Theorie der geordneten Patches (OPT)

Ursprüngliche Aufgabe T-9: Wartungszyklus und Wiederherstellungsapparat Problem: Das Hauptpapier §3.6.3–§3.6.6 definiert die Gleichungen T9-1 bis T9-13 (den Wartungszyklus-Operator \mathcal{M}_\tau, MDL-Pruning \Delta_{\mathrm{MDL}}, den Konsolidierungsgewinn \Delta K_{\text{compress}}, die REM-Wichtigkeitsgewichtung w(b)). Die Anhänge T-12 (Narrativer Drift) und T-13 (Action-Drift) verweisen auf diesen Apparat als tragende Struktur. Dem Rahmenwerk fehlt ein konsolidierender Anhang, der (i) die formalen Primitive explizit benennt, (ii) die vier Pruning-Modalitäten unterscheidet, die das \Delta_{\mathrm{MDL}} < 0 des Hauptpapiers implizit lässt, (iii) die Wiederherstellungsbedingung definiert und (iv) ein stabiles formales Ziel bereitstellt, auf das sich die korollaren Anhänge beziehen können. T-9 schließt diese Lücke. Liefergegenstand: Konsolidierender Anhang auf derselben epistemischen Ebene wie T-2 / T-15 (strukturelle Entsprechung, kein geschlossenes Theorem). Neuer Inhalt über das Hauptpapier hinaus: explizite Definition des prädiktiven Gewinns G_i(t,\tau), Zerlegung der Wartungskosten mit Ressourcenkapazität als Primärgröße, Unterscheidung von vier Pruning-Modalitäten, Wiederherstellungsbedingung, Korollarkette.

Abschlussstatus: STRUKTURELLE ENTSPRECHUNG (dieselbe Ebene wie T-2 / T-15). Dieser Anhang ist kein Anhang zu einem geschlossenen Theorem. Er konsolidiert den Wartungszyklus-Apparat, der bereits in Preprint §3.6 operiert, und ergänzt vier formale Inhalte, die das Hauptpapier nicht enthält: expliziter prädiktiver Gewinn, Kostenrahmung über Ressourcenkapazität, vier Pruning-Modalitäten und Wiederherstellungsbedingungen. Die Vorbehalte aus §2 der OpenAI-Review werden beachtet: (i) der Pruning-Schwellenwert wird in der Form dargestellt, die mit der noch ausstehenden Umformulierung von T-12 zur Kanalunabhängigkeit koordiniert ist (Phase 4); (ii) die bestehenden Gleichungen T9-3 / T9-4 des Hauptpapiers werden wie zitiert beibehalten, wobei T-9 die Verfeinerung über Ressourcenkapazität als zusätzliche formale Schicht einführt, anstatt die zitierten Formen stillschweigend zu ändern; (iii) Kosten der Ressourcenkapazität sind primär, wobei K-Komplexität eine Approximation auf der Ebene struktureller Entsprechung darstellt. Offene Kanten (§9): Die buchhalterische Abstimmung von Ressourcenkapazität und K-Komplexität muss vollständig mit T-12 versöhnt werden, sobald dessen Umformulierung vorliegt.

§1. Setup — Aktive Modellkomponenten

Der Codec K_\theta umfasst eine Menge aktiver Modellkomponenten \{\theta_i\}_{i \in I}, wobei jedes \theta_i eine adressierbare strukturelle Einheit des Codecs ist — ein generativer Prior, ein gelernter Merkmalsdetektor, ein rekurrenter Stack, eine Langstreckenkopplung oder jedes andere Primitivelement, das an der Erzeugung der Vorhersagen \pi_t des Codecs und seines Update-Operators \mathcal{U} über die Zeit beteiligt ist. Die Menge \{\theta_i\} ist zu jedem gegebenen Zeitpunkt endlich, kann jedoch durch Konsolidierung (Pass II, Preprint §3.6.4) erweitert oder durch Pruning (Pass I, Preprint §3.6.3) verkleinert werden.

Für die Zwecke von T-9 werden die Komponenten als gegeben vorausgesetzt: T-9 leitet nicht her, was ein \theta_i im Unterschied zu einem anderen zu einer „natürlichen“ Komponente macht; dies ist eine Frage des Repräsentationslernens außerhalb des Geltungsbereichs der OPT. Der Apparat des Wartungszyklus operiert auf jeder Zerlegung, die der Codec zulässt.

