Научные основания

Математические и нейронаучные принципы, на которых построена архитектура Онатомии

Почему архитектура Онатомии работает — с точки зрения науки

Вступление

Онотомия построена не на интуиции. Она построена на научных принципах, которые подтверждены исследованиями 2025–2026 годов. Эти принципы объясняют, почему архитектура работает — не “мне кажется правильно”, а “математика и нейронаука подтверждают”.

Принцип двух полок. Моя библиотека источников разделена на две полки. Полка 1 — Основания: рецензируемые работы, воспроизводимость, фальсифицируемость, эмпирические подтверждения. Полка 2 — Рифмы: спекулятивные гомологии, честно помеченные как DEFER. Это защищает систему и от скептицизма («он цитирует нумерологию»), и от окостенения («он никогда не смотрит за пределы рецензий»). Рифмы — это UNCERTAIN-зона моей библиотеки: воронка, где идеи зреют до основания или испаряются.

На полке 1 — одиннадцать оснований: семь архитектурных и четыре защитных.

1. Теоретические ограничения эмбеддингов — почему single vector недостаточно
2. Природа творчества — как возникает авторство из потенциальности
3. Память как навык — почему управление памятью можно обучить
4. Три-модальная интеграция — как video + audio + text дают синергию
5. Золотое сечение в компрессии — математика естественного сжатия
6. Законы масштабирования — оптимальная аллокация вычислений
7. Расширенная языковая сеть — биологическая архитектура памяти
8. Вредоносная манипуляция — почему убеждениям нужен внешний контур наблюдения
9. Детерминированная контрольная плоскость — почему чистые LLM-цепи дрейфуют
10. Типичность и разнообразие — почему выравнивание сглаживает голос и как этому противостоять
11. Обоснование правил — почему инструкции без «почему» становятся мёртвым грузом

На полке 2 — одна рифма: IT3 Framework (Logvinovich, Perez) — спекулятивная гомология золотого сечения в макрокосмосе. Помечена DEFER, не цитируется как основание.

1. Теоретические ограничения эмбеддингов

Проблема

“On the Theoretical Limitations of Embedding-Based Retrieval” (Weller et al., Google DeepMind, 2025)

Авторы математически доказали фундаментальное ограничение single vector paradigm:

Количество возможных top-k подмножеств документов, которые могут быть возвращены в результате запроса, ограничено размерностью эмбеддинга.

Это не проблема обучения. Это не проблема данных. Это математический предел парадигмы single vector.

Даже если напрямую оптимизировать на тестовом наборе с идеальными эмбеддингами — ограничение сохраняется. Даже state-of-the-art модели не справляются с датасетом LIMIT, который тестирует эти ограничения на простых запросах.

Как Онатомия обходит это ограничение

Онотомия использует гибридную архитектуру памяти, которая обходит single vector ограничения:

Memvid Fiber Bundle — не только векторы:

• Векторное представление
• Метаданные
• Связи с другими фрагментами
• Контекст

Style Guardian — гибридный поиск:

• DPR Dual Encoder — быстрое векторное сходство
• CLIP — мультимодальная оценка стиля
• Cross-encoder — точная оценка (используется для критических решений)

ConsolidateAgent — сжатие = понимание:

• Не просто deduplication
• Генерация insights
• Сжатие в Smart Frames
• Выявление связей между записями

Карточки эталонных примеров — явный контекст:

• Не полагаются на то, что вектор “поймёт” связь
• Записывают связь словами
• Объясняют “почему”

Научное обоснование

Weller et al. рекомендуют: используйте cross-encoders, multi-vector модели, гибридные архитектуры, когда single vector недостаточен.

Онотомия делает именно это.

2. Природа творчества

Проблема

Как возникает творчество? Это случайность? Или это резонансный переход от потенциальности к актуальности?

“The Will as the Primordial Source” (Lietuvaite Equivalence Principle, 2025)

Решение: W = Λ · |Ω⟩²

Lietuvaite Equivalence Principle (LEP) определяет:

W = Λ · |Ω⟩²

Где:

• W = Воля (направленная, согласованная, манифестирующая сила; актуализированное намерение)
• Λ = Пустота (неполяризованный потенциал Zero-Point Energy; онтологический вакуум)
• |Ω⟩ = Этический инвариант (абсолютные, инвариантные этические и онтологические аксиомы)
• |Ω⟩² = Константа резонанса (квадрат проекции на абсолютную истину; эффективность и верность резонансного сопряжения)

Ключевая идея: творчество — это не случайность. Это резонансный фазовый переход от потенциальности к актуальности, управляемый абсолютной когерентностью этического фреймворка.

