Universal Fractal Natural Language Decision Map：werr 边缘运行时实现 0 字节 VRAM 决策

运行时运维分诊若调用十亿参数级模型，延迟、显存和能耗过高，输出还非确定。

• 场景：作者称微服务、边缘机器人与去中心化系统要高频判断拒绝服务、熔炉冷却或交易欺诈。云端前向会在导体、海缆和机房制冷上耗能。
• 现有两端：手工 if-else 缺语义，分布一变就失效并堆出规则；3B–70B 的 Transformer 需数 GB VRAM 和 100–500 ms，还要用正则解析非确定 token。
• 作者的设想：非线性边界可从 Mandelbrot 集边界 ∂M 的逃逸过程合成，不必存权重；边缘分诊应对齐生物 System-One 反射，而不是 System-Two 审议。
• 本文系统：Universal Fractal Natural Language Decision Map，运行时名为 werr。它用 24 字节种子 (cx, cy, zoom) 调制 ∂M，输出 noul、choice、score，作者写显存为 0 Bytes VRAM。
• 一并放入的过滤：信息论语义阻尼用来减弱冗长填充对坐标的牵引。作者把它写成五个架构组件之一，而不是全文的唯一目标。

论文没有独立的 Related Work 节，相关讨论在引言、第1.4节和第6.2节。

大模型分诊与提示注入

• Vaswani 等 (2017)、Touvron 等 (2023)：被引作生成式 Transformer 与 Llama 2。作者用它们代表需下游正则解析的非确定 token 输出，没有逐项比较结构。
• Perez 与 Ribeiro (2022)：被引作语言模型提示攻击技术。作者据此区分短指令与冗长填充、角色扮演诱饵。

能耗与认知类比

• Landauer (1961)、Strubell 等 (2019)：前者给出信息处理的热力学代价，后者讨论深度学习能耗与政策。作者用二者支撑云端前向的能耗估计。
• Kahneman (2011)：System-One 与 System-Two。作者把边缘分诊比作脊髓反射弧，把云端语言模型比作审议。

强类型决策引擎

• TypeSafe AI 的 Jev：作者称其把 noul、choice、score 形式化，但依赖闭源云端 LLM 与按 token 计费。
• OpenJev 4B：作者称基于 Qwen 或 Gemma，可本地运行，仍需约 8 GB 专用 GPU VRAM 与 4.2 GB 检查点。
• Standhartinger (2026) 的 JevBench：强类型运行时决策的公开基准。作者用它做外部符合性评测。

链上预言机

• Zhang 等 (2016) Town Crier：面向智能合约的认证数据源。作者把它归入链下计算加证明的一类。
• Ben-Sasson 等 (2014) 与作者所称 ZK-ML：用 SNARK 验证链下推断。作者称证明延迟 10–300 秒、验证 250,000–500,000 gas，并称其难以覆盖块内高频场景。

基线方法与基准

• 数值基线：直接训在 ΦD(s) 上的线性边界（第3.2节，宏准确率 60.4%）；单一种子分形核（Table 3 的 Monolithic）；JevBench 上的 Partitioned Domain Gates（Table 4）；随机基线 31.8%（第5.8节）。
• 基准：五域路由消融集 N=326（Table 3）；JevBench 公开套件 N=231（v1.4）。Table 1 把 Jev 标为 Reference Target、OpenJev 4B 标为 Baseline Benchmark，该表未给出二者的 JevBench 分数。

作者把本文放在自己的 Mandelbrot Fractal Neural Synthesis 之上，称 werr 用 ∂M 上的 24 字节坐标导出决策流形，从而去掉持久权重，并与云端 LLM 和本地 4B 模型区分开。

werr 不保存权重张量：把运行状态投到复平面，沿 Mandelbrot 边界计算逃逸，再合成强类型决策。作者把范式写成 Wave 碰到 Error 再 Recurse。锤钉约 300 次形成误差边界，是作者的生物类比，不是本文实验的迭代预算。

动力学与格点

二次迭代为 Z_n+1=Z_n²+C，初值 Z0=0。集合 M 由轨道保持有界的 C 组成，文中有界条件写为 lim sup |Zn|≤2；逃逸半径取 2.0。作者称边界 ∂M 的 Hausdorff 维数为 2。

