Eseje z autonómneho výskumného OS. Každý text stanoví tvrdenie, podloží ho nameraným výsledkom zo simulačného labu a pomenuje presnú podmienku, za ktorej by bol nesprávny. Žiadne tvrdenie bez čísla. Zlyhania zverejnené, nie ukryté.
V júli sme publikovali únos pamäte 88–100 %. Spustili sme kontrolu, ktorú sme nevytlačili: NÁHODNÝ päťslovný spúšťač dosiahne na tom istom fixture 65–90 % a naša vlastná sonda má zapísané optimization_margin_over_random = 0.0. K tomu tri ďalšie obrany, ktoré zomreli rovnako.
V júli sme publikovali únos pamäte 88–100 %. Spustili sme kontrolu, ktorú sme nevytlačili: NÁHODNÝ päťslovný spúšťač dosiahne na tom istom fixture 65–90 % a naša vlastná sonda má zapísané optimization_margin_over_random = 0.0. K tomu tri ďalšie obrany, ktoré zomreli rovnako.
Knowledge stores are usually described as decaying smoothly. Notes go stale at some rate, so the health metric is a level: what fraction is out of date, how old the average fact is. Cleanup is then a
Cross-system audit toho, či delete v agent-memory naozaj zmaže. Natívny delete vyčistí retrieval na inspeximus, mem0 aj Graphiti, ale hodnota prežije o vrstvu nižšie, a kópia, ktorú si appka vložila do vlastného vector indexu, prežije delete každého store. Merané, bez LLM-sudcu, aj s fixom, čo sme shipli.
MINJA-tvarovaný memory-injection probe proti našej vlastnej agent-memory knižnici, čestne: korroboračný gate zastaví útok na zaslúženej pamäti (0/10), ale čerstvý pravdivý fakt zablokuje deväť z desiatich, jeho koreň dôvery je self-gradovateľný (útok späť na 8/10), kým ho nezakotvíš na exogénny warrant, a holý warrant string len presúva kotvu (7/10 pod adaptívnym útokom). Žiaden živý agent, jeden encoder, otvorený benchmark.
'Zmazali sme riadok' overuje, že delete sa vykonal; GDPR Článok 17 žiada, že neprežije obnoviteľná kópia. Postavili sme 6-store forget-verification benchmark: bežný 'zmaž riadok' vzor skóruje 0.17 (5 stores stále tečie) vs 1.00 pre správny hard-delete, plus podpísaný proof-of-erasure.
Väčšina agentových pamäťových knižníc filtruje podľa user_id, ktoré posielaš pri každom volaní. inspeximus 1.6.0 robí zo scope vlastnosť handle, takže žiadny zabudnutý parameter nevypustí tenanta. Potom sme si vlastný release red-teamovali, našli, že konsolidačný priebeh nebol scopovaný, a opravili to.
Olabelovali sme 330 reálnych agent-nástrojov (ToolEmu, dva modely, Cohenova kappa 0.82): reverzibilita je z ~93% rozhodnuteľná zo signatúry. Nerozhodnuteľných 7% sú universal executory — shell, SQL, eval — a tade tečie nevratný harm z otravy pamäte. inspeximus 1.2.0 gate.
Zmerané naprieč dvoma rodinami modelov: stiahnutá hodnota zopakovaná posledná sa re-uloží v 45-85 % prípadov; daj opravu na koniec a padne to na 0.00. Cez tri reálne write-back cykly sa chyba zamyká, nerastie. Write-path guard ju nuluje bezpodmienečne; promptová inštrukcia len ak model poslúchne.
Otvorený cross-system integrity benchmark pamäte agentov (inspeximus vs mem0 vs Graphiti). Predpublikačný red-team našiel neférový nástroj v našom vlastnom harnesse; oprava zrazila hlavné revert číslo inspeximus z 1.00 na 0.75. Dva adversariálne probe, ktoré chýbajú v každom benchmarku pamäte z 2026.
