V93 物理推演器 — 完整架构

最后更新: 2026-06-20 00:40

1. 系统总览

┌─────────────────────────────────────────────────────────────────┐
│                        用户问题 (意念)                           │
└────────────────────┬────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────────────────────────┐
│              大模型推理层 (GPU / 云端 API)                        │
│  ├── 本地模型: Qwen2.5-0.5B/3B (llama-server @8082)             │
│  └── 云端模型: DeepSeek-V4 / Qwen-Max (text-only 降级)          │
│                                                                 │
│  输出:                                                           │
│  ├── text: 推理文本                                              │
│  └── logprobs: token 级对数概率 (本地模型有, 云端可能无)          │
└────────────────────┬────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────────────────────────┐
│              特征提取器 (feature_extractor.py)                    │
│                                                                 │
│  输入: ModelOutput (text + logprobs + question)                 │
│                                                                 │
│  提取两个信号:                                                   │
│  ┌──────────────────────────────────────────────────────────┐  │
│  │ 1. 序列级方向信号 (logprob 统计特征)                      │  │
│  │    ├── x_pos, y_pos: 位置 (sin 物极必反映射)              │  │
│  │    ├── x_trend, y_trend: 趋势 (前后段差分)                │  │
│  │    ├── curvature: 曲率 (std 变化)                         │  │
│  │    └── signal_angle: 信号角度 (atan2)                     │  │
│  └──────────────────────────────────────────────────────────┘  │
│  ┌──────────────────────────────────────────────────────────┐  │
│  │ 2. 卦位级加热信号 (token 计数 × 置信度)                   │  │
│  │    ├── trigram_heat: 每卦热量 (Σ exp(logprob))            │  │
│  │    ├── trigram_tokens: 每卦 token 数                      │  │
│  │    └── trigram_confidence: 每卦平均置信度                 │  │
│  └──────────────────────────────────────────────────────────┘  │
│                                                                 │
│  输出: ExtractedSignal                                          │
└────────────────────┬────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────────────────────────┐
│              加热映射器 (HeatMapper)                              │
│                                                                 │
│  将卦位加热信号映射到 flow_rate:                                  │
│  flow_rate[i] = base × (1-w) + base × w × normalized_heat[i]   │
│                                                                 │
│  物理意义: 模型在某卦上花更多 token → 那卦 flow_rate 更高         │
└────────────────────┬────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────────────────────────┐
│              物理推演管线 (core_unified_full.py)                  │
│                                                                 │
│  ┌─ 1. 太极特征提取 (物极必反 sin + 趋势 sin) ──────────────┐  │
│  │   signal_vec = (signal_x, signal_y)                       │  │
│  │   curvature, signal_trend                                 │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 2. A+D 动态 tanh (空间弯曲 + 信号折射) ────────────────┐  │
│  │   deformed_trigrams = f(curvature)                        │  │
│  │   refract_weight = tanh(curvature × π) × 0.5             │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 3. 三层角度合成 ───────────────────────────────────────┐  │
│  │   final_angle = base + refract + trend_rotation           │  │
│  │   trend_rotation = signal_trend × trend_weight            │  │
│  │   rotated_signal = (cos, sin)                             │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 4. v91 冲刷动力学 (每卦独立 flow_rate) ────────────────┐  │
│  │   for step in range(20):                                  │  │
│  │     factors = compute_factor(rotated_signal, trigram_pos) │  │
│  │     core.step(factors, flow_rates)  ← Dict[str, float]   │  │
│  │                                                           │  │
│  │   铁律公式:                                               │  │
│  │   growth = flow_rate × depth × 0.05 × factor              │  │
│  │          + flow_rate × 0.05 × factor                      │  │
│  │   decay = 0.02 × time_delta                               │  │
│  │   depth += growth - decay + thermal_noise                 │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 5. 蒸汽流动 (浓度梯度驱动) ───────────────────────────┐  │
│  │   高浓度吸引低浓度, 物理涌现                             │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 6. 极端度检测 + 太极衰减 ─────────────────────────────┐  │
│  │   extremeness = max(depths) / mean(depths)                │  │
│  │   rotation_weight = 1 / (1 + (extremeness-1) × 0.3)      │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 7. 趋势旋转温度计 ────────────────────────────────────┐  │
│  │   k = 3.0 + |attenuated_rotation| × 5.0                  │  │
│  │   物极必反趋势强 → k 大 → 凝结锐利                       │  │
│  └───────────────────────────────────────────────────────────┘  │
│                          ↓                                       │
│  ┌─ 8. 水蒸气凝结 (softmax) ──────────────────────────────┐  │
│  │   condensation = softmax(depths × k)                      │  │
│  │   active = [卦 for 卦 if condensation > avg × 2]          │  │
│  │   winner = max(condensation)                              │  │
│  └───────────────────────────────────────────────────────────┘  │
└────────────────────┬────────────────────────────────────────────┘
                     ↓
┌─────────────────────────────────────────────────────────────────┐
│              输出                                                │
│  ├── winner: 胜出卦位                                           │
│  ├── condensation: 凝结分布 (softmax概率)                       │
│  ├── active_trigrams: 活跃卦位列表                              │
│  ├── depths: 冲刷深度                                           │
│  └── metadata: 信号角度、曲率、极端度等                          │
└─────────────────────────────────────────────────────────────────┘

