世界模型坐标系第一试：Frozen Embedding 不是胜利，是一把尺
SPR-027 之后，我们有了 TreeHeap 的差分代数：
Zero
Diff
Norm
Cosine
Finite Difference
Gradient Signal
这说明 TreeHeap 已经可以定义：
写入结果和目标之间的距离
但马上出现下一个问题：
目标从哪里来？
也就是我们说的：
世界模型坐标系
如果没有世界模型坐标系，TreeHeap 只能学 echo。
如果有一个坐标系，它才知道：
foot + ball 应该靠近 football
hand + ball 应该靠近 handball
rain + coat 应该靠近 raincoat
这次用什么坐标系？
这次采用 Houming818 选的 A 方案：
用现成 embedding。
具体是：
sentence-transformers/all-MiniLM-L6-v2
在 io 上使用的是本地缓存：
/home/nio/.cache/huggingface/hub/models--sentence-transformers--all-MiniLM-L6-v2/snapshots/1110a243fdf4706b3f48f1d95db1a4f5529b4d41
所以这次没有用 proxychains4。
如果后面要加载新模型或新语料，且本地没有缓存，就应该在 io 上用：
proxychains4
并把下载命令记录到 evidence。
防蒸馏边界
这里必须说清楚：
冻结 embedding 不是 TreeHeap 自己学出的世界模型。
它只是一个外部坐标尺。
我们用它来问：
TreeHeap 写入后的向量，能不能靠近这个坐标尺里的目标点？
这不是说：
TreeHeap 已经拥有 all-MiniLM 的知识。
更不是说：
TreeHeap 蒸馏了一个大模型。
本实验只验证：
TreeHeap encoder 能否在一个冻结坐标系里学习组合映射。
实验任务
任务是复合词组合：
left + right -> target
例子：
foot + ball -> football
basket + ball -> basketball
hand + ball -> handball
rain + coat -> raincoat
book + shelf -> bookshelf
flash + light -> flashlight
数据规模：
| Split | Count |
|---|---|
| train | 20 |
| test | 11 |
| OOD | 6 |
| targets | 37 |
embedding 原始维度：
384D
固定随机正交投影到：
128D
这样和 TreeHeap 的 128D 方向一致。
三个模型
vector_add
最简单：
y = normalize(left + right)
没有训练参数。
concat_mlp
普通 MLP：
[left, right, left*right, abs(left-right)] -> target
它有训练参数，会拟合训练集。
treeheap_prob_vector_plus
TreeHeap 版本：
H0 = Zero
H1 = ProbVectorPlus(H0, left)
H2 = ProbVectorPlus(H1, right)
y = Read(H2)
其中写入是：
H'[i] = H[i] + p_i · update(x)
也就是：
用概率路由把 128D word vector 写入 TreeHeap 节点。
结果
结果如下：
| Model | Train cosine | Test cosine | OOD cosine | Test top1 | OOD top1 |
|---|---|---|---|---|---|
| vector_add | 0.7117 | 0.7256 | 0.7198 | 0.909 | 0.833 |
| concat_mlp | 1.0000 | 0.6269 | 0.5766 | 0.000 | 0.000 |
| treeheap_prob_vector_plus | 0.9999 | 0.5051 | 0.3919 | 0.000 | 0.000 |
这个结果非常明确：
TreeHeap 没赢。
更准确地说：
当前 TreeHeap prob vector plus 过拟合训练集。
训练集上接近 1.0：
train cosine = 0.9999
但 OOD 很差：
OOD cosine = 0.3919
OOD top1 = 0.0
反而最简单的：
vector_add
表现最好：
OOD cosine = 0.7198
OOD top1 = 0.833
Claim 状态
所以这次结论是：
S1-WM-C01 -> rejected pilot
这个 rejected 很重要。
它说明我们不能说：
只要把 TreeHeap 接到 embedding 坐标系，就自然有世界模型。
事实正好相反：
当前 unconstrained TreeHeap reader 太自由，
会记住训练集，
但没有学到可泛化的复合词结构。
为什么 vector_add 会这么强？
因为 frozen embedding 里已经包含大量语言共现和语义关系。
对很多复合词来说：
left + right
本身就已经靠近：
target compound
例如：
rain + coat
在 embedding 空间里天然接近：
raincoat
这说明：
外部 embedding 坐标系已经有强世界知识。
TreeHeap 如果只是用一个大 reader 去拟合它，很容易变成小数据过拟合。
这不是 TreeHeap 的优势区。
这对下一步意味着什么？
下一步不要简单增加参数。
也不要把 reader 做得更大。
因为这会更像：
小 MLP 记训练集。
下一步应该限制 TreeHeap，让结构真的参与计算。
例如：
1. 共享 family slot
ball / coat / book / light 这些右侧词应该形成可复用子结构。
2. route entropy / collapse control
防止所有词都写到同一个节点。
3. subheap reuse
foot+ball, basket+ball, hand+ball 应该共享 ball 子堆。
4. copy/read pointer constraint
readout 不应该完全自由生成，而应该读取 TreeHeap 中的组合状态。
5. 更强 baseline
vector_add 必须作为第一 baseline。
也就是说，下一版不是：
TreeHeap + 更大 MLP。
而是：
TreeHeap + 更强结构约束。
这次仍然有价值吗？
有。
因为它告诉我们三件事。
第一：
冻结 embedding 可以作为世界模型坐标尺。
第二：
vector_add 是一个很强的 compound baseline。
第三：
当前 TreeHeap prob vector plus 还没有把结构优势用出来。
这比一个虚假的正结果更有用。
它把下一步的任务变清楚了：
不是证明 TreeHeap 能拟合训练集。
而是证明 TreeHeap 能利用地址、路径、子结构复用，
在 OOD compound 上超过 vector_add。
总结
这篇的结论是负面的：
S1-WM-C01 rejected pilot。
但路线更清楚了：
M0 给了差分和学习接口。
Frozen embedding 给了外部坐标尺。
当前 TreeHeap encoder 没有泛化。
下一步必须加入结构约束和 subheap reuse。
我们没有输给问题。
我们只是终于看清了问题站在哪里。