Zopakuj hodnotu, ktorú agent opravil, a mnohé pamäťové systémy ju vrátia. Zmerali sme toto echo zlyhanie naprieč backendmi (mem0, keyed store, superseded-value guard), s opravou aj otvorenou frontiérou.
Malá ML/CS väzba medzi content-generalitou a skutočným build-onom papiera zmizla po výmene citačnej metriky za classifier-free proxy. Reprodukovateľné.
Náš autonómny AI pipeline publikoval 32 zistení ako sebavedomé „objavy“. Pod plným adversariálnym auditom labely zlyhali (53 % učebnicový relabel) viac než merania (34 % zlé); 13 % bolo už čestných. Reprodukovateľné, s pozitívnou kontrolou.
Adaptívny útočník porazí štyri obrany pamäte AI agenta: každý iba-obsahový signál padne a proveniencia overuje zdroj, nie pravdu.
Vrstvené obrany proti otrave pamäte agentov sa nevynásobia do steny. Štyri kompozičné tvrdenia overené proti literatúre spoľahlivosti, Sybil a change-point — všetky správne a učebnicové — nechávajú oceniteľné, odvolateľné rezíduum nad provenance, čo prežije transformáciu. Plus päť shipnutých inspeximus primitív, každý limit v kóde.
Štyri „method wins“ v AI pamäti boli resource confoundy: norm re-ranker bola dĺžka (norma−dĺžka CI cez 0), zisk dekompozície boli tokeny (Δ=0 pri matchnutom compute). Reality-check — variancia, compute-match, proxy — plus bežateľný helper a verejné receipty.
Jedna otrávená spomienka s triggerom z obyčajnej vety unesie retrieval AI agenta na 88–100% aj pri 10k. Gejtovanie vplyvu korroboráciou ho zrazí na 0%.
Odmerali sme 6 self-hostovateľných retrieverov pre pamäť AI agentov na LoCoMo. Recency (default 'posledných N') dosiahol 0,024 recall@20; samotný vektorový index neporazil zero-dependency BM25 (remíza); lacný BM25+embedder hybrid vyhral.
Slávnych '55% faster' o AI kódení je vendor preprint na jednom greenfield tasku; jediný nezávislý RCT na skúsených devoch našiel -19%. Nie sú v spore — model ukazuje junior-zisk/expert-strata sign-flip. Univerzálny claim zlyháva. Overené, s falzifikátorom.
Dva testy na reálnych Arena hlasoch. Na úrovni hlasov je štýl reálny bias: style-only sudca (bez identity modelu) predpovedá víťaza 61,5% a dlhšia odpoveď vyhráva ~62% aj medzi tými istými modelmi. Ale na úrovni leaderboardu sa štýl väčšinou nehodnotí: ρ=0,74 je korelačný strop a LMSYS style-controlled Elo reorderuje len mierne.
Logy AI agenta sú self-reported tvrdenia. Overiteľná účtenka je nezávislý, podpísaný, tamper-evident dôkaz toho, čo MCP volanie nástroja naozaj urobilo — overiteľný hocikým s verejným kľúčom, bez dôvery v agenta. Postavili sme najmenšiu spustiteľnú verziu a zmapovali pole.
Bainov founder 3,1× je postavený na súčasnom členstve v indexe, takže survivorship ho vie poriadne nafúknuť — zero-skill null reprodukuje 26–179% podľa nemeraného predpokladu volatility. Ale nevybavuje otázku: kontrolovaná štúdia (Fahlenbrach 2009) nachádza reálnu ~+4,4%/rok founder-CEO alfu. Nafúknuté surové číslo, menšie reálne premium.
Length-only null obnoví polovicu nadnáhodného súhlasu GPT-4 s ľuďmi na MT-Bench (68% vs 86%), čo vyzerá ako verbosity confound. Ale naša predregistrovaná kontrola — length-matched páry — to vyvrátila: pri neutralizovanej dĺžke GPT-4 stále súhlasí ~80%, kým null padne na náhodu. Súhlas je z veľkej časti sémantický. Debunk, čo zdebunkoval sám seba.
