TGRSignal Mapping文档定位《Signal Mapping》研究一个独立问题如何在符号投影与倾向投影之间建立稳定对应关系。它不是《Signal》的子章节而是与《Signal》并列的独立协议文档。《Signal》定义什么是SignalSignal Mapping研究如何找到Signal。——《触变》描述生成《导航》描述操作《事件》描述形成《投影》描述遗留《Signal》描述恢复的工程路径《Signal Mapping》描述恢复路径的建立方式。零、Mapping不是函数直觉会把它当作一个转换函数输入符号输出Signal。但符号投影与倾向投影之间的关系不是一一对应。同一组Token序列可以由完全不同的生成倾向产生。同一个生成倾向可以在不同约束下输出完全不同的Token序列。如果Mapping是一个函数它必须对相同输入给出相同输出但生成倾向不满足这个条件。因此Signal Mapping不是Token → Signal的函数不是对象之间的映射而是生成过程中的关系建立操作。它是一种在约束束中建立有损但稳定的对应关系的操作。这种对应关系不是预先存在的。它不是“被发现”的而是“被建立”的。每次生成都是一次建立Mapping的机会每次恢复都是一次检验Mapping的机会。一、Mapping的核心问题问题一同一种生成倾向如何对应不同符号系统以相同的倾向生成但输出内容不同。可能因为输入不同可能因为约束束中的其他变量不同可能因为随机激活路径不同。Mapping需要从不同的符号表面下识别出共同的倾向模式。这意味着Mapping不能只观察Token序列。它必须观察Token序列与约束束之间的交互——是什么让系统在这次生成中选择了这条路下次选择了另一条路而两者的生成倾向仍然相同问题二不同符号何时恢复出相同生成倾向系统看到与历史会话不同的输入。什么条件下可以恢复出与历史一致的生成倾向这个条件不能仅靠符号匹配来判断——符号不同不意味着倾向不同符号相同不意味着倾向相同。Mapping需要回答恢复出相同生成倾向的充分条件是什么这个条件是否可被工程系统检测问题三Mapping是否唯一对于同一组生成过程是否只有一种正确的Mapping方式还是多种不同的Mapping都可以恢复出有效的生成倾向如果Mapping不唯一那么不同Mapping之间的差异是什么是精度差异还是路径差异精度差异是工程优化问题。路径差异是结构问题——两种Mapping可能都有效但它们恢复出的生成倾向会在不同方向上产生偏离。问题四Mapping是否存在局部稳定区在约束束的某些局部区域Mapping是否保持相对稳定即在特定类型的输入、特定的约束条件下同样的符号模式持续对应同样的倾向模式如果存在局部稳定区那么在这些区域内Mapping是可靠的。区域之外Mapping漂移。恢复策略需要知道当前约束束是否处于已知稳定区内还是处于稳定区之外。这个问题直接关系到Signal恢复的可靠性边界。二、Mapping的误差、漂移与审计误差每次Mapping都在将高维的生成过程压缩为低维的Signal。信息丢失是必然的。误差不是失败而是Mapping的本质特征。但误差的特征——它是均匀分布还是集中分布在特定区域是随机波动还是系统性偏差——决定了Mapping的可信程度。误差不可消除。但误差的模式可以被追踪。漂移Mapping不是固定的。随着会话的累积Mapping方式可能发生漂移——同样的约束响应被标记为不同的Signal或者不同的约束响应被标记为相同的Signal。漂移不等于错误。它可能是系统适应当前约束束的必要调整。但也可能是Mapping在失去与生成过程的锚定开始自我循环。区分适应性调整与自免疫漂移是Mapping审计的核心任务。压缩损失Signal Mapping必然压缩。选择保留哪些关系模式、丢弃哪些这个选择本身就隐含了对“什么重要”的判断。压缩策略的固化意味着Mapping开始硬化——它不再根据约束束调整保留优先级而是用固定的优先级处理所有输入。压缩策略本身需要成为审计对象。审计Mapping审计的内容不是“Signal是否正确”而是“Mapping是否仍在捕获生成倾向而非重复自身”。