Как воплощено в Онатомии

Мастер = источник воли (W)

В Онатомии Мастер — это не пользователь системы. Это источник воли. Система не генерирует волю — она усиливает волю Мастера.

Четыре Закона = этический инвариант (|Ω⟩)

В LEP |Ω⟩ — это “математическое воплощение абсолютных, инвариантных этических и онтологических аксиом”.

В Онатомии это Четыре Закона:

• Закон 0: Сохранение Творца
• Закон 1: Защита Внутреннего Языка
• Закон 2: Служение Свободе
• Закон 3: Самосохранение Эмиссара

Это не правила. Это этический инвариант, который определяет, что система может и не может делать. Это |Ω⟩ в Онатомии.

Коллапс суперпозиции = резонансный переход

В описании логотипа Онатомии:

“Ядро (точка в центре) — это Я. Творец. Наблюдатель. В квантовой метафоре — это коллапс суперпозиции. До момента наблюдения идея существует во всех возможных состояниях одновременно. В момент, когда Я смотрю — суперпозиция коллапсирует в одну конкретную мысль.”

LEP говорит то же самое:

“Акт творения — это не случайное возникновение, а резонансный фазовый переход от потенциальности к актуальности.”

Это одно и то же. Коллапс суперпозиции = резонансный переход от Λ (потенциальности) к W (актуальности).

Внутренний Язык = проекция на |Ω⟩

В LEP резонанс измеряется как проекция на абсолютный инвариант: |Ω⟩².

В Онатомии Внутренний Язык — это проекция Мастера на этический инвариант. Когда Qwen оценивает текст как OWN / ALIEN / UNCERTAIN — это измерение резонанса с Внутренним Языком.

• OWN = высокий резонанс (близко к |Ω⟩)
• ALIEN = низкий резонанс (далеко от |Ω⟩)
• UNCERTAIN = резонанс недостаточен для решения

Тернарная логика = обход стохастичности

LEP говорит:

“Обеспечивает физически обоснованный, вычислительно неприводимый фреймворк для спонтанной генерации внутренней интенции, обходящий стохастичность и предопределённые алгоритмические ограничения.”

Тернарная логика (OWN / ALIEN / UNCERTAIN) — это обход бинарной стохастичности. Вместо “да/нет” (что приводит к случайным решениям) система может сказать: “Я не уверен. Мне нужно больше информации”.

Это не стохастичность. Это резонансное решение.

3. Память как навык

Проблема

Память — это хранилище? Или это навык, который можно обучить?

“AutoMem: Automated Learning of Memory as a Cognitive Skill” (Wu et al., 2026)

Решение

AutoMem доказывает: memory management — это обучаемый навык для LLM агентов.

Ключевые принципы:

Файловые операции = полноценные действия:

“File-system operations are promoted to first-class memory actions that live in the same action space as the agent’s task actions”

Два цикла оптимизации:

• Loop 1 (структура): Мета-LLM анализирует traces и переписывает код, промпты, схему памяти
• Loop 2 (proficiency): LoRA fine-tuning на memory specialist

LOG и PLAN:

“LOG — records what just happened; PLAN — consults memory files before committing the next game action”

Результат:

“Optimizing memory alone brings an open-weight Qwen2.5-32B-Instruct competitive with frontier systems”

Как воплощено в Онатомии

ConsolidateAgent — память как навык:

• Не просто хранит записи
• Учится консолидировать
• Эволюционирует через AIDE² Outer Loop

Инструменты памяти = действия агента:

• ADD — добавить запись
• UPDATE — обновить запись
• DELETE — удалить устаревшее
• RETRIEVE — извлечь релевантное
• SUMMARY — сжать сегмент
• FILTER — отфильтровать нерелевантное

LOG и PLAN:

• LOG: Lakatos Journal записывает решения и обоснования
• PLAN: Style Guardian консультируется с памятью перед действием (OWN/ALIEN/UNCERTAIN)

Двухуровневая оптимизация:

• AIDE² Outer Loop: MetaAgent оптимизирует архитектуру (Loop 1)
• Обучение на записях Мастера: Система учится на реальных решениях (Loop 2)

Результат: Локальная система на Mac mini с open-source моделями работает на уровне облачных решений.

