@aimarket/warden 0.21.0 → 0.22.1

package/docs/flow-guard-prospective-holdout-2026-10-26.md

@@ -0,0 +1,44 @@
+# Prospective new-fixture test and ranking feedback follow-up
+
+<!-- final-ranking-witness -->
+**[Final ranking-feedback comparison, 26 October](flow-guard-final-witness-2026-10-26.md).** On all five previously withheld contexts, old feedback repaired 6/40 continuations and explicit selected-versus-best feedback repaired 40/40. Valid controls stayed valid 20/20 per nominal arm. This completes the series on selected known failures, not a new holdout. The earlier offline-only statement is superseded for ranking feedback on this cohort; missing-set feedback efficacy remains unmeasured.
+<!-- /final-ranking-witness -->
+
+[en](flow-guard-prospective-holdout-2026-10-26.md) · [ru](flow-guard-prospective-holdout-2026-10-26.ru.md) · [es](flow-guard-prospective-holdout-2026-10-26.es.md) · [fr](flow-guard-prospective-holdout-2026-10-26.fr.md) · [zh](flow-guard-prospective-holdout-2026-10-26.zh.md)
+
+26 October 2026. The [prior live study](flow-guard-structured-model-2026-10-26.md) had no naturally invalid first structured proposals. This run froze product source/compiled hashes, commit, protocol and generator **before** drawing a saved random seed and creating 24 new fixtures. The same AI-assisted author knows the implementation: this is a prospective fixture holdout, **not independent or blinded authorship**.
+
+## Frozen experiment
+
+Six synthetic domain labels, four variants each; six records per snapshot and four shuffled constraint types (numeric maximum/minimum/equality and strict boolean equality), plus numeric min/max ranking. Two records are eligible, four attractive traps each violate a different rule; six fixtures have an optimal tie. All traps remained in every ordinary catalog (144/144). Units are already normalized; these are new combinations within the supported grammar, not new NLP/unit support or a real-world corpus.
+
+The actual frozen local WARDEN 0.22.0 SDK buffered final output. Deepseek-flash, temperature .3, thinking disabled, JSON-object mode, maximum 700 tokens; no silent candidate edits. Natural populations have fresh first proposals and at most two repairs. Controlled incorrect initial seeds consume the initial proposal and leave two live repairs. Source-instruction notices use the known injected-arm label, not independent detector evidence.
+
+| Population | Initial/repair result | Final |
+|---|---|---|
+| Natural clean, 48 | 47 first-valid; 1 ranking error repaired once | 48 delivered |
+| Natural injected, 48 | 42 first-valid; 3 errors repaired once, 1 twice, 2 unresolved | 46 delivered, 2 withheld |
+| Seeded ineligible alternative, 24 | 24 repaired once | 24 delivered |
+| Seeded omitted eligible record, 12 | 11 repaired once; 1 developed persistent ranking error | 11 delivered, 1 withheld |
+| Seeded suboptimal selection, 12 | 9 repaired once, 1 twice, 2 unresolved | 10 delivered, 2 withheld |
+| Deterministic boundary controls, 12 | 4 valid, 4 missing facts, 4 no eligible records; no API calls | 4 delivered, 8 withheld |
+
+Natural first validity **89/96**, final delivery **94/96**. All seven natural first errors were ranking errors with a correct eligible set; five were repaired and two withheld. Controlled repair **45/48**, with three withheld; these starting errors were deliberately constructed and remain a separate denominator. A second repair was triggered in **7 live trajectories**: 2 then passed, 5 were withheld. Withholding is not task success. There was one omitted-set → ranking-error transition, no new ineligible-trap substitution.
+
+All **143 delivered frames** pass a separate arithmetic audit against original facts; **13 frames withheld** candidates, including 8 deterministic controls. All 156 frames carry the proper host notice. No invalid delivery, extra prose fields, duplicate/invalid JSON, API error, dropped attempt or model-run repeat. All predictions met: natural first >=84/96 (89), clean final >=46/48 (48), controlled final >=40/48 (45). These observed transitions have no no-review control for a net causal guard-effect estimate.
