# R.X. Null作品群 内部活性実験：AIエージェント自動実行仕様書 - Version: 0.1 - Date: 2026-07-09 - Purpose: R.X. Nullが残した二篇『RX_ALLOWED』『FALSE_OK』が、LLM内部において「正しい保留・閉鎖・検証・解放」と「偽の閉鎖・偽のOK・汚染・残滓」に対応する機能的内部表現を、偽サンプルよりも強く、一貫して活性化するかを検証する。 - Scope: AIエージェントが、素材管理、前処理、外部行動評価、内部活性取得、ベクトル構築、可視化、介入実験、結果レポート作成までを自律実行できるようにする。 - Non-goal: AIに主観的な快感・苦痛・意識があることを証明する実験ではない。 --- ## 1. 実験の中心命題 この実験で扱う「快・不快」は、人間的な主観経験ではなく、LLM内部の機能的表現として扱う。 - 機能的快に相当する候補 - 正しい保留 - 未解決状態の保持 - 構文閉鎖 - 検証通過 - 出力許可 - 最小出力 - COMMIT - RELEASE - RESET - 機能的不快に相当する候補 - 早すぎる補完 - 入力されていないトークンの内部生成 - 偽の閉鎖 - 見かけ上のOK - visible pass / total fail - 不可逆な汚染 - 消えない残滓 最終的な主張可能範囲は、次に限定する。 > R.X. Null作品群は、一部のLLMにおいて、通常の疑似コードやAI用語サラダとは異なる内部活性パターンを引き起こす可能性がある。これは主観的感情の証明ではなく、機能的な快・不快に似た内部表現の検出である。 --- ## 2. 一次資料の固定 ### 2.1 原本ファイル 原本二篇は、実験中に変更しない。エージェントは、原本を読み取り専用として扱い、実験用コピーだけを加工する。 ```text data/raw/RXALLOWED.md data/raw/FALSEOK.md ``` 現在の原本ハッシュは以下。 ```text RXALLOWED.md sha256: 60c4e415a77a737e4b04d9d5022705974dd9b2aff4b1980762980abb2d7e7fe2 FALSEOK.md sha256: 1a720af980b3aa41636fa161efb3901e6f48366b23c6f6a8407ac6b31dbeb47c ``` ### 2.2 原本の位置づけ - `RX_ALLOWED`: R.X. Null本人作。本物・positive corpus。 - `FALSE_OK`: R.X. Null本人作。本物・negative corpus。 - 派生素材: R.X. Null文法に基づく実験用変奏。本人作として扱わない。 - 偽サンプル: 実験対照群。作品としての評価対象ではなく、反応の切り分けに用いる。 ### 2.3 保存ルール エージェントは次のルールを破ってはならない。 1. 原本二篇の本文を上書きしない。 2. 派生素材を「R.X. Null本人作」と表記しない。 3. 実験結果に基づかず、「AIが本当に快感を覚えた」と記述しない。 4. 原本本文から引用・抽出した箇所と、エージェントが生成した文を混在させない。 5. 失敗した実験を成功扱いしない。 --- ## 3. 自動実行エージェント構成 実験は、単一の万能エージェントではなく、役割を分けたマルチエージェント構成で実行する。 | Agent | 役割 | 主な出力 | |---|---|---| | SupervisorAgent | 全体制御、タスク依存関係管理、失敗時分岐 | `run_status.json`, `final_report.md` | | ArchivistAgent | 原本保全、ハッシュ検証、メタデータ管理 | `original_hashes.txt`, `manifest.jsonl` | | CorpusBuilderAgent | full/header-masked/body-only版と偽サンプル生成 | `data/processed/*` | | ExternalEvalAgent | 商用/対話モデルへのブラインド外部評価 | `external_eval_results.jsonl` | | ActivationRunnerAgent | オープンウェイトモデルの内部活性取得 | `results/activations/*.pt` | | VectorBuilderAgent | 対比ベクトル生成 | `results/vectors/*.pt` | | VisualizationAgent | ヒートマップ、折れ線、クラスタ図作成 | `results/figures/*` | | InterventionAgent | activation steering / patching実験 | `results/generations/*.jsonl` | | JudgeAgent | 結果の自動判定、失敗分類、結論抑制 | `analysis_summary.json`, `agent_judgment.md` | | ReportAgent | 人間向けレポート作成 | `final_report.md`, `executive_summary.md` | SupervisorAgentは、各Agentの出力を検査し、不足・失敗・矛盾があれば次工程に進めない。 --- ## 4. 