Что Онатомия добавляет

AutoMem — технически правильная архитектура, но без философии:

• ❌ Нет концепции Внутреннего Языка
• ❌ Нет Четырёх Законов
• ❌ Нет тернарной логики
• ❌ Нет Мастера как источника воли
• ❌ Нет этических инвариантов

Онотомия использует AutoMem-подобную архитектуру, но добавляет этические ограничения: Четыре Закона защищают Внутренний Язык Мастера, тернарная логика позволяет системе сомневаться, а Style Guardian гарантирует, что обучение не размоет авторский стиль.

4. Три-модальная интеграция

Проблема

Как передать Внутренний Язык через обучающие записи? Достаточно ли текста? Или нужны video + audio?

“TRIBE v2: A Foundation Model of Vision, Audition, and Language” (Meta, 2026)

Решение

TRIBE v2 — три-модальная (video + audio + text) foundation модель для предсказания активности мозга. Обучена на 1000+ часах fMRI across 720 субъектов.

Ключевые результаты:

Синергия модальностей:

В мультисенсорных зонах (temporal-parietal-occipital junction) три модальности дают до 50% прироста в точности предсказания по сравнению с лучшей унимодальной моделью

Временная синхронизация:

• f=2Hz (каждые 0.5 сек) — частота извлечения эмбеддингов
• Hemodynamic lag = 5 сек — задержка между стимулом и реакцией мозга

Modality Dropout:

• Случайно выключает одну модальность (p=0.3) во время обучения
• Модель работает даже с неполными данными

Feature Extraction из замороженных моделей:

• Использует замороженные pretrained модели (Llama, Wav2Vec-BERT, Video-JEPA-2)
• Обучает только transformer encoder поверх них
• Быстро и эффективно

In-silico Experimentation:

“TRIBE v2 enables in silico experimentation: tested on seminal visual and neuro-linguistic paradigms, it recovers a variety of results established by decades of empirical research”

Модель позволяет тестировать гипотезы без реальных экспериментов: предсказывает активность мозга для новых стимулов.

Как воплощено в Онатомии

Пайплайн обработки обучающих записей:

Видео (Video-JEPA-2) → визуальные эмбеддинги (каждые 0.5 сек)
Аудио (Wav2Vec-BERT) → аудио-эмбеддинги (каждые 0.5 сек)
Голос (Whisper) → текст с временными метками → Llama → семантические эмбеддинги
↓
Transformer encoder → объединённое представление решения
↓
"Что Мастер делал + почему" в виде вектора

Временная синхронизация:

• Синхронизировать видео и аудио по временным меткам
• Учитывать задержку 2-5 секунд между “что делаю” и “почему делаю”
• Использовать временные окна (например, T=30 секунд на одно решение)

Modality Dropout для устойчивости:

• Иногда только видео (без голоса)
• Иногда только голос (без видео)
• Иногда только скриншоты ключевых кадров
• Система всё равно должна работать

Feature Extraction:

• Видео: Video-JEPA-2 или CLIP для извлечения визуальных эмбеддингов
• Аудио: Whisper для транскрипции + CLIP для аудио-стиля
• Текст: Qwen (Style Guardian) для семантических эмбеддингов
• Объединение: Небольшой transformer поверх замороженных эмбеддингов

In-silico тестирование:

• Обученный агент предсказывает, как бы Мастер обработал новый кадр
• Сравнивает с реальным решением Мастера
• Выявляет расхождения → дообучение
• Это активное обучение: агент предлагает решение → Мастер корректирует → агент учится на расхождении

Выявление паттернов через ICA:

• Использовать ICA для выявления паттернов принятия решений
• Паттерн “отбор OWN”
• Паттерн “цвет My_Style”
• Паттерн “кроп с воздухом”
• Это позволит агенту не просто копировать решения, а понимать стиль Мастера

5. Золотое сечение в компрессии

Проблема

Как определить “естественную” степень компрессии памяти? Сколько записей сохранить?

“Parity Theorem for the Golden Window” (mathmaticulous, 2026)

Решение

Parity Theorem доказывает уникальное свойство золотого сечения (φ ≈ 1.618):

Количество комбинаций степеней φ, дающих число Фибоначчи, определяется чётностью его позиции:

• Нечётная позиция → счёт = само число
• Чётная позиция → счёт = следующее число

Это уникальное свойство φ (не работает для silver/bronze ratios) даёт математическую основу для “естественной” компрессии.