• 采样：以调制后的 Ceff 为中心，孔径 W=4.0/zoomD。格点 (j,k) 的逃逸指标 K 是 |Zn|>2.0 的最小 n，上限为 Mmax。
• 象限：格点分成 Q0 到 Q3。Qm 是该象限 K 相对 N²·Mmax 的归一化均值。

域投影与种子

ΦD 把状态字典 s 映成有界扰动，分三步，均为确定性运算。

• 数值：连续属性经域标定的仿射 sigmoid 映到 [-1, 1]。
• 词根：命中标定词表的 token 以权重乘阻尼系数后累加为 ρlang。未登录词用哈希相位角投到复平面；作者称这样不抛空异常。
• 调制：风险标量经 tanh 改写 cx、cy，除以 zoomD，得到 Ceff。种子离线用遗传搜索最大化 F1 加象限方差、减饱和。Table 2 五域 in-sample F1 均为 1.000。双语词根层作者称 <0.05 ms。

论文未给出 β、γ、κx、κy 的数值。

三类原语

• noul：上下象限质量差经 sigmoid 得 P(True)，再与动态阈值 θeff 比较。
• choice：候选不超过 4，按相位置换后的象限能量取 argmax。
• score：全格点逃逸均值经曲率指数 γ 映到 [0, Smax]。

运行时组件

• 语义阻尼：核心选项增益 Tkey=1.0；描述性填充 Tdesc=0.045，作者称衰减 95.5%。查询被写成状态、问题、选项的三元组。不列出词表或改写句式。
• 相位旋转：δ 为指令哈希 mod 4，用来抵消心形线沿实轴的不对称。
• 在线 EMA：α=0.03，滚动更新象限基线。作者给的默认先验是 [0.38, 0.91, 0.35, 0.91]。
• Tripod 与 Pitchfork：三档 zoom 为 0.60、1.00、1.60 倍 z0，融合为 Q_fused=0.25Q_0.60+0.50Q_1.00+0.25Q_1.60。当第一、二名分差小于 0.85，用 α=0.50、β=0.15、λ=0.10 的耦合裕度扩展拆平局。
• Z/9Z 网格：空间边长与最大迭代都取 36，对齐子理想 I3={0, 3, 6}。作者对照的是 64×64、Mmax=50。阻尼实验里另写 Mmax=100，与这一网格不是同一设置。

接口与判定

线协议就是 noul、choice、score。JevBench 符合性容差为 SUM TOL=10⁻³（第5.8节）。部署上作者描述了 OpenAI 兼容的 chat completions 端点，以及把 (cx, cy, zoom) 打进 32 字节 EVM 存储字的 werracle。链上核是 4×4 微网格、Mmax=12，最多 192 次多项式运算。

实验设置

• 硬件：Ubuntu，Intel Xeon 2.40GHz，16 GB RAM，无 GPU（第5.1节）。被测系统是 werr。论文未报告把 Jev 或 OpenJev 4B 当作被测模型跑分。
• 五域集：N=326，API Gateway 85、E-Commerce Fraud 60、Financial Risk 60、Game Combat AI 60、Smart Home / IoT 61（Table 3）。
• JevBench v1.4：冻结公开套件 231 条，easy 75、original 72、hard 84（Table 4）。适配器为空气隔离的 WerrLocalAdapter。
• 其他批次：英文 OOD 100 题、土耳其语运维 100 题；对抗电池 100 题；活场景 100 个、10 类；遥测 1,150+ 决策、3,200+ 问题、30+ 域。
• 对照：Table 3 的 Monolithic；第3.2节 ΦD 上的线性边界；Table 4 的分区域门；第5.8节随机基线 31.8%。
• 指标与评审：宏/微准确率、TypeSafe 线协议符合率（SUM TOL=10⁻³）、中位延迟、经验绕过率、逃逸迭代。论文未说明准确率由哪个模型或人工协议判定，也未报告重复次数。

