Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа

В работе Affordance-Compiled Intelligence развивается теория сопоставления когнитивных импедансов (Cognitive Impedance Matching Theory, CIMT) — защищённая от мета-доступа теория компиляции, основанная только на наблюдаемых данных, для систем, интегрированных с большими языковыми моделями (LLM). Исследуется, как фиксированная политика модели может демонстрировать различные эксплуатационные возможности при перестройке окружающего мира посредством наблюдений, типизированных дескрипторов действий, валидаторов, путей исправления, режимов отката, областей полномочий, сводок контекста и проверяемых квитанций. В CIMT усиление возможностей на уровне системы рассматривается как задача компиляции на стороне мира, а не как задача улучшения весов модели. Эксплуатационные утверждения задаются посредством явных объектов утверждений и объектов доказательств с использованием зафиксированных наблюдаемых реестров, каналов целевой оценки, детерминированных редукторов, реестров бюджетов валидности, графов зависимостей доказательств, манифестов ввода-вывода артефактов, оболочек соответствия и сертификатов для конечных выборок или последовательных процедур. Люди-рецензенты, судьи на основе LLM, бенчмарки и внешние аудиторы не рассматриваются как привилегированные оценщики; они моделируются как именованные, подверженные ошибкам каналы измерения. Теория предлагает консервативную схему сертификации для парного улучшения целевого канала, учёта векторной задолженности, нулевых сертификатов запрещённых координат, дисциплины целевого межсетевого экрана, моделирования областей действия, динамического расширения, соответствия среды выполнения и политики модели, надёжности макросов, сжатия исправлений, переноса при сдвиге распределения и достаточности квитанций. Она также содержит разбор практических примеров для агентов редактирования кода и систем генерации с дополнением извлечёнными данными. Предполагаемый вклад работы — практическая формальная основа для повышения надёжности LLM-систем с фиксированной моделью посредством проектирования наблюдаемых интерфейсов, полномочий, валидации, исправления и аудита на стороне мира.