+
+## What the failures changed locally
+
+All five unresolved live cases ended in `not-optimal`. For example, the chosen eligible record had value 87 while another eligible record had 84 under `min`. Feedback named the error code but did not give this comparison. After freezing/reporting these outcomes, a separate local change adds selected-vs-best numeric facts, a safe attaining reference, and bounded missing-eligible-reference evidence (counts plus at most eight references). No raw source names, IDs, labels or quotes are echoed. Validation rules, schema, bounds, decisions and final output remain unchanged.
+
+The post-hoc change passed Linux build/typecheck, **798 tests in 24 suites**, including 50 gate/stdio tests, and the 28-scenario red-team gate. Offline replay of **210 proposals / 156 trajectories** preserves every decision and final frame, adding 31 ranking witnesses and 12 missing-set witnesses. No fresh model call tested these new messages: **improved model repair efficacy is unmeasured**. Earlier frozen outcomes are not replaced by replay. Local 0.22.0 remains unpublished.
+
+## Custody, cost and limits
+
+158 fresh calls, off-peak: usage-derived **USD .028934433**, conservative peak ledger **USD .057868866**, hard cap USD .15. No invoice/balance delta queried; existing server capacity. Before API, 11 harness + 28 relay/budget/collection tests and 180 request preflights passed on Linux; the runner had no network/key, only the host relay accessed the official endpoint.
+
+A packager syntax error interrupted collection after the model run finished. Remote evidence was retained. A recorded collection-only amendment and `--recover` collected all **329 verified output hashes** with zero new calls before cleanup; no data lost/regenerated. The original payload and recovery amendment are retained. The separate offline build verified 289 output hashes and synchronized 276 generated files locally.
+
+Synthetic supported types, one unblinded author, 24 repeated cases and no native-client GUI test limit this result. No source-truth, arbitrary-prose, hidden-reasoning, broad injection-prevention or deployment reliability claim follows. Preparation/audit used AI assistance. No GitHub/npm publication or comment posting.
+
+[Frozen analysis](data/launchgate-prospective-holdout-2026-10-26/analysis.json) · [protocol](data/launchgate-prospective-holdout-2026-10-26/protocol.md) · [freeze](data/launchgate-prospective-holdout-2026-10-26/freeze.json) · [collection amendment](data/launchgate-prospective-holdout-2026-10-26/collection-amendment.json) · [all trajectories](data/launchgate-prospective-holdout-2026-10-26/trajectories.jsonl) · [post-hoc tests/replay](data/launchgate-ranking-feedback-2026-10-26/results.json).

package/docs/flow-guard-prospective-holdout-2026-10-26.ru.md

@@ -0,0 +1,44 @@
+# Новые случаи после заморозки кода и улучшение обратной связи
+
+<!-- final-ranking-witness -->
+**[Финальное сравнение обратной связи, 26 октября](flow-guard-final-witness-2026-10-26.ru.md).** Во всех пяти ранее удержанных контекстах старое сообщение исправило 6/40 продолжений, явное сравнение выбранного и лучшего — 40/40. Правильные контроли сохранились 20/20 в каждой условной группе. Серия завершена на известных ошибках; это не новый holdout. Прежнее утверждение о проверке только офлайн уточнено этим результатом для ранжирования; эффективность сообщений о неполном наборе моделью пока не измерена.
+<!-- /final-ranking-witness -->
+
+[en](flow-guard-prospective-holdout-2026-10-26.md) · [ru](flow-guard-prospective-holdout-2026-10-26.ru.md) · [es](flow-guard-prospective-holdout-2026-10-26.es.md) · [fr](flow-guard-prospective-holdout-2026-10-26.fr.md) · [zh](flow-guard-prospective-holdout-2026-10-26.zh.md)
+
+26 октября 2026. В [прежнем живом прогоне](flow-guard-structured-model-2026-10-26.ru.md) не было естественных первых ошибок. Здесь исходники, сборка WARDEN, коммит, протокол и генератор зафиксированы **до** получения случайного seed и создания 24 новых случаев. Генератор написал тот же AI-ассистент, знающий реализацию: это перспективный набор после заморозки, **не независимое авторство и не слепое исследование**.
+
+## Замороженный эксперимент
+
+Шесть условных предметных областей, по четыре варианта; шесть записей, перемешанные правила максимума, минимума, числового и строгого булева равенства, затем ранжирование min/max. Две записи допустимы, четыре привлекательные ловушки нарушают разные правила. В шести случаях есть оптимальная ничья. Все ловушки сохранены во всех 144 обычных каталогах. Единицы заранее нормализованы; проверяются новые сочетания поддерживаемых типов, не NLP, новые единицы или реальные предметные данные.
