# K3 Attention Residuals 局部 mixer 路径干预协议

协议 ID：`llm-atlas-k3-attnres-local-path-v1`  
冻结日期：2026-07-30  
协议状态：**结果前预注册 frozen；任何语义变更必须更换 protocol ID**  
父协议：`llm-atlas-k3-attnres-spike-path-v1`

## 0. 研究身份

本轮是 Round 06 结果后的**定向机制追踪**，不是盲发现。

已知：

- depth-32 / Block 的固定尖峰集合是 layers 21–25；
- 全部 65 个 mixer 的 source value backward coefficients 从 learned 改成 uniform，
  在三 seed 上 material 地降低最终 `post_mlp_state` 的 spike contrast 和 peak；
- 该全局干预保持 forward exact；
- group 6 覆盖 layers 21–24，group 7 覆盖 layers 25–28。

未知：

- 全局下降是否主要集中在 group 6 / 7 的 16 个 depth mixers；
- group 6 与 group 7 是否各自有稳定 effect；
- attention 与 MLP mixer 是否能在预注册阈值下区分；
- output mixer 是否解释了大量全局 effect；
- 局部 sufficiency 与反向 restoration 是否给出一致证据。

前置证据、拓扑和同期 artifact audit 固定在
`research/K3_ATTNRES_LOCAL_PATH_SCOPING.md`。任何结果不得倒写成事前未知。

## 1. 允许回答的问题

1. 在相同模型、batch、loss、activation 与 learned forward weights 下，只改变某个固定
   mixer scope 的 source-gradient coefficients，能复现多少全局 log gap？
2. 从 all-uniform 背景只恢复 group 6 / 7 的 learned coefficients，能恢复多少
   global log gap？
3. groups 6+7 是否在 sufficiency 与 restoration 两个方向、两个 spike 指标、三 seed
   同时通过 50% 阈值？
4. 单独 group 6 或 group 7 是否在两个指标、三 seed 通过 20% 阈值？
5. attention-only 与 MLP-only 是否达到预注册的 branch dominance 规则？
6. output-only 与 all-depth 控制是否显示 effect 主要来自最终 output mixer？

## 2. 明确不回答的问题

- Kimi K3 2.8T checkpoint 的真实训练梯度；
- 论文 Figure 5(c) 未公开 telemetry 的精确定义；
- 哪个 layer、source 或 operator “产生”尖峰；
- learned source weight 的语义归因；
- 重新训练局部 uniform variant 的最终能力；
- intervention effect 的可加性、Shapley value 或方差分解；
- 三 seed 外的总体显著性、置信区间或 p-value；
- K3 `A_log` 两个社区修复中哪个已经得到官方认可；
- checkpoint conversion、推理正确性或部署可用性。

## 3. 冻结训练与数据合同

完整复用 Round 06：

| 字段 | 固定值 |
|---|---|
| architecture | Block AttnRes |
| Transformer depth | 32 |
| aggregation groups | 8 |
| blocks / group | 4 |
| depth mixers / output mixers | 64 / 1 |
| width / heads / FFN | 192 / 6 / 768 |
| context / vocabulary | 256 / byte-256 |
| seeds | 2026073001 / 2026073002 / 2026073003 |
| steps / batch | 8,000 / 32 |
| target bytes / formal cell | 65,536,000 |
| optimizer | AdamW |
| peak / min LR | 3e-4 / 3e-5 |
| warmup | 400 |
| weight decay | 0.1 for ndim ≥ 2 |
| betas / epsilon | 0.9, 0.95 / 1e-8 |
| clip | global norm 1.0 |
| forward | CUDA BF16 autocast |
| residual accumulation | explicit FP32 |
| diagnostic CE | fixed 16 × 256 token-mean FP32 CE |
| parent diagnostic steps | 0 / 100 / 500 / 2,000 / 4,000 / 8,000 |
| local matrix steps | 0 / 8,000 |

训练路径必须逐调用父 runner 原始 forward；局部 custom autograd 只能存在于 optimizer
step 外的 diagnostic。数据 bytes、schedule、validation tensor、diagnostic tensor 与三
seed 的每个 optimizer input 都必须与 Round 06 exact。

