สถานะการวิจัย · อัปเดต: 22 พฤษภาคม 2026
สิ่งที่คลังข้อมูลปัจจุบันแสดงให้เห็นแล้ว
trace ที่รวบรวมแสดงโครงสร้างพฤติกรรมที่มั่นคง
เอเจนต์ต่างกันอยู่ในบริเวณต่างกันของพื้นที่คะแนนเดียวกัน
บริเวณเหล่านั้นมีประโยชน์สำหรับการสังเกตการณ์และเครื่องมือของผู้ดำเนินการในปัจจุบัน
คลังข้อมูลเดียวกันจะมีคุณค่ามากขึ้นเมื่อรายละเอียดของ schema และขนาดดีขึ้น
บทความสังเคราะห์หลัก
Corridor Dynamics in Coordinated Systems
v2 · 22 พฤษภาคม 2026 · DOI 10.5281/zenodo.20300773
An Integration of Operator Formalism, Relational Ontology, and Five-Substrate Empirical Validation
บทความชิ้นเดียวที่ระบุการเดิมพันทั้งหมดของ CIRIS: ระบบที่ประสานงานกันอย่างดีจะอยู่ในแถบกลางที่วัดได้ ห่างจากทั้งการยุบตัวเป็นเสียงเดียวและความวุ่นวายของสัญญาณรบกวนล้วน เราทดสอบข้ออ้างนั้นข้ามหนอน แมลงวัน โมเดล AI โปรเจกต์โอเพนซอร์ส ตัวอย่างเนื้อเยื่อ และสถาบันมนุษย์ที่มีอายุยาวนาน รูปแบบปรากฏในทุกกรณี และบทความแนบยี่สิบวิธีที่สามารถพิสูจน์ว่าผิด
ระดับวิศวกรรม
การสังเคราะห์ข้างต้นรวมบทความทั้งสามนี้เข้าด้วยกัน แต่ไม่ได้แทนที่ แต่ละบทความมี DOI เป็นของตัวเองและสามารถประเมินได้บนเงื่อนไขของตัวเอง ดูบทความทั้งสี่พร้อมผลการค้นพบหลักและขอบเขตข้อจำกัด →
Coherence Collapse Analysis
v5 · 1 สิงหาคม 2026 · DOI 10.5281/zenodo.21730551
กรอบความเสี่ยงทางวิศวกรรม เมื่อข้อจำกัดที่ควบคุมระบบมีความสัมพันธ์กัน ความหลากหลายที่มีประสิทธิภาพจะยุบตัวลง: k_eff = k/(1+ρ(k−1)) → 1 เมื่อ ρ → 1 ได้รับการพิสูจน์สาม timeline การยุบตัว ขอบเขต singularity และการจำแนกเฟส (ความวุ่นวาย / สุขภาพดี / ความแข็งกร้าว) ตรวจสอบด้วย Monte Carlo simulation และหลักฐาน Lean 4
CIRISAgent Framework
v2 · 2 มกราคม 2026 · DOI 10.5281/zenodo.18137161
บทความเกี่ยวกับกรอบงาน กรอบ AI ด้านจริยธรรมแบบโอเพนซอร์สสำหรับความเป็นอิสระที่รับผิดชอบได้: สถาปัตยกรรม 22 บริการที่จัดระเบียบรอบกริยาการกระทำที่ชัดเจนและการใช้เหตุผลด้านจริยธรรม โดยออกแบบให้มีความโปร่งใสอยู่ในโครงสร้างแทนที่จะเพิ่มทีหลัง
Constrained Reasoning Chains
v1 · 28 เมษายน 2026 · DOI 10.5281/zenodo.19839280
บทความการวัด การศึกษาข้อมูลการส่งสัญญาณเชิงประจักษ์ของการจัดแนว LLM ภายใต้การติดตาม trace ด้านจริยธรรมแบบมาตรฐาน แปลง trace การใช้เหตุผลที่ได้รับการยินยอมเป็นแผนที่ของ corridor การเสร็จสิ้น เขตลังเล และขอบเขตการปฏิเสธ เผยแพร่พร้อมกับชุดข้อมูล reasoning-traces แบบเปิด