2. 核心组件详解

2.1 特征提取器 (feature_extractor.py)

职责: 连接真实大模型与物理管线的桥梁

两种模式:

Logprob 模式 (本地模型)

output = ModelOutput(
    text="天道运行，自强不息...",
    tokens=[TokenInfo(text="天", logprob=-0.1), ...],
    question="如何突破困境？"
)

extractor = FeatureExtractor()
signal = extractor.extract(output)

# 序列级方向信号
signal.features['signal_angle']  # e.g. 45.2°
signal.features['curvature']     # e.g. 0.3

# 卦位级加热信号
signal.trigram_heat['乾']        # e.g. 25.8 (高热量)
signal.trigram_tokens['乾']      # e.g. 31 (多 token)

Text-only 模式 (云端 API 降级)

signal = extractor.extract_text_only(
    text="这个问题需要从多个角度来看...",
    question="人生困惑",
    model_name="DeepSeek-V4-Cloud"
)

# 用 Unicode 码点作为伪 logprob
# 用文本关键词计数作为加热信号

卦位关键词表 (物理关联, 非语义映射):

TRIGRAM_KEYWORDS = {
    "乾": ["天", "刚", "健", "强", "创", "领", "主", "首", "龙", "行", "动", "阳"],
    "坤": ["地", "柔", "顺", "承", "容", "稳", "静", "厚", "载", "育", "养", "阴"],
    "震": ["雷", "动", "起", "惊", "发", "始", "新", "突", "冲", "破", "变", "革"],
    "巽": ["风", "入", "渗", "渐", "柔", "细", "微", "散", "传", "通", "达", "息"],
    "坎": ["水", "险", "深", "流", "暗", "隐", "难", "困", "智", "藏", "潜", "渊"],
    "离": ["火", "明", "亮", "清", "显", "照", "光", "丽", "附", "依", "热", "耀"],
    "艮": ["山", "止", "停", "固", "守", "稳", "定", "限", "界", "阻", "碍", "静"],
    "兑": ["泽", "悦", "喜", "乐", "说", "言", "交", "沟", "和", "润", "润", "欢"],
}

2.2 加热映射器 (HeatMapper)

物理意义: 模型在某卦上花更多 token → 那卦 flow_rate 更高 → 更热 → 更易凝结

mapper = HeatMapper(base_flow_rate=5.0, heat_weight=0.5)
flow_rates = mapper.map(signal.trigram_heat, signal.total_tokens)

# flow_rates = {
#     "乾": 5.0,    # 高热量 → 高 flow_rate
#     "震": 2.6,    # 中热量
#     "坤": 2.5,    # 低热量 → 基础 flow_rate
#     ...
# }

公式:

normalized_heat[i] = heat[i] / max(heat)  # 归一化到 [0, 1]
flow_rate[i] = base × (1-w) + base × w × normalized_heat[i]

当 heat_weight = 0.5 时:

50% 统一加热 (所有卦 base_flow_rate)
50% 计算量加热 (根据 token 分布)

2.3 物理推演管线 (core_unified_full.py)

