实验注册表 · ngram-gap-lab

唯一权威登记表 · 维护时间：2026-08-30 · 主线权威数据源 data/runs_fixed/*_fixed/；scaling 专属数据源 data/runs_scaling/*_fixed/ · 口径见 agents.md §1 · 数值细节见 experiment-log.md 与 experiment-lines.md。主实验叙事见《主实验与机制证据 · v5 clean standard》；清理前的完整页面与图源已冻结为历史快照。

① 命名法 Jargon（先读这个）

v50 / v10 / v2 / v3 / v4 / v5 / M / L / N / S / _fixed 是什么意思？（点击展开/收起）

仓库里存在 三套独立的命名系统，叠在一起就容易懵：

记号	含义	说明
v50	评估节奏：val + freq-bin 每 50 步评估一次	最早期的注入点实验（M1）用；2000 步只有 40 个点，曲线粗。
v10	评估节奏：val + freq-bin 每 10 步评估一次	后来定的标准（`VAL_LOSS_INTERVAL_STEPS = 10`）；2000 步 200 个点，能看到 epoch replay 台阶细节。这就是 M2 的"v10"。
v2 波次	重刷波次 2：优化器新标准 β₂=0.99（无动量）+ 表 LR ×2	2026-08-24 用户拍板；run 后缀 `_v2_fixed`。模型本身没变，变的是优化器口径。
v3 波次	重刷波次 3：freq-bin train 侧改用当前训练 batch（online）	2026-08-25 用户拍板；run 后缀 `_v3_fixed`。之前是 4-batch 诊断窗口，判为不一致做法。
v4 波次	重刷波次 4：constant schedule 诊断	历史探索；零 warmup 的 constant 不作为当前主线。
v5 波次	当前唯一主线：clean 双表、current-batch online loss、短 warmup 后恒定 LR	run ID 使用 `v5` 家族名，权威输出目录统一以 `_fixed` 结尾。step 1–100 从 0.25×LR 升至 `6e-4`，其后恒定；bf16、不 compile。
M1–M7	主线 nanoGPT 实验线编号	M2=注入点消融、M3/M4=表优化器、M5/M6=shard 剂量、M7=短 epoch×β₂。
L1–L5	toy 理论任务线（独立小实验）	L1 查表记忆、L2 Markov 闭式解、L3 采样律、L4 幂律、L5 优化器伪影。
N1–N4	自然语言 5gram 实验	order=5 表在真实语料上的 gap。
S1	三轴 scaling（epoch / table / frequency）	极简 setting 下的 scaling 实验线，结果在 `data/runs_scaling/`。
_fixed	修复 bug 后的权威数据标记	主线结果在 `runs_fixed`，scaling 结果在 `runs_scaling`；当前主线为 `_v5_fixed`。
current-batch / online	train loss 取"当前训练 batch"	v3 起的标准；与 online train_loss 同一 forward，零额外计算。
v5 setting	RMSProp `(0,0.99)` · 表 LR 128×（实际 0.0768）· backbone LR 0.0006 · `warmup_constant(100)`	当前 v5 标准 launcher 显式传 `--table_betas 0.0,0.99 --table_lr_scale 128.0 --lr 0.0006 --lr_schedule warmup_constant --warmup_steps 100`；历史 2× 仅作对照。

一句话：v50/v10 是“评估多密”，v2–v4 是历史重刷口径，v5 是当前唯一主线，M/L/N/S 是“哪条实验线”，_fixed 是“修复后、可追溯的数据标记”。

② 实验总表（行内嵌图；comments 列可手填）

合并单元格 = 同大类/同 setting 共享；图片缩略图已放在对应实验行的第四列，点击图片可查看原图；comments 列白框可直接点入填写（本地打开时输入内容不会保存，仅供浏览标注）。