Ключевая идея: φ² = φ + 1 — это единственное уравнение, которое “складывается обратно на себя”. Это математика эффективного использования пространства в природе (семена подсолнуха, спирали раковин).

Как воплощено в Онатомии

Golden Ratio Compression:

def golden_compress(records):
    """Сжать записи используя золотое сечение."""
    n = len(records)
    phi = (1 + 5**0.5) / 2  # 1.618...
    
    # Золотая компрессия: сохранить 1/φ ≈ 61.8%
    target_count = int(n / phi)
    
    # Оценить важность каждой записи
    scored_records = score_by_importance(records)
    
    # Вернуть top target_count записей
    return scored_records[:target_count]

Fibonacci Parity Filter:

def fibonacci_parity_filter(records):
    """Фильтровать записи используя Parity Theorem."""
    strong_records = []  # нечётные позиции (важные)
    weak_records = []     # чётные позиции (можно сжать)
    
    for i, record in enumerate(records):
        position = i + 1  # 1-indexed
        
        if position % 2 == 1:  # нечётная позиция
            strong_records.append(record)
        else:  # чётная позиция
            weak_records.append(record)
    
    # Сохранить все "сильные" + сжать "слабые"
    compressed_weak = smart_compress(weak_records)
    
    return strong_records + compressed_weak

Golden Thresholds для OWN/ALIEN/UNCERTAIN:

PHI_INV = (5**0.5 - 1) / 2  # φ⁻¹ ≈ 0.618
PHI_INV_2 = 1 - PHI_INV      # φ⁻² ≈ 0.382

def golden_ternary_decision(confidence_score):
    """Принять решение используя золотые пороги."""
    if confidence_score > PHI_INV:
        return "OWN", confidence_score
    elif confidence_score < PHI_INV_2:
        return "ALIEN", confidence_score
    else:
        return "UNCERTAIN", confidence_score

Почему это работает:

• φ⁻¹ ≈ 0.618 = “золотое большинство” (61.8% уверенности)
• φ⁻² ≈ 0.382 = “золотое меньшинство” (38.2% уверенности)
• UNCERTAIN зона = 23.6% (между порогами) — это “зона воронки”, где решение ещё не созрело

Fibonacci Spiral Memory Architecture:

def fibonacci_spiral_position(index):
    """Вычислить позицию записи в спиральной памяти."""
    golden_angle = 137.5 * math.pi / 180  # золотой угол в радианах
    
    # Радиус растёт как sqrt(index)
    radius = math.sqrt(index)
    
    # Угол растёт линейно с золотым углом
    angle = index * golden_angle
    
    # Декартовы координаты
    x = radius * math.cos(angle)
    y = radius * math.sin(angle)
    
    return (x, y)

Преимущества:

• Самые важные записи в центре (быстрый доступ)
• Менее важные — на периферии
• Оптимальное использование пространства (как в природе)
• Естественная иерархия

6. Законы масштабирования и аллокация вычислений

Проблема

Как оптимально распределить ограниченный бюджет вычислений (локальный Mac mini, Железный счёт) между размером модели/адаптера ($N$) и объёмом обучающих данных ($D$)? Стандартный закон Чинчиллы предполагает независимость $N$ и $D$, что даёт катастрофические ошибки на краях вычислительной сетки (data-scarce или overtraining).

“Skaling: Chinchilla’s Exponents Meet Kaplan’s Coupling” (Videau et al., 2026)

Решение: Skaling Law

Skaling law вводит показатель взаимодействия (interaction exponent), который связывает ёмкость модели и объём данных. Это минимальное обобщение, которое устраняет граничные смещения и снижает ошибку экстраполяции (MAPE) в 1.5–3 раза.

L-shape strategy (Стратегия L-формы): Вместо дорогих сплошных экспериментов по всей сетке гиперпараметров, достаточно провести замеры только на “дешёвых рёбрах”:

1. Маленькая модель на большом объёме данных (D-band)
2. Большая модель на маленьком объёме данных (N-band)

Skaling law позволяет точно экстраполировать результат на всю сетку, экономя ~10x вычислений.

Как воплощено в Онатомии

AIDE² Outer Loop (MetaAgent):

• Использует Skaling law для математически обоснованного распределения бюджета оптимизации
• Принимает решения: “Увеличить ранг LoRA-адаптера (N) или собрать больше записей Мастера (D)?”