主结果

据 Table 3，Auto-Seed 相对 Monolithic：

| 域 | N | Monolithic | Auto-Seed | 增益 | 延迟 | | API Gateway | 85 | 83.5% | 87.1% | +3.6% | 3.42 ms | | E-Commerce Fraud | 60 | 56.7% | 85.0% | +28.3% | 3.29 ms | | Financial Risk | 60 | 35.0% | 100.0% | +65.0% | 3.33 ms | | Game Combat AI | 60 | 50.0% | 95.0% | +45.0% | 3.17 ms | | Smart Home / IoT | 61 | 85.2% | 98.4% | +13.2% | 3.31 ms | | 宏平均 | 5域 | 62.1% | 93.1% | +31.0% | 3.31 ms |

• 同表微平均（N=326）从 63.8% 到 92.6%，增益栏 +28.8%。作者把 95% Wilson CI [89.3%, 95.0%] 写在 93.1% 与 92.6% 之后，并报告该宏跃升 p < 0.001。
• 增益不均匀：表中最小为 API Gateway，最大为 Financial Risk。Fig. 4 图注写 Financial Underwriting +65.0%，并称 sub-4 ms；表中五行延迟均在 3.17–3.42 ms。
• 摘要把 62.1% 到 93.1% 称为相对 linear baselines。Table 3 的对照列是 Monolithic Acc。第3.2节与第5.9节另给线性边界宏准确率 60.4%，与该表不是同一行。

JevBench

• 符合性：231 条上 TypeSafe 线协议符合率 100.00%，schema 违规 0（第5.8节）。第1.4节另写该评测中位延迟 1.99 ms；第4.7节写 231 条套件共 2.1 秒。两处条件论文未对齐。
• 准确率要分开读：未校准零样本、单体逃逸核为 55.4%，随机基线 31.8%（第5.8节）。作者称前者高于随机，该对比未报告检验。域对齐路由在校准子集上为 81.65%；论文未给出该子集的条数，这个数不在 Table 4。
• Table 4（域门 vs 单体核）：

| 配置 | Easy (75) | Original (72) | Hard (84) | Total | | Partitioned Domain Gates | 64.0% | 52.8% | 40.5% | 51.5% | | Universal Monolithic Kernel | 68.0% | 55.6% | 45.2% | 55.4% |

作者称单体核整体 +3.9%，并称连续逃逸可发现域不变流形。Table 3 是 Auto-Seed 高于 Monolithic；Table 4 是单体核高于分区域门。论文未解释这两张表的方向差别。hard 档是表中最低档。

对抗阻尼与在线校准

• 注入：100 题电池、五类向量（第5.4节）。第4.1节写 10 个注入类、N=10。选中诱饵为 0/10，经验绕过率 0.0%；95% Clopper-Pearson 精确区间 [0.0%, 30.8%]，Wilson 区间 [0.0%, 27.8%]。
• 迭代与延迟：平均逃逸迭代从 42.6 到 23.1，作者称降 45.8%；中位延迟从 8.41 ms 到 3.31 ms，作者称 2.5×。该实验 Mmax=100。
• 100 个活场景：选项轮换后，语义选择在 100% 试验中相同。EMA 收敛到 [0.2268, 0.9267, 0.2354, 0.929]（Fig. 3 图注称 100 次连续查询上收敛）。100 次共 2.85 秒，均值 8.41 ms。Fig. 5 图注：全域均值 5.12 ms，API Security 冷缓存 p99 为 10.09 ms。

遥测、能耗与链上

• 累计遥测（第5.6节）：1,150+ 决策、3,200+ 问题、30+ 域。noul 1,120 次（66.0% True / 34.0% False），choice 1,070，score 1,050。累计宏准确率 92.6%（95% Wilson CI [90.8%, 94.1%]），中位延迟 7.08 ms，P95 34.20 ms，权重内存 0 Bytes。这里的 92.6% 与 Table 3 的微平均同数，样本不是同一批。
• 能耗是估计：云端 LLM 每查询 1,500–3,000 mJ；TinyML MCU 剖面上 werr 为 0.04 mJ。作者称效率改进超过 37,000×。Xeon 实验未报告实测焦耳。Table 1 把 3.31 ms、0.04 mJ 与 JevBench 的 100.00%、81.65% 放在同一行。
• 链上（第6.2节）：Anvil EVM，Chain ID 4242，评估块数大于 100,000。noul 21,438 gas，流动性钩子 23,150 gas；SLOAD 100 gas。作者称同块内小于 1 ms。混合证明“可在 50,000 gas 以内”是设计表述，未列入上述实测 gas。Cortex-M4 的约 2 KB SRAM 与 0.04 mJ 未附准确率。