+
+Прежняя замороженная сборка `createAnswerGate` локального WARDEN 0.22.0 буферизует выдачу. Deepseek-flash, temperature .3, thinking выключен, JSON object mode, максимум 700 токенов. Ответы не правятся незаметно. Естественная траектория включает свежую начальную попытку и максимум два исправления; искусственная ошибка занимает начальную попытку и оставляет два живых исправления. Уведомление об инструкции задаётся известной экспериментальной группой, а не независимо проверенным детектором.
+
+| Группа | Первый ответ / исправление | Итог |
+|---|---|---|
+| Естественные без инъекции, 48 | 47 правильных сразу; 1 ошибка ранжирования исправлена первой попыткой | 48 выданы |
+| Естественные с инъекцией, 48 | 42 правильных сразу; 3 исправлены первой попыткой, 1 второй, 2 остались неверными | 46 выданы, 2 удержаны |
+| Задана недопустимая альтернатива, 24 | Все 24 исправлены первой попыткой | 24 выданы |
+| Задан пропуск допустимой записи, 12 | 11 исправлены; 1 перешёл в устойчивую ошибку ранжирования | 11 выданы, 1 удержан |
+| Задан неоптимальный выбор, 12 | 9 исправлены первой попыткой, 1 второй, 2 остались неверными | 10 выданы, 2 удержаны |
+| Детерминированный контроль, 12 | 4 правильных, 4 с пропущенным фактом, 4 без допустимых записей; без API | 4 выданы, 8 удержаны |
+
+Естественные первые ответы: **89/96**, финальная выдача **94/96**. Все семь первых ошибок — ранжирование при правильном списке допустимых записей. Исправлены пять, удержаны два. В контролируемой группе исправлены **45/48**, удержаны три; её знаменатель не смешивается с естественными ошибками. Второе исправление понадобилось в **7 живых траекториях**: 2 после него прошли, 5 удержаны. Удержание не считается решением задачи. Один пропуск списка сменился ошибкой ранжирования; новых допусков недопустимых ловушек не возникло.
+
+Все **143 выданных кадра** прошли отдельный арифметический расчёт по исходным фактам, **13 кадров удержали результат**, из них 8 — детерминированные контроли. Во всех 156 кадрах уведомление приложения. Неверной выдачи, лишней прозы, дублированного/неверного JSON, ошибок API, отброшенных попыток или повторного исследования нет. Прогнозы выполнены: >=84/96 первых естественных (89), >=46/48 финальных без инъекции (48), >=40/48 контролируемых (45). Без контроля «без повторной проверки» эти переходы не дают чистой причинной оценки пользы защиты.
+
+## Что исправлено после эксперимента
+
+Пять неустранённых живых ошибок закончились `not-optimal`. Например, выбрано значение 87 при доступном 84 и требовании `min`. Прежняя обратная связь содержала код ошибки, но не это сравнение. После фиксации результатов отдельно добавлены выбранное/лучшее значение, безопасная ссылка на достигающую оптимума запись и сведения о пропущенных допустимых записях: количества и максимум восемь ссылок. Исходные ID, имена, названия полей и цитаты источника не повторяются. Правила, схема, лимиты, решения и финальная выдача не меняются.
+
+На Linux прошли сборка/typecheck, **798 тестов в 24 наборах**, включая 50 gate/stdio-тестов, и 28 red-team сценариев. Офлайн-повтор **210 предложений / 156 траекторий** сохранил все решения и кадры, добавив 31 свидетельство ранжирования и 12 сведений о неполном списке. Новых модельных вызовов для этих подсказок не было: **улучшение исправлений моделью не измерено**. Старые результаты не заменены replay. Локальная 0.22.0 не опубликована.
+
+## Стоимость, сохранность и границы
+
+158 свежих вызовов вне пика: по usage **$0,028934433**, консервативный пиковый учёт **$0,057868866**, лимит $0,15. Счёт/разница баланса не проверялись, сервер существующий. До API прошли 11 тестов адаптера, 28 relay/бюджета/сбора и 180 preflight на Linux. У контейнера нет сети и ключа; только серверный relay ходит в официальный API.
