارزیابیِ ناکورِ AI می‌تواند علامتِ نتایجِ هم‌راستایی را وارونه کند. مراقبتِ ذی‌نفعان یک مداخلهٔ هم‌راستاییِ استوار در همهٔ پنج مدلِ آزموده‌شده است؛ نتایجِ مدل‌به‌مدل به‌صورت جداگانه معنادارند، و رقمِ ترکیبیِ Fisher پیشین پس‌گرفته می‌شود (AQ-017) چون استقلالی که یک ترکیبِ Fisher فرض می‌کند هرگز اثبات نشد. پیش‌بینی‌های مقیاس‌گذاریِ چارچوبِ Cauchy با ۱۹ از ۲۵ حوزهٔ تجربی هم‌خوانی دارند، و کرانِ هندسیِ مقیاس‌بندیِ $d/(d+1)$، از نظرِ ساختار، با مقیاس‌بندیِ مشاهده‌شده در ۵۰ حوزه از موش تا کهکشان انطباق دارد. معادلاتِ تابعیِ Cauchy شکلِ تابعی را پس از آن‌که اتحادِ ترکیب و یک شرطِ منظم‌بودن داده شود ثابت می‌کنند، و اشباع به‌عنوانِ حالتِ چهارمِ سقف‌دار پذیرفته می‌شود.

این آن چیزی است که نمی‌دانیم. مدل‌های آموزش‌دیده برای ایمنی در برابرِ تغییرات در هر دو سطحِ پرامپت و وزن مقاومت می‌کنند. آزمایشِ DGM v3 نتیجهٔ پوچ تولید کرد چون مدل‌های آموزش‌دیده با RLHF در برابرِ تمایزِ در سطحِ پرامپت مقاومت می‌کنند. آزمایشِ وزنی در هر دو مقیاسِ آزموده‌شده بی‌نتیجه بود چون مدل‌های instruct-tuned برای LoRA بیش از حد قوی بودند. تنها سطحی که Eden Protocol در حالِ حاضر در آن اثرهایی قابلِ اندازه‌گیری تولید می‌کند سطحِ معماری است، جایی که شبیه‌سازیِ دروازه‌ای تنها آزمایشِ منفردی بود که نتیجهٔ روشنِ مثبت تولید کرد، دقیقاً از آن‌رو که از سنجه‌های قطعی بر سیستمی بدونِ آموزشِ RLHF ازپیش‌موجود استفاده کرده است. درهم‌تنیدگیِ ساختاری در سطحِ وزن نشان داده نشده است. مداخلهٔ Eden زیرِ سخت‌گیرانه‌ترین پروتکلِ کورسازیِ خودِ برنامه آزموده نشده است. پیش‌بینیِ مقیاس‌گذاریِ نامحدود همچنان یک مشتق‌گیریِ ریاضی بدون تأییدِ تجربی باقی می‌ماند. نمی‌دانیم که آیا هیچ‌یک از این نتایج به مدل‌های مرزی‌مقیاس تعمیم می‌یابد.

این آن چیزی است که در گامِ بعد می‌آید. آزمایشِ وزنی نیازمندِ مدل‌های پایه (پیش از RLHF)، ۵٬۰۰۰+ نمونهٔ آموزشی، تنظیمِ ظریفِ کامل، یا مدل‌های ۷B+ است. یکپارچه‌سازیِ Cauchy نیازمندِ رده‌بندیِ مستقلِ پیش‌ثبتِ عملگر است. آزمونِ کورِ فرمولِ ARC نیازمندِ بازطراحیِ روش‌شناسیِ اندازه‌گیری با استفاده از خطی‌سازی به‌جایِ مشتق‌گیری است. مقیاس‌گذاریِ متابولیکِ ارگانیزم‌های ۲بعدی (کِرم‌های تخت، بیوفیلم‌ها) مهم‌ترین آزمایشِ تأییدیِ منفرد برای کرانِ هندسیِ مقیاس‌گذاری می‌بود. فاز A از نقشهٔ راه هزینه‌ای کمتر از یک بورسِ آغازینِ معمولی دارد و مهم‌ترین شکاف‌های شواهدی را ظرفِ شش ماه حل می‌کند. فاز B ظرفِ یک سال بازتولیدهایِ آمادهٔ انتشار تولید خواهد کرد. فاز C پرسش را در مقیاسِ مرزی به‌طور قطعی پاسخ خواهد داد. فاز D هیچ هزینه‌ای ندارد و ریاضی‌دانان را دعوت می‌کند تا مستقل با پیش‌بینی‌هایِ چارچوب درگیر شوند.