Der Operator des Wartungszyklus \mathcal{M}_\tau (Preprint Gl. T9-2) wirkt während Phasen geringer Last (R_{\text{req}}(t) \ll C_{\max}) auf den Phänomenalen Zustandstensor P_\theta(t). T-9 entfaltet die drei Passes (Pruning, Konsolidierung, Zukunftsfächer-Sampling) in die expliziten formalen Primitive der nachstehenden §§2–6; die Korollarkette in §7 verfolgt dann Narrativen Drift (T-12) und Handlungs-Drift (T-13) durch diese Primitive.

§2. Prädiktiver Vorteil G_i(t, \tau)

Der prädiktive Vorteil einer Komponente \theta_i über ein Fenster der Länge \tau misst, wie stark diese Komponente zur prädiktiven Leistung des Codecs auf dem Eingabestrom beiträgt, wobei die übrigen Komponenten konstant gehalten werden:

G_i(t, \tau) \;:=\; I\!\left(\theta_i \,;\, X_{t+1:t+\tau} \mid \theta_{-i}\right) \tag{T9.2-1}

wobei \theta_{-i} den Rest des Codecs ohne \theta_i bezeichnet und I(\cdot ; \cdot \mid \cdot) die bedingte wechselseitige Information ist. Die bedingte Form ist wesentlich: Sie isoliert den marginalen prädiktiven Beitrag von \theta_i statt seines gemeinsamen Beitrags mit überlappenden Komponenten.

Vergleich mit Gl. T9-3 im Haupttext. Die MDL-Pruning-Größe des Haupttexts lautet

\Delta_{\mathrm{MDL}}(\theta_i) \;=\; I\!\left(\theta_i\,;\,X_{t+1:t+\tau} \mid \theta_{-i}\right) - \lambda K(\theta_i) \tag{T9-3, Preprint §3.6.3}

T-9 bezeichnet den ersten Term explizit als G_i(t,\tau), sodass auf das Grundelement des prädiktiven Vorteils getrennt von der schwellenwertförmigen Pruning-Bedingung Bezug genommen werden kann. Dies ist rein eine notationale Konsolidierung; die Ungleichung bleibt erhalten.

Fensterlänge \tau. Der prädiktive Vorteil hängt von der Fensterlänge ab. Kurzes \tau erfasst Vorhersage auf feinen Zeitskalen (motorische Kontrolle, Arbeitsgedächtnis); langes \tau erfasst strukturelle Vorhersage (semantische Regularitäten, narrative Kohärenz). Das Pruning des Wartungszyklus, Pass I, wird im Regime des längeren \tau ausgewertet, wo wirklich nutzlose Komponenten G_i \to 0 haben. Die Konsolidierung in Pass II optimiert dagegen über das Regime des kurzen \tau, in dem Redundanz zwischen überlappenden Komponenten hervortritt.

§3. Wartungskosten C_i — Ressourcen-Kapazität primär

Die Wartungskosten einer Komponente \theta_i haben zwei kompatible Formulierungen.

Form 3.1 — Ressourcen-Kapazität (primär für T-9). Die Kosten der Komponente sind die Ressourcen-Kapazität, die sie im operativen Substrat des Codec belegt:

C_i \;:=\; c_i^{\text{params}} + c_i^{\text{memory}} + c_i^{\text{compute}} + c_i^{\text{channel}} \tag{T9.3-1}

wobei die vier Budgets sind: Parameterslots (Anzahl der Gewichte oder Verbindungen); Speicherbedarf (in gespeicherten Bits); Rechenkosten (in Operationen pro Zyklus); und Kanalkapazität (Bits an Bandbreite, die die Komponente an der Grenze der Markov-Decke \partial_R A verbraucht). Jedes c_i ist prinzipiell beobachtbar — bei biologischen Codecs durch metabolische und physiologische Messung, bei synthetischen Codecs durch direkte Instrumentierung.

