DeepSeek core instrument factorial
- Status:
complete - Outcome:
fail - Started: 2026-07-26
- Updated: 2026-07-26
- Research ID:
2026-07-26-deepseek-core-instrument-factorial
Проверяемый вопрос#
Может ли заранее зафиксированная комбинация genre-neutral semantic-invariant
prompt и reasoning_effort повысить надёжность
deepseek/deepseek-v4-pro на bilingual scenario authoring, не меняя
AdventureDraft schema, deterministic scorer, semantic rubric или hard gates, а
затем пройти независимую all-role confirmation?
Почему решение нужно сейчас#
Предыдущее stronger-model исследование завершило 8/8 calls, но не выбрало
finalist. DeepSeek прошёл deterministic 4/4; единственный hard blocker был
локализован в RU scenario, где mutually incompatible immutable facts
сосуществовали с success route. При этом run использовал
reasoning_effort=off. До перехода к более дорогим frontier-моделям нужно
измерить, является ли ограничением модель или instrument вокруг неё.
Scope#
- Exact model ID:
deepseek/deepseek-v4-pro. - Factorial screening:
2 prompt variants × 2 reasoning modes × 2 languages × 3 seeds = 24 calls. - Prompt variants:
baseline-v1: frozen Flash/strong scenario prompt;semantic-v2: только один genre-neutral silent consistency block.
- Reasoning modes:
offиmedium. - Screening role: scenario only, потому что это единственный prior hard blocker.
- Conditional confirmation:
1 selected config × 2 languages × 3 roles × 3 held-out seeds = 18 calls. - Intent и narration в confirmation сохраняют frozen baseline prompt и
reasoning
off; выбранный config применяется только к scenario lane. - Один
OpenRouterLLMNode → SaveTextcall на workflow.
Non-goals#
- Ослабление strict JSON, shape, compilation, language, content, grounding, privacy или semantic gates.
- Специальные подсказки про
1G, gravity или конкретный прошлый ответ. - Retry/repair pass, best-of-N, majority vote или post-hoc prompt edit.
- Сравнение с closed frontier-моделями.
- Доказательство качества в любом жанре, на любом языке или в long campaign.
- Передача LLM authority над validation, rules, RNG, state или event log.
Критерии успеха#
Все критерии зафиксированы до первого paid call.
| ID | Обязательный критерий | Порог или ожидаемое поведение | Способ проверки |
|---|---|---|---|
| AC-01 | Frozen factorial protocol | Manifest, prompt delta, seeds, model, reasoning values, scorer и rubric hashes сохранены до paid calls; historical artifacts не меняются | protocol-v2.json, identity, canonical preflight audit, TypeScript tests |
| AC-02 | Полный screening transport | Ровно 24 unique cells, 24 terminal jobs, 24 capture-authoritative raw byte artifacts и request/workflow/job/raw/telemetry bindings | capture-v1, transport-v2, fresh source recomputation |
| AC-03 | Неизменные gates | Каждая cell проходит тот же frozen deterministic scorer и тот же metadata-hidden semantic rubric | scorecard, isolated semantic review, verified join |
| AC-04 | Измеримые main effects | Отдельно вычислены prompt effect, reasoning effect и interaction по deterministic pass, semantic-2 count, semantic total и critical failures | factorial analysis artifact |
| AC-05 | Preregistered config selection | Eligible только при deterministic 6/6, semantic score ≥1 6/6, critical failures 0; ranking: semantic-2 count, semantic total, lower intervention order |
selector tests и selection artifact |
| AC-06 | Conditional all-role confirmation | Только selected eligible config; ровно 18 новых held-out cells; все deterministic pass, semantic ≥1, critical failures 0 |
confirmation preflight/raw/scorecard/review |
| AC-07 | Auditable provider boundary | Model, prompt, reasoning, seed, workflow, job и raw SHA binding; доступные credits/tokens/latency/retries записаны, недоступные явно null/Unknown; секретов нет |
telemetry и artifact audit |
Outcome:
pass: AC-01–AC-07 выполнены и confirmation проходит18/18;partial: screening выбирает eligible config, но all-role confirmation не проходит;fail: полный screening завершён, но ни один config не eligible, даже если средние factorial effects полезны;inconclusive: missing/ambiguous transport, raw или review evidence не позволяет применить selector.
Рабочие гипотезы#
- H-01, prompt main effect:
semantic-v2уменьшит contradictions противbaseline-v1при одинаковом reasoning, языке и seed hint. - H-02, reasoning main effect:
mediumуменьшит contradictions противoffпри одинаковом prompt, языке и seed hint. - H-03, interaction:
semantic-v2--mediumдаст качество выше суммы изолированных улучшений либо покажет, что один intervention избыточен. - H-04, reliability: выбранный config сохранит результат на 18 новых all-role cells без изменения authority boundary.
Материалы#
- Исследование и evidence log
- Техническое решение и запуск
- Проверка и итог
prototype/— frozen matrix, prompt composition, workflows, capture/transport binding, fresh source recomputation, blind semantic packet, scorer, selector и source-bound finalizationartifacts/— protocol, preflights, jobs, raw responses и derived evidence
Итог#
Screening завершён полностью: 24/24 terminal jobs, 24/24 exact raw
responses, 0 provider failures. Frozen scorer и независимый metadata-hidden
review применены без client-side resubmit, repair или изменения gates.
Ни один config не выполнил all-cell порог. Лучший deterministic результат у
semantic-v2--medium: 5/6, но semantic floor пройден только в 4/6, с
двумя critical grounding failures. Selector вернул
no_eligible_config, поэтому preregistered confirmation не запускалась.
Инструменты дали полезный, но недостаточный causal signal: semantic-v2
повысил deterministic pass rate с 7/12 до 9/12, semantic mean на 0.417
и снизил critical-failure rate с 8/12 до 4/12. medium не изменил
deterministic pass rate (8/12 против 8/12), хотя повысил semantic mean на
0.25. Outcome остаётся fail, потому что среднее улучшение не заменяет
обязательные 6/6.
Ограничения#
Seed у OpenRouter является provider hint, а не гарантией bit-for-bit воспроизводимости. Одна sci-fi comedy fixture не доказывает genre diversity. Independent agent semantic review не заменяет human naturalness review.
Следующее решение#
Не переносить prompt/reasoning policy в production и не запускать confirmation задним числом. Следующее отдельное исследование должно проверить typed FactLedger либо bounded repair, сохранив текущие raw artifacts, scorer и hard gates как неизменный baseline.