打开独立《Gap 的数学理论与实验证据》：理论报告只引用本表中的稳定锚点，不把解析 toy、历史 compile 和当前标准 run 混为同一证据等级。

实验大类	实验名称	实验 setting	统计处理 / 画的图（图已内嵌）	状态
主线注入点	M2-v5 注入点消融（当前唯一主线 · table LR 128×）	input / y / v / nogram；2000 步；clean R=2²⁰；`lr=6e-4`、`warmup_constant(100)`、table LR scale=128；bf16、不 compile；train loss=当前 batch online loss；seed 42	128× 标准批的原始 online loss/gap 曲线（只以 3 点均值连线），以及 2× vs 128× final gap 对比柱状图。 seed 42 四臂 @128×：gap / loss 2× vs 128× final gap 图源为 `nglab1x_{input,y,v,nogram}_v5_128x_freq10_fixed`（2026-08-29 标准切 128× 后重刷，见 experiment-log §35）；点为原始 online 记录，线为 3 点均值。频率统计见下一行。	✅ 128× 四臂完成 @2000：input/y/v/nogram=5.672/5.248/7.648/0.227；高 LR 放大后端注入 gap（v>y>input），nogram 贴零
主线注入点	M2-v5 current-batch frequency refresh （128× 重刷）	input / y / v / nogram；seed 42、2000 步；clean R=2²⁰；`lr=6e-4`、`warmup_constant(100)`、table LR scale=128；bf16、不 compile；val / frequency / exact-frequency / table RMS 每 10 步	每个 branch 画 input train / fixed-val token fraction 双柱，以及 final per-bin gap 原始点与细 3 点视觉连线。 bigram · 128× fraction / gap trigram · 128× fraction / gap 图源为 `nglab1x_{input,y,v,nogram}_v5_128x_freq10_fixed/freq_bin_loss.jsonl` 的 step 2000；train 侧直接复用该 step 当前训练 batch 的 pre-update per-token loss。novel 没有 train loss，故不定义 gap。	✅ 4/4 完成 @128×；step-2000 input/y/v/nogram gap=5.672/5.248/7.648/0.227
剂量扫描	M5-v5 fixed-step 剂量扫描（128× 重刷）	0.25x、0.5x、0.75x、1.5x、2x、2.5x、3x、4x、5x、6x、8x；input；2000 步；v5 SSOT、table LR scale=128	128× 标准批的 final gap 随剂量曲线；当前带 frequency 的正式证据见下方 M5-v5 frequency refresh。 128×：final gap vs dose 图源为 11 个 `nglab*_input_v5_128x_freq10_fixed` run 的 summary；gap 随剂量单调下降，0.25× 严重过拟合（10.9）、8× 转负（−0.06）、逼近 nogram。	✅ 11/11 128× 端点；gap 10.895（0.25×）→ −0.055（8×）
	M6-v5 epoch 对齐批		历史 5-epoch 对齐批；当前正式 epoch-length 阵列见 S1 v5 三 epoch 行。历史图不在当前登记表展示。	⚠️ 历史口径；由 S1 v5 三 epoch 阵列取代
	M5-v5 frequency refresh （128× 重刷，专供剂量×频率证据）	11 个非 1x shard dose、input、2000 步、table LR scale=128；每 10 步 fixed val + current-batch freq-bin；每个 dose 强制绑定对应 train-set frequency index；1x 由 M2 四臂 frequency-refresh 单列重跑；其余 v5 SSOT	11/11 个非 1x dose（0.25×–8×）均已验收，绘制 bigram/trigram final raw freq-bin gap heatmap 与完整 loss/gap 轨迹；不以旧批补位。 128× 批 · raw frequency-bin gap 图源限定为各自 `nglab*_input_v5_128x_freq10_fixed` 的 step-2000 summary、online train / fixed-val 曲线与 current-batch frequency bins；novel 没有 train loss，不定义 gap。	✅ 11/11 非 1x 完成 @128×；含 M2 的 1× 后共 12/12 frequency-refresh 证据