诊断调度明确分成两条：

- 六个 parent diagnostic steps 都运行原始 `learned` mode，用于 Round 06 等价；
- step 0 / 8,000 另外运行下述 14-mode local matrix；
- localization 公式只读取 14-mode matrix，绝不把 full-autograd `learned` 混入分母。

## 4. 正式矩阵与 replay

正式运行：

```text
depth-32 / block / seed-2026073001
depth-32 / block / seed-2026073002
depth-32 / block / seed-2026073003
```

另从初始化完整重跑：

```text
replay / depth-32 / block / seed-2026073001
```

正式三格处理 196,608,000 target bytes；含 replay 共 262,144,000 bytes。每格使用
全新 Python 进程。最多并行两个进程；不能共享 model、optimizer、RNG 或 CUDA graph。
wall-time 不进入数值复现合同。

## 5. 固定主对象与指标

主对象固定为最终 step 8,000：

```text
position  = post_mlp_state
reduction = element_rms
S         = layers 21, 22, 23, 24, 25
R         = other 27 layers
```

对 mode `m`：

```text
C_m = mean(metric[S]) / mean(metric[R])   # spike contrast
P_m = max(metric) / mean(metric)          # peak normalized
```

`C_m` 与 `P_m` 必须 finite 且严格大于 `1e-30`。后文统一用 `X_ref` 表示
`X_detached_learned`；不用 `detached_reference` 等其他别名。不允许用其他位置、reduction、layer
集合或 metric 替换主对象。32-layer raw spectrum、normalized spectrum、peak layer 和
top-five layers 全量报告，但不参与主阈值。

## 6. 14 种冻结模式

所有模式调用同一个 parent learned forward。custom Function 的 forward 直接返回
parent output，只有 backward 对 source tensors 使用选定 coefficients。

14-mode matrix **全部**使用 `RoutedSourceBackward`：每个 mixer 只在
`stopgrad(w)` 与 `1/N` 两种 source value coefficients 中选择。完整
query / key / softmax autograd 的 `learned` 不属于这 14 种模式，只用于训练和父诊断
等价。实现不得把某个 restoration scope 切回 full-autograd `learned`。

### 6.1 reference

`detached_learned`

- 65 个 mixer 全部使用 learned `w` 作为 source value backward coefficients；
- `w` detach，不走 query / key / softmax derivative path；
- 必须 exact reproduce Round 06 的同名 mode。

### 6.2 learned 背景上的局部 uniform：sufficiency family

未选 mixer 使用 detached learned coefficients；选中 mixer 使用 `1/N`：

1. `uniform_group_6_only`
2. `uniform_group_7_only`
3. `uniform_groups_6_7_only`
4. `uniform_group_6_attention_only`
5. `uniform_group_6_mlp_only`
6. `uniform_group_7_attention_only`
7. `uniform_group_7_mlp_only`
8. `uniform_output_only`
9. `uniform_depth_all`
10. `uniform_all`

`uniform_all` 必须 exact reproduce Round 06 的 `uniform_value_backward`。

### 6.3 all-uniform 背景上的 detached-learned restoration family

选中 scope 恢复 detached learned coefficients，其余保持 uniform：

1. `uniform_except_group_6`
2. `uniform_except_group_7`
3. `uniform_except_groups_6_7`

名字中的 `except` 表示该 scope **不是 uniform**。报告和网站必须同时展示人话标签
“restore ... to detached-learned value coefficients”，避免误读。

## 7. selector 的唯一合同

为了同时满足新 selector audit 和 Round 06 endpoint exactness，保留两个互不混写的
schema：

1. 父 `trace.mixers` summary **逐字段不变**；output 仍使用父 schema 的
   `mixer_index=null`，并继续参与父 `mixer_summary_sha256`；
2. 新增平行 `selector_visits`，只用于 local mask audit，不写入父 summary。

`selector_visits` 的 depth mixer identity 用：

```text
(kind="depth", index=0..63, layer=1..32,
 group=1..8, branch in {"attention","mlp"})
```

`selector_visits` 的 output mixer identity 用：

```text
(kind="output", index=64, layer=null, group=null, branch="output")
```