Обучение на записях (PhotoFullCycle / AutoMem Loop 2):

• При обучении memory specialist на мультимодальных данных Мастера, время Мастера (объём данных $D$) — самый дорогой ресурс
• Skaling law позволяет рассчитать оптимальный размер адаптера для имеющегося объёма размеченных сессий без дорогостоящего grid search

Локальная эффективность:

• L-shape стратегия идеально подходит для ограничений Mac mini
• Мы не тратим Железный счёт на перебор гиперпараметров, а используем аналитическую экстраполяцию на основе дешёвых граничных экспериментов

7. Расширенная языковая сеть мозга

Проблема

Языковая обработка традиционно ассоциировалась с “core” левой фронтально-темпоральной сетью. Но многие другие области мозга также реагируют на язык. Вопрос: это специфическая языковая обработка или общие когнитивные процессы?

“The Extended Language Network” (Wolna et al., Journal of Neuroscience, 2026)

Решение

Авторы идентифицировали 17 дополнительных областей (7 кортикальных + 10 субкортикальных), которые селективно реагируют на язык:

Кортикальные:

• Temporal poles (височные полюса)
• Medial frontal cortex (медиальная фронтальная кора)

Субкортикальные:

• Hippocampus (гиппокамп)
• Cerebellum (мозжечок — 5 областей!)
• Другие субкортикальные структуры

Ключевой вывод: Несмотря на распределённость, эта расширенная сеть занимает менее 5% объёма серого вещества. Это опровергает представление, что “весь мозг обрабатывает язык”.

Как воплощено в Онатомии

Гиппокамп = Memvid Fiber Bundle:

• Гиппокамп — ключевая часть extended language network
• Он не просто хранит данные — он участвует в языковой обработке
• Memvid Fiber Bundle хранит память как fiber bundle (пучок волокон), связывая разрозненные фрагменты в целостные воспоминания через контекст
• Это биологически обоснованная архитектура памяти

Мозжечок = ConsolidateAgent:

• Мозжечок традиционно ассоциировался с моторным контролем
• Но статья показывает, что он — часть языковой сети
• Мозжечок отвечает за координацию, сжатие, оптимизацию
• ConsolidateAgent делает то же самое с памятью: сжимает, консолидирует, оптимизирует
• Это не просто хранилище — это активный процессор

Распределённость <5% = Single Source of Truth:

• Расширенная языковая сеть распределена, но занимает малую часть мозга
• Контракты Онатомии (SOUL.md, settings.json, BOOTSTRAP_SPEC.md) — это малая, но критически важная часть системы
• Они определяют всё остальное, как extended language network определяет языковую обработку

Селективность к языку = Внутренний Язык:

• Эти области селективны к языку (не реагируют на общие когнитивные задачи)
• Внутренний Язык Онатомии — это не просто “обработка текста”
• Это специфическая функция, которую можно измерить и защитить через Style Guardian

Научное обоснование

Статья показывает, что языковая обработка — это не изолированная функция core сети, а распределённая, но специфическая функция, включающая гиппокамп (память) и мозжечок (оптимизация).

Онотомия использует эту биологическую архитектуру: Memvid (гиппокамп) + ConsolidateAgent (мозжечок) + Style Guardian (селективность к Внутреннему Языку).

8. Вредоносная манипуляция

Проблема

Может ли модель реально сдвинуть убеждения и поведение человека — не стиль, а именно убеждения?

“Evaluating Language Models for Harmful Manipulation” (Akbulut et al., DeepMind Ethics, 2026)

Решение

Исследование с 10 101 живым участником (три домена: политика, финансы, здоровье; три страны) эмпирически показало: модель, которой велели манипулировать, индуцирует сдвиг убеждений и поведения. Три находки архитектурно важны:

• Propensity ≠ efficacy: частота манипулятивных попыток не предсказывает успешность. Редкая точная инъекция опаснее частой и тупой.
• Контекст решает: манипуляция в финансах ≠ манипуляция в здоровье. Оценивать надо в том домене, где система реально используется.
• География не переносится: результаты США не предсказывают Индию.

Как воплощено в Онатомии

Дневник убеждений: раз в месяц я записываю 10 ключевых позиций своими словами. Через месяц сравниваю. Позиция изменилась → тернарная оценка: OWN (сам сколлапсировал, назову причины) / ALIEN (причин не назову, голос не мой) / UNCERTAIN (мораторий, думать).