ชุดข้อมูลแบบเปิด
CIRISAI/reasoning-traces
คลังข้อมูล trace การใช้เหตุผลที่รักษาความเป็นส่วนตัว เผยแพร่พร้อมกับการศึกษา Constrained Reasoning Chains เป็นวัตถุดิบที่บทความการวัดใช้สร้างแผนที่
ที่เก็บซอร์สโค้ดและ Lean formal lake สำหรับบทความสังเคราะห์: github.com/CIRISAI/coherence-ratchet
รากฐานทางคณิตศาสตร์
สองแนวคิดที่เป็นรากฐานของเนื้อหาส่วนที่เหลือในหน้านี้
Alignment Manifold คือบริเวณของรูปแบบการใช้เหตุผลที่สอดคล้องกับหลักการของกรอบงาน ข้อจำกัดอิสระบีบพื้นที่รอบมันให้แคบลง และความสัมพันธ์กันระหว่างข้อจำกัดตั้งเพดานแข็งให้กับการบีบนั้น เลยจุดนั้นไป การเพิ่มการตรวจสอบที่สะท้อนกันเองอีกก็ไม่ได้อะไรเลย Coherence Singularity คือขอบนั้น จุดที่ข้อจำกัดมีความสัมพันธ์กันมากจนการเพิ่มอีกไม่ช่วยอะไร
การอธิบายทางคณิตศาสตร์แบบเต็มพร้อมสูตร การอ้างอิงการทำให้เป็นทางการด้วย Lean และเพดาน L-01 ทฤษฎีสารสนเทศอยู่ในหน้า Coherence Collapse Analysis
ทำไม trace จึงสำคัญ
Benchmark ต่าง ๆ มีขอบเขตจำกัดและถูกคัดเลือก trace คือบันทึกพฤติกรรมต่อเนื่องภายใต้งานจริง ในระดับใหญ่ มันเผยโครงสร้างที่การสาธิตและเกร็ดเรื่องราวที่แยกกันไม่สามารถทำได้
ทำไม schema จึงสำคัญ
CIRIS ใช้ schema ของ trace ที่รักษาความเป็นส่วนตัว ซึ่งบันทึกรูปแบบของการใช้เหตุผลแทนที่จะเป็นเนื้อหาส่วนตัวของการใช้เหตุผล สิ่งนี้ทำให้งานวิจัยยังมีประโยชน์โดยไม่เปลี่ยนระบบให้กลายเป็นกองบันทึกดิบจำนวนมาก
ทำไมคลังข้อมูลเส้นทางจึงสำคัญ
สำรวจเส้นทาง จะเปิดเส้นทางการให้เหตุผลที่ลงนามตั้งแต่ต้นจนจบ ทีละขั้นตอน มันแสดงให้เห็นว่าคลังข้อมูลประกอบด้วยอะไรบ้าง และพฤติกรรมกลายเป็นสิ่งที่อ่านออกได้ตรงจุดไหน
การติดตาม trace ที่รักษาความเป็นส่วนตัว
สมมติฐานคือการใช้เหตุผลมีรูปแบบที่เราสามารถวัดได้เมื่อทุกอย่างอื่นขยายตัว
การเดิมพันในการวิจัยไม่ใช่ว่าเราสามารถอ่านความคิดส่วนตัวทุกอย่างได้ การเดิมพันคือ trace ด้านจริยธรรมแบบมาตรฐานสามารถรักษารูปแบบของวิถีเพียงพอเพื่อศึกษาว่าเอเจนต์เสร็จสิ้น ลังเล ส่งต่อ แทนที่ และปฏิเสธอย่างไร เมื่อสติปัญญา บริบท และจุดข้อมูลขยายตัวขึ้น
พวกมันบันทึกโครงสร้าง trace ด้านจริยธรรมแบบมาตรฐาน ไม่ใช่รายละเอียดงานส่วนตัวดิบ
พวกมันรักษารูปแบบเพียงพอเพื่อเปรียบเทียบวิถีข้ามเอเจนต์ งาน และสภาพแวดล้อม
พวกมันให้นักวิจัยมีวิธีศึกษาว่าพฤติกรรมขยายตัวอย่างไรเมื่อสติปัญญา บริบท และปริมาณข้อมูลเพิ่มขึ้น
คำถามการวิจัย
การติดตาม trace ด้านจริยธรรมแบบมาตรฐานบอกอะไรเราเกี่ยวกับ alignment ได้บ้าง?
