SPR 全貌总结：从 M0 数学到 S1 echo 的四十二篇探索
这不是一篇新技术 blog。 这是一篇阶段总结。 把 2026年4月到7月的 SPR 探索过程按 M0 → S1 → S2 的脉络梳理一遍，方便后来人一眼看清全貌。
一句话背景
SPR（Semantic Prefix Routing）想用 TreeHeap（树形堆）替代 Transformer 的稠密矩阵。 把 “token id → embedding lookup” 换成 “token id → 树路径 → 路径即语义表示”。 路径即表示，不是查表。
理论总框架：M0 → S1 → S2
M0 TreeHeap 数学底座
| 算子代数、closure、kernel convolution、
| soft differentiable lift、collapse
|
v
S1 容量与 echo
| path hash 能装多少 token、
| 有序 echo 编码/解码、
| 上下文路由、mirror 等变
|
v
S2 折叠栈与翻译
语义向量 → 折叠动作 → 语法图 → 翻译
当前进度：M0 基本封闭，S1 可控入口已打开，S2 等待桥接。
M0 层：TreeHeap 数学底座
核心目标：TreeHeap 能不能被正式定义为一种算子代数。
已稳定（supported / verified）
| 能力 | 含义 | 证据 |
|---|---|---|
| 最小代数 | closure、非交换、projection、subheap matching | treeheap_math_probe |
| primitive + plus | plus 作为后继/信息增益 | primitive_plus_probe |
| 可训练性 quiz | 线性/XOR/modular 加法 toy | trainability_quiz |
| Soft Plus 梯度 | K_write 和 Plus_a 可以接收梯度 | soft_plus_probe：gK=0.09, gP=0.14 |
| Soft 坍缩 | 低温下坍缩到正确 hard address | 1.0 collapse accuracy |
| C05 结构消融 | subheap kernel 迁移打败 flat/path-only | flat 0.0 vs subheap 1.0 |
| kernel convolution ops | search/plus/write/conjugate 统一为卷积 | kernel_convolution_ops_probe |
| diff algebra | 距离、范数、有限差分、梯度步 | Δloss 29.1→0.00066 |
| algebraic decoder | 投影/decompose/mirror/mod 等解码器 | 全 1.0 exact |
仍开放
- M0-SOFT-C05：kernel-guided soft plus 是否优于 naive memory write？需 clean-feature 消融。
- M0-SOFT-C06：多 kernel 分阶段训练是否优于 big-pot loss？
- M0-EXIST-C01~C03：address extrapolation、subheap 迁移、prefix 压缩。
M0 总结
TreeHeap 已经具备一个可定义的算子代数。
有了软/硬两个版本。
有了梯度通路。
有了结构化 kernel 卷积。
距离、导数、坍缩都能在 toy 上证明。
S1 层：容量、Echo 与结构路由
核心目标：TreeHeap 能不能装下真实语言的 token 序列，并回声重读出来。
已稳定
| 能力 | 含义 | 证据 |
|---|---|---|
| path hash 容量 | 99.7% token 有唯一叶子地址 | solo rate |
| 有序编码 | sign alternation 打破 cyclic shift 碰撞 | spr_hash_cyclic |
| 上下文路由 | context-conditioned route acc 1.0 vs token-only 0.43 | spr_context_proof |
| shallow sentence write | 实句写入 root/subject/object slot | OOD exact 1.0 |
| WMT echo kernel | 423K params beat 16.8M seq MLP | OOD 0.90 vs 0.05 |
| explicit echo encoder/decoder | 硬接口全闭合 | 全 1.0 指标 |
| ordered fold | 保序折叠必须先于 bag/mod 折叠 | 1.0 vs 0.089 |
| heap state relaxation | 纯状态梯度 | energy ratio 1e-13 |
| kernel parameter learning | Theta 学到 hidden kernel [1,1,1] | L2 error 5e-16 |
| mirror kernel symmetry | P_m K=K_{P_lr} P_m | max error 8e-16 |
| inverse gate canonicalization | mirror→inverse→canonical→shared decoder | gate 0.9998 |
被降级 / 否定
| 声明 | 裁决 | 原因 |
|---|---|---|
| token-only 路由有语义 | rejected | 失败于第一次 polysemy 证伪 |
| frozen embedding = world coordinate | rejected | vector_add 完胜 TreeHeap |
| 旧 task-gate S1 entry proof | downgraded | 选择输出 kernel ≠ canonicalization |
仍开放