V91Core 改动 (铁律不变, flow_rate 从标量变向量):

def step(self, factors: Dict[str, float], flow_rate=5.0, time_delta=1.0):
    for name in TRIGRAMS_2D:
        # 支持每卦独立 flow_rate
        fr = flow_rate[name] if isinstance(flow_rate, dict) else flow_rate
        
        growth = fr * depth * 0.05 * factor + fr * 0.05 * factor
        decay = 0.02 * time_delta
        depth += growth - decay + thermal_noise

divine_with_signal() (新接口):

divinator = V93DivinatorFullPhysics(flow_rate=5.0, num_steps=20)
result = divinator.divine_with_signal(signal)

# 内部流程:
# 1. 从 signal.features 提取方向信号
# 2. 从 signal.trigram_heat 计算 flow_rates
# 3. 冲刷时用 flow_rates (Dict) 而非统一 flow_rate

3. 两种力量的博弈

管线里有两个力量共同决定结果:

方向信号 ("风往哪吹")

来源: logprob 统计特征 (mean, std, trend, curvature)
作用: 决定 signal_angle → factor 匹配
强度: 乘性 (factor ∈ [0.5, 1.5])
物理意义: 模型理解的不确定性分布

加热信号 ("火在哪烧")

来源: token 计数 × 置信度
作用: 决定每卦 flow_rate
强度: 线性 (flow_rate ∈ [base×0.5, base×1.0])
物理意义: 模型在某卦上花的计算量

当两者对齐 → 完美命中 (e.g. 信号指向离 + 离卦最热 → 离胜)

当两者冲突 → 方向信号往往更强 (factor 乘性 vs flow_rate 线性)

例: 信号指向乾 (factor=1.4) + 离卦最热 (flow_rate=5.0) → 乾可能胜

4. 批量测试结果 (96次, 8卦各12次)

卦	命中率	分析
震	100%	方向+加热天然对齐
离	100%	方向+加热天然对齐
兑	91.7%	几乎完美
坎	83.3%	很好
巽	83.3%	很好
艮	75%	不错
乾	8.3%	方向信号压制加热
坤	0%	完全被方向信号覆盖

总命中率: 67.7% vs 随机基线 12.5% (5.4倍)

关键对比 (测试4):

统一加热 → 乾胜 (方向信号主导)
计算量加热 → 离胜 (加热信号让离卦 flow_rate=5.0)

证明: 模型的计算确实加热了正确的卦位

5. 多模型协作架构

┌─────────────────────────────────────────────────────────────┐
│ 小模型 (快、便宜)                                            │
│ Qwen2.5-0.5B / 3B (llama-server @8082)                      │
│                                                              │
│ 职责: 理解问题, 产生 reasoning + logprobs                     │
│ 成本: 低 (本地 GPU, 无 API 费用)                              │
└──────────────────┬──────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────────────────────────┐
│ 特征提取器 + 加热映射器                                       │
│                                                              │
│ 从小模型输出提取:                                             │
│ - 方向信号 (logprob 统计)                                     │
│ - 加热信号 (token 计数)                                       │
└──────────────────┬──────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────────────────────────┐
│ 物理管线 (CPU, 5300次/秒)                                    │
│                                                              │
│ 用加热后的 flow_rates 驱动冲刷                                │
│ 小模型的计算量已经"加热"了物理场                              │
└──────────────────┬──────────────────────────────────────────┘
                   ↓
┌─────────────────────────────────────────────────────────────┐
│ 大模型 (慢、强, 可选)                                         │
│ DeepSeek-V4 / Qwen-Max (云端 API)                            │
│                                                              │
│ 在被加热的物理场上推理最终答案                                │
│ 场的热度分布 (condensation) 可作为 prompt 上下文              │
│                                                              │
│ 例: "坎卦最热 (42%), 离卦次热 (28%)"                         │
│ → 大模型会基于这个热度分布生成更精准的解释                    │
└─────────────────────────────────────────────────────────────┘

物理意义:

小模型的推理过程 (logprobs) 加热了物理场
大模型在这个被加热的场上推理 — 场已经包含了小模型的"理解"
这不是知识蒸馏, 是物理加热

6. 意念涌现

问题 (意念) 如何影响结果:

直接路径 (微弱):
- 问题文本 → 5% 偏置 → signal_angle 微调
- 强度: 仅 5%, 不主导
涌现路径 (主要):
- 不同问题 → 改变模型生成 → 改变 logprob 分布 → 改变方向信号和加热信号
- 例: "事业突破" vs "感情维系" → 模型生成不同文本 → 不同加热模式