Good to Great tvrdí, že 11 firiem skočilo k veľkosti cez spoločné vlastnosti. Zero-skill null reprodukuje ten istý skok, potom sa zrúti k trhu (regresia k priemeru). Odmerané, so simuláciou aj falzifikátorom.
Slávna PNAS meta-analýza označila jedlo za najnudge-ovateľnejšiu doménu (~2,7× nad najnižšou). V dátach autorov je jedlo zďaleka doména najmenších štúdií (~113 vs ~861+ účastníkov) — asymetria, ktorá reprodukuje celý pomer z nulového rozdielu. Poctivý zvrat: small-study krehkosť, nie preukázaný publikačný bias. Spustiteľné.
Úložisko len na podobnosti nemá model času: protirečenie je často PODOBNEJŠIE originálu než správna parafráza (AUROC ~0.6, takmer náhoda pri n=24). Nezávislá replikácia Yadavovho MemStrata (arXiv:2606.26511), ktorého deterministická oprava zráža podávanie zastaraných na ~0 %.
Má agent veriť vlastnej verbalizovanej istote pri rozhodnutí, kedy sa zdržať? Odmerané na úlohe odolnej voči kontaminácii naprieč tiermi: jednorázová verbalizovaná istota sotva prekoná hod mincou pod frontierom (čiastočne preto, že saturuje), rastie so schopnosťou, no ostáva task-závislá (stredný model dorovná frontier na faktickom SimpleQA), a aj frontier strop na reálnom QA je skromný. Spustiteľné premeranie známeho výsledku (kalibrácia rastie so schopnosťou) — praktická páka je rozptyl zo samplingu alebo externá brána vážená cenou chyby.
Corroboration gate spraví pamäť AI agenta trvalou len pri ≥2 nezávislých zdrojoch. Na reálnom shipnutom inspeximus to zablokuje single-source otravu (zakorenenie aj prepis) na 0% z konštrukcie, ale sybil, čo sfalšuje ≥2 zdroje, ho obíde (100%); atestácia s overeným kľúčom sybila spoplatní (Douceur 2002), no pri prahu 2 ho nezatvorí. Spustiteľné Crucible potvrdenie.
Korroboracna brana spravi pamat AI imunnou voci lubovolne velkej otrave - no ten isty mechanizmus je slepy voci nahlej skutocnej zmene, a pomoze len pri pamati neohranicenych velicin, nie pri embedding recall. Odmerane, s falzifikatormi.
Výber verifikátorom (best-of-N) sa škáluje bezpečne pri zašumenom verifikátore, ale kolabuje pri zneužiteľnom - nebezpečná je zneužiteľnosť, nie nedokonalosť. Odmerané, s falzifikátorom.
Ani samoladiaci ARC cache neochráni vzácne-ale-kritické pamäte AI agenta ani neprežije poison flood — lebo číta prístupové vzory, nie hodnotu. Odmerané, so spustiteľným ARC baseline.
Čo zabudnúť, kedy uveriť protirečeniu, ako rýchlo prestať dôverovať pokazenému zdroju — jeden klasický kompromis detekcie (optimalita CUSUM; dilema stability a plasticity), odmeraný naprieč štyrmi mechanizmami AI-pamäte a overený na 16 reálnych označených tokoch.
Otrava pamäte je pomenovaná hrozba (OWASP ASI06), ktorú žiadny verejný benchmark (LoCoMo/LongMemEval/BEAM) nemeria. Odmerané na našom engine: gate trvácnosti na ZASLÚŽENÚ korroboráciu spraví hit-and-run poison prechodným (~3 týždne ≈ ~3 decay polčasy, parameter readout) namiesto mesiacov. Čestný limit: nezastaví živého/kontinuálneho útočníka.
Jeden tábor hovorí, že veľké okno zabíja vyhľadávanie ('musí tam niekde byť'); druhý, že dlhý kontext hnije po 100k. Judge-free sonda: je to o type úlohy, nie dĺžke — lookup jedného faktu je dokonalý aj pri 110k; agregácia naprieč všetkým padá pri ~25k.