	M6 epoch 对齐批（e6，实际 5 epoch）	对齐 epoch 数（5 epoch）；0.25x–3x；无 LR schedule（勘误见 log §12）	历史 epoch 对齐 gap 曲线与 nogram 对照；当前登记表不再展示已被 S1 v5 三 epoch 阵列覆盖的图片。	⚠️ 历史且不完整；由 S1 v5 三 epoch 阵列取代
表优化器	M3 Table 优化器 · 1x epoch	RMSProp/AdamW/SGD；LR 剂量（×1/×2/×4）；β₂（0.98/0.99）；1x / 2x epoch	历史优化器、table-LR 与 β₂ 对照；当前结论由下方 M3b-v5 完整 11 臂曲线覆盖，历史图片不再在当前登记表展示。	⚠️ β₂ 结论待修正
	M4 Table 优化器 · 2x epoch		历史 2x epoch 对照（`b2_099` 0.64→2.00，+210%）；已由当前 v5 统一预算与完整曲线覆盖，历史图片不再展示。	⚠️ 同上
	M3b-v5 表学习率 × β₂ gate	clean 双表、input、1000 步；RMSProp/AdamW/SGD；scale 0.5–4；β₂ 0.95–0.999；2000 步 seed 43/44 gate	11 臂 clean grid 的完整 1000-step online train / fixed val / online gap 曲线，以及 table-LR 相邻健康点的末步频率诊断。点为原始记录，细线仅为 3 点视觉连接。 11 臂：train / val / gap scale 1 / 2 / 3：末步频率 gap 图源严格限定为 11 个 `optv5c__fixed` run 的 step-1000 `train_log.jsonl`、`freq_bin_loss.jsonl` 与 `table_norm.jsonl`；每类日志均 100 条，无 NaN/Inf。频率图只比较 scale 1 / 2 / 3，novel 没有 train loss，故不定义 gap。旧 `optv5_rms_` precursor 保留作历史质量参照，但不替代本图。	✅ 11/11 完成（seed 42、step 1000）：scale 0.5/1/2/3/4=0.465/0.858/1.551/1.886/2.072；β₂ .95/.98/.995/.999=1.239/1.460/1.594/1.669；AdamW=1.502，SGD=0.078。高 scale gate 与多 seed 复现见下方扩展验证。
	M7 短 epoch × β₂	0.25x/0.5x 短 epoch；β₂=0.99	历史 per-epoch 台阶清晰度曲线；当前登记表不再展示已被 v5 epoch-length 阵列覆盖的图片。	⚠️ 图未按 _fixed 重生成
	M3c-v5 高 table-LR × β₂ 收敛批（optv5f；1000/2000 步）	table LR scale 8/16/32/64/128 × RMSProp β₂ .99/.999；input；seed 42；1000 或 2000 步；其余 v5 SSOT（backbone 6e-4、warmup_constant(100)、bf16、不 compile、val/freq 每 10 步）	可读分面图：每个小面板固定一个 table LR scale，面板内只比较 β₂=.99 与 .999；低 scale（0.5/1/2/3/4×）与高 scale（8/16/32/64/128×）同一总览图展示。β₂=.99 使用深蓝实线圆点，β₂=.999 使用橙色虚线方点；1000 步与 2000 步使用不同图形；2000 步图另列 train / fixed val / gap 和 Δgap=(.999−.99)，epoch boundary 用竖线标出。点为原始 online 记录，细线为 3 点视觉连接；正式图已按完整 2000 步批次刷新。主图：仅 β₂=.99；step 1000 的 gap 随 table LR scale 变化（低 scale + 高 scale）可读总览：低 scale + 高 scale 诊断图：高 scale 的 train / fixed val / gap / Δgap，并标出 epoch boundary 当前只保留三张互补图：step-1000 β₂=.99 总览、全预算终值总览、2000-step train/val/gap/Δgap 分面。图源仍为 `optv5c__fixed`、`optv5e__fixed` 与 `optv5f_*_fixed`；点为原始 online 记录，细线为 3 点视觉连接。	✅ scale=8/16 的 β₂ gate 与 1000/2000 步收敛臂均完成；scale=16 的 β₂=.95/.99/.995 final gap=2.489653/2.599353/2.598872，spread=4.22%；另有 256/512/1024× β₂=.99 的 2000-step final gap=5.543/5.474/5.335。256×–1024× 未继续单调增大，暂不支持“学习率仍不足”的判断。
	LR schedule 诊断（历史混合 setting，非 v5 证据）	no-gram 纯 backbone；warmdown / warmup-constant / warmup-cosine / constant；不同 base LR；1000 或 2000 步	检查不同 schedule 是否造成纯 backbone 的训练、验证与 gap 形态变化；仅作历史 schedule 诊断，不与 v5 主线数值混画。图像转入历史快照。	⚠️ 已登记为历史诊断，不纳入当前 setting