Form 3.2 — K-Komplexitäts-Approximation. Die Hauptgleichung des Haupttexts T9-3 verwendet \lambda K(\theta_i), wobei K(\theta_i) die Präfix-Kolmogorov-Komplexität der Komponente ist:

C_i^{\text{K-approx}} \;:=\; \lambda \cdot K(\theta_i) \tag{T9.3-2}

Dies ist eine strukturelle Korrespondenzapproximation: K-Komplexität ist von oben semiberechenbar und über Komponenten hinweg nicht streng additiv (das Löschen einer Komponente muss die Länge der kürzesten Beschreibung nicht um ihr eigenständiges K(\theta_i) verringern, da Komponenten Struktur teilen können). Die Form der Ressourcen-Kapazität (T9.3-1) ist daher für operationale Aussagen primär; die Form der K-Komplexität bleibt für theoretische Analysen erhalten, in denen die Additivitätsapproximation akzeptabel ist.

Warum zwei Formen. Die OpenAI-Überprüfung von T-12 (Memo appendix-corrections §2.8) hat zutreffend darauf hingewiesen, dass K-Komplexität über Komponenten hinweg nicht additiv ist, und für operationale Aussagen Maße der Ressourcen-Kapazität empfohlen. T-9 übernimmt die Ressourcen-Kapazität als primäre Form, bewahrt aber die Form der K-Komplexität, weil sowohl die bestehende Hauptgleichung T9-3 des Haupttexts als auch der Beweis von Theorem T-12 in T-12 auf die Form der K-Komplexität verweisen. Die Verfeinerung über Ressourcen-Kapazität ist die sauberere Formulierung für §3.6.3 / §3.6.4 / T-12 / T-13 in einem Bereinigungsdurchgang ab v3.7.0; T-9 stellt beide Formen bereit, damit die spätere Bereinigung kohärent durchgeführt werden kann, anstatt zu verlangen, dass alle verweisenden Stellen gleichzeitig repariert werden.

Abstimmung von \lambda. In Form 3.2 handelt der Parameter \lambda den prädiktiven Gewinn gegen die Komplexitätskosten aus. Empirisch wird beobachtet, dass \lambda mit dem affektiven Zustand variiert — ein hohes |E(b)| (Preprint-Gleichung T9-10) erhöht effektiv \lambda auf Komponentenebene und macht affektiv markierte Komponenten widerstandsfähiger gegen Pruning. Dies ist die formale Erklärung der Verstärkung emotionaler Erinnerung (Preprint §3.6.5, Pass III).

§4. Pruning-Bedingung — Schwellenwertform

Die Pruning-Bedingung verwendet die Schwellenwertform statt der Strikt-Positivitäts-Form von Gl. T9-4 im Haupttext. Die OpenAI-Überprüfung von T-12 (Memo zu Appendix-Korrekturen §2.8 Korrektur 3) stellte zutreffend fest, dass die strikte Bedingung I = 0 für Pruning zu fragil ist: Reale Komponenten haben schwache indirekte prädiktive Beiträge, selbst wenn ihre primäre prädiktive Rolle durch gefilterten Input ausgeschlossen ist.

Die Pruning-Bedingung in Schwellenwertform:

\text{Prune } \theta_i \quad \text{if} \quad G_i(t, \tau) \;<\; C_i \;-\; \epsilon \tag{T9.4-1}

wobei \epsilon > 0 ein kleiner Retentionspuffer ist, der die Pruning-Aggressivität des Codec abstimmt. Äquivalente Ungleichungsformen:

G_i(t, \tau) - C_i \;<\; -\epsilon \quad \Longleftrightarrow \quad I\!\left(\theta_i; X_{t+1:t+\tau} \mid \theta_{-i}\right) \;<\; C_i - \epsilon \tag{T9.4-2}

Vergleich mit Gl. T9-4 im Haupttext. Der Haupttext schreibt \Delta_{\mathrm{MDL}}(\theta_i) < 0 als Pruning-Trigger, was \epsilon = 0 entspricht — striktem Break-even. T-9 verallgemeinert dies durch die Einführung des Retentionspuffers \epsilon, der biologische Pruning-Dynamiken (bei denen kleine prädiktive Beiträge gegenüber transientem Rauschen erhalten bleiben) und Pruning-Hyperparameter synthetischer Codecs (bei denen schwellenwertbasierte Löschung Standard ist) genauer modelliert.