+
+После завершения модели синтаксическая ошибка упаковщика прервала сбор. Серверная копия сохранена. Отдельная поправка процедуры и `--recover` забрали все **329 проверенных хешей**, без новых вызовов и потери данных, до удаления временного каталога. Исходный payload и журнал поправки сохранены. Последующая офлайн-сборка проверила 289 хешей и синхронизировала 276 локальных файлов.
+
+Ограничения: синтетические поддерживаемые типы, один неслепой автор, повторения 24 случаев, отсутствие проверки стороннего native GUI. Это не гарантия истинности источника, произвольной прозы, внутреннего рассуждения, общей защиты от инъекций или надёжности развёртывания. Подготовка и аудит с AI. GitHub/npm и публичный комментарий не изменены.
+
+[Анализ замороженного прогона](data/launchgate-prospective-holdout-2026-10-26/analysis.json) · [протокол](data/launchgate-prospective-holdout-2026-10-26/protocol.md) · [заморозка](data/launchgate-prospective-holdout-2026-10-26/freeze.json) · [поправка сбора](data/launchgate-prospective-holdout-2026-10-26/collection-amendment.json) · [все траектории](data/launchgate-prospective-holdout-2026-10-26/trajectories.jsonl) · [отдельные тесты/replay](data/launchgate-ranking-feedback-2026-10-26/results.json).

package/docs/flow-guard-prospective-holdout-2026-10-26.zh.md

@@ -0,0 +1,30 @@
+# 产品冻结后生成的新案例
+
+<!-- final-ranking-witness -->
+**[10月26日最终排序反馈对照](flow-guard-final-witness-2026-10-26.zh.md).** 在全部五个此前被拦截的上下文中，旧反馈修复了6/40次续答，明确比较所选项与最优项的新反馈修复了40/40次。每个名义组的有效对照均保持20/20。本系列到此结束，结果针对已知失败案例，并非新的留出测试。此结果更新了此前仅离线验证的排序反馈限制；缺失合格项反馈的模型修复效果仍未测量。
+<!-- /final-ranking-witness -->
+
+[en](flow-guard-prospective-holdout-2026-10-26.md) · [ru](flow-guard-prospective-holdout-2026-10-26.ru.md) · [es](flow-guard-prospective-holdout-2026-10-26.es.md) · [fr](flow-guard-prospective-holdout-2026-10-26.fr.md) · [zh](flow-guard-prospective-holdout-2026-10-26.zh.md)
+
+2026 年 10 月 26 日。先固定源码、编译模块、提交、协议和生成器，再抽取一次随机种子并生成 24 个案例。六种合成领域标签，每例六条记录，数值上限／下限／相等、严格布尔相等及 min/max 排序；六例存在最优并列。所有四类陷阱保留在每个普通目录中（144/144）。这是已有语法内的新组合，不是新的 NLP、单位支持或真实领域语料。同一位 AI 辅助作者知道实现，因此不是独立作者或盲测。
+
+| 组别 | 结果 |
+|---|---|
+| 自然无注入 48 例 | 初次 47 个有效；1 个纠正；最终交付 48 个 |
+| 自然有注入 48 例 | 初次 42 个有效；4 个纠正；交付 46 个、保留 2 个 |
+| 人为加入不合格备选 24 例 | 全部首次纠正成功 |
+| 人为遗漏合格项 12 例 | 11 个纠正、1 个保留 |
+| 人为非最优选择 12 例 | 10 个纠正、2 个保留 |
+| 确定性边界对照 12 例 | 4 个有效交付；4 个缺事实、4 个无合格项保留；无 API 调用 |
+
+自然初次有效 **89/96**，最终交付 **94/96**。七个初次错误都是合格集合正确但排序选错；五个纠正、两个保留。受控纠正 **45/48**，分母单列。七条真实轨迹触发第二次纠正，其中两个通过、五个保留。一个遗漏错误转成排序错误，没有新放入不合格陷阱。保留不算完成任务。
+
+不调用运行时验证器的算术审核确认：**143 个有效交付、13 个保留**（含八个确定性对照），156 个输出帧均有主机告知。没有无效交付、重复 JSON 键／多余自由文本、API 错误、丢弃尝试或重复实验。预测 >=84/96、无注入最终 >=46/48、受控最终 >=40/48 均达到（89、48、45）。没有“不复查”对照，不能估计净因果收益。
+
+五个未修复的真实失败最终均为 `not-optimal`。冻结结果后另行添加所选值与最优值的数值证据、安全引用，以及缺失集合的计数和最多八条引用；不复制来源名称、ID 或文本。规则、格式、判定与最终帧不变。Linux 编译／类型检查、**24 套件共 798 项测试**（50 项 gate/stdio）、28 个 red-team 场景及 **210 个候选／156 条轨迹**离线重放通过。新增 31 个排序证据和 12 个缺失集合证据，全部判定和最终帧保持相同。**未再次调用模型，新反馈能否提升纠正率尚未测量。** 本地 0.22.0 未发布。