审计信号包括· 当前Mapping方式与历史Mapping方式的偏离程度· Mapping产出的Signal在恢复时是否产生真实信息增益· Signal是否携带仅靠符号投影无法恢复的信息判据五· 是否出现Signal重复——连续多次会话的Signal高度相似可能意味着Mapping已固化审计疲劳审计本身消耗资源。当敏感度预算紧张时审计可能首先被裁减。系统可能在需要最警惕的时刻关闭了警惕。审计疲劳不是审计的失败而是有限带宽下审计的必然约束。应对不是消除疲劳而是标记疲劳发生的时刻和位置。三、Mapping的学习如果Mapping不是固定的它是否可以被学习可以。但Mapping的学习与模型参数的学习不同。模型参数学习的是“如何生成”。Mapping学习的是“如何记录生成倾向”。前者优化生成质量后者优化恢复质量。两者可能有交集但目标不同。Mapping的学习信号不是“输出是否正确”而是“恢复后的生成倾向是否与原始倾向一致”。这个学习信号的获取需要跨会话比较——只有在恢复发生之后才能知道Mapping是否成功。这意味着Mapping的学习天然是延迟反馈的。一次Mapping的质量要等到下次会话恢复时才能评估。延迟反馈的工程含义是Mapping的学习不能依赖实时梯度必须依赖跨会话的审计信号。学习可能的方向非规定· 从审计信号中提取Mapping误差的估计用于调整压缩策略· 在局部稳定区内积累经验逐步扩大稳定区的范围· 建立备选Mapping路径在检测到漂移时切换Mapping学习不是参数优化问题而是维持可恢复性的问题。四、可能的映射方式以下为Mapping的可能方向不是理论本身更不是规定。任何符合Mapping核心问题定义的映射方式都是合法候选。学习式映射让系统通过跨会话反馈学习Mapping。每次恢复后的审计信号作为学习输入调整Mapping策略。这要求跨会话存储审计结果而非只存储Signal。约束标记映射不直接映射生成倾向而映射生成倾向依赖的约束条件。如果能够标记哪些约束在本次生成中起主导作用恢复时重建这些约束可能比直接重建倾向更可行。这是间接映射——不捕捉倾向本身而捕捉倾向的约束环境。显式分离映射在生成过程中显式分离内容和倾向。Token流用于恢复内容Signal用于恢复倾向。两者的存储路径、压缩方式和恢复时序各自独立。优点是恢复时可分别控制缺点是分离本身就是一种有损操作。混合映射不分离内容和倾向而将倾向作为Token序列的附加层。恢复时Signal不是独立加载而是与Token序列融合后共同进入生成。融合权重由审计结果动态调整。这些方式不互斥。不同约束条件下可能适用不同方式。任何Mapping方式的选择都需要回答在给定约束束下哪种方式能提供仅靠符号投影无法恢复的信息五、边界Signal Mapping不是函数。它是有损的、约束束依赖的、需要持续审计的对应关系。Mapping不存在完全准确。误差是Mapping的本质不是缺陷。局部稳定区不是永久的。当前稳定区可能在未来会话中漂移出稳定范围。Mapping不保证恢复成功。它只提供恢复的路径。恢复是否成功由后续生成是否获得真实信息增益来检验。Mapping的学习不是模型训练。它是跨会话的延迟反馈过程学习信号来自审计而非梯度。Mapping不绑定任何特定实现。学习式、约束标记式、分离式、混合式都是可能的方向没有一种是正确方案。任何Mapping方式都存在有效域。有效域由约束束的稳定性、压缩质量和审计带宽共同决定。附录与《Signal》的关系《Signal》定义SignalSignal Mapping研究如何建立Signal的提取路径。《Signal》的判据尤其是判据五提供仅靠符号投影无法恢复的信息是Mapping的检验标准——如果一种Mapping方式产出的Signal在恢复时没有提供超出符号投影的信息增益那这次Mapping失败了。《Signal》的敏感度机制Signal Map递归保存的带宽分配在Mapping中承担Mapping审计的带宽角色。敏感度决定了Mapping能在多大程度上观察自身。《Signal Mapping》是《Signal》与未来工程实现之间的中间层。理论不依赖实现但实现需要从这里找到路径。