Der strikte Break-even-Fall wird für \epsilon \to 0 wiedergewonnen, sodass die T-9-Form die bestehenden T9-4-Zitationen in T-12 und T-13 nicht ungültig macht; sie verallgemeinert sie.

Implikation für Narrativen Drift (Querverweis T-12). Unter gefiltertem Input X' = \mathcal{F}(X) mit dem ausgeschlossenen Signal \mathcal{X}_{\text{excl}} erfüllen Komponenten \theta_i, deren prädiktiver Beitrag ausschließlich auf \mathcal{X}_{\text{excl}} gerichtet ist, auf dem gefilterten Strom G_i(t, \tau) \to 0 (weil ihr Ziel im beobachteten Input fehlt). Die Pruning-Bedingung (T9.4-1) wird dann ausgelöst, weil 0 < C_i - \epsilon für jede positive Kostenkomponente gilt. Das Irreversibilitätsresultat von Theorem T-12 in T-12 folgt aus diesem Auslösen zusammen mit der Vier-Modalitäten-Unterscheidung in §5 unten.

§5. Vier Pruning-Modalitäten

Die Pruning-Operation (T9.4-1) erlaubt vier unterschiedliche Implementierungen im Codec, mit verschiedenen Reversibilitätseigenschaften. Diese Unterscheidung ist für die Wiederherstellungsbedingung (§6) und für die Irreversibilitätsbehauptung des Narrativen Drifts in T-12 Korrektur 1 (appendix-corrections memo §2.8) von Bedeutung.

Modalität 5.1 — Reversible Unterdrückung. Die Ausgabengewichtung der Komponente \theta_i wird auf null reduziert (oder unter eine Beteiligungsschwelle abgesenkt), doch die Parameter und die Struktur der Komponente bleiben im Codec gespeichert. Die Wiederherstellung ist unkompliziert: Eine erneute Gewichtung stellt die Komponente wieder her. Dies ist die Operation, die der Verhaltens-Extinktion in der Konditionierung zugrunde liegt (die konditionierte Reaktion schwächt sich ab, doch die Spur bleibt bestehen) sowie der Dropout-artigen Regularisierung in neuronalen Netzen.

Modalität 5.2 — Gewichtsverfall. Die Parameter der Komponente verfallen unter einem Regularisierungsdruck \propto \lambda kontinuierlich in Richtung eines Default-Zustands. Die Komponente wird nicht gelöscht, verliert jedoch an Treue; eine partielle Wiederherstellung ist möglich, wenn der Default-Zustand informativ ist.

Modalität 5.3 — Repräsentationales Vergessen. Die Parameter der Komponente werden während der Konsolidierung von konkurrierenden Komponenten überschrieben (Pass II, Preprint §3.6.4). Der strukturelle Slot bleibt bestehen, doch die spezifische Repräsentation geht verloren. Die Wiederherstellung erfordert eine erneute Exposition gegenüber dem relevanten Input-Stream während eines nachfolgenden Wartungszyklus und ist partiell (die neu gelernte Repräsentation unterscheidet sich in feinkörnigen Details vom Original).

Modalität 5.4 — Architektonisches Pruning. Sowohl die Parameter der Komponente als auch ihr struktureller Slot werden gelöscht; die Codec-Architektur wird reduziert. Eine Wiederherstellung ist auf Codec-Ebene unmöglich — die Komponente muss durch eine vollständige Lernepisode von Grund auf neu aufgebaut werden. Dies ist die irreversible Modalität.

Modalitätsklassifikation unter gefiltertem Input. Die „Irreversibilitäts“-Behauptung in T-12 Theorem T-12 (wie sie im bestehenden Preprint formuliert ist) setzt Modalität 5.4 (architektonisches Pruning) voraus und schließt die Modalitäten 5.1–5.3 aus. T-9 macht diese Modalitätsabhängigkeit explizit; das appendix-corrections memo v0.4 §2.8 Korrektur 1 („irreversibel sollte bedingt sein durch kein geschütztes Archiv / keinen Replay-Buffer / keinen externen Lehrer / keine architektonische Reservekapazität / fortgesetzten Betrieb unter demselben Filter / Pruning ist wörtliche Kapazitätslöschung, nicht reversible Unterdrückung“) entspricht der Lesart von Modalität 5.4.