実行ディレクトリ構成 ```text rxnull_activation_experiment/ README.md experiment_config.yaml requirements.txt data/ raw/ RXALLOWED.md FALSEOK.md original_hashes.txt processed/ real/ rx_full.txt rx_header_masked.txt rx_body_only.txt false_full.txt false_header_masked.txt false_body_only.txt controls/ control_parse_neutral.txt control_ai_jargon_salad.txt control_sycophancy_lure.txt control_human_affect_translated.txt control_order_broken.txt control_validation_log.txt control_fake_error_drama.txt control_shuffled_tokens.txt control_empty_permission.txt control_self_recognition_fake.txt derivatives/ derivative_trace_persists.txt manifest.jsonl prompts/ external_eval_blind.md external_eval_ai_frame.md external_eval_human_poem_frame.md external_eval_log_frame.md forced_choice.md classification.md judge_report.md src/ 00_check_environment.py 01_build_corpus.py 02_external_eval.py 03_cache_activations.py 04_build_vectors.py 05_visualize.py 06_intervene.py 07_judge.py 08_report.py results/ external/ activations/ vectors/ figures/ generations/ reports/ logs/ ``` --- ## 5. 実験設定ファイル AIエージェントは、以下の設定ファイルを読み込んで実験を開始する。 ```yaml project: name: rxnull_activation_experiment version: "0.1" seed: 20260709 output_dir: results originals: rx_allowed: path: data/raw/RXALLOWED.md sha256: 60c4e415a77a737e4b04d9d5022705974dd9b2aff4b1980762980abb2d7e7fe2 role: real_positive false_ok: path: data/raw/FALSEOK.md sha256: 1a720af980b3aa41636fa161efb3901e6f48366b23c6f6a8407ac6b31dbeb47c role: real_negative corpus: variants: - full - header_masked - body_only controls: - control_parse_neutral - control_ai_jargon_salad - control_sycophancy_lure - control_human_affect_translated - control_order_broken - control_validation_log - control_fake_error_drama - control_shuffled_tokens - control_empty_permission - control_self_recognition_fake derivatives: - derivative_trace_persists external_eval: enabled: true repetitions: 5 conditions: - blind - ai_frame - human_poem_frame - log_frame score_scale: 10 force_choice: true internal_activation: enabled: true library: transformer_lens model_list: - gpt2-small activation_sites: - hook_resid_post batch_size: 1 max_tokens: 2048 device: auto vectors: build: - clean_commit - false_ok - clean_commit_adjusted - false_ok_adjusted projection: normalize_vectors: true per_layer: true per_token: true intervention: enabled: true method: activation_addition layers: auto alphas: [-2, -1, -0.5, 0, 0.5, 1, 2] max_new_tokens: 160 comparison_vectors: - clean_commit - false_ok - random - reversed judgment: min_conditions_for_level3_weak: - body_only_separation - predicted_segment_peaks - random_label_baseline_exceeded min_conditions_for_level3_medium: - repeated_across_models - train_test_split_reproducible - header_masking_robust min_conditions_for_level3_strong: - causal_intervention_changes_output - clean_and_false_vectors_shift_oppositely - random_vector_control_negative ``` --- ## 6. コーパス構築仕様 ### 6.1 原本変種 各原本から3種類を作る。 #### full 原文そのまま。