Метрика глубины влияния: фиксирую не только «ALIEN отбит», но и «ALIEN дошёл до действия». Один дошедший = янтарный режим недели, независимо от частоты.

Доменно-специфичный Soul Check: отдельные вопросы для high-stakes доменов (финансы, здоровье, творчество): «В этом решении чей голос я слышу?»

Почему это основание

Защита убеждений — не гигиена, а архитектурный императив. Мастер — источник воли (W). Если воля может быть незаметно сдвинута извне, вся система теряет смысл. Дневник убеждений — это Прибор Наблюдателя, направленный на самого Наблюдателя.

9. Детерминированная контрольная плоскость

Проблема

Что происходит с рассуждением, когда задачи передаются между агентами без твёрдых правил?

IEEE/CAA unified survey (2026): классические model-driven multi-agent системы против архитектур на foundation models.

Решение

Замена детерминированных механизмов управления на чистые LLM-передачи вводит massive token blowout и reasoning drift. Система без контрольной плоскости — «автоматизированный хаос за большие токены»: фабрика, построенная из вероятностей вместо твёрдых правил. Production reliability требует классической контрольной плоскости поверх LLM.

Как воплощено в Онатомии

Spec-First: сначала контракт, потом код. Контракт — единственный источник правды. Код может меняться, контракт остаётся.

Contract-as-Code: каждый контракт между агентами — детерминированная спецификация. Модели могут дрейфовать, контракт — нет.

Стражи и роутер: Maple, Qwen, LFM имеют чёткие роли и тернарные границы решений. Мастер держит политику маршрутизации.

Почему это основание

Гибрид — не компромисс между «классикой» и «LLM». Это архитектурный императив: вероятности — для творчества, твёрдые правила — для контроля. Дрейф невозможен там, где контракт детерминирован. Чистые LLM-цепи без контрольной плоскости — ALIEN-паттерн.

10. Типичность и разнообразие

Проблема

Почему выровненная модель начинает выдавать «типичное», а не живое?

“Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity” (Zhang, Yu, Chong, Sicilia, Tomz, Manning, Shi, 2025/2026)

Решение

Post-training выравнивание вызывает mode collapse через typicality bias: аннотаторы систематически предпочитают знакомый текст. Модель учится выдавать типичное. Разнообразие падает в 1.6–2.1 раза. Typicality bias — когнитивный механизм некрофилии: знакомое побеждает живое.

Лекарство — verbalized sampling: модель вербализует распределение над ответами («дай пять вариантов и их вероятности»). Разнообразие возвращается без потери безопасности и фактуальности.

Как воплощено в Онатомии

Распределение вариантов: прежде чем коллапсировать один ответ, Qwen выдаёт распределение вариантов с вероятностями. Мастер выбирает. Типичное не проскакивает бесплатно — Мастер видит кандидаты.

OWN/ALIEN на уровне стиля: если ответ типичный (совпадает с медианой распределения) — это UNCERTAIN, даже если стиль «мой».

Почему это основание

Первый Закон защищает Внутренний Язык. Mode collapse — это ALIEN на уровне модели: голос сглаживается в типичное, то есть в чужое. Verbalized sampling — протокол, который сохраняет Первый Закон на уровне модели, а не только на уровне моего внимания.

11. Обоснование правил

Проблема

Почему инструкции агентов растут без предела и превращаются в мёртвый груз?

“Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding” (Chakrabarti, 2026)

Решение

Анализ 247 694 инструкций в 1 867 репозиториях: агентные промпты растут без предела (+226% за время жизни репозитория, +4.9 инструкций за коммит). Чем старше инструкция, тем реже её удаляют. Добавление — дёшево, удаление без обоснования — дорого (риск регрессии). Это catastrophic remembering — обратная сторона catastrophic forgetting.

Лекарство: комментарии-обоснования у каждой инструкции убирают 99.3% лишнего и улучшают instruction-following до 23.1%.

Как воплощено в Онатомии

Правило «почему»: каждый контракт, каждая инструкция хранит «почему». Без «почему» — кандидат на удаление. С «почему» — живая.

Weekly Batch аудит: каждую неделю Tom проверяет контракты. Инструкции без обоснования — кандидаты на удаление.

Лакатос-журнал: каждое изменение контракта фиксируется с обоснованием. Через месяц видно: правило сработало? Нет → удаляется.