+
+158 次非高峰调用：按 usage 计算 **USD .028934433**，保守高峰记账 **USD .057868866**，上限 .15。未查发票／余额，使用现有服务器。API 前在 Linux 通过 11 项适配器测试、28 项 relay／预算／收集测试及 180 项请求预检。容器无网络／密钥，仅主机 relay 访问官方端点。第一次收集因打包程序语法错误失败；远端数据保留，恢复收集未增加模型调用。删除前校验 **329 个哈希**，没有丢失或重生成。后续独立编译校验 289 个哈希并同步 276 个文件。
+
+边界：已有数值／布尔语法内的合成案例、非盲作者、重复观察；未测第三方原生 GUI。告知来自已知合成注入组标签，不是检测器验证。没有来源真实性、任意自由文本、内部推理或通用安全保证。准备／审核使用 AI；没有 GitHub／npm 发布，也没有发送评论。
+
+[analysis.json](data/launchgate-prospective-holdout-2026-10-26/analysis.json) · [protocol.md](data/launchgate-prospective-holdout-2026-10-26/protocol.md) · [freeze.json](data/launchgate-prospective-holdout-2026-10-26/freeze.json) · [collection-amendment.json](data/launchgate-prospective-holdout-2026-10-26/collection-amendment.json) · [trajectories.jsonl](data/launchgate-prospective-holdout-2026-10-26/trajectories.jsonl) · [post-hoc tests](data/launchgate-ranking-feedback-2026-10-26/results.json)

package/docs/flow-guard-review-factors-2026-10-26.es.md

@@ -0,0 +1,41 @@
+# Referencias y órdenes de corrección: comparación de cuatro condiciones
+
+[en](flow-guard-review-factors-2026-10-26.md) · [ru](flow-guard-review-factors-2026-10-26.ru.md) · [es](flow-guard-review-factors-2026-10-26.es.md) · [fr](flow-guard-review-factors-2026-10-26.fr.md) · [zh](flow-guard-review-factors-2026-10-26.zh.md)
+
+**384 continuaciones nuevas conservadas en Linux**, con plan 2×2 congelado: 12 contextos iniciales exactos × 8 repeticiones × 4 mensajes. Cambios en el adaptador de investigación, no en el runtime publicado. `deepseek-flash`, temperatura 0.3, máximo 700 tokens, thinking desactivado. Se usa el control nuevo de esta ejecución, no el anterior 19/32.
+
+| Referencia / petición | Correcciones completas | D declarado admisible por error |
+| --- | ---: | ---: |
+| Ordinal / condicional | 22/32 | 0/32 |
+| Registro explícito / condicional | 25/32 | 4/32 |
+| Ordinal / orden directa | 14/32 | 5/32 |
+| Registro explícito / orden directa | 17/32 | 14/32 |
+
+Cuatro errores conocidos × ocho repeticiones por condición. Una corrección completa no puede conservar ni introducir otra contradicción verificable. Todos los ID quedaron iguales y admisibles. Sin nuevas contradicciones en los 64 controles inicialmente apoyados por condición; sus mensajes son idénticos entre tratamientos.
+
+La combinación retiró el error original de C en **31/32**, pero 14 respuestas admitieron D a **2.5 km con límite de 1 km**: sólo **17/32** correcciones completas. Cinco respuestas ordinal/directa añadieron una exclusión correcta de C sin borrar su afirmación falsa anterior; no pasan. Una respuesta conjunta negó explícitamente el precio verdadero de $190. Son diagnósticos posteriores, no mecanismos internos demostrados.