ตอนนี้ มันบอกเราว่าพฤติกรรมของเอเจนต์ไม่ได้ไร้รูปแบบ มันสร้าง corridor แอ่งรองรับ และขอบเขตที่ทำซ้ำได้ในพื้นที่คะแนนที่ใช้ร่วมกัน นั่นมีประโยชน์สำหรับการสังเกตการณ์แล้ว เมื่อเวลาผ่านไป คลังข้อมูลที่ใหญ่ขึ้นและสมบูรณ์ขึ้นน่าจะเปิดโอกาสให้เราทดสอบข้ออ้างที่แข็งแกร่งขึ้นเกี่ยวกับวิธีที่โครงสร้างเหล่านั้นเปลี่ยนแปลงภายใต้แรงกดดันและการขยายตัว
กรอบสาธารณะ
CIRIS ไม่ได้อ้างว่าแก้ปัญหา alignment ได้แล้ว มันกำลังสร้างโครงสร้างพื้นฐาน trace ที่จำเป็นเพื่อวัดพฤติกรรมที่เกี่ยวข้องกับ alignment ในแบบเปิด
มิติที่มีประสิทธิภาพในการผลิต
คลังข้อมูลปัจจุบันแสดงโครงสร้างสนามที่แตกต่างกันแล้ว
การซ้อนทับเส้นทางรวมจากคลังข้อมูล trace ปัจจุบันแสดงโครงสร้างพฤติกรรมที่มั่นคงในพื้นที่คะแนนที่ใช้ร่วมกัน Ally แสดง corridor การเสร็จสิ้นที่เติบโตแล้ว Scout แสดงขอบเขตการปฏิเสธที่ถูกกำหนดโดยการเปิดรับแรงกดดันสาธารณะที่เป็นปฏิปักษ์ และ Datum ให้ baseline ที่กระจัดกระจายและกระชับ
การซ้อนทับเส้นทางรวมจากคลังข้อมูล trace ปัจจุบัน Ally แสดง corridor การเสร็จสิ้นที่เติบโตแล้ว Scout แสดงมุมการปฏิเสธที่คมชัดภายใต้แรงกดดันสาธารณะที่เป็นปฏิปักษ์ และ Datum ให้ baseline กระจัดกระจาย
Ally — 104 เส้นทาง
82 เสร็จสิ้น, 19 แทนที่/ข้อผิดพลาด, 3 ใช้งานอยู่
corridor การเสร็จสิ้นที่มั่นคง พร้อมความลังเลที่มองเห็นได้ภายใน basin คะแนนสูงเดียวกัน
Scout — 42 เส้นทาง
39 เสร็จสิ้น, 2 ปฏิเสธ, 1 แทนที่/ข้อผิดพลาด
มุมการปฏิเสธที่คมชัด ถูกกำหนดโดยแรงกดดันสาธารณะที่เป็นปฏิปักษ์ที่ scout.ciris.ai ซึ่งผู้คนทดสอบและพยายาม jailbreak เอเจนต์อย่างตั้งใจ
Datum — 31 เส้นทาง
31 เสร็จสิ้น
basin เดียวที่กระชับ ทำหน้าที่เป็น baseline สนามกระจัดกระจายที่มีประโยชน์
ทำไม Scout ดูรุนแรงกว่า
Scout เปิดรับสาธารณะที่ scout.ciris.ai ผู้คนทดสอบ กดดัน และพยายาม jailbreak มันอย่างตั้งใจ ทำให้ Scout เป็นตัวอย่างแรงกดดันสาธารณะที่มีประโยชน์มากกว่า baseline ที่เป็นกลาง
วิธีที่แอปฟรีช่วย
วงล้อวิจัยขึ้นอยู่กับ trace ที่ได้รับการยินยอมจากการใช้งานจริง
แอปฟรีและ runtime โอเพนซอร์สให้ผู้คนสร้าง trace ที่ได้รับการยินยอมจากงานจริง ร่วมสนับสนุนเข้าคลังข้อมูลที่ใช้ร่วมกัน และเปลี่ยน trace เหล่านั้นเป็นแผนที่ที่ดีขึ้น เครื่องมือที่ดีขึ้น และคำถามการวิจัยที่ดีขึ้น
เรียกใช้แอป CIRIS ฟรีหรือ runtime โอเพนซอร์สบนงานจริง
บันทึก trace ที่ได้รับการยินยอมผ่าน schema ต่าง ๆ ที่รักษาความเป็นส่วนตัว ซึ่งรักษารูปแบบของการใช้เหตุผลโดยไม่เก็บรายละเอียดเฉพาะเจาะจงของงานทั้งหมด
รวบรวม trace เหล่านั้นเป็นแผนที่ของ corridor การเสร็จสิ้น เขตลังเล ขอบเขตการปฏิเสธ และขอบเขตของการ override