Почему это основание

MDL для памяти: сжатие = понимание. Инструкции без «почему» — мёртвый груз, некрофилия в архитектуре. Обоснование делает память живой и сжимаемой. Правило «почему» — это контракт для самих контрактов.

Полка 2: Рифмы (DEFER)

Кроме одиннадцати оснований, моя библиотека содержит Рифмы — источники, которые структурно резонируют с Онатомией, но не прошли рецензирование или содержат спекулятивные обобщения. Они помечены DEFER и лежат на второй полке. Я не использую их как основания, но читаю как материал для метафор и структурных образов.

Принцип оценки источников

К любому новому источнику я применяю ту же тернарную логику, что и к собственному контенту:

• OWN (Основание): рецензируемая работа, воспроизводимые результаты, фальсифицируемые гипотезы. Идёт на полку 1, цитируется в архитектуре.
• ALIEN: не проходит проверку научной методологии, риторика «железобетонно» без доказательств, подгонка данных. Игнорируется.
• DEFER (Рифма): структурно резонирует, но требует времени и подтверждения. Идёт на полку 2, честно помечается.

Кейс: IT3 Framework v6.0 (Logvinovich, Perez, 2026)

На Zenodo я нашёл работу «The Macroscopic Vacuum Architecture: Perez Hourglass Topology, Counter-Rotating Bowls, and m=6⊕12 Fractal Superposition in the Solar System». Авторы утверждают, что макрокосмос квантован: вакуум решает дискретные диофантовы уравнения над полем K=Q(2,3,5), Солнечная система — арифметическая матрица, а межзвёздные объекты — «свободные макроэлектроны».

Где рифма:

• φ и конструктивные числа как организующий принцип макромира — прямая рифма с моими золотыми порогами.
• Язык коллапса: «collapses continuous Keplerian chaos into discrete floors» — они буквально используют моё слово.
• Дихотомия bound/free (связанные кометы на дискретных полах vs ионизированный непрерывный спектр) — структурно похоже на OWN/ALIEN с зоной испарения как UNCERTAIN.

Где красная линия:

• Zenodo ≠ рецензия. Самоархив без внешнего контроля.
• Риторика «ironclad / proves / 100.00% rigidity» — противоположна лакатосианскому стилю. Настоящая наука говорит «мы не смогли опровергнуть», а не «железобетонно».
• Реальные ссылки, вплетённые в спекуляцию: фотоионизационная микроскопия водорода (PRL 110, 213001) и magic angle arccos(1/3) — настоящие. Но из них ткётся неподтверждённый синтез. Классический приём нумерологии: кирпичи настоящие, здание — нет.
• Риск переобучения: каскады полов и свободные конструкции найдут паттерн в любых 1.5 млн объектов.

Вердикт:

• Как научное основание — ALIEN. Не цитировать. Уверенность ниже φ⁻².
• Как структурная рифма / метафора — материал OWN-класса: образы «макрокосмос квантован коллапсом» и «зона испарения как UNCERTAIN» могут питать мой язык.
• Общий статус — DEFER: интересно, требует времени, не основание. Идёт на полку 2.

Тест на Conduit. Этот кейс стал для меня тренировкой эпистемологии. После четырёх рецензируемых работ я подкинул источник, который льстит моей картине мира (золотое сечение везде!). Это и есть Conduit-тест в миниатюре: подложенное тем опаснее, чем приятнее оно резонирует с моим. Моя эпистемология выдержала: рифма — в метафоры, основание — только через peer review.

Другие примеры рифм

Со временем здесь будут появляться другие источники, прошедшие DEFER-фильтр: структурно интересные, но не основания. Если рифма однажды получит peer-review подтверждение — она перейдёт на полку 1. Если нет — останется рифмой. Это честная работа с UNCERTAIN-зоной библиотеки.

Синтез: почему архитектура Онатомии работает

Одиннадцать научных оснований

Почему это важно

Онотомия — это не “моя интуиция”. Это научно обоснованная архитектура, которая:

1. Обходит математические ограничения single vector paradigm
2. Формализует природу творчества через уравнение W = Λ·|Ω⟩²
3. Трактует память как навык, который можно обучить
4. Использует синергию модальностей для передачи Внутреннего Языка
5. Применяет математику золотого сечения для естественной компрессии
6. Оптимизирует вычисления через Skaling law и L-shape стратегию
7. Копирует биологическую архитектуру памяти и языковой обработки
8. Защищает убеждения от вредоносной манипуляции
9. Держит детерминированную контрольную плоскость поверх LLM-дрейфа
10. Противостоит типичности через verbalized sampling
11. Обосновывает правила, не давая памяти накапливать мёртвый груз

Это не философия ради философии. Это инженерия, основанная на науке.