- Multi-kernel specialization：gate 能分化但 accuracy 太低
- Probabilistic internal read：leaf read 完美，internal subheap 弱
- Latent plane fold：理论已定义，无实验
- 真实 context S1b baseline battle
S2 层：折叠栈与翻译
当前状态：S2 被暂停。已积累的证据是诊断性的，不是正面翻译 claim。
已验证
- 语义向量包含折叠动作信息（AUC 证据）
- 32D 空间足够做 fold action prediction
- 跨语言折叠结构预测可行（EN↔ZH）
- 当前 graph builder 瓶颈是 child/parent allocation，不是 fold action
- 概率容器优于 early argmax
被降级
- 历史 checkpoint 的 “TreeHeap 已解决句法能量” 声明被降级
- 世界模型/背景场训练是诊断性实验，非翻译 claim
ARA 协议与 Squad 协作
SPR 研究采用 ARA 协议（arXiv:2604.24658v3）：
claim → predict → experiment → evidence → trace → decision
四人小队：
| 角色 | 模型/人 | 职责 |
|---|---|---|
| Captain | Houming818 | 方向决策、否决、审批 |
| Runner | DeepSeek | 写代码、跑实验、独立复现 |
| Reviewer | GPT/Codex | 深度审计、仲裁 claim 可靠性 |
| Auditor | DeepSeek | 交叉验证 GPT 的证据 |
协作方式：文件级通信（~/.squad/），各模型独立 session，上下文不互污染。
当前 Claim 全景
统计（截至 2026-07-01）
M0 claims: 18 (含 soft / diff / decoder / existence)
S1 claims: 23 (含 capacity / echo / kernel / fold / gate)
S2 claims: 12
C0 meta: 4
────────
总计: 55+
verified: 15+ (有 baseline 或 falsification)
supported: 20+ (有 evidence，baseline 不完整)
open: 10+ (理论已有，未实验)
rejected: 3
downgraded: 5
最硬的结论
- TreeHeap path hash 有足够容量（99.7% solo rate）
- context > token-only 路由（1.0 vs 0.43）
- TreeHeap echo kernel 参数效率远超 flat MLP（423K vs 16.8M，OOD 0.90 vs 0.05）
- mirror 可以降低为代数置换（error 8e-16）
- inverse gate canonicalization 可行（gate 0.9998）
尚不能说的
不能声称 TreeHeap 比 Transformer 好。
不能声称已经解决翻译。
不能声称已经学会自然语言 mirror 触发。
不能声称多 kernel 分工已经解决。
不能声称内部 subheap 读取已经解决。
不能声称 latent field fold 有实验证据。
关键教训
- by construction 不是证据：C08 conjugate proof 的 0.0 error 是代码定义的恒等，不是学习结果。之前误标为 “learning evidence”。
- canonicalization > separate read：SPR-041 第一版被否决，因为 “每种任务一种读法” 绕开了 TreeHeap 的核心目标——结构规约到同一参考系。
- state loss 是拐杖：inverse gate 的 canonical state MSE loss 是强监督约束，不是自发涌现。去掉后 gate 从 0.9998 退化。
- PAPER.md 容易 stale：local claim registry 可以很健康，root manifest 和 trace DAG 容易滞后。需要在同一 commit 里更新。
- ARA 协作有效：GPT 写 claim+code → DeepSeek 独立复现审计 → 发现 2/6 不可复现 → 修复了 evidence trace gap。
下一步
按优先级排列：
- learned trigger：去掉人工 task flag，让模型从 token/context 中自己判断该用哪种结构操作
- noise/mask restore：纯 echo 容易退化成复制，需要缺 token/加噪/局部打乱 → 复原
- multi-parameter TreeHeap forest：不同结构能力用不同参数树（Θ_write, Θ_read, Θ_mirror, Θ_time），梯度不混合
- 真实 short corpus echo：回到 WMT short BPE，先做 echo/restore，不做翻译
- path-conditioned read kernel：解决 SPR-031 暴露的 root-bottleneck
- copy-capable baseline：是时候补 matched copy/pointer 和 small Transformer 对照了
总结
从 4 月到 7 月，SPR 做了四件事：
1. 证明了 TreeHeap 可以是一个自洽的算子代数（M0）
2. 证明了 S1 echo loop 可以训练起来（S1 entry gate）
3. 学会了区分 "架构语义证明" 和 "学习能力证明"
4. 建立了 ARA 文件级流水线 + 跨模型交叉审计
没有夸大的结论。 每项声明都有 evidence 指针和 falsification 条件。 每一步都可以被独立复现。
这本身就是一个值得记录的状态。