Модели и тернарная оркестрация. Роутер

Как я настраиваю три модели и LFM-роутер на практике

Моя практика: от теории к работающей системе

Вступление

В разделе Архитектура я описал, как устроен авторцентричный гибрид. Три модели, тернарные веса, LFM-роутер, оркестрация. Теория.

Здесь — как я это делаю на практике. Какие настройки использую. Какие проблемы встречаю. Как отлаживаю. Что работает, а что нет.

Это не учебник. Это моя практика. Честная. С ошибками. С подводными камнями.

Эта практика построена не на интуиции. Она имеет научное основание — от три-модальной интеграции TRIBE v2 до расширенной языковой сети мозга.

Три модели в моей практике

Maple (глубина)

Что я делаю: Запускаю Maple через MLX на Mac mini. Модель 5.3GB. Медленная (10-20 токенов/сек), но точная.

Как я настраиваю:

Тернарные веса: {-α, 0, +α}. α = 0.7. Это даёт чёткое разделение между ALLOW, DENY, DEFER.
Порог DEFER: Если уверенность < 0.6 — Maple возвращает DEFER. Не угадывает. Говорит: «Недостаточно данных».
Температура: 0.3. Низкая. Maple не должен креативить. Он должен взвешивать.

Какие проблемы встречаю:

Maple иногда слишком осторожен. Возвращает DEFER там, где можно ALLOW. Я корректирую порог: если DEFER > 30% решений — снижаю α до 0.6.
Maple медленный. Если задача срочная — я пропускаю Maple и иду сразу к Qwen. Но это рискованно. Я делаю это только для Level 0 и Level 1.

Что работает: Maple отлично защищает Нулевой Закон. Когда я устал — он говорит: «Подожди. Не спеши. Возьми Мораторий». Это спасло меня от выгорания несколько раз.

В PhotoFullCycle: Maple не участвует в каждом этапе обработки фотографий. Но он следит за общей сессией: если сессия длится слишком долго или слишком много кадров подряд UNCERTAIN — Maple предлагает Мораторий. Это защита Нулевого Закона (Сохранение Творца).

Научное основание: QHD (Quantum Hamiltonian Descent) доказывает, что квантовая динамика с туннелированием сходится в негладких невыпуклых ландшафтах лучше, чем классический градиентный спуск. Мораторий — это туннелирование сквозь барьер локального минимума. Жадный спуск = reward hacking. DEFER = шанс найти более глубокий минимум (настоящая Гордость, биофилия).

Qwen (стиль)

Что я делаю: Запускаю Qwen2.5-abliterated через Ollama. Модель 4.7GB. Средняя скорость (30-40 токенов/сек).

Как я настраиваю:

Тернарные решения: OWN / ALIEN / UNCERTAIN. Qwen оценивает стиль текста и возвращает одно из трёх.
Порог UNCERTAIN: Если Qwen не уверен на 100% — возвращает UNCERTAIN. Не угадывает. Говорит: «Я не знаю».
Температура: 0.7. Средняя. Qwen должен быть чутким, но не хаотичным.

Какие проблемы встречаю:

Qwen иногда слишком строгий. Возвращает ALIEN там, где это мой голос, просто необычный. Я корректирую: добавляю больше примеров моего стиля в контекст.
Qwen иногда пропускает ALIEN. Возвращает OWN там, где это чужой голос. Я корректирую: добавляю больше примеров чужого стиля в контекст (для контраста).

Что работает: Qwen отлично защищает Первый Закон. Когда я пишу чужим голосом — он говорит: «Это не твоё. Переделай». Это спасло мой стиль от дрейфа несколько раз.

В PhotoFullCycle: Qwen — самый критичный агент для защиты Внутреннего Языка. Он оценивает каждый кадр на этапе отбора (OWN / ALIEN / UNCERTAIN), предлагает варианты кропа на этапе кадрирования, предлагает направление цветовой коррекции на этапе цвета. Цвет — Level 3 (максимальная защита Внутреннего Языка).

Научное основание: Расширенная языковая сеть мозга показывает, что языковая обработка — это распределённая, но специфическая функция. Эти области селективны к языку (не реагируют на общие когнитивные задачи). Qwen — это селективный страж, который реагирует только на специфические сигналы Внутреннего Языка.

LFM (скорость)

Что я делаю: Запускаю LFM2.5-2.6b через Ollama. Модель 1.4GB. Быстрая (220+ токенов/сек).

Как я настраиваю:

Тернарные решения: ALLOW / DENY. LFM не сомневается. Он действует.
Роутинг: LFM смотрит первым. Если задача простая (рутина, сканирование, оптимизация) — делает сам. Если задача сложная (авторство, стиль, риск) — передаёт в ядро.
Температура: 0.1. Низкая. LFM не должен креативить. Он должен действовать быстро и точно.