测试结果:

同一推理文本, 不同问题 → 1.47° 角度标准差
微弱但存在, 主要通过改变模型生成来涌现

7. 文件结构

finding-order/
├── src/
│   └── v93_physical_divination/
│       ├── core.py                          # v91 核心 (旧版)
│       ├── core_global.py                   # 全局物理版 (旧版)
│       ├── core_bagua.py                    # 八卦盘 2D (旧版)
│       ├── core_bagua_curvature.py          # 八卦盘+时间 (旧版)
│       ├── core_unified.py                  # 全局整合 (旧版)
│       ├── core_unified_full.py             # ★ v93 完整物理管线
│       ├── feature_extractor.py             # ★ 特征提取器 (新)
│       ├── test_real_pipeline.py            # ★ 真实管线测试 (新)
│       └── test_*.py                        # 历史测试脚本
│
├── src/v94_qichang/
│   └── core.py                              # v94 气场方案
│
├── ARCHITECTURE.md                          # 本文档
└── memory/
    └── 2026-06-20.md                        # 今日日志

8. 关键决策记录

决策	理由
logprobs 是热量	模型在某卦上花更多 token → 那卦更热 → 更易凝结
意念是涌现的	不同问题改变模型生成 → 改变 logprob 分布 → 改变物理结果
多模型协作	小模型便宜, 大模型强, 物理管线连接两者
heat_weight=0.5	平衡方向信号和加热信号, 避免单一主导
意念注入仅 5%	主要通过改变模型生成来涌现, 不人工注入
text-only 降级	云端 API 无 logprob 时用 Unicode 码点 + 文本计数
V91Core 支持 Dict flow_rate	铁律不变, 只是 flow_rate 从标量变向量

9. 已知限制

方向-加热冲突: 当方向信号和加热信号指向不同卦位时, 方向信号往往胜出 (factor 乘性 vs flow_rate 线性)
乾/坤命中率低: 8.3% / 0%, 说明 logprob 统计对乾/坤的指向弱
意念影响微弱: 1.47° 角度标准差, 主要通过改变模型生成来涌现
关键词表局限: 仅 96 个关键词, 可能遗漏重要词汇

10. 下一步

接入真实本地模型 (Qwen2.5-0.5B/3B):
- 用 llama-server 产生真实 logprobs
- 测试真实推理文本的加热效果
优化关键词表:
- 从语料库自动提取卦位相关词汇
- 或用 embedding 相似度匹配
平衡方向和加热信号:
- 调整 factor 和 flow_rate 的相对强度
- 或引入非线性 flow_rate 映射
大模型协作实验:
- 用 DeepSeek-V4 在被加热的场上推理
- 测试热度分布作为 prompt 上下文的效果

V93 物理推演器 — 让信号通过物理冲刷自然形成沟壑, 让答案自然涌现

Navigation Menu

Repository navigation

ARCHITECTURE.md

ARCHITECTURE.md

V93 物理推演器 — 完整架构

1. 系统总览

2. 核心组件详解

2.1 特征提取器 (feature_extractor.py)

Logprob 模式 (本地模型)

Text-only 模式 (云端 API 降级)

2.2 加热映射器 (HeatMapper)

2.3 物理推演管线 (core_unified_full.py)

3. 两种力量的博弈

方向信号 ("风往哪吹")

加热信号 ("火在哪烧")

4. 批量测试结果 (96次, 8卦各12次)

5. 多模型协作架构

6. 意念涌现

7. 文件结构

8. 关键决策记录

9. 已知限制

10. 下一步

FilesExpand file tree

ARCHITECTURE.md

Latest commit

History

ARCHITECTURE.md

File metadata and controls

V93 物理推演器 — 完整架构

1. 系统总览

2. 核心组件详解

2.1 特征提取器 (feature_extractor.py)

Logprob 模式 (本地模型)

Text-only 模式 (云端 API 降级)

2.2 加热映射器 (HeatMapper)

2.3 物理推演管线 (core_unified_full.py)

3. 两种力量的博弈

方向信号 ("风往哪吹")

加热信号 ("火在哪烧")

4. 批量测试结果 (96次, 8卦各12次)

5. 多模型协作架构

6. 意念涌现

7. 文件结构

8. 关键决策记录

9. 已知限制

10. 下一步