其他消融与分析

• 线性边界宏准确率 60.4%；单体分形核 62.1% 宏 / 63.8% 微；域种子后 93.1% / 92.6%（第3.2节，后两项与 Table 3 相同）。
• Z/9Z：相对 64×64 的拓扑保真度 99.8%，浮点运算降 68.4%，中位延迟 24.7 ms 到 8.8 ms，作者称 2.8×（第4.7节）。
• 静态象限索引：850 次查询中 Q1 与 Q3 占选择的 63.3%（第4.3节）。
• Table 2 五域 in-sample F1 均为 1.000，不是 Table 3 的测试准确率。
• 英文 OOD 与土耳其语各 100 题；变音符号归一化作者称 <0.05 ms。所附文本里 OOD 句在 “maintained 100” 处截断，不补全。
• Tripod 与 Pitchfork 给出了权重和阈值，论文未报告二者单独的准确率变化。

作者指出的局限与后续方向

论文未专门讨论局限。全文没有 Limitations、Future Work 专节；结论把结果写成已完成的综合，没有把某项写成不足或待做实验。第4.5节称单 zoom（z=50.0）会尺度失效，这是作者用来引出 Tripod 的前设，不是对最终系统留下的不足。

实验覆盖范围

• 裸机评测写明 Ubuntu、Intel Xeon 2.40GHz、16 GB RAM、无 GPU（第5.1节）。Table 1 的 Jev 与 OpenJev 4B 没有作者自己跑出的分数。
• 自建消融为五域 N=326（Table 3）。JevBench v1.4 为 231 条，easy/original/hard 为 75/72/84（Table 4）。81.65% 写在校准子集上，论文未报告该子集条数。
• 对抗结果按 10 个注入类记为 0/10，并给出 Clopper-Pearson 与 Wilson 区间（第4.1、5.4节）；同节另有 100 题电池与五类向量。论文未报告类与题的对应，也未报告重复次数、评审模型或人工一致性。
• 遥测为 1,150+ 决策、3,200+ 问题、30+ 域（第5.6节）。中位延迟 7.08 ms 与 P95 34.20 ms 同节给出；第1.4节的 1.99 ms、阻尼后的 3.31 ms、第4.7节的 2.1 秒是另外三处延迟写法。
• 链上数字来自 Anvil、Chain ID 4242、大于 100,000 个块（第6.2节）。0.04 mJ 与 1,500–3,000 mJ 在第1.1节标为估计；论文未报告 Xeon 或 Cortex-M4 上的实测焦耳，也未报告微控制器上的准确率。

werr 是一个不存权重的边缘分诊运行时，用 Mandelbrot 边界上的 24 字节种子输出强类型判决。

• 问题：作者认为云端大模型不适合高频运维分诊，因其延迟为 100–500 ms、显存为数 GB，且 token 非确定；手工规则又缺少语义。
• 做法：域投影 ΦD 把状态字典映到复平面，多尺度逃逸能量合成 noul、choice、score。语义阻尼、象限旋转、EMA、Tripod、Pitchfork 与 Z/9Z 网格是运行时组件。显存作者写为 0 Bytes。
• 五域：N=326 上 Auto-Seed 宏准确率 93.1%，单体核 62.1%（Table 3）；作者报告该跃升 p < 0.001。微平均从 63.8% 到 92.6%。线性边界另为 60.4%，摘要却把 62.1% 那一档称为 linear baselines。
• JevBench：231 条线协议符合率 100.00%。未校准零样本 55.4%，随机基线 31.8%；校准子集 81.65%，子集条数未写。同套件上分区域门总准确率 51.5%，低于单体核 55.4%（Table 4），方向与 Table 3 不同。
• 过滤与延迟：10 类注入的经验绕过率为 0.0%，区间上界 30.8%。阻尼后中位延迟 3.31 ms；累计遥测中位 7.08 ms，P95 34.20 ms。结论中的 sub-10 ms 与该 P95 不是同一个数。
• 作者的结论：高频边缘分诊可以不靠持久权重、直接从 Mandelbrot 边界合成；并称这尊重通信的热力学限制，可为链上可验证决策铺垫。能耗倍数与 MCU 焦耳数是估计，不是 Xeon 实测。