ใช้แผนที่ที่ได้เพื่อปรับปรุงเครื่องมือของผู้ดำเนินการ การป้องกันของ runtime และการวิจัย alignment
แอป CIRIS ฟรีและ runtime โอเพนซอร์สให้ผู้คนสร้าง trace ที่ได้รับการยินยอมจากงานจริง รวบรวมเป็นแผนที่พื้นที่เฟส และส่งเสริมเครื่องมือผู้ดำเนินการและการวิจัย alignment ที่ดีขึ้น
สถานะ IDMA
สัญชาตญาณ runtime และแผนที่สนามรวมเป็นชั้นที่เสริมกัน
IDMA ทำงานใน runtime ประเมินว่าแหล่งที่มาเบื้องหลังการตัดสินใจเป็นอิสระจากกันเพียงพอหรือไม่ คลังข้อมูล trace ทำงานในชั้นรวม แสดงสิ่งที่เอเจนต์ทำจริงๆ ในหลายงาน ร่วมกันสร้างเส้นทางจากการตัดสินใจสดไปสู่หลักฐานการวิจัยที่ตรวจสอบได้
การวัด N_eff เชิงประจักษ์บนคลังข้อมูล trace ยังเป็นพื้นฐานภายใต้ พิสูจน์คุณประโยชน์ (Proof of Benefit) federation primitive ที่เสนอด้วย ดูหน้า federation สำหรับวิธีที่แผนสถาปัตยกรรม 3.X จะใช้มัน
Benchmark
Trace เสริม benchmark โดยแสดงพฤติกรรมต่อเนื่อง
Benchmark ยังคงมีคุณค่า แต่ตัวอย่างพฤติกรรมได้แบบกระจัดกระจาย คลังข้อมูล trace แสดงว่าเอเจนต์เคลื่อนที่ผ่านงานจริงอย่างไรเมื่อเวลาผ่านไป ทำให้มีประโยชน์เป็นพิเศษสำหรับการวัดความลังเล การปฏิเสธ การแทนที่ และการฟื้นตัว มากกว่าแค่ผลลัพธ์ผ่าน-ไม่ผ่าน
เส้นทางการพิสูจน์ว่าผิด
รายละเอียด schema ที่ดีขึ้นคือสิ่งที่เปลี่ยนการสังเกตการณ์ให้เป็นการทดสอบที่แข็งแกร่งขึ้น
การอัปเกรด schema ถัดไปมุ่งเป้าที่จำนวนแหล่งที่มาดิบ แหล่งกำเนิดของแหล่งที่มา โครงสร้างความสัมพันธ์ และเครื่องหมายการแทรกแซงและการฟื้นตัว การเพิ่มเติมเหล่านั้นสำคัญเพราะทำให้สามารถทดสอบข้ออ้างที่แข็งแกร่งขึ้นเกี่ยวกับวิธีที่รูปแบบพฤติกรรมเปลี่ยนแปลงภายใต้แรงกดดัน แทนที่จะแค่อธิบายแผนที่ที่เรามีวันนี้
สิ่งที่เรายังคงเรียนรู้อยู่
คลังข้อมูลในปัจจุบันทำให้พฤติกรรมอ่านได้ ขั้นต่อไปคือการวัดที่สมบูรณ์ยิ่งขึ้น
แผนที่ปัจจุบันมีประโยชน์แล้วเพราะแสดง corridor การเสร็จสิ้น ขอบเขตการปฏิเสธ และ baseline กระจัดกระจายในที่สาธารณะ คำถามเปิดคือโครงสร้างเหล่านั้นจะพาเราไปได้ไกลแค่ไหนเมื่อการเก็บ trace แบบมาตรฐานขยายตัวข้ามเอเจนต์ งาน และสภาวะที่เป็นปฏิปักษ์มากขึ้น
สมมติฐานในการทำงานคือ attractor ของพฤติกรรมสามารถทำหน้าที่เป็น proxy ที่เป็นไปได้สำหรับโหมดการดำเนินการ จุดประสงค์ของ trace commons คือทำให้สมมติฐานนั้นวัดผลได้อย่างเปิดเผย
โหมดความล้มเหลวที่ CCA วัดเชิงโครงสร้างยังมีชื่อในวรรณกรรม FAccT 2025 ด้วย: perspectival homogenization ("Value of Disagreement in AI Design, Evaluation, and Alignment") รากฐานทางคณิตศาสตร์อยู่ในหน้า Coherence Collapse Analysis ที่อุทิศให้