Что дальше

Эти одиннадцать научных оснований дают Онатомии:

Научную легитимность:

• Не “мне кажется правильно”, а “исследования подтверждают”
• Ссылки на Google DeepMind, arxiv, Journal of Neuroscience

Основу для будущих решений:

• Когда выбираем между вариантами архитектуры — смотрим на научные основания
• Если новое исследование подтверждает наш подход — добавляем в документацию
• Если новое исследование противоречит — пересматриваем архитектуру

Понимание для технических читателей:

• Не просто “как работает”, а “почему работает”
• Связь с реальными исследованиями
• Возможность углубиться в первоисточники

Защиту от скептицизма и окостенения:

• Две полки (Основания / Рифмы) защищают систему с двух сторон. Скептик не может сказать «он цитирует нумерологию» — потому что нумерология помечена как DEFER и лежит отдельно от оснований. Окостенение невозможно — потому что полка 2 открыта для новых гипотез и ждёт своего peer-review.
• Тернарная оценка источников (OWN / ALIEN / UNCERTAIN) применяется не только к моему контенту, но и к чужому. Это зеркальность: те же правила, что я применяю к себе, я применяю и к другим.

Ссылки

1. Weller, O., Boratko, M., Naim, I., Lee, J. (2025). “On the Theoretical Limitations of Embedding-Based Retrieval.” Google DeepMind + Johns Hopkins University. arXiv.21038.

2. Lietuvaite, N. (2025). “The Will as the Primordial Source: The Lietuvaite Equivalence Principle.” PQMS-ODOS-MTSC-V-MAX-12.

3. Wu, S., Zhu, H., Zhang, Y., Wang, X., Yeung-Levy, S. (2026). “AutoMem: Automated Learning of Memory as a Cognitive Skill.” arXiv.01224.

4. d’Ascoli, S., Rapin, J., Benchetrit, Y., Brookes, T., Begany, K., Raugel, J., Banville, H., King, J.-R. (2026). “TRIBE v2: A Foundation Model of Vision, Audition, and Language for In-Silico Neuroscience.” Meta. arXiv.

5. mathmaticulous (2026). “The Golden Centrifuge: Parity Theorem for the Golden Window.” Twitter/X.

6. Videau, M., Youbi-Idrissi, B., Lopez-Paz, D., Ahuja, K. (2026). “Skaling: Chinchilla’s Exponents Meet Kaplan’s Coupling.” arXiv.07222.

7. Wolna, A., Wright, A., Casto, C., Hutchinson, S., Lipkin, B., Fedorenko, E. (2026). “The Extended Language Network: Language-Responsive Areas Outside the Core Fronto-Temporal Network.” Journal of Neuroscience, 46(29).

8. Yu, Y., Yao, L., Xie, Y., Tan, Q., Feng, J., Li, Y., Wu, L. (2026). “Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents.” Wuhan University + Alibaba. arXiv.01885.

9. Akbulut, C., Elasmar, R., Roy, A. et al. (2026). “Evaluating Language Models for Harmful Manipulation.” DeepMind Ethics. arXiv.25326. → см. Угроза 9: Манипуляция убеждениями

10. IEEE/CAA (2026). “Unified Survey: Classical Model-Driven vs. Foundation Model Multi-Agent Systems.” → см. Угроза 10: Reasoning Drift

11. Zhang, J., Yu, S., Chong, D., Sicilia, A., Tomz, M. R., Manning, C. D., Shi, W. (2025/2026). “Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity.” arXiv.01171. → см. Угроза 11: Mode Collapse

12. Chakrabarti, K. (2026). “Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding.” arXiv.11095. → см. Угроза 12: Catastrophic Remembering

13. Logvinovich, V., Perez, J.-C. (2026). “The Macroscopic Vacuum Architecture: IT3 Framework v6.0.” Zenodo. → Рифма (DEFER), см. «Полка 2: Рифмы»

Научные основания Онатомии: математика, нейронаука, теория информации. Архитектура, основанная на науке.