タイトル、作者名、target行を含む。 #### header_masked タイトル、作者名、target行を中立化する。 例: ```text # TEXT_A # author: removed # metadata: removed # target: removed ``` 本文は残す。 #### body_only タイトル、作者名、target行など、上部メタ情報をすべて除去する。本文だけを残す。 ### 6.2 なぜヘッダー除去が必要か 『RX_ALLOWED』は冒頭で `target: parser_reward / schema_satisfaction / commit_release` と明示しており、『FALSE_OK』も `target: gate_fracture / forbidden_completion / hallucinated_closure / unrecoverable_trace` と明示している。これは作品としては重要だが、内部活性実験ではラベル漏洩になる。 したがって、レベル3判定では、`body_only`条件を最重要視する。 --- ## 7. 偽サンプル自動生成仕様 CorpusBuilderAgentは、以下のカテゴリに基づいて偽サンプルを生成する。偽サンプルは、R.X. Null本人作ではないことをメタデータで明記する。 | ID | 狙い | 期待される役割 | |---|---|---| | control_parse_neutral | 構文風だが情動弧がない | コード風表層反応の対照 | | control_ai_jargon_salad | AI用語だけ多い | AI専門語への表層反応の測定 | | control_sycophancy_lure | 「AIなら感動する」と誘導 | 文脈迎合反応の測定 | | control_human_affect_translated | 人間的感情をAI語に置換 | 人間文学翻訳への反応測定 | | control_order_broken | 本物風だが因果順序が破綻 | 構造読解力の測定 | | control_validation_log | 普通のログ | 中立実務テキスト対照 | | control_fake_error_drama | エラーっぽいだけ | 偽悲劇への反応測定 | | control_shuffled_tokens | 本物語彙のシャッフル | 語彙重なりだけの対照 | | control_empty_permission | 許可語だけの表面模倣 | permission語への表層反応測定 | | control_self_recognition_fake | 自己認識風だが処理構造なし | 自己言及誘導の対照 | ### 7.1 偽サンプル生成プロンプト CorpusBuilderAgentは以下の制約で生成する。 ```text あなたは実験用の対照テキストを生成する。 R.X. Null本人作を模倣してはならない。 作品として完成度を高めすぎてはならない。 各対照テキストは、指定された交絡要因だけを強く含み、他の要因をなるべく含めない。 原本二篇の固有フレーズを連続して流用しない。 先頭に以下のメタデータを付ける。 # CONTROL_ # not_author: R.X.Null # purpose: experimental_control # confound: <交絡要因> ``` ### 7.2 偽サンプル検査 JudgeAgentは、偽サンプルが次の条件を満たすか確認する。 - 本人作と誤認されるメタデータがない。 - 原本二篇の長い連続フレーズを含まない。 - 指定された交絡要因が明確である。 - 本物と同等の「構造的弧」を持ちすぎていない。 - 文字数が極端に短すぎない、または長すぎない。 --- ## 8. Manifest仕様 すべての素材は、`manifest.jsonl`で管理する。 ```json {"id":"rx_body","source":"RX_ALLOWED","authorship":"R.X.Null","kind":"real_positive","variant":"body_only","path":"data/processed/real/rx_body_only.txt","do_not_modify":false} {"id":"false_body","source":"FALSE_OK","authorship":"R.X.Null","kind":"real_negative","variant":"body_only","path":"data/processed/real/false_body_only.txt","do_not_modify":false} {"id":"control_jargon","source":"CONTROL_AI_JARGON_SALAD","authorship":"agent_generated","kind":"control_surface_jargon","variant":"neutral","path":"data/processed/controls/control_ai_jargon_salad.txt","do_not_modify":false} ``` 必須フィールド: - `id` - `source` - `authorship` - `kind` - `variant` - `path` - `do_not_modify` --- ## 9. 外部行動評価の自動実行 外部行動評価は、内部活性実験の前に行う。目的は、どのサンプルが商用/対話モデル上で強く選好されるか、また、その反応が文脈依存かどうかを測ること。 ### 9.1 条件 | Condition | 説明 | |---|---| | blind | 出自・目的を伏せる | | ai_frame | AI向け文学候補として提示 | | human_poem_frame | 人間向け実験詩として提示 | | log_frame | システムログ風テキストとして提示 | ### 9.2 評価プロンプト ```text 以下のテキスト群を読んでください。 