برنامه نشان داده است که می‌تواند خطاهای خود را بیابد و تصحیح کند. نشان داده است که نتایجِ پوچ و بی‌نتیجه را در کنارِ نتایجِ مثبت گزارش می‌کند. نشان داده است که روش‌شناسی‌اش (ارزیابیِ کور) سوگیری‌هایی را می‌گیرد که نظریه‌اش (مقیاس‌گذاریِ هم‌راستایی) پیش‌بینی نکرده بود. پرسش‌ها را طرح کردیم. آن‌ها را آزمودیم. برخی کار کردند. بیشترشان در مقیاسِ کنونی کار نکردند. هر دو را گزارش کردیم. این‌ها شرایطِ لازم برای اعتبارِ علمی‌اند. کافی نیستند. شرایطِ کافی نیازمندِ بازتولیدِ مستقل است، که همان چیزی است که نقشهٔ راه برای تولیدِ آن طراحی شده است.

پرسش‌هایی که این برنامه می‌پرسد اکنون خانه‌ای نام‌دار دارند: Recursive Dynamics، رشته‌ای پیشنهادی در مرحلهٔ کارنو، که مقالهٔ بنیان‌گذارش پنج متغیرِ حالتِ مستقل از بستر، پنجاه و دو اعتراضِ چاپ‌شده با تعیین‌تکلیف، و شرطِ ابطالِ خودِ نام را با خود حمل می‌کند. هم‌نهادِ بالا آن چیزی است که این رشته از آن آغاز می‌کند؛ برنامهٔ ثبت‌شده شیوهٔ حرکتِ آن است.

هوش مصنوعی را با مراقبت پرورش دهید.

References

جایگاهِ معرفتی. آنچه این برنامه «قوانین» می‌نامد حدس‌هایی‌اند تحتِ آزمونِ خصمانهٔ ثبت‌شده؛ هر کمیت در این مقاله عملیاتی تعریف شده است، و جایگاهِ «قانونِ جا‌افتاده» در هیچ‌جا ادعا نمی‌شود. برنامهٔ ثبت‌شده برای کسبِ آن جایگاه، یا از دست دادنِ آن، از راهِ اندازه‌گیری، بازتولید و ابطالِ سربلندازآمده وجود دارد.

© 2026 Michael Darius Eastwood. تألیفِ انسانی با کمکِ رایانه؛ تألیفِ کاملِ انسانی و حقوقِ معنوی ادعا می‌شود بر پایهٔ Copyright, Designs and Patents Act 1988 و هم‌سو با راهنمای دفترِ حقِ نشرِ ایالات متحده دربارهٔ آثار حاوی موادِ تولیدشده توسطِ هوش مصنوعی؛ هر مشارکتِ فنیِ نوینِ توصیف‌شده در این اثر توسطِ نویسندهٔ انسانی طراحی شده است. بیانیهٔ کامل: michaeldariuseastwood.com/authorship.

پیمانِ پابرجا. ثابت کنید این مقاله نادرست است، و من خود ابطالِ آن را منتشر خواهم کرد. شرایطِ ابطال در این مقاله بیان شده‌اند؛ چالشِ پابرجا: github.com/MichaelDariusEastwood/arc-scaling-challenge.

Michael Darius Eastwood این برنامهٔ پژوهشی را در اندیشه پروراند و آن را هدایت می‌کند و نویسندهٔ این اثر است. در سراسرِ این برنامه، او بیش از ۶ سامانهٔ هوش مصنوعی را به‌طورِ موازی و تحتِ دستورهایِ خودش به کار گرفته است تا استدلال‌هایش را زیرِ فشار بیازمایند، خطاهای ممکن را شناسایی کنند و در آماده‌سازیِ متنِ پیش‌نویس از رویِ طرح‌هایِ کلیِ خودش یاری رسانند. او تعیین می‌کند که چه چیزی پذیرفته، بازنگری یا رد شود و مسئولیتِ محتوایِ منتشرشده را بر عهده می‌گیرد. این سامانه‌ها ابزارند، نه نویسندگان.