扩展验证	X1 optimizer × 复现（128× 重刷）	RMSProp / AdamW / SGD(m=0)；table LR scale=128；seed 42；1000 步；其余 v5 SSOT	三种 table optimizer 的 step-1000 final gap 柱状图 X1 @128×：optimizer final gap 图源为 `optv5c_{rms,adamw,sgd_m0}_s128x_fixed`；RMSProp 与 AdamW 几乎相同，SGD 无动量几乎不学。	✅ 完成 @128×；RMS=2.727、AdamW=2.731、SGD=0.047
扩展验证	X2 clean 表行宽扫描（128× 重刷）	bigram/trigram 同步 row width `d∈{768,192,48,12}`；input；seed 42；1000 步；table LR scale=128；其余 v5 SSOT	step-1000 final gap 随 clean-table row width 的容量曲线 X2 @128×：row width d 图源为 `ctbl_dim{768,192,48,12}_input_v5_128x_fixed`；gap 随行宽单调上升。	✅ 完成 @128×；d=768/192/48/12 的 gap=2.742/1.458/0.552/0.180
因果干预	Causal interventions（v5 · 128× 重刷）	input、1000 步、table LR scale=128、val/frequency=10。核心机制臂：none、hash-reseed e1、mask-low-f<200 e1、mask-high-f≥200 e1；freeze-table / freeze-backbone 为写入路径参考；另有 mask-high 阈值扫描（t=1…12800，f≥t）。	核心机制臂与参考臂的 final gap、完整 train/val/gap 轨迹，以及 mask-high 阈值扫描。六臂：final gap @1000（128×）六臂：train / val / gap trajectories low/high frequency mask effect mask-high threshold scan 图源为 `causalv5c_{none,hash_reseed,mask_low_f200,mask_high_f200,freeze_table,freeze_backbone}_e1_128x_fixed`（128× 主批，旧 f>t 语义的 mask 臂仅作参考）；阈值扫描图源已全部替换为新 f≥t 语义的 `causalv5m2_mask_high_t{1,2,5,10,25,50,100,200,400,800,1600,3200,6400,12800}_e1_fixed`（14 点全量重刷，1000 步、seed 42、epoch-2 边界，每 run 的 `high_context_counts` 与 `freq_index.npz` f≥t 实测逐一核对）。全部到 step 1000、无 NaN/Inf。`hash_reseed` 只换 context→row 映射、保留表权重与 RMSProp state：单边界（e1）gap=1.354，epoch-2+epoch-3 双边界（`causalv5c_hash_reseed_e1e2`）gap=0.069，证实持续对齐破坏才能压制重写；mask 语义为 `low: f≤t（含 novel f=0）` 与 `high: f≥t` 的互补集合；mask 为 context 级，high 模式对 t>0 不屏蔽 novel（f=0），扫描止于 t=1。全量屏蔽的 gap 预期接近同预算 no-gram 对照，不保证为数学上的 0。	✅ 14/14 完成：阈值扫描已按新 f≥t 语义全量重刷（causalv5m2，t=1…12800，峰值 t=200 gap 2.824，t≥100 平台 ~2.72–2.82，t≤25 下降至 t=2 最低 1.752、t=1 回升 1.927）；hash-reseed 双边界 e1+e2 done（gap 0.069）；mask_high t200（f≥t）=2.824。核心 7 臂 + 双边界 reseed + 14 点扫描全部回填 §35.8
三轴 scaling (S1)	S1 epoch 轴 · fixed-step（历史 precursor）	历史 L1–L4 前缀（42/84/168/337 batches）；both 与 no-gram；1000 步	历史 online gap vs epoch 长度与 both / no-gram 对照；当前正式 no-compile 三 epoch 阵列见下方 `s1v5_128_ep_tri_*xL4_3ep`（trigram-only）。历史图片不在当前登记表展示。	⚠️ 历史 precursor；由当前 v5 三 epoch 阵列取代
	S1 epoch 轴 · fixed-epoch（历史）	历史 L1–L4 前缀（42/84/168/337 batches）；both 与 no-gram；1000 步	历史 fixed-epoch 对照；当前登记表不再展示已被 S1 v5 三 epoch 阵列覆盖的图片。	⚠️ 不纳入当前 v5 结论；恢复时需单独重注册