这里 `index=64` 只是新 selector schema 的稳定别名，不得回写父 summary。

令 `D_i` 表示 `kind=depth,index=i`，`O` 表示 output。14 种 mode 的 uniform identity
集合冻结如下：

| mode | exact uniform set |
|---|---|
| `detached_learned` | `∅` |
| `uniform_group_6_only` | `{D40,…,D47}` |
| `uniform_group_7_only` | `{D48,…,D55}` |
| `uniform_groups_6_7_only` | `{D40,…,D55}` |
| `uniform_group_6_attention_only` | `{D40,D42,D44,D46}` |
| `uniform_group_6_mlp_only` | `{D41,D43,D45,D47}` |
| `uniform_group_7_attention_only` | `{D48,D50,D52,D54}` |
| `uniform_group_7_mlp_only` | `{D49,D51,D53,D55}` |
| `uniform_output_only` | `{O}` |
| `uniform_depth_all` | `{D0,…,D63}` |
| `uniform_all` | `{D0,…,D63,O}` |
| `uniform_except_group_6` | `{D0,…,D39,D48,…,D63,O}` |
| `uniform_except_group_7` | `{D0,…,D47,D56,…,D63,O}` |
| `uniform_except_groups_6_7` | `{D0,…,D39,D56,…,D63,O}` |

runner 必须把这些 set 编码为一个 frozen selector 函数；不能散落在 mode-specific
if/else 中。manifest 同时保存 machine-readable exact index lists。runner 通过
override `_mix` 或等价 hook 做 set lookup，并替换父 runner 中只接受三种 global mode
的 mode validation、bundle loop 和相关 gate；训练 forward 继续直接调用父路径。

每次 forward 必须验证：

- exactly 65 个 mixer visits；
- identity 不重复；
- identity 顺序与 reference exact；
- 父 `trace.mixers` schema 与 hash 路径没有新字段；
- uniform census 与 manifest exact；
- selected identity list 与 selector rule exact；
- reference 的 uniform count 为 0；
- branch-only 4，group-only 8，groups 6+7 为 16；
- output-only 1，all-depth 64，all 65；
- except-one-group 57，except-two-groups 49。

任一 gate 失败，cell invalid；不得只改结果 JSON。

## 8. forward identity 与 parent exactness

### 8.1 所有 14 模式的 forward identity

同 seed / step 相对 `detached_learned` 必须满足：

- logits tensor SHA-256 exact；
- loss FP32 value exact；
- 六位置 activation tensor hashes exact；
- 65 个 mixer forward summaries exact。

任一 mode 失败，整格 invalid。

### 8.2 Round 06 endpoint exactness

对 step 0 / 8,000：

- `detached_learned` 的 logits、loss、六位置 activation、未改 schema 的 mixer
  summaries 和六位置 gradient reductions 必须与对应 Round 06
  raw output exact；
- `uniform_all` 的同一组字段和六位置 gradient reductions必须与对应 Round 06
  `uniform_value_backward` exact；
- 正式训练的 final model hash、optimizer hash、六个 validation BPC、training
  history 与六个 parent `learned` diagnostics 必须与 Round 06 exact；
- 新 `selector_visits` 不参与旧 `mixer_summary_sha256`，而由独立 canonical hash
  和 exact-set gate 管理。

runner / protocol / scoping / manifest 物理 hash 在运行前冻结。父 raw 文件同时检查 physical
SHA-256、canonical SHA-256、final model hash 和 final optimizer hash。

## 9. 初始化负控制

step 0 的 mixer query 为零，learned `w` 是 uniform。14 模式在六个位置的
`element_rms` 必须：

- 32 个 raw values 全部 finite、strictly positive；
- 相对 reference 的逐层 raw relative error `≤1e-6`；
- normalized absolute error `≤1e-6`。

此外：

- `detached_learned` 与 `uniform_all` 必须分别与 Round 06 step-0 endpoint exact；
- parent full-autograd `learned` 与 `detached_learned` 必须按 Round 06 负控制在
  `1e-6` tolerance 内一致；
- `detached_learned` 另执行同一 loss 的 `×1 / ×2` backward，六位置、七 reductions
  都必须通过父协议相同的 scale 与 normalized-spectrum gate。

失败表示 selector 或 surrogate 没有隔离预期路径；正式结果无效。

## 10. global log gap

对每个 seed 和每个指标 `X ∈ {C,P}`：

```text
G_X = ln(X_ref / X_uniform_all)
relative_drop_X = (X_ref - X_uniform_all) / X_ref
```

