为什么 Loss 在下降，模型却只会一句话
这是一次正式勘误，不是给失败结果换一种好听说法。
C10 完成了约 1.410B 个目标 token 的训练，验证 NLL 从 16.7848 降到 4.7275。仅看曲线，模型似乎持续学习。然而 Houming818 用三个明显不同的英文输入测试同一个 checkpoint：
The earth is round.
The apple is sweet
why is the window wet? because the sky cried
三个输出都迅速进入近乎相同的“一带一路”重复句式，而且 48 个输出 piece 内没有正常结束。这不是偶然误译，而是严重的条件坍缩：模型没有根据不同英文条件产生不同答案。
因此，C10 不能作为翻译成功、STONE-1 完成或私有协议形成的证据。
1. 为什么输出一样，训练 Loss 还能下降
训练和 CLI 实际执行了两个不同任务。
训练使用 teacher forcing。预测第 $t$ 个中文 token 时，decoder 会收到正确的中文前缀：
$$ p(y_t\mid y^{gold}_{CLI 自由生成时没有答案可看，只能把自己刚刚生成的 token 喂回去：
$$ p(y_t\mid y^{model}_{自由生成从同一个 BOS 开始。如果第一步选中了高频逗号，后续预测就可能滑进训练语料中最强的中文模板。C10 进入的正是“一带一路”吸引子。
所以这条 NLL 曲线真实记录了优化过程，却回答错了研究问题：
它测到了：给定正确中文前缀，能否继续中文。
它没证明：给定不同英文，能否生成对应中文。
2. 第二个问题：EOS 尾部淹没了英文
C10 的 TreeHeap 有 256 个可见 leaf，而 source 最多使用前 128 个位置。短句只有约 6 到 11 个有效 piece，其余大量位置被写成 EOS，并且仍作为可见节点参加递归 FOLD。
以 6-piece 输入为例，实际状态接近：
6 个英文 piece + 250 个可见 EOS
不同英文句子的少量差异，被放进几乎相同的大面积 EOS 背景中。我们尚未完成定量消融，但从代码结构上看，这足以构成严重混杂，必须修复后重测。
3. 哪些结论撤回，哪些仍保留
| 历史内容 | 新状态 | 原因 |
|---|---|---|
| C10 是有效翻译 checkpoint | 撤回 | 三个无关输入生成同一模板 |
| C10 NLL 证明英文到中文学习 | 撤回 | teacher forcing 允许忽略英文 |
| C09 已完成 STONE-1 | 暂停 | 同族评测 gate 没有排除 source 忽略 |
| C08 可公开下载 | 保留 | 文件和复现价值仍在 |
| C08 是可靠翻译候选 | 暂停 | 需要重新做条件依赖审计 |
| detail shuffle 会改变 NLL | 保留观测 | 数字本身没有伪造 |
| detail shuffle 证明英文语义进入树 | 撤回外推 | 它只证明 decoder 依赖某些树状态 |
| M0 代数、mirror、compose/decompose proof | 不受影响 | 它们不依赖 C10 翻译 Loss |
| 旋转与预算训练假设 | 保留为开放假设 | 尚未被 C10 成功或失败直接验证 |
我们不会删除旧文章。主要受影响文章顶部会增加证据状态更新；仍在修订中的 SPR-073 由本文统一覆盖。这样外部读者能看到结论如何形成，也能看到它后来如何被反例推翻。
4. 为什么现有 BLEU 也没有及时拦住问题
早期实验确实记录过自由生成 BLEU、非空率和重复率，但这些汇总指标没有覆盖以下关键问题：
- 不同 source 是否产生真正不同的输出；
- 打乱 source 后 Loss 是否基本不变；
- 清空 source 后 decoder 是否仍能依靠中文前缀预测；
- 第一个输出 token 在尚无中文前缀时，是否随英文变化。
只测“输出非空”远远不够。一个复读机当然也能稳定输出非空文本。
5. 重启训练前必须通过的四道门
Gate A：Source shuffle
固定中文 target 和正确前缀，只在 batch 内打乱英文 source。记正常 Loss 为 $L_{native}$，打乱后为 $L_{shuffle}$。
真正依赖英文的模型应满足：
$$ L_{shuffle}-L_{native}>0 $$而且差异必须超过预注册门槛和多 seed 波动。
Gate B：Empty source
把英文换成全 EOS 或严格 mask 的空输入。如果 NLL 几乎不变，说明 decoder 主要是中文语言模型。
Gate C：First-step logits
生成第一个 token 时还没有中文历史，这是最干净的 source 依赖测试。不同英文输入的 first-step 概率分布必须出现可重复差异，而不是永远选择同一个逗号。
Gate D：自由生成体检
固定测试集必须报告：
unique-output rate
source-output conditional diversity
repetition rate
EOS arrival rate
BLEU / chrF
人工样例
这些 gate 未通过前，不再启动几十小时的扩容训练。
6. 代码应该怎样修
第一步不是立刻增加模型参数，而是恢复问题定义：
- source 的可见长度只覆盖真实 token 和必要的结构节点；padding 不得伪装成大量有效 EOS；
- 训练和验证保留 token 交叉熵，但增加 wrong-source 对照；
- 每次验证同时运行 teacher-forced 与 free-running 两条路径；
- checkpoint 选择不能只看 teacher-forced NLL；
- 长训练前先用小规模数据证明 source shuffle 和 empty source 会显著恶化结果。
可以加入一个条件依赖约束：要求错误 source 的损失高于正确 source。若间隔为 $m$，则可写成：
$$ L_{dep}=\max\left(0,m+L_{native}-L_{wrong\ source}\right) $$但它只是候选修复，必须先做消融，不能直接当成正确答案。
7. 本次真正得到的证据
这次最有价值的证据不是 NLL=4.7275，而是三个手工 CLI 输入。
它们指出：我们的自动 gate 没有覆盖最基本的产品问题。Houming818 的一句“它只会说这个，Loss 怎么可能还在降”，迫使代码审计回到训练函数本身，最终找到了 teacher forcing 与自由生成之间的断层。
因此当前航行状态是：
C10 长训练：完成，但翻译 Claim 无效
C09 STONE-1 完成状态：暂停
C08 公开制品：保留，翻译身份待复审
下一步：先证明 source 真正进入计算，再谈规模化
公开错误不是项目的附属工作，而是 ARA 的核心功能。数据没有被删除，旧文章没有被偷偷改成“我们早就知道”，错误的结论也不会继续作为下一条 Claim 的地基。
License: GPLv3。本文的勘误、审计方法和后续 falsification gate 与 SameTime/ARA 一并公开。