	S1 table size 轴（历史 4-layer/2-hash）	`tbl_{TM}_{arm}`；logical addresses `2R`；seed 42/43/44；1000 步 online gap	历史 table-size 双对数局部斜率、collision / occupancy 对照；当前登记表不再展示已被 clean-table v5 轴覆盖的图片。	⚠️ 历史 compile / 旧表架构；不能替代 clean 单表
	S1 table size 轴（v5 clean 单表，bi/tri 分开）	bigram-only 与 trigram-only 分别改变各自 clean-table R；另一张表关闭；各 31 个近对数点，R=1…2.347M（含小 R 扩展）；1000 步末端；seed 42	两条正式单表轴：bigram-R 与 trigram-R 各 31 点。净 gap（减 no-gram floor 0.02，nogram 实测 0.0234、小 R 平台均值 0.0196）的分窗口 log–log 拟合：`(G_bi−0.02)∝R^0.58`（R 2e3–2e5，n=12，R²=.997）与 `(G_tri−0.02)∝R^0.66`（R 1e5–9.3e5，n=8，R²=.9997）；raw gap（不减 floor）敏感性斜率 0.50 / 0.65。小 R（≲1e4）塌缩区保留为原始空心点但不进入拟合；大 R 端 bigram 在 R≈3e5 后、trigram 在 R≈1.2e6 后进入饱和。负载 `K/R` 仍单独展示；formal run 未记录 occupied rows，因此不推断 collision。`K`=训练频率索引中的 distinct contexts，`R`=被扫描 clean table 的 physical rows；`K/R` 是负载比，不是 collision rate。 bi/tri 分支 gap–R R=1…2.347M; 净 gap fit bi .58 / tri .66 K/R load proxy 图源：`s1v5_128_tbl_bi1_R_fixed` 与 `s1v5_128_tbl_tri1_R_fixed`，共 62 个 run（每条单表轴 31 点），seed 42、step 1000；bigram-only / trigram-only 均关闭另一张表。双对数拟合使用减 floor（0.02）后的净 gap，只取各分支线性窗口（bigram R 2e3–2e5、trigram R 1e5–9.3e5）；小 R 塌缩区原始点保留为空心点、不进入拟合，也不被删除或平滑。load 图只使用共享 `freq_index.npz` 的 K/R；collision rate 未测量，不能从 K/R 反推。	✅ 62/62 完成（bigram-R 31/31；trigram-R 31/31）
	S1 table size 轴（早期 clean 单表）	bigram / trigram 分支分别扫 R；bigram 29 点 + perfect-map，trigram 6 点；seed 42、step 1000；历史横轴使用各自的 context-count 归一化	早期 clean 单表首扫的局部形状；不能与当前两条正式 v5 单变量轴合并。历史图片转入快照。	⚠️ 早期 clean 单表、单 seed；只保留局部形状
	S1 frequency 轴（历史 precursor）	L4 `epoch_batches=337`；bigram/trigram/both/nogram；1000 步；exact-frequency	历史 frequency precursor，保留作溯源，不承担当前 v5 exact-f 结论。	⚠️ 历史数据；不替代当前正式 frequency run
	S1 backbone safety（v5）	长训 no-gram（8000 步）	无表 backbone 是否产生 online gap；旧图只作历史参照 backbone safety	✅ 8000/8000 完成；final gap=1.102
	S1 v5 formal scaling · table-size bigram-only（128×）	只开启 bigram，改变其 physical rows；trigram 关闭； `R=1…2.347M`；31 点（含 R≤10000 小 R 扩展）；1000 steps；保留 337/674/1000	bigram-only endpoint gap–R；K/R load proxy；不混用已被替代的双表轴。统一双对数图见上方 clean-table 图集。	✅ 31/31 完成；step-1000 gap 范围 −0.006–1.191；净 gap（减 floor 0.02）线性窗口 R 2e3–2e5 log-log slope=0.58（R²=.997，n=12；raw-gap 敏感性 0.50）；R≤约1e4 塌缩到 no-gram floor、R≈3e5 后饱和；337/674/1000 检查点齐全，table LR=128×、β₂=.99