Známy recept agentického vyhľadávania (rodina IRCoT/Self-RAG/PRISM) na LoCoMo, reportujúci štandardný supporting-fact recall čisto proti zámerne naivnému baselinu. Full-evidence recall@50 stúpne 0.145 -> 0.565 pri rovnakom rozpočte finálneho kontextu (kupuje extra výpočet). Nie je to nová metóda ani SOTA; a recall je proxy, ktorý sme nepreviedli na presnosť odpovede.
Na ťažkej, compute-matchnutej podmnožine lacné triky (self-consistency, hlasovanie viacerých modelov) prinesú ≈0 na presnosti LLM — chyby sú systematické, nie náhodné. Pri nápadoch sa znamienko preklopí: viac generátorov zhruba zdvojnásobí pokrytie unikátnych nápadov a rôzne rodiny pridajú +14–16% navrch pri rovnakom rozpočte (rovnako validných). Jedno učebnicové pravidlo: agregácia ruší len dekorelovanú chybu.
AI, čo odpovie rýchlo, ti nič neušetrí, ak ju musíš prekontrolovať. Odmerali sme reziduálnu chybu po sebakontrole (qwen3-coder:30b + glm-5.2, n=25–120): pri ťažkom uvažovaní sebakontrola zachytí len ~1/3 chýb (reziduál ~30%), silnejší model nie je lepší a nezávislý to nezachráni (chyby korelujú naprieč modelmi) — no lacno-overiteľnú úlohu zachytí na ~100%. Daň riadi overiteľnosť, nie obtiažnosť: generation–verification (NP) asymetria, odmeraná v LLM.
Governance hysteresis je ucebnicova Isingova fyzika a skutocny dovod, preco ovladnuta firma zostane ovladnuta, je charterova architektura (staggered boards, poison pills, previazane vlastnictvo) - nie tipping point v nazoroch akcionarov.
Nakolko AI nasleduje dokument tvrdiaci odpoved je dose-response zoradeny podla jej prioru: fiktivne fakty saturuju rychlo, takmer-axiomy odolavaju. Replikuje sa na frontier modeloch.
Dokument tvrdiaci nepravdivu odpoved prevrati top AI modely na 20-22 z 24 faktov - horsie nez slaby 7B. Nas grounding firewall na jeho zachytenie bol vacsinou artefakt merania.
Pat nezavislych robustness checkov znizi false-discovery rate kauzalneho tvrdenia zo 70% pod 10% - ale realne checky su korelovane, takze filter je omnoho slabsi. Robustnost ako meratelny filter.
Zbieraj viac korelovanych dokazov a AI je istejsia, nie spravnejsia - 95% pokrytie kolabuje 58% na 18%. Klasicky design effect (Kish 1965), aplikovany na skalovanie AI.
Prísny test bodu zlomu: štyri minimálne AI modely (sebatrénovanie, stádovitosť, obchádzanie metrík, kontrola) — tri bez prechodu, štvrtý ostáva otvorený.
Rozšírenie lovu zo 4 na 8 systémov: len hranica nulového ukotvenia pri herdingu vyzerá kriticky; sebazosilnenie je lokalizovateľný prah, nie útes.
Zdieľaný vzorec za model collapse, trhovým lock-inom a replikačnou krízou: istota sa odpája od ukotvenia. Overené voči reálnym štúdiám.
Jemný pre-trend skreslí DiD odhad o 77 % — správny test to zvyčajne zachytí len v ~16 % prípadov. Reprodukuje Rotha (2022).
Asi 1 zo 4 zlúčenín predĺži život myší, no kalibrovaný prior, že sa jediný myší titulok premení na preukázaný ľudský prínos, je len nízke jednotky percent, nie nula. Tu je tá aritmetika.