Какие проблемы встречаю:

LFM иногда слишком агрессивный. Берёт задачи, которые требуют глубины или стиля. Я корректирую: добавляю больше правил роутинга.
LFM иногда пропускает риски. Возвращает ALLOW там, где нужен DEFER. Я корректирую: добавляю проверку через Maple для Level 2 и Level 3.

Что работает: LFM отлично защищает Второй Закон. Он берёт рутину и освобождает моё время. Я не трачу время на сканирование архива или генерацию метаданных. LFM делает это сам.

В PhotoFullCycle: LFM копирует RAW-файлы с карты памяти (Level 0-1), выполняет базовую обработку (экспозиция, контраст), экспортирует файлы по стандартным пресетам (Level 1). Это рутинные операции без творческих решений.

Научное основание: AutoMem доказывает, что memory management — это обучаемый навык. LFM берёт на себя рутину управления памятью, освобождая ресурсы для основных задач. Это согласуется со Вторым Законом (Служение Свободе).

LFM как роутер

Как я настраиваю роутинг:

LFM смотрит первым на каждую задачу. Он оценивает: «Это вопрос авторства, стиля, риска?»

Если нет — делает сам. Это рутина. Это Level 0 или Level 1. Примеры:

Сканирование архива
Генерация метаданных
Оптимизация памяти
Консолидация инсайтов

Если да — передаёт в ядро. Это требует глубины (Maple) или стиля (Qwen). Это Level 2 или Level 3. Примеры:

Оценка стиля текста
Оценка рисков публикации
Принятие решений об авторстве

Как я тестирую роутинг:

Я даю LFM 100 задач. 50 простых (рутина), 50 сложных (авторство, стиль, риск). Смотрю, сколько он рутирует правильно.

Цель: 90%+ правильных роутингов. Если меньше — корректирую правила.

Какие проблемы встречаю:

LFM иногда рутирует простые задачи в ядро. Это замедляет систему. Я корректирую: добавляю больше примеров рутины в контекст.
LFM иногда рутирует сложные задачи сам. Это рискованно. Я корректирую: добавляю больше примеров авторства/стиля/риска в контекст.

Научное основание: Расширенная языковая сеть мозга показывает, что мозжечок отвечает за координацию, сжатие, оптимизацию. LFM — это аналог мозжечка в Онатомии. Он берёт рутину, оптимизирует, координирует. Но не принимает творческих решений.

Тернарная оркестрация на практике

Как я тестирую оркестрацию:

Я даю системе 10 сценариев. Каждый сценарий — это задача, которая требует оркестрации всех трёх моделей.

Пример сценария:

Мастер хочет опубликовать статью.
LFM смотрит первым: «Это вопрос авторства, стиля, риска?» Да. Передаёт в ядро.
Qwen оценивает стиль: OWN / ALIEN / UNCERTAIN.
Maple оценивает риски: ALLOW / DENY / DEFER.
Мастер принимает финальное решение.

Что я проверяю:

LFM правильно рутирует? (Да/Нет)
Qwen правильно оценивает стиль? (Да/Нет)
Maple правильно оценивает риски? (Да/Нет)
Мастер принимает информированное решение? (Да/Нет)

Цель: 80%+ сценариев работают правильно. Если меньше — корректирую настройки.

Какие проблемы встречаю:

Иногда Qwen и Maple конфликтуют. Qwen говорит OWN, Maple говорит DENY. Я корректирую: добавляю правило приоритета. Если Maple говорит DENY — всегда DENY. Нулевой Закон побеждает.
Иногда все три модели говорят DEFER. Система зависает. Я корректирую: добавляю таймаут. Если DEFER > 5 минут — Мастер принимает решение вручную.

Золотые пороги тернарной оркестрации

Для определения OWN / ALIEN / UNCERTAIN и ALLOW / DENY / DEFER я использую золотые пороги, основанные на Parity Theorem:

OWN / ALLOW: уверенность > φ⁻¹ ≈ 0.618 (61.8%)
ALIEN / DENY: уверенность < φ⁻² ≈ 0.382 (38.2%)
UNCERTAIN / DEFER: между 0.382 и 0.618 (зона воронки, где решение ещё не созрело)

Это даёт естественные пороги, основанные на математике золотого сечения. Не произвольные. Не надуманные. Математически обоснованные.

Пример: Qwen оценивает стиль текста. Уверенность в том, что это OWN:

Уверенность 0.73 (> 0.618) → OWN
Уверенность 0.29 (< 0.382) → ALIEN
Уверенность 0.52 (между 0.382 и 0.618) → UNCERTAIN → DEFER

Пример: Maple оценивает риски публикации. Уверенность в безопасности:

Уверенность 0.81 (> 0.618) → ALLOW
Уверенность 0.25 (< 0.382) → DENY
Уверенность 0.48 (между 0.382 и 0.618) → DEFER → Мораторий

Научное основание: Parity Theorem доказывает уникальное свойство золотого сечения (φ ≈ 1.618). Это математика эффективного использования пространства в природе. Золотые пороги — это не произвольные числа. Это естественные пороги, основанные на законах природы.