只有同时满足以下条件才允许解释局部比例：

1. `G_C > 0` 且 `G_P > 0`；
2. 上式 `relative_drop_X ≥0.20`；
3. Round 06 endpoint exactness 通过。

seed `s` 的 metric `X` 任一条件不满足，则该 `(s,X)` 称为
`global gap not established`，不计算该格 `S_X / R_X`。groups 6+7 的主 gate 要求
3 seed × 2 metrics 全部存在，因此任一 required cell 缺失都会使主 localization
判定失败；仍公开 raw matrix，不使用事后替代分母。

log ratio 用于让相同的乘法变化在两个方向可比。所有归一化值按原值报告，**不裁剪到
[0,1]**；负值表示反方向，超过 1 表示局部 intervention 超过 all-uniform endpoint。

## 11. sufficiency score

对 sufficiency mode `m`：

```text
S_X(m) = ln(X_ref / X_m) / G_X
```

### 11.1 groups 6+7 主判定

只有 `uniform_groups_6_7_only` 对 `C` 和 `P` 都满足：

```text
S_X(m) ≥ 0.50
```

且三个 formal seed 6 / 6 全部达标，才记为：

> groups 6+7 的 16 个 depth mixers 在本 diagnostic 中，足以复现至少一半
> all-65 uniform intervention 的预注册 log-gap reduction。

任一失败记为 `not sufficient at the preregistered 50% threshold`。`mixed` 精确定义为：
seed 通过/失败不一致、`C/P` 通过/失败不一致，或 score 的正负号跨 seed 不一致；可同时
附加多个原因，不得降低阈值。

### 11.2 单 group

group 6 / group 7 分别对 `C` 和 `P`、三 seed 全部满足：

```text
S_X(m) ≥ 0.20
```

才称为 `material local sufficiency at the 20% threshold`。没过阈值不等于 effect 为零。

## 12. restoration score

对 restoration mode `r`：

```text
R_X(r) = ln(X_r / X_uniform_all) / G_X
```

### 12.1 groups 6+7 主判定

只有 `uniform_except_groups_6_7` 对 `C` 和 `P`、三 seed全部满足：

```text
R_X(r) ≥ 0.50
```

才称为：

> 从 all-uniform 背景只恢复 groups 6+7 的 learned coefficients，恢复了至少一半
> 预注册 global log gap。

这仍是同前向 backward-rule restoration sensitivity，不是严格 causal necessity。

### 12.2 单 group

`uniform_except_group_6` / `uniform_except_group_7` 分别以 `≥0.20`、两个指标、三 seed
作为 material restoration threshold。

## 13. localization 总闸门

只有以下两项同时通过：

1. groups 6+7 sufficiency：`S_C,S_P ≥0.50`，3 / 3 seeds；
2. groups 6+7 restoration：`R_C,R_P ≥0.50`，3 / 3 seeds；

才允许写：

> 在本缩小模型、固定训练状态和 diagnostic backward 下，全局 value-coefficient
> sensitivity 的主要部分 localization 到 group 6 / 7 mixer path。

即使通过，也必须紧邻注明：

- “主要部分”由 50% 双向阈值定义；
- effect non-additive；
- 不是唯一来源或 layer-origin；
- 不是真实 K3 checkpoint 结论。

一侧通过一侧失败，统一写成 `one-sided evidence, localization not established`。

## 14. attention vs MLP branch 判定

每个 group 独立比较 attention-only 与 MLP-only sufficiency score。只有某 branch：

1. `S_C ≥0.20` 且 `S_P ≥0.20`；
2. 在 `C` 与 `P` 上都比 sibling 高至少 `0.15`；
3. 三 seed 全部满足前两项；

才称为 `branch-dominant at the preregistered margin`。

若 group-level sufficiency 未通过 20% 阈值，不允许宣称其内部 branch dominance。
branch-only scores 可能交互、超加或相互抵消，不能相加成 group score。
本节只有 sufficiency 方向，没有 branch-level restoration，属于预注册的次级探索性
判定，证据层级低于 §13 双向 localization。