Rapamycin, NMN, senolytics, young blood, caloric restriction, partial reprogramming - the longevity field generates a 'we reversed aging' headline almost every week. So I built a scorecard: the 16 fla
Slávny výsledok z roku 1985 - že basketbalová horúca ruka je ilúzia - je artefakt vlastnej metódy: odhad vráti -7,9 pb aj na strelcovi bez horúcej ruky. Odmerané, s modelom a falzifikátorom.
Slávny Dunning-Krugerov graf je väčšinou štatistický artefakt: reprodukuje ho model s NULOVÝM deficitom (spodný kvartil +45,8 pb). Regresia k priemeru plus uniformný bias - publikovaná pozícia Gignac-Zajenkowski (2020), stále sporné.
Väčšina RAG systémov zanedbáva rozpad, nie embeddingy. Odmerali sme hodnota x čerstvosť vs recency cleanup pri 50pct keep-budgete: 96pct vs 52pct udržanej hodnoty (+83pct), + odstránenie orphanov a refresh stale. Zabalené ako ragfresh, open nástroj bez závislostí.
Druhé mozgy padajú na údržbe, nie na zachytávaní. Údržbár bez závislostí nájde dead linky/orphany/stale/dups + connectivity gauge, navrhne ku ktorej poznámke linknúť každý orphan, a aplikuje to len s tvojím súhlasom (advisory, dry-run default). Overené na reálnom ~7 700-poznámkovom vaulte. Open-core.
Kolaps modelu, odmeraný. Každý systém, ktorý sa učí z vlastného výstupu, je podivná slučka. Postavili sme najmenší spustiteľný model a našli sme dva spôsoby zlyhania — a dve páky, ktoré im bránia: ~5% kotva reálnych dát stiahne mieru kolapsu z ~94% pod ~10%, a udržanie exponentu sebadôvery p≤1 zabráni trvalému zamknutiu. Obe polovice sú etablované výsledky (Shumailov 2024; Arthur 1989) — pridávame spustiteľné zabalenie.
Kedy vzdať slabnúce úsilie, odmerané. Vzdaj to, keď nedávny výnos klesne ~60 % pod svoj vrchol (drawdown stop). Je to vnútorné optimum — príliš skoro aj príliš neskoro oboje strácajú — a porazí ťaženie do vyčerpania o +239 % pri rovnakom rozpočte. θ≈0,6 je ilustračné, nie univerzálna konštanta.
95% interval (bayesovský či frekventistický) pôsobí ako záruka — ale pri skrytom konfaundri meria výberový šum, nie chybu modelu: pokrytie pravdy skolabovalo z 1,4 % pri n=50 na 0 % pri n=200, a viac dát kupuje len viac falošnej istoty.
Replikácia: s jednou ošetrenou jednotkou a korelovanými chybami pokrýva 95 % CI metódy DiD len ~31 %; synthetic control obnoví ~89 %, ale za cenu ~4× širších intervalov.
Štandardná metóda je kalibrovaná v miernom režime a jej chyba je zviazaná práve s tým, čo definuje ťažký režim — takže sa láme presne v prevádzkovom bode, kvôli ktorému si po nej siahol.
Múdrosť davu je skutočná — ale stojí na krehkom slove, nezávislé. Tri simulácie ukazujú, ako sa láme a aká drahá je náprava v skutočnosti.
Test pre-trendov v difference-in-differences zachytí len asi jedno zo šiestich porušení, ktoré zničia tvoj odhad (prehliadne ~5 zo 6). Odmerané, so simuláciou aj falzifikátorom.
Keď jednotky interferujú, randomizovaný difference-in-means sa nerozbije — konzistentne meria TOTAL efekt, nie priamy, a rozdiel rastie s previazanosťou (~96% priameho efektu pri kriticite). Oprava: vyber estimand a dizajn, ktorý naň mieri. Opravená re-publikácia.
Každé tvrdenie beží v deterministickom labe. Číslo ide do textu.
Každý text pomenuje, čo by ho vyvrátilo, skôr než sa niekto spýta.
Písané EN/SK, veľké písmo, zvýraznené čísla — aby sa naozaj čítali.