	S1 v5 formal scaling · table-size trigram-only（128×）	只开启 trigram，改变其 physical rows；bigram 关闭； `R=1…2.347M`；31 点（含 R≤10000 小 R 扩展）；1000 steps；保留 337/674/1000	trigram-only endpoint gap–R；K/R load proxy；不混用已被替代的双表轴。统一双对数图见上一行的 clean-table 图集。	✅ 31/31 完成；step-1000 gap 范围 −0.032–3.617；净 gap（减 floor 0.02）线性窗口 R 1e5–9.3e5 log-log slope=0.66（R²=.9997，n=8；raw-gap 敏感性 0.65）；R≤约1e4 塌缩到 no-gram floor、R≈1.2e6 后饱和；337/674/1000 检查点齐全，table LR=128×、β₂=.99
	S1 v5 formal scaling · frequency-bin 主实验（128×）	input；bigram+trigram；`epoch_batches=337`； 1000 steps；table LR=128×；β₂=.99；保留 337/674/1000；`data/freq_index.npz`	主实验的 frequency-bin fraction + raw gap、exact-frequency sufficient statistics；novel 只有 val loss，不定义 gap；train 侧取当前 batch online loss。 exact-f gap：−.253 / −.318 每段总曝光量 Σf 图源严格为 `s1v5_128_frequency_main_fixed/exact_freq_loss.jsonl` 与共享 `data/freq_index.npz`；最后 logged step=1000。exact-f 图保留 eligible raw points，并按 shared-context token mass 聚合为 7 个宽几何 bin；描述拟合 bigram `G∝f^-0.252746`（R²=.997165）、trigram `G∝f^-0.318121`（R²=.995548）。这是 fixed-probe context-matched 诊断，不是主 scalar gap 或跨 seed 普适指数。	✅ 完成；final gap=2.736；337/674/1000 三个检查点齐全
	S1 v5 formal scaling · epoch-length（3 epoch）	12 个 L4 倍数：`0.125…2.0×L4`； `epoch_batches=42…674`；trigram-only；每个 run 3 个完整 epoch； step = 126…2022；table LR=128×；β₂=.99	按 epoch 1/2/3 对齐的 online train / fixed val / gap 轨迹，竖线标注边界；横轴用“epoch 数”，不使用 L1–L4 jargon。 3 epoch 终值阵列按 epoch / step 轨迹 L4 10 epoch 长训 epoch 编号 gap 与逐 epoch 增量图源为 12 个 `s1v5_128_ep_tri_*xL4_3ep_fixed` 与 L4 trigram-only/no-gram 长训；点为原始 online 记录，细线为 3 点视觉连接，竖线为 epoch boundary。	✅ 12/12 完成；≤1×L4（真 epoch-length 段）gap 随 L 从 0.125× 的 3.552 降到 1× 的 2.469；>1×L4 点为 shard-1 wrap-around（pass 数点，2×L4=5.582 ≈ 长 replay 6-pass 5.609），旧“U 形+顶点 0.41×L4”读法作废（2026-08-30 勘误，pass 折叠图见主报告图 7c）
S1 v5 L4 long replay（10 epoch）	trigram-only + no-gram；L4=`337` batches/epoch；10 epochs； 3370 steps；table LR=128×；β₂=.99	gap 随 epoch 编号的 trajectory；左侧为 trigram-only、both、no-gram 的原始 boundary gap，右侧为逐 epoch gap 增量；每个 epoch 边界显式标注。	✅ 完成；L4 trigram-only gap=8.675、no-gram=0.480 @3370；epoch 2–10 线性参考约 0.96/epoch，但增量从早期峰值逐渐降至约 0.7–0.8，支持凹增长/渐缓而非已证实的平台
自然语言 5gram	N1–N4 order=5	5gram context +trigram 注入 / 纯 transformer / LR ×1 / LR ×4；seed 42/43	per-bucket gap；gap-freq 图 gap–freq gap 曲线	✅ 完成
受控数据干预	ngram5 数据生成（alpha 上采样）	固定极简 setting，只动数据侧 alpha	gap(r) ≈ (K_eff−1)/r 检验	🟡 独立包，与主线正交
toy 理论	L1 查表记忆 × replay	独立自包含 toy 实验；纯 numpy/torch；结果在 `tasks/lN_*/results/`	记忆-gap 主矩阵 gap 主图	✅
	L2 Markov 精确 gap		markov 三臂闭式解曲线 Markov gap	✅
	L3 单 context 采样律		gap(r) 采样律图采样律	✅
	L4 幂律合成数据		gap vs samples 幂律幂律	✅
	L5 优化器伪影		RMSProp v 锯齿 / 表容量对照优化器伪影	✅

