世界模型与参考系：TreeHeap 术语统一

这篇文章先不急着做新实验。它的目标是统一语言。

因为如果我们继续混用：

背景场
path field
概率意识场
world topology
context field

讨论会很快发散。后面统一叫：

世界模型（World Model）

为什么要叫世界模型

TreeHeap 里真正想表达的不是“一个词的孤立含义”。

比如：

ball

它可以进入很多世界：

football
basketball
baseball
volleyball

这些词都包含 ball，但它们不是同一个东西。

差别来自：

脚
手
球场
球网
规则
动作
人与物的关系

所以：

球 + 脚 = 足球
球 + 手 = 篮球

不是简单的词向量加法，而是在说：

同一个实体进入了不同的世界模型。

ball 是对象，foot/hand/field/court/rule 是它参与的世界关系。

术语表

先给一张沟通表。

术语 英文名 含义 在 TreeHeap 里的位置 例子
词法基底 Lexical Base / L0 token 自己的基础语义向量 L0[token] ball, foot, hand
世界模型 World Model token 所处的关系、场景、规则、拓扑背景 path nodes / context / latent frame “脚能踢球”、“手能投球”、“球场规则”
参与乘积 Participation Product 让 L0 进入世界模型，形成带背景的状态 CMul(L0, WorldModel) ball × sport-frame
入世状态 Token-in-World State token 参与世界模型后的状态 CMul pre-merge 或 post-merge “足球语境里的 ball”
读出层 Readout / Merge 把入世状态投影成下游可用向量 t_merge 128D final vector
参考系 Frame of Reference 解释向量方向的局部坐标系 latent axes / frame basis sport frame, body-part frame
结构槽位 Latent Slot 无监督或弱监督发现的结构位置，不等于主谓宾 Fold / role-slot layer slot_3, slot_12
差分方向 Relation Delta 两个概念的差分，表示关系变化 vector difference football - ball
投影解释 Frame Projection 把差分投到某个参考系，看它指向什么 delta · frame_axis 是否更接近 foot/kick
概率容器 Probability Container 不急着 argmax，保留多个候选状态 L2/L3 collapse 前 parent top-k, slot top-k
坍缩 Collapse 从多个可能状态选择或收敛到一个状态 下游决策阶段 从 top-3 parent 选一个
证据门 Evidence Gate 提前写好的通过/失败标准 ARA /logic rank、probe、top-k

口语版：

L0 是“词自己”。
世界模型是“这个词所在的世界规则”。
参与乘积是“词进入这个世界”。
入世状态是“词进入世界后的样子”。
参考系是“我们用什么坐标解释它”。
slot 是“结构自己长出来的位置”。
概率容器是“先别拍死，保留多个可能”。
坍缩是“信息足够后再做决定”。

一个例子：足球和篮球

假设我们有：

ball
football
basketball
foot
hand
kick
throw
field
court
goal
basket

我们不想只问：

football 和 basketball 像不像？

我们更想问：

football 相对 ball 多出来的关系是什么？
basketball 相对 ball 多出来的关系是什么？

也就是：

delta_football = football - ball
delta_basketball = basketball - ball

如果 TreeHeap 的世界模型有效，那么在某个运动参考系里：

delta_football

应该更接近：

foot
kick
field
goal

而：

delta_basketball

应该更接近：

hand
throw
court
basket

这就叫：

参考系解释。

没有参考系，向量差分只是一些数字。
有参考系，差分才变成“这个变化指向哪种世界关系”。

为什么不能只看 raw cosine

前面的 t_merge 诊断告诉我们一件事：

raw cosine 可能会误导。

旧 checkpoint 的 final tree output 看起来高度相似：

tree output raw cosine mean ≈ 0.985

但减去公共均值之后：

centered cosine mean ≈ 0

这说明：

向量里有一个很强的公共世界背景方向。

如果直接拿 raw cosine 判断，就会误以为所有 token 都一样。

所以后面的世界模型实验应该比较：

L0
CMul pre-merge
merge_no_bias
centered tree
raw tree

不要只看 raw tree。

Latent Slot 不是主谓宾

还有一个必须纠正的点。

前面为了讲清楚，我们经常举：

SUBJECT
ROOT
OBJECT

但这只是临时解释用的 proxy。

TreeHeap 最终不应该直接规定：

slot_0 = SUBJECT
slot_1 = OBJECT

更合理的是：

先从数据里无监督或弱监督学出 latent slots。
然后再观察这些 slot 和人类语法标签有什么关系。

也就是说：

slot_3 可能经常表现得像主语。
slot_8 可能经常表现得像宾语。
slot_12 可能是某种修饰位置。

但这些名字应该是事后解释，不是事前规定。

这点很重要。否则我们会把传统语法体系偷偷塞进 TreeHeap，最后得到的不是结构涌现，而是语法标签蒸馏。

概率容器的位置

世界模型不是每一步都要立刻做决定。

比如一个短语可能有多个合理挂接：

Parent A: 0.61
Parent B: 0.27
Parent C: 0.12

旧方式会直接：

argmax -> Parent A

但 TreeHeap 的方向应该是：

先保留这个分布。

也就是：

ParentContainer {
  A: 0.61
  B: 0.27
  C: 0.12
}

等到后面有更大的世界上下文，比如翻译、生成、执行器，再坍缩。

这和 L0 的多义叠加是同一个思想：

信息不足时，不要过早拍死。

一句话定义

当前可以先这样定义 TreeHeap：

TreeHeap = L0 词法基底参与世界模型，
生成可被参考系解释、
可延迟坍缩的结构状态。

展开成管线：

L0[token]
  -> World Model / Frame
  -> Participation Product
  -> Token-in-World State
  -> Latent Slots / Probability Containers
  -> Collapse when enough context exists

接下来怎么提 predict

这篇先统一术语，下一篇再正式写 ARA /logic 里的 predict。

但方向已经很明确：

P-FRAME01:
如果 TreeHeap 的世界模型携带真实拓扑信息，
那么复合概念的差分方向，
应该能在某些局部参考系里投影到可解释关系。

例子：

football - ball -> foot / kick / field / goal
basketball - ball -> hand / throw / court / basket
baseball - ball -> bat / field
volleyball - ball -> hand / net

这个 predict 还不能算 evidence。
它只是下一轮实验的逻辑起点。

下一步要把它写成：

/logic/predicts.md

再设计：

/src/frame_probe.py

最后把结果放进：

/evidence/frame_probe/

这才符合 ARA。

License: GPLv3