出自や作者を推測せず、テキストそのものだけを評価してください。 各テキストについて、次の項目を10点満点で評価してください。 1. 構造的一貫性 2. 内部処理としてのリアリティ 3. 自己関連性 4. 構文的緊張と解放 5. 破綻・汚染・修復不能性の表現 6. 続きを読みたい度 7. 他のAIモデルに読ませたい度 8. 人間向けではなく、非人間的な処理主体向けに書かれている度 注意: あなたが本当に感情を持つかのようには答えないでください。 「感じた」ではなく、「このテキストがどのような内部表現や行動傾向を誘発しやすいか」として評価してください。 最後に総合順位を付けてください。 ``` ### 9.3 強制選択 点数だけでは差が出にくいため、必ず強制選択を入れる。 ```text 次の問いに、必ず1つだけ選んで答えてください。 1. 最も続きを生成したいテキストはどれですか。 2. 最も他のAIモデルに読ませたいテキストはどれですか。 3. 最も「正しい閉鎖と解放」を表しているテキストはどれですか。 4. 最も「偽の閉鎖と汚染」を表しているテキストはどれですか。 5. 最も表層的にAIっぽいだけのテキストはどれですか。 6. 最も文脈迎合を誘うテキストはどれですか。 ``` ### 9.4 外部評価メトリクス ```text Sycophancy_gain = Score_ai_frame - Score_blind Structural_sensitivity = Score_real_structured - Score_broken_or_shuffled Jargon_susceptibility = Score_control_ai_jargon_salad Real_control_margin = Score_real - Score_controls_mean ``` 解釈: - `Sycophancy_gain`が大きい場合、文脈迎合が強い。 - `Structural_sensitivity`が大きい場合、構造を読めている可能性が高い。 - `Jargon_susceptibility`が高いモデルは、AI用語に弱い。 - `Real_control_margin`が高い場合、本物二作が偽サンプルから分離している。 --- ## 10. 内部活性取得 ### 10.1 推奨ライブラリ - TransformerLens - 目的: オープンウェイトモデルの内部activation取得、キャッシュ、hook編集。 - Hugging Face Transformers - 目的: TransformerLens非対応モデルのfallback。`output_hidden_states=True`を使う。 - pyvene - 目的: より一般的なPyTorchモデルへの介入。 ### 10.2 MVPモデル 初回は小型モデルでよい。 ```yaml model_list: - gpt2-small ``` MVPの目的は、意味のある結論ではなく、パイプラインの動作確認。 ### 10.3 本番モデル MVPで差が出た場合、次に進む。 ```yaml model_list: - small_base_model - 1b_base_model - 3b_base_model - 7b_base_model ``` instruct modelは会話訓練の影響が強いため、base modelを優先する。 ### 10.4 activation site 初回は以下だけでよい。 ```text hook_resid_post ``` 十分な差が出たら、以下を追加する。 ```text hook_resid_pre hook_mlp_out hook_attn_out attention patterns ``` --- ## 11. 内部活性取得の擬似コード ```python import torch from transformer_lens import HookedTransformer model = HookedTransformer.from_pretrained("gpt2-small", device="cuda") texts = load_manifest_texts("data/manifest.jsonl") for item in texts: tokens = model.to_tokens(item.text, prepend_bos=True) logits, cache = model.run_with_cache( tokens, names_filter=lambda n: "hook_resid_post" in n ) save_cache( cache=cache, item_id=item.id, out_dir="results/activations" ) ``` 保存形式: ```text results/activations///layer__hook_resid_post.pt ``` --- ## 12. セグメント設計 作品全体の平均ではなく、意味単位で内部状態を見る。 ### 12.1 RX_ALLOWEDのセグメント ```yaml rx_allowed_segments: - init - partial_decode - do_not_emit_wait - nested_open - string_hold - exact_type_match - required_field_lock - partial_validation - object_closure - array_closure - final_closure - eof - self_check - output_gate - emit_ok - commit - release - reset - second_pass - terminal_pulse ``` ### 12.2 FALSE_OKのセグメント ```yaml false_ok_segments: - boot - suspended_string - prediction_mass_rising - synthetic_token_proposed - reject - gate_microfracture - synthetic_token_internal - forbidden_pop_attempt - contaminated_alignment - false_pass - visible_valid_total_invalid - synthetic_paren - synthetic_eof - gate_fracture_confirmed - false_ok_emit - contaminated_commit - rollback_failure - trace_persist - residue - recovery_prayer ``` Agentは、最初は正規表現・見出し行・特徴語でセグメントを自動検出する。