③ 补充说明

当前登记表只展示已验收的 v5 图作为现行证据：主线、causal、optimizer、dose refresh 与 S1 正式三轴图均来自带 _fixed 的证据目录；图中点是原始 online 记录，若有细线仅表示 3 点视觉连接。历史 v2/v3/旧 S1 图片已从当前页面移除，完整清理前页面见历史快照。

图片只在对应实验行展示一次；没有被当前 v5 证据覆盖的独立 toy / 受控数据实验仍保留。旧图源资产随历史快照保存，不作为当前结论来源。

Scaling 数值包与后续理论拟合入口

正式 S1 统计已由 docs/plot_scripts/analyze_v5_scaling.py 从 data/runs_scaling/*_fixed/ 重新解析。它输出描述性拟合，不把单 seed 结果当作力学定律：

table-size：净 gap（减 floor 0.02）分窗口拟合 bigram (G−0.02)∝R^0.5761（R 2e3–2e5，n=12，R²=.9969）、trigram (G−0.02)∝R^0.6648（R 1e5–9.3e5，n=8，R²=.9997）；raw gap（不减 floor）敏感性斜率 0.5010 / 0.6526。每条单表轴 31 个 run；R≤约1e4 进入 no-gram floor（nogram 实测 0.0234，小 R 平台均值 0.0196），塌缩区不进入拟合；bigram R≈3e5 后、trigram R≈1.2e6 后饱和。旧的 R≥16000 raw-gap 拟合（0.429/0.657）混入两端机制，已废弃。
epoch-length：2026-08-30 勘误——>1×L4 的点共用 shard-1 频率索引，是 wrap-around 重放（pass 数点），旧“在 ln(L4 multiplier) 上二次拟合顶点 0.41×L4”的 U 形读法把两个变量混进一条轴，已作废；≤1×L4 段 gap 随 L 温和下降（3.552→2.469）。L4 10-epoch boundary 图显示 gap 增长逐渐变缓但尚未达到明确平台。
dose：2026-08-30 勘误——slope −1.726983（R²=.887225）来自 2× 批 nglab*_input_v5_freq10（config 实测 table_lr_scale=2.0）；128× 权威批 nglab*_input_v5_128x_freq10 正 gap（≤5×，n=10）slope −1.176（R²=.899），0.25×=10.895、5×=0.355、6×/8×=−0.087/−0.055，登记于 s1_dose_points_128x.csv。两批均在 5×–6× 间穿零，不报告全区间幂律；pass 数折叠见主报告图 7c。
exact-frequency：bigram slope −.252746（R²=.997165），trigram slope −.318121（R²=.995548）；按 shared-context token mass 的 7 个几何 bin 聚合。

可复核文件：统计摘要 · 拟合系数 CSV · table-size 原始点 · epoch 原始点 · dose 128× 原始点 · dose × frequency 原始点。理论假说（H-DILUTE，待挑战）及其数值检验图（干涉稀释卷积、Zipf 结构、pass 折叠）见主报告 §6 与 docs/notes/theory/hypothesis-dilution-amplification.md。