Reale biologische und synthetische Codecs weisen typischerweise eine Mischung von Modalitäten auf, wobei Modalität 5.4 Komponenten vorbehalten ist, die über viele Wartungszyklen hinweg persistent geprunt werden. Der Übergang von reversiblem zu irreversiblem Pruning unter anhaltend gefiltertem Input ist der strukturelle Mechanismus, der dem chronischen Narrativen Drift zugrunde liegt (T-12).

§6. Wiederherstellungsbedingung

Eine beschnittene Komponente \theta_i ist wiederherstellbar, wenn es einen Prozess gibt, durch den sie zur aktiven Beteiligung im Codec zurückgeführt werden kann. Die Wiederherstellungswahrscheinlichkeit über ein Wiederherstellungsfenster \tau_R ist:

P\big(\text{recover } \theta_i \mid \tau_R\big) \;=\; P\big(\text{Modality 5.1 or 5.2}\big) \cdot p_{\text{restore}}(\tau_R) \;+\; P\big(\text{Modality 5.3 or 5.4}\big) \cdot p_{\text{regrow}}(\tau_R) \tag{T9.6-1}

Der erste Term erfasst reversibles / teilweise reversibles Beschneiden (Unterdrückung, Gewichtsverfall); der zweite erfasst repräsentationales Vergessen und architektonisches Beschneiden, bei denen die Wiederherstellung externen Input erfordert.

Wiederherstellung ist nur dann positiv, wenn mindestens eine von drei Bedingungen erfüllt ist:

1. Geschütztes Gedächtnis. Der Codec behält eine archivierte Repräsentation von \theta_i in einem nicht beschnittenen Substrat bei (separater Cache, versionskontrolliertes Backup, neurophysiologisch geschütztes Gedächtnis, das in eine andere Region konsolidiert wurde). Die Modalitäten 5.1 und 5.3 können unter dieser Bedingung wiederhergestellt werden.

2. Externer Lehrer / erneute Exposition. Der Codec wird Input-Streams ausgesetzt, die das Signal \mathcal{X}_{\text{excl}} enthalten, das die beschnittene Komponente ursprünglich verfolgte. Aktives Wiedererlernen während eines nachfolgenden Wartungszyklus, Pass II, baut die Komponente erneut auf (mit Vorbehalten hinsichtlich der feingranularen Treue). Alle vier Modalitäten können unter dieser Bedingung über hinreichende Zeit wiederhergestellt werden, obwohl Modalität 5.4 eine vollständige Lernepisode erfordert, die mit dem ursprünglichen Erwerb vergleichbar ist.

3. Architektonische Reserve. Der Codec verfügt über strukturelle Slots, die nicht auf spezifische Komponenten festgelegt wurden und zur Aufnahme der nachgewachsenen Repräsentation zugewiesen werden können. Dies ist die Bedingung, unter der eine Wiederherstellung von Modalität 5.4 mechanisch überhaupt möglich ist.

Wenn keine der Bedingungen (1), (2), (3) erfüllt ist, dann gilt P(\text{recover}\, \theta_i \mid \tau_R) = 0 für alle \tau_R, und das Beschneiden ist permanent.

Substrat-Treue-Bedingung. Die Substrat-Treue-Bedingung von T-12 (Theorem T-12b — Redundanz von \delta-unabhängigen Input-Kanälen, die die Markov-Decke kreuzen) ist das Analogon von (2) auf der Ebene von Abstammungslinien: Die Kanäle stellen sicher, dass der Input-Stream das substratrelevante Signal auch unter Filterung durch externe Mechanismen \mathcal{F} weiterhin enthält. Die Wiederherstellungsbedingung von T-9 liefert die codec-interne Implementierung: geschützte Komponenten, Replay-Puffer, architektonische Reserve.

§7. Korollare — Narrativer Drift und Handlungs-Drift

Die Primitive von T-9 tragen zwei Korollarketten, die in den Anhängen T-12 und T-13 entwickelt werden.