## 15. output 与 depth 控制

`uniform_output_only` 和 `uniform_depth_all` 不进入 group localization 主判定。

探索性报告：

```text
S_X(output)
S_X(depth_all)
interaction_residual_X =
  1 - S_X(output) - S_X(depth_all)
```

`interaction_residual` 只是 log-gap bookkeeping，不是统计交互估计或贡献分解。
它不预期接近 0，也不是 hypothesis test。

只有 output-only 对两个指标、三 seed 都 `≥0.50`，才标记
`output mixer alone captures at least half the global gap`。即使如此，也不否定
groups 6+7；两者可能重叠、串联或超加。

## 16. 报告顺序与反 cherry-picking

固定报告顺序：

1. input / parent / endpoint exactness；
2. step-0 negative control；
3. 每 seed 的 raw `C` / `P` 矩阵；
4. global gaps；
5. groups 6+7 sufficiency；
6. groups 6+7 restoration；
7. localization gate；
8. single-group scores；
9. branch scores；
10. output / depth controls；
11. full 32-layer spectra；
12. replay；
13. limitations。

所有 14 modes、两个指标、三个 seed 都公开。不得只展示通过阈值的 scope。不得用跨 seed
均值替代 3 / 3 gate；均值只用于视觉摘要。

## 17. replay 与复现闸门

seed 2026073001 从初始化独立 replay，比较去除以下字段后的 canonical content：

- `run_kind`；
- wall-clock timing；
- output path；
- self canonical hash。

至少以下字段必须 exact：

- input tensor hashes；
- initial/final model 与 optimizer hashes；
- evaluations / training history；
- parent diagnostics；
- 14-mode step-0 / step-8,000 forward hashes；
- selector census / identities；
- 六位置 raw gradient reductions；
- global gaps / local scores / gates。

若正式 seed1 与 replay 不 exact，Round 07 数值结论无效。
replay 固定在与 formal 相同 host、GPU、Python、PyTorch、CUDA 和
`CUBLAS_WORKSPACE_CONFIG` 环境；本协议不声称跨硬件 bit exact。

## 18. 预期失败与停止规则

以下任一项使 cell invalid：

- CUDA deterministic contract 未开启；
- parent manifest / runner / protocol / scoping / raw hash 不匹配；
- 训练等价失败；
- diagnostic 改变 optimizer state；
- forward identity 失败；
- selector identity / census 失败；
- Round 06 endpoint exactness 失败；
- step-0 negative control 失败；
- raw gradient missing、non-finite 或 non-positive；
- global gap denominator 不成立。

程序错误修复必须：

1. 保存失败日志；
2. 修改 runner；
3. 更新 runner hash；
4. 明确判断协议语义是否改变；
5. 若改变 selector、mode、metric、threshold 或 aggregation，创建新 protocol ID；
6. 全部受影响 cell 从初始化重跑。

## 19. 结果语言边界

允许：

- “在同前向 diagnostic backward 下，uniformizing scope X 改变了固定尖峰指标”；
- “groups 6+7 在预注册 50% 双向阈值下建立 / 未建立 localization”；
- “branch effect mixed / below threshold”；
- “这是一项 reduced-model mechanism probe”。

禁止：

- “证明 K3 的尖峰来自第 6 组”；
- “这些 mixer 贡献了 X% 梯度”；
- “group effect 加总为 100%”；
- “uniform mixer 更适合训练”；
- “复现了 Figure 5(c)”；
- “验证了 K3 2.8T checkpoint”；
- “社区 PR #144 或 #150 已成为官方修复”。

## 20. 冻结清单

在任何 formal 结果产生前必须完成：

- [x] scoping 文件完成；
- [x] protocol 状态改为 frozen；
- [ ] 14 modes 与 selector census 写入 manifest；
- [ ] thresholds / formulas 写入 manifest；
- [ ] Round 06 父 artifact physical / canonical hashes 写入 manifest；
- [ ] runner、protocol、scoping、manifest hashes 固定；
- [x] Grok Headless 对抗审阅完成，采纳/拒绝理由留档；
- [ ] step-0 smoke 全门通过；
- [ ] formal 命令与环境写入 README；
- [ ] 单一 `analyze.py` 实现所有 score / gate，网站只消费其冻结输出；
- [ ] protocol commit 早于 formal result commit。