Ten plik publikuje opis i wyniki, bez kodu rdzenia, wygenerowanych programów, wag, pamięci ani prywatnych ścieżek. Pełna historia i wcześniejsze odnośniki znajdują się w README.
| Próba | Wynik | Znaczenie |
|---|---|---|
| Matematyka 1024 | 710/710 w sprawdzanych blokach | Zachowanie wyniku; ograniczona gramatyka |
| Programowanie trenowane od nowa | 20/24→21/24, regresje | Kandydat odrzucony |
| Programowanie poszerzone z zachowaniem decyzji | 20/24 i dodatkowe 6/6 | Większa pojemność, bez nowej wiedzy |
| Uczenie intencji z czterech działań | 32/36→35/36 | Kandydat odrzucony przez błędny wybór modułu |
| Optymalizator arytmetyki | Trzy zgodne warianty; sześć testów | Zwykłe mnożenie korzystniejsze w jednej próbie |
| Koordynator współpracy 1024 | 36/36 | Wybór gotowych przebiegów |
| Koordynator 5120 na zadaniach z Wikipedii | 52/52 wobec 52/52 wersji 1024 | Brak wykazanej poprawy trafności |
| Rzeczywiste ścieżki bez audio | Sześć zakończonych wywołań | Integracja; nie gwarancja prawdziwości treści |
| Obraz→matematyka→walidacja | 42→50 | Odczyt porównany ze znanym testowym obrazem |
| Dokumenty→wyszukiwanie→język→program→testy | Trzy testy silni zaliczone | Przekazanie danych; nie dowód konieczności źródła |
| Diagnostyka braków programowania | Cztery błędy rozpoznawania na 24 zadaniach | Brak doboru programu nie oznacza braku algorytmu |
| Próba samonaprawy | Odrzucona przez ograniczenie testera | Naprawy nie zapamiętano; brak zmian wag |
Koordynator ma 5120 neuronów ukrytych, 10 542 090 parametrów i 42 170 993 bajty wag. Cztery wcześniejsze własne główne moduły mają po 1024 neurony. Własne główne wagi wraz z koordynatorem zajmują około 84,27 MB; Qwen i pozostałe gotowe modele są osobnymi składnikami.
Dźwięk odłączono, a jego modele zachowano. Dane z internetu nie aktualizują samoczynnie wiedzy faktograficznej ani wag Qwena. Większy koordynator zachował wynik, lecz nadal wybiera gotowe sekwencje. Kolejność podzadań w próbach przekazywania danych była określona przez eksperyment.
Przy wyborze z dziesięciu artykułów moduł językowy wskazał Backpropagation, Reinforcement learning oraz Binary search algorithm. Oddzielna polityka nowości i niepewności wybrała Gradient descent, Reinforcement learning oraz Sorting algorithm. Nie jest to identyfikacja braków wiedzy.
Politykę ciekawości wyłączono. Samonaprawa ma opierać się na potwierdzonym niepowodzeniu zadania, diagnozie i ponownym sprawdzianie. Ostatnia próba dotyczyła nierozpoznanego polecenia programistycznego; wygenerowany wariant został odrzucony za niedozwoloną metodę. Nie należy przedstawiać tego jako udanej autonomicznej naprawy ani jako dowodu niepoprawności algorytmu.
Potrzebne są nowe zadania, wiarygodne rozróżnianie przyczyn niepowodzenia oraz sprawdzane naprawy, które generalizują poza dokładnie zapamiętane polecenie. Nie wykazano ogólnego samouczenia, swobodnego tworzenia planów ani przewagi nad standardowymi systemami AI. Testy dotyczą małych, kontrolowanych zestawów.