Korollar 7.1 — Narrativer Drift (T-12). Unter anhaltend gefiltertem Input X' = \mathcal{F}(X) unter Ausschluss des Signals \mathcal{X}_{\text{excl}}: - Komponenten \theta_i, deren prädiktiver Gewinn ausschließlich auf \mathcal{X}_{\text{excl}} beruht, haben auf dem gefilterten Strom G_i(t, \tau) \to 0. - Die Pruning-Bedingung (T9.4-1) wird über alle solchen Komponenten hinweg ausgelöst. - Wenn das Pruning in Modalität 5.4 (architektonisch) erfolgt — was unter anhaltender Filterung über viele Wartungszyklen hinweg dominiert — und keine der Wiederherstellungsbedingungen (§6 Punkte 1–3) erfüllt ist, geht die Fähigkeit, \mathcal{X}_{\text{excl}} zu modellieren, dauerhaft verloren. - Der Codec kann seinen eigenen Kapazitätsverlust nicht von innen heraus erkennen (die verlorenen Komponenten beteiligen sich nicht länger an der Erzeugung von Vorhersagefehlern), womit die Nicht-Identifizierbarkeits-These von T-12a reproduziert wird.

Die vollständige formale Behandlung findet sich in T-12; T-9 liefert die modalitätsspezifische Lesart von „irreversibel“, die T-12 Korrektur 1 verlangt.

Korollar 7.2 — Handlungs-Drift (T-13). Komponenten, die die Kapazität zur Verhaltensbewertung ungenutzter Zweige kodieren: - Haben einen prädiktiven Gewinn G_i(t, \tau), der an den tatsächlich realisierten Zweigergebnissen des Inputstroms gemessen wird; wenn bestimmte Zweige nie ausgewählt werden, erhalten die Evaluatoren kein Trainingssignal. - Die Pruning-Bedingung wird ausgelöst, wenn das G_i des ungenutzten Evaluators unter C_i - \epsilon fällt. - Unter Modalität 5.4 wird der Evaluator dauerhaft geprunt; der Codec wird im entsprechenden Handlungsbereich zuversichtlich impotent.

Die Proposition T-13.P1 (Handlungs-Drift) aus T-13 ist die Instanz dieses inneren Codec-Mechanismus auf der Skala der Abstammungslinie (Verhaltensrepertoire).

Querverweis: Wartungszyklus auf Abstammungslinienebene. Anhang T-15 §3 entwickelt die strukturelle Entsprechung zwischen dem Wartungszyklus innerhalb eines Lebens und der phylogenetischen Verfeinerung. Die vier Pruning-Modalitäten von T-9 entsprechen jeweils: temporärer Nischenreduktion (5.1), Linien-Drift unter gelockerter Selektion (5.2), Nischenersetzung (5.3) und Linienaussterben (5.4). Die Wiederherstellungsbedingungen (§6) entsprechen phylogenetischer Redundanz: geschützte Refugien (1), ökologische Re-Exposition unter Nischenrestauration (2) und entwicklungsbedingte Reservekapazität (3).

§8. Verhältnis zu den Gleichungen in §3.6 des Hauptpapiers

T-9 konsolidiert, statt zu verdrängen. Die Gleichungen T9-1 bis T9-13 des Hauptpapiers (Preprint §3.6.1–§3.6.6) bleiben in der zitierten Form erhalten; T-9 führt zusätzliche formale Primitive und Verfeinerungen ein, die sie ergänzen.

In T-9 inhaltlich neu: explizite Definition des prädiktiven Gewinns G_i(t,\tau) (§2); Ressourcen-Kapazitäts-Kostenrahmung als Primärform (§3 Form 3.1); Beschneidungsbedingung in Schwellenwertform mit Beibehaltungspuffer \epsilon (§4); vier Beschneidungsmodalitäten (§5); Wiedergewinnungsbedingung (§6); modalitätsspezifische Lesart von T-12s Irreversibilitätsbehauptung (§7.1).

§9. Offene Kanten

Koordination mit der T-12-Neuformulierung der Kanalunabhängigkeit (Phase 4). T-12 befindet sich in der Warteschlange für Appendix-Korrekturen (v0.4 §2.8) für eine Neuformulierung der Bedingung der Kanalunabhängigkeit: Unabhängigkeit der Filtermechanismen, nicht der Signale. Die Pruning-Bedingung von T-9 (§4) und die Wiederherstellungsbedingung (§6) sind so formuliert, dass sie mit dieser Neuformulierung koordiniert sind, doch der Beweis von Theorem T-12 in T-12 wird erneut geprüft werden müssen, sobald die neu formulierte Definition der Kanalunabhängigkeit vorliegt. Konkret: Die Irreversibilitätsbehauptung in T-12 §3.1 verweist derzeit auf T9-3 / T9-4; im Rahmen der Bereinigung v3.7.0 sollte sie auf die Schwellenwertform in §4 von T-9 + die Modalitätsklassifikation in §5 + die Wiederherstellungsbedingung in §6 verweisen, wobei die Irreversibilitätslesart auf Modalität 5.4 unter dem Fall ohne Wiederherstellungsbedingung beschränkt wird. Offen.