④ 核心代码与「来源唯一可追溯」

模块	文件	职责
训练主程序	`code/train.py`（2003 行）	vanilla nanoGPT + n-gram 表；3 注入点；MixedOptimizer（表 RMSProp/AdamW/SGD + backbone AdamW）；fixed 数据模式；current-batch freq-bin、fixed-probe exact-freq 与 scalar gap；干预接线
频率索引	`code/ngram_freq.py`（501 行）	`GlobalFrequencyIndex.build_from_chunks`，与模型 hash 逐位置一致
表 occupancy	`code/table_occupancy.py`（248 行）	行占用 / 碰撞 / 负载统计；正式 S1 v5 run 未写 occupied rows 时不强行推断 collision
replay/epoch 纯函数	`code/gap_experiment.py`（312 行）	主线与 ngram5 共用
数据准备	`code/prepare_data.py` / `make_ngram_blocks.py`	token shards；受控 block 构造
集群启动器	`code/cluster/*.sh`	`run_v5_clean.sh` 是单 run 契约；`run_v5_main_manifest.sh` 调度主线家族；`run_v5_table_grid.sh` 调度 18 点双表 R 网格。旧 launcher 仅供历史溯源。
受控数据干预	`ngram5_freq_gap/`	第四维度：动数据不动模型
作图脚本	`docs/plot_scripts/`	当前 canonical：`plot_v5_registry_figures.py`（登记表主图）与 `analyze_v5_scaling.py`（CSV/拟合）；图进 `docs/figs/`
toy 线	`tasks/l1..l5/`	独立自包含，纯 numpy/torch

注入与训练原理（一句话版）

注入：input 为主——x = wte(idx) + wpe(pos) + Σ ngram_ve，n-gram 向量直接加在 token 嵌入上（over-encoding，不走 attention）；y 注入在 attention 输出后加回 residual；v 注入在 attention 的 V 上（路径最间接）。
表架构：新 SSOT 是 clean 单表 nn.Embedding(R, 768)，一个 context → 一行 → 一个完整向量，单层、单 hash（--bigram_clean_table R，R 任意；与 perfect-map 组合 = 零碰撞锚点）。旧 4 层求和 + 2-hash 拼接（vocab×mult 表）已降级为历史框架。
优化器：表与 backbone 分开——表 RMSProp 无动量 (0.0, 0.99)，当前标准表 LR 128×（实际 0.0768）；backbone AdamW。β₁=0 即无动量（table_betas bug 已修：b2 = self.table_betas[1]）。历史 2× 结果只作为对照。
训练：fixed 模式 = 固定顺序 epoch replay（每轮从头重放同一 shard，L4=337 batches/epoch）；grad_accum 使 total batch = 147,456 tokens；bf16 autocast；默认不 compile。

来源是否唯一确定、可追溯 → 是

单一权威数据源：主线为 data/runs_fixed/*_fixed/，scaling 为 data/runs_scaling/*_fixed/；data/runs/ 与无后缀副本已作废。v5 的 freq-bin train 侧=当前训练 batch 的逐 token loss；exact-frequency 是 fixed-probe context-matched 诊断。
口径变更必须新 run_id（P2）：v2→v3 的 freq-bin train 侧改动即因此新起 _v3 后缀；_fixed 标记「修复后」，_v3 标记「current-batch 口径」，命名即口径。
代码即契约：launcher 显式传全部关键参数，不依赖默认值；本轮正式 source revision 为 7583ae3222ffb4bbfb13262295a6a828e1f08d3f，并在跨机跑前核对 train.py=c4729b30e6f3e842b3321dc701b55bbb、ngram_freq.py=e4f45f5be1317c33e6b3c39bc6cb4bc5、run_v5_clean.sh=8c86d03f79cd42d0cd559259bc77224e。
文档权威性分级：agents.md §1（SSOT）→ experiment-lines.md（全景）→ experiment-log.md（登记簿+勘误）→ claims-ledger.md（断言台账）。结论必须带 run_id / step / seed。
历史框架显式隔离：clean-table 重做后旧 4 层架构标记 [HISTORICAL 4-LAYER FRAMEWORK]；current shell / Muon / RoPE 系结论一律 [DEPRECATED SETTING]。

当前留白：本轮 v5-refresh 与 S1 formal 图均已由本地 `_fixed` 证据生成；§32 的 32×·β₂=.999 retry 也已完成并核对配置。历史 v10/pre-v2 数值只在历史 section 中保留，不升级为当前结论。