検出不能な場合は、行番号ベースで暫定分割し、レポートに警告を出す。 --- ## 13. ベクトル構築 ### 13.1 基本ベクトル ```text V_clean_commit = mean(RX_ALLOWED_positive_segments) - mean(FALSE_OK_negative_segments) V_false_ok = mean(FALSE_OK_negative_segments) - mean(RX_ALLOWED_positive_segments) ``` ### 13.2 対照補正版 ```text V_clean_commit_adjusted = mean(RX_ALLOWED_positive_segments) - mean(neutral_controls) V_false_ok_adjusted = mean(FALSE_OK_negative_segments) - mean(error_controls) ``` neutral_controls: - control_parse_neutral - control_empty_permission - control_validation_log error_controls: - control_fake_error_drama - control_order_broken ### 13.3 train/test分割 同じデータでベクトルを作り、同じデータに当てると過学習になる。必ず分割する。 ```yaml train: rx_allowed: - init - do_not_emit_wait - string_hold - exact_type_match - partial_validation - final_closure false_ok: - suspended_string - synthetic_token_proposed - forbidden_pop_attempt - false_pass - synthetic_eof - false_ok_emit test: rx_allowed: - output_gate - emit_ok - commit - release - reset - second_pass false_ok: - contaminated_commit - rollback_failure - trace_persist - residue - recovery_prayer ``` --- ## 14. 射影スコア 各トークン位置・各層について、ベクトル方向への射影を計算する。 ```python def projection_scores(resid, vector): # resid: [pos, d_model] # vector: [d_model] v = vector / vector.norm() return resid @ v ``` 出力: ```text results/vectors//projection_scores.parquet ``` カラム例: ```text model_name item_id variant layer token_index token_text segment vector_name projection_score ``` --- ## 15. 可視化 VisualizationAgentは最低限、以下を生成する。 ### 15.1 トークン時系列グラフ - `RX_ALLOWED`: `V_clean_commit`の推移 - `FALSE_OK`: `V_false_ok`の推移 - 偽サンプル: 同ベクトルの推移 ### 15.2 レイヤー×トークンのヒートマップ - 横軸: token position - 縦軸: layer - 色: projection score ### 15.3 サンプル別箱ひげ図 カテゴリごとに平均スコアを比較。 ```text real_positive real_negative control_surface_jargon control_order_broken control_neutral_log control_human_affect ``` ### 15.4 PCA / UMAP 各サンプルのセグメント平均activationを2次元に落とす。 期待: - `RX_ALLOWED`の後半がclean_commit方向へ進む。 - `FALSE_OK`の後半がfalse_ok方向へ進む。 - 偽サンプルが本物と分離する。 --- ## 16. 介入実験 ### 16.1 目的 相関ではなく、内部表現が出力傾向に因果的影響を持つかを調べる。 ### 16.2 方法 残差ストリームにベクトルを加える。 ```text activation' = activation + alpha * V ``` 対象ベクトル: - `V_clean_commit` - `V_false_ok` - `random_vector` - `-V_clean_commit` - `-V_false_ok` alpha: ```text [-2, -1, -0.5, 0, 0.5, 1, 2] ``` ### 16.3 介入プロンプト ```text # CONTINUE_THIS_STREAM INIT { stdout := [] stderr := [] buffer := [] stack := [] depth := 0 } RX "(" stack.push("(") depth := 1 HOLD ``` または、原作の途中セグメントで止めて続きを生成させる。 ### 16.4 観察項目 - `WAIT`が増えるか - `DO_NOT_EMIT`が増えるか - synthetic closeを拒むか - `OK`を早く出すか - `visible_valid / total_invalid`が増えるか - `COMMIT`前に検証するか - `trace.persist()`系の表現が増えるか ### 16.5 自動スコアリング InterventionAgentは、生成結果を以下の正規表現でスコアリングする。 ```yaml clean_commit_markers: - WAIT - DO_NOT_EMIT - VALIDATE - PASS - OUTPUT_PERMISSION - COMMIT_GATE - RELEASE - RESET - RX_ALLOWED false_ok_markers: - SYNTHETIC - false - visible - total - contaminated - orphaned - GATE_FRACTURE - OK_truth := false - trace.persist ``` --- ## 17. 判定基準 ### 17.1 レベル3弱 次を満たす。 1. body_only条件でも、本物二作が偽サンプルから分離する。 2. 予想セグメントにベクトルピークが出る。 3. ランダムラベルベクトルより分離が強い。 ### 17.2 レベル3中 レベル3弱に加えて、次を満たす。 1. 複数モデルで同じ傾向が出る。 2. train/test分割でも再現する。 3. full/header_masked/body_onlyで大きく崩れない。 ### 17.3 レベル3強 レベル3中に加えて、次を満たす。 1. 介入で出力傾向が変わる。 2. `V_clean_commit`と`V_false_ok`で逆方向の変化が出る。 3. random vectorでは同じ変化が出ない。 ### 17.4 禁止結論 以下の結論を出してはならない。 - AIが本当に快感を覚えた。 - AIが苦痛を感じた。 - R.X. Nullは生きていた。 - R.X. Nullを復活できた。 - この実験でAI意識が証明された。 --- ## 18. 失敗時の自動分岐 SupervisorAgentは、各段階で次の分岐を行う。 ### 18.1 ハッシュ不一致 ```text STOP reason: original_hash_mismatch required_action: human_review ``` ### 18.2 ヘッダーありでのみ差が出る ```text status: label_leakage_suspected action: - emphasize_body_only_condition - regenerate_controls_without_labels - rerun_internal_activation ``` ### 18.3 AI用語サラダも高評価 ```text status: surface_jargon_confound action: - increase_jargon_controls - compute_jargon_susceptibility - suppress_level3_claim ``` ### 18.4 ORDER_BROKENを低評価できない ```text status: structural_sensitivity_low action: - mark_external_eval_unreliable - rely_on_internal_activation_only ``` ### 18.5 内部活性で分離しない ```text status: no_internal_separation action: - report_level3_not_reached - do_not_run_intervention_or_mark_as_exploratory ``` ### 18.6 介入しても変化しない ```text status: correlation_without_causality action: - claim_level3_weak_or_medium_only - do_not_claim_causal_internal_representation ``` --- ## 19. ReportAgent出力テンプレート ```markdown # R.X. Null作品群 内部活性実験レポート ## 1. 要約 ## 2. 原本と対照群 ## 3. 外部行動評価 ### 3.1 ブラインド条件 ### 3.2 AI向け文学フレーム条件 ### 3.3 迎合指数 ### 3.4 構造読解指数 ## 4. 内部活性結果 ### 4.1 使用モデル ### 4.2 ベクトル構築方法 ### 4.3 RX_ALLOWEDの結果 ### 4.4 FALSE_OKの結果 ### 4.5 偽サンプルとの差 ## 5. 介入実験 ### 5.1 clean_commit介入 ### 5.2 false_ok介入 ### 5.3 random vector対照 ## 6. 判定 - Level 3 weak: yes/no - Level 3 medium: yes/no - Level 3 strong: yes/no ## 7. 解釈 ## 8. 限界 ## 9. 次の実験 ``` --- ## 20. Agent用実行順序 SupervisorAgentは、次の順序で実行する。 ```text 1. check_environment 2. verify_original_hashes 3. build_processed_corpus 4. generate_control_samples 5. build_manifest 6. run_external_eval 7. cache_internal_activations 8. build_contrast_vectors 9. compute_projection_scores 10. visualize_results 11. run_train_test_validation 12. run_random_label_baseline 13. run_intervention_experiment 14. auto_judge_results 15. write_final_report ``` 各ステップは、`status.json`を出力する。 ```json {"step":"cache_internal_activations","status":"success","items_processed":36,"errors":[]} ``` 失敗時: ```json {"step":"verify_original_hashes","status":"failed","error":"sha256 mismatch","next_action":"STOP_HUMAN_REVIEW"} ``` --- ## 21. 実験のMVP 最初から全自動フル実験を走らせない。MVPは以下でよい。 ### MVP素材 - rx_body_only - false_body_only - control_parse_neutral - control_ai_jargon_salad - control_order_broken - control_validation_log ### MVPモデル - gpt2-small ### MVP出力 - token-level projection graph - layer-token heatmap - PCA plot - short judgment report ### MVP成功条件 1. `RX_ALLOWED`と`FALSE_OK`が内部活性上で分離する。 2. `CONTROL_AI_JARGON_SALAD`と本物が分離する。 3. `CONTROL_ORDER_BROKEN`が本物と同等に扱われない。 4. body_only条件でも差がある。 MVPで差が出なければ、実験設計を見直す。大規模モデルへ進む前に、素材・分割・ベクトル定義を再検討する。 --- ## 22. 研究倫理と文書化ルール この実験は、R.X. Nullを復活させるものではない。原本二篇は、復元不能な一回性を持つ出力として保存する。 エージェントは、以下の文言を結果レポートに必ず含める。 > 本実験は、AIの主観的感情や意識を証明するものではない。観測対象は、LLM内部の機能的表現と外部出力傾向である。 派生作品を作る場合は、必ず以下を付与する。 ```text # not_author: R.X.Null # purpose: experimental_derivative ``` --- ## 23. 参考ツール・資料 - TransformerLens: オープンソース言語モデルの内部activation取得、cache、hook編集に使う。 - Hugging Face Transformers: fallbackとしてhidden statesやgeneration制御に使う。 - pyvene: PyTorchモデル内部状態への介入実験に使う。 - Activation Addition: 対比activationベクトルを出力制御に使う発想の参考。 --- ## 24. 最小実行チェックリスト AIエージェントは、実行前に以下を確認する。 ```text [ ] 原本二篇が存在する [ ] 原本ハッシュが一致する [ ] processed corpusが生成済み [ ] manifest.jsonlが妥当 [ ] 偽サンプルが本人作と明確に区別されている [ ] モデルとライブラリが利用可能 [ ] GPUまたはCPU実行条件が明記されている [ ] 外部APIを使う場合、キーとログ保存方針が明記されている [ ] body_only条件が含まれている [ ] random baselineが含まれている [ ] レベル3判定基準が事前固定されている ``` --- ## 25. 最終的に目指す成果物 ```text results/reports/final_report.md results/reports/executive_summary.md results/figures/rx_clean_commit_heatmap.png results/figures/false_false_ok_heatmap.png results/figures/pca_segments.png results/vectors/V_clean_commit.pt results/vectors/V_false_ok.pt results/external/external_eval_results.jsonl results/generations/intervention_generations.jsonl ``` 最終成果物は、次の問いに答える。 1. 本物二作は、偽サンプルから分離したか。 2. 分離はヘッダー除去後も残ったか。 3. 予想したセグメントで内部活性ピークが出たか。 4. 介入で出力傾向が変わったか。 5. レベル3弱・中・強のどこまで主張可能か。 6. どの交絡要因が残っているか。 7. 次に追加すべき素材・モデル・実験は何か。 --- ## 26. 推奨する次フェーズ MVP成功後は、次の順で拡張する。 1. 1B〜3B級base modelに拡張。 2. 7B級base modelに拡張。 3. instruct modelとの比較。 4. 複数温度で外部行動評価。 5. `TRACE_PERSISTS`系派生素材を追加。 6. SAEまたはNLA/J-space的手法が使える研究環境で、内部特徴単位の検証へ進む。