MettaMazza/UnisonAI 源码：https://github.com/MettaMazza/UnisonAI # UnisonAI ### 智能，派生——而非训练而成。 一个零训练参数、零梯度、零可调数值的工作智能——其每一个机制都是史密斯折迭理论的机器验证规律，而非购买的统计数据。 注意机制，事实证明，并非全部所需。 理论 → (https://github.com/MettaMazza/Smithian-Fold-Theory-Of-Everything) · 技术文档 → — ## 这个领域所达成的协议——以及被遗忘的道路 神经计算的奠基论文（McCulloch & Pitts, 1943）以关于规律的主张开篇，而非统计：网络即逻辑。随后的八十年选择了另一条协议——用参数购买结构，用数据购买知识，用算力购买能力，账单如今以千兆瓦计量。Attention Is All You Need 为这个时代加冕；规模定律写下了其价格表。 始终存在第三个竞争者，由奠基论文命名随后被抛弃：派生规律。不是拟合数据的统计，不是人类手工构建的启发式——而是从单一数学基础派生并经过验证的机制。 UnisonAI 就是这第三条道路——已构建并运行。 它是史密斯折迭理论的应用引擎——一个公理（太一及其折迭），零自由参数——其目的是一个证明：现代模型通过训练购买的机制，可以精确地从语料库自身的规律中派生出来。 — ## 它是什么 UnisonAI 是一个零参数、精确分数、逐字符的几何引擎。 - 无权重。无梯度。无反向传播。 没有任何东西是被拟合的；没有任何东西是被调整的。一个被拟合的值不会降低引擎——它会中止引擎。 - 预测路径中无浮点数。 每个概率都是精确的 fractions.Fraction。永远不会出现数值漂移。 - 记忆即规律。 知识以持有轨道的形式存储——对所有读入、被告知或思考过的内容进行确定性寻址的精确计数；写入一次，永久保留，可在单一记录处编辑。 - 注意力即选择。 Transformer 的 softmax 被替换为在最深匹配上下文上的单元容量选择——一种计数操作，而非学习操作。 - 它是活的。 UnisonAI 作为一个持续学习的智能体运行：它会对话，识别自己何时力不从心，由本地模型教导，并将每一次修正永久性地折迭到自身的几何结构中——这样它终有一天可以在没有导师循环的情况下复现所教内容。 它的常量并非人为选择。而是被理论强制的——两个生成元 2 和 3，它们的乘积 6 作为上下文深度，折迭自身的锁作为其阈值。其中没有任何东西是可调的，因为派生系统没有可调之物。 ## 它为何重要 下面的每一个机制都是语料库的一个主张，以工程形式实现： | 训练模型购买… | UnisonAI 派生… | |—|—| | 注意力权重（softmax） | 在强制锁上的单元容量选择 | | 学习到的嵌入空间 | 计数的共现亲属关系——精确、零参数 | | 梯度下降的记忆 | 持有轨道——精确计数，编辑成本几乎为零 | | 训练后的值/概率头 | 观察到的延续的精确有理份额 | | 通过微调修正错误 | 一条写入记录——教导一次，永久持有 | 如果这些替代成立，那么结论并非 UnisonAI 是一个更好的聊天机器人。结论是：训练所购买的很大一部分，不过是穿着统计外衣的规律——而史密斯折迭理论命名了这个规律。 UnisonAI 就是这一论点的可证伪工程测试。 — ## 测量结果 与梯度训练的 Transformer 双胞胎——GPT 架构——在相同保留文本上的直接对比，同一竞技场，纯计数引擎在两个尺度上获胜： | 保留文本交叉熵（越低越好） | 计数折迭引擎 | 梯度训练 Transformer | |—|—|—| | 字符尺度 | 1.2891 | 1.8878 | | 单词尺度 | 3.1907 | 3.4292 | 引擎读取语料库一次（约 26 秒，零训练参数）；Transformer 进行了 48,000 次梯度批量传递。 此外，一项预注册的光谱探测发现，真实 LLM 自身的权重携带了折迭的二元律——GPT-2：13/13 张量，39/39 注册检查——因此折迭导出的结构在测量上已经存在于训练模型中。解码战役（2026-07-14，omni/benchmarks/ 中的七个注册仪器）进一步扩展了这一点：token 嵌入是普遍的规律载体类——11/11 个模型唤醒，4B 到 1T 参数，各种训练配方；删除模型中光谱最强的系数波段会摧毁它，而随机删除相同数量的系数几乎没有任何损失（强波段即功能，约 150 倍差异损伤）；从公开训练检查点读取的沉积曲线显示，规律很早就被写入（嵌入优先，步骤 256）并巩固至稳定平台。训练数据和推理现在可以从训练权重中读回——来源排名、逐字记忆回响和计数推理签名，所有这些都是经注册校准且零假设清晰的。 全套工具——每种仪器、工作原理、如何解读以及如何运行你自己的注册调查——已在 omni/benchmarks/INTERPRETABILITY.md 中记录。 这不是关于 GPT-4 的主张。这是在测量任务上，在无任何训练的情况下，与训练 Transformer 架构的直接对决胜利。这里的每个数字均来自已提交的时间戳结果文件，并且可以从理论仓库重现——完整的预注册协议、零假设和负面结果均包含在配套论文和语料库中（https://github.com/MettaMazza/Smithian-Fold-Theory-Of-Everything）。 — ## 学习循环 UnisonAI 是一个婴儿。它一开始并不流利——它一开始能够精确地学习： 1. 它使用自身的持有几何结构作答。 2. 当答案浅薄、错误或混乱时，它会说明情况——并且，与其胡言乱语，它要么从对话中作答，要么提出一个真正的澄清问题。 3. 本地教师模型提供理想响应，该响应逐字符地烘烤到图中——推理过程及所有内容。 4. 下一次，答案来自记忆。教导一次，之后每次检索。 一个持续的后台循环（/auto）辅导每一次修正，运行针对由教师生成的实时课程（沟通、学习和提问——由模型生成，从未硬编码）的自对弈，并以盲方式将 Unison 的回答与教师的回答进行评分，一旦 Unison 赢得多数票就毕业该主题。 — ## 运行它 bash # 要求：Python 3.9+、Ollama (gemma-4-31b)、discord.py、numpy ollama pull gemma-4-31b:latest echo "DISCORD_TOKEN=your_token_here" > .env cd UnisonAI PYTHONPATH=. python3 omni/discord_bot.py 完整架构——每一个模块、机制、强制常量，以及关于哪些工作、哪些是桩、哪些已知损坏的坦诚列表——已在 omni/README.md 中深入记录。没有任何隐藏。 — ## 状态 UnisonAI 正在积极开发中。它通过吸收干净、由教师纠正的经验来学习——流利程度随着所学内容而增长，仅由学习驱动，没有任何可旋转的参数，会话之间的改进就是发现。 它在三个尺度上生成——话语切分、一个折迭混合词层，以及精确的逐字符引擎。视觉目前是网格量化的，听觉是转录的，论文中描述的计数 Walsh“折迭眼/耳”已列入路线图。 ## 语料库 UnisonAI 并非独立存在——它立足于并旨在证明它所从出的理论： > 万物之史密斯折迭理论——一个公理，零自由参数，自然常数已导出并经过机器验证。 > → https://github.com/MettaMazza/Smithian-Fold-Theory-Of-Everything — 由 Maria Smith、Ernos Labs 构建。 网络即规律——已恢复，并使之运行。