Abgleich der Buchführung zwischen Ressourcenkapazität und K-Komplexität. §3 stellt beide Formen bereit, leitet ihre quantitative Entsprechung jedoch nicht her. Für einige Komponentenklassen sind die beiden eng verwandt (C_i^{\text{params}} \sim K(\theta_i) bis auf einen konstanten Faktor, etwa bei memorisierten Lookup-Tabellen); für andere divergieren sie stark (kompositionale Struktur, die über Komponenten hinweg geteilt wird, bringt Einsparungen in der K-Komplexität, die die Form der Ressourcenkapazität nicht erfasst). Ein Abgleich in v3.7.0 oder später ist wünschenswert. Offen.

Neutralität der virtuellen Lesart (v3.6.21). Die vollständig virtuelle Lesart des stehenden Zustands (Haupttext §8.6.1) beschreibt den Wartungszyklus als Eigenschaften des den Filter passierenden Stroms neu, statt als laufende Maschine, stuft jedoch die Buchführung von Form 3.1 / Form 3.2 nicht neu ein: Form 3.1 (Ressourcenkapazität) bleibt für alle operationalen Behauptungen primär, und der operative Beweis von T-12 verwendet sie weiterhin. Die stromnative Komprimierbarkeitslesart tritt nur als die in T-12 §3.1 vermerkte Interpretationsebene hinzu. Der oben genannte Abgleich der K-Additivität ist der Ort, an dem jede künftige Neueinstufung der Formen argumentiert würde — nicht die virtuelle Lesart. Offen (nicht mit der Bereinigung v3.7.0 verwechseln).

Empirische Kalibrierung von \epsilon. Der Retentionspuffer \epsilon in (T9.4-1) ist ein effektiver Pruning-Hyperparameter. Empirische biologische Werte würden aus Studien zum neuronalen Pruning stammen (Schwellenwerte synaptischen Zerfalls, Retentionsraten dendritischer Dornen) oder aus dem Experiment zum Asymptotenverhalten von Δ_self^op im Prototyp opt-ai-subject. T-9 leitet keinen spezifischen Wert her. Offen.

Querverweis auf empirische Vorhersagen des Wartungszyklus. Preprint §3.6.7 listet empirische Vorhersagen für den Wartungszyklus auf (Schlaf / Traum / Konsolidierung). Die vier Pruning-Modalitäten von T-9 machen feiner abgestufte Vorhersagen: Die Vorhersage, dass „REM-Träume überproportional Zweige mit hoher Wichtigkeit sampeln“ (Preprint §3.6.5, Pass III), zerfällt in modalitätsspezifische Vorhersagen darüber, welche Arten von Repräsentationen durch Modalität 5.1 (wichtigkeitsgewichtete Retention gegen Pruning) gegenüber Modalität 5.4 erhalten bleiben (wo das Fehlen hochwichtiger Zweige in der Wach-Erfahrung zur architektonischen Löschung des entsprechenden Evaluators führt). Offen.

Dieser Appendix wird als Teil des OPT-Projektrepositoriums zusammen mit opt-theory.md gepflegt. Verweise auf die Primitive des Wartungszyklus in Preprint §3.6 bleiben erhalten; T-9 ergänzt um expliziten prädiktiven Gewinn G_i (§2), Ressourcenkapazitätskosten (§3 Form 3.1), die Pruning-Bedingung in Schwellenwertform mit Retentionspuffer \epsilon (§4), vier Pruning-Modalitäten (§5) und Wiederherstellungsbedingungen (§6). Korollarverweise: T-12 (Narrativer Drift) §3.6.3; T-13 (Action-Drift) §6; T-15 (Phylogenetischer Stabilitätsfilter) §3.