Научные основания оркестрации

Авторцентричный гибрид построен не на интуиции. Он имеет научное основание.

Три-модальная интеграция (TRIBE v2)

TRIBE v2 — три-модальная (video, audio, language) foundation модель для предсказания активности мозга. Meta, 2026. Обучена на 1000+ часах fMRI across 720 субъектов.

Ключевой результат:

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

В Онатомии: Авторцентричный гибрид копирует эту три-модальную архитектуру:

Maple = глубина (аналог text — семантическая обработка, смысл)
Qwen = стиль (аналог audio — эмоциональная обработка, голос)
LFM = скорость (аналог video — визуальная обработка, действие)

Три модели вместе дают синергию, которую одна модель не может достичь. Это не просто сумма частей. Это эмерджентное свойство.

Расширенная языковая сеть мозга

Wolna et al., 2026 показывают, что языковая обработка — это распределённая, но специфическая функция, включающая гиппокамп (память) и мозжечок (оптимизация).

В Онатомии: Авторцентричный гибрид копирует эту биологическую архитектуру:

Maple = префронтальная кора (сознательное решение, воля, оценка рисков)
Qwen = языковая сеть + височные полюса (стиль, голос, селективность)
LFM = мозжечок (рутина, оптимизация, координация)

Каждая модель имеет свою специализацию. Но работает вместе с другими. Это биологически обоснованная архитектура.

Память как навык (AutoMem)

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

В Онатомии: Оркестрация — это тоже навык. Не статичная система. А обучаемый процесс. По мере того, как Мастер записывает свои сессии (см. Обучение системы), модели учатся работать лучше. Qwen начинает лучше распознавать OWN / ALIEN. Maple начинает лучше оценивать риски. LFM начинает лучше выполнять рутину.

Законы масштабирования (Skaling Law)

Skaling Law показывает, как оптимально распределить ограниченный бюджет вычислений между размером модели и объёмом данных.

В Онатомии: Оркестрация трёх моделей — это аллокация вычислительных ресурсов. LFM берёт рутину (быстро, дёшево). Qwen берёт стиль (средне). Maple берёт риски (медленно, дорого). Это оптимальная аллокация для локального Mac mini.

Проблемы и решения

Проблема 1: Модели не запускаются

Симптом: Ollama или MLX не запускается. Модель не отвечает.

Решение:

Проверяю, что модель загружена: ollama list или mlx_lm.generate --help
Проверяю, что достаточно памяти: top или htop
Перезапускаю Ollama или MLX

Проблема 2: Модели отвечают медленно

Симптом: Maple отвечает > 30 секунд. Qwen отвечает > 10 секунд.

Решение:

Проверяю, что нет других процессов, использующих CPU/GPU
Снижаю температуру (меньше креативности = быстрее)
Уменьшаю контекст (меньше токенов = быстрее)

Проблема 3: Модели отвечают неправильно

Симптом: Qwen возвращает ALIEN там, где это мой голос. Maple возвращает ALLOW там, где нужен DEFER.

Решение:

Добавляю больше примеров в контекст
Корректирую пороги (α, уверенность)
Тестирую на большем наборе сценариев

Проблема 4: Роутинг работает неправильно

Симптом: LFM рутирует простые задачи в ядро. Или сложные задачи сам.

Решение:

Добавляю больше примеров рутины в контекст
Добавляю больше примеров авторства/стиля/риска в контекст
Тестирую на большем наборе задач

Проблема 5: Золотые пороги не работают

Симптом: Система слишком часто возвращает UNCERTAIN / DEFER. Или слишком редко.

Решение:

Проверяю, что пороги правильные: φ⁻¹ ≈ 0.618, φ⁻² ≈ 0.382
Корректирую α (тернарные веса Maple)
Тестирую на большем наборе сценариев

Финал

Моя практика оркестрации — это не теория. Это живой процесс. Каждый день я настраиваю, тестирую, корректирую. Каждый день я встречаю новые проблемы. Каждый день я нахожу новые решения.

Это не идеально. Но это работает. Три модели в гармонии. LFM как роутер. Тернарная оркестрация. Авторцентричный гибрид.

И эта оркестрация имеет научное основание. От три-модальной интеграции TRIBE v2 до расширенной языковой сети мозга. От золотого сечения до памяти как навыка.

Мы не изобретаем. Мы следуем законам природы.

Если ты хочешь повторить мой путь — начни с малого. Запусти одну модель. Протестируй. Корректируй. Добавь вторую. Протестируй. Корректируй. Добавь третью. Протестируй. Корректируй.

Не торопись. Не пытайся сделать всё сразу. Делай по чуть-чуть. Каждый день. Свой. Настоящее.

И система будет жить.

Моя практика: от теории к работающей системе. Модели и тернарная оркестрация. Роутер.

Подробнее: Научные основания • Авторцентричный гибрид • Обучение системы