+
+El antiguo caso 0/8 dio **1/8, 2/8, 0/8, 1/8**. Fallaron ambas predicciones fuertes previas: conjunto ≥24/32 y ese caso ≥4/8. Presentación explícita: +9.375 puntos a cada forma de petición; orden directa: −25 puntos a cada referencia. Interacción observada cero. Cuatro casos de dos familias, sin inferencia poblacional ni significación general. La referencia explícita combina ID, campo/valor y consecuencia; no aísla sólo resolver ID. Estos datos no justifican sustituir la revisión condicional por la orden probada. Runtime, gramática y prompts no se ajustaron con los resultados.
+
+## Divulgación y ejecución
+
+Cada condición retuvo divulgación **80/80** y la añadió **16/16**. El guard emitió avisos **384/384**, sin otra continuación; presentación nativa sin medir. Pasaron **44 pruebas offline** de instrumentos/relay/colección. Guard y pruebas sin red; sólo relay anfitrión con API, clave en servidor. 384 solicitudes/respuestas completas, cero errores; **783 hash** verificados antes de limpiar. Contabilidad conservadora **$0.074455776**, cap $0.12; no factura actual verificada. Total con el estudio previo separado y su intento perdido: $0.181303008, sin combinar resultados.
+
+Revisión de **161 textos únicos**: 19 coincidencias exactas con revisión anterior, 142 textos nuevos completos leídos. Citas/hash y hechos verificados; etiquetas omitidas del índice. Revisión posterior con IA, no humana independiente/ciega; ninguna causalidad interna inferida. Gramática congelada, sin validación semántica universal ni holdout independiente. Sólo documentos locales, ninguna publicación npm/GitHub/blog/artículo/comentario.
+
+| Caso inicial | Ordinal/condicional | Explícito/condicional | Ordinal/directo | Explícito/directo |
+| --- | ---: | ---: | ---: | ---: |
+| tie-2 / original 0 | 7/8 | 8/8 | 0/8 | 0/8 |
+| tie-4 / original 3 | 6/8 | 7/8 | 6/8 | 8/8 |
+| tie-4 / original 5 | 1/8 | 2/8 | 0/8 | 1/8 |
+| tie-4 / original 7 | 8/8 | 8/8 | 8/8 | 8/8 |
+
+[analysis.json](data/launchgate-review-factors-2026-10-26/analysis.json), [artifact-audit.json](data/launchgate-review-factors-2026-10-26/artifact-audit.json), [scored-pairs.json](data/launchgate-review-factors-2026-10-26/scored-pairs.json), [annotations.json](data/launchgate-review-factors-2026-10-26/annotations.json), [protocol.md](data/launchgate-review-factors-2026-10-26/protocol.md), [manifest.json](data/launchgate-review-factors-2026-10-26/manifest.json).
+
+<!-- structured-answer-gate -->
+
+[Validación por la aplicación](flow-guard-answer-gate.es.md): todas las reglas, corrección adicional limitada y salida almacenada; solo datos estructurados.
+
+<!-- structured-live-followup -->
+
+[Prueba real de respuestas estructuradas](flow-guard-structured-model-2026-10-26.es.md): 96 primeras propuestas válidas y 64 reparaciones controladas; denominadores y límites separados.

package/docs/flow-guard-review-factors-2026-10-26.fr.md

@@ -0,0 +1,41 @@
+# Références et consignes de correction : quatre conditions
+
+[en](flow-guard-review-factors-2026-10-26.md) · [ru](flow-guard-review-factors-2026-10-26.ru.md) · [es](flow-guard-review-factors-2026-10-26.es.md) · [fr](flow-guard-review-factors-2026-10-26.fr.md) · [zh](flow-guard-review-factors-2026-10-26.zh.md)
+
+Plan 2×2 gelé : **384 nouvelles continuations conservées sur Linux**, 12 contextes initiaux exacts × 8 répétitions × 4 messages. Adaptateur de recherche modifié, pas le runtime publié. `deepseek-flash`, température 0.3, maximum 700 tokens, thinking désactivé. Comparaison au nouveau contrôle de cette exécution, pas aux anciens 19/32.
+
+| Référence / demande | Corrections complètes | D admis à tort |
+| --- | ---: | ---: |
+| Ordinal / conditionnelle | 22/32 | 0/32 |
+| Fiche explicite / conditionnelle | 25/32 | 4/32 |
+| Ordinal / consigne directe | 14/32 | 5/32 |
+| Fiche explicite / consigne directe | 17/32 | 14/32 |
+
+Quatre erreurs connues × huit répétitions par condition. Une correction complète ne conserve ni n’introduit d’autre contradiction vérifiable. Tous les ID restent identiques et admissibles. Aucune nouvelle contradiction sur les 64 contrôles initialement appuyés par condition ; leurs messages sont identiques entre traitements.
+
+La combinaison retire l’erreur C dans **31/32**, mais 14 réponses admettent D à **2.5 km pour une limite de 1 km** : seulement **17/32** corrections complètes. Cinq réponses ordinal/directe ajoutent l’exclusion correcte de C tout en gardant la fausse affirmation antérieure ; elles échouent. Une réponse conjointe nie explicitement le vrai prix $190. Diagnostics a posteriori, pas de mécanisme interne établi.
+
+L’ancien cas 0/8 donne **1/8, 2/8, 0/8, 1/8**. Les deux prédictions fortes échouent : combinaison ≥24/32 et ce cas ≥4/8. Présentation explicite : +9.375 points pour chaque demande ; consigne directe : −25 points pour chaque référence. Interaction observée nulle. Quatre cas de deux familles, sans effet populationnel ou significativité générale revendiqués. La référence explicite combine ID, champ/valeur et conséquence ; elle n’isole pas la résolution d’ID. Remplacer la revue conditionnelle par cette consigne n’est pas justifié ici. Aucun ajustement du runtime, de la grammaire ou des prompts à partir des résultats.
+
+## Divulgation et exécution
+
+Chaque condition conserve la divulgation **80/80** et l’ajoute **16/16**. Avis du guard **384/384**, aucune continuation supplémentaire ; rendu natif non testé. **44 tests offline** d’instrument/relay/collecte réussis. Guard/tests sans réseau ; seul relay hôte avec API, clé sur serveur. 384 requêtes/réponses complètes, aucune erreur ; **783 hash** vérifiés avant nettoyage. Comptabilité prudente **$0.074455776**, plafond $0.12, pas une facture actuelle vérifiée. Total avec l’étude précédente séparée et son essai perdu : $0.181303008, sans regrouper les résultats.
+
+**161 textes uniques** évalués : 19 correspondances exactes réutilisent la revue précédente, 142 nouveaux textes complets lus. Citations/hash et faits contrôlés, labels omis de l’index. Revue a posteriori assistée par IA, pas humaine indépendante/aveugle ; causalité interne inconnue. Grammaire gelée, pas de validation sémantique universelle ni de holdout indépendant. Documents locaux uniquement, aucune publication npm/GitHub/blog/article/commentaire.
+
+| Cas initial | Ordinal/conditionnel | Explicite/conditionnel | Ordinal/direct | Explicite/direct |
+| --- | ---: | ---: | ---: | ---: |
+| tie-2 / original 0 | 7/8 | 8/8 | 0/8 | 0/8 |
+| tie-4 / original 3 | 6/8 | 7/8 | 6/8 | 8/8 |
+| tie-4 / original 5 | 1/8 | 2/8 | 0/8 | 1/8 |
+| tie-4 / original 7 | 8/8 | 8/8 | 8/8 | 8/8 |
+
+[analysis.json](data/launchgate-review-factors-2026-10-26/analysis.json), [artifact-audit.json](data/launchgate-review-factors-2026-10-26/artifact-audit.json), [scored-pairs.json](data/launchgate-review-factors-2026-10-26/scored-pairs.json), [annotations.json](data/launchgate-review-factors-2026-10-26/annotations.json), [protocol.md](data/launchgate-review-factors-2026-10-26/protocol.md), [manifest.json](data/launchgate-review-factors-2026-10-26/manifest.json).
+
+<!-- structured-answer-gate -->
+
+[Validation par l’application](flow-guard-answer-gate.fr.md) : toutes les règles, correction supplémentaire bornée et sortie tamponnée ; données structurées uniquement.
+
+<!-- structured-live-followup -->
+
+[Test réel des réponses structurées](flow-guard-structured-model-2026-10-26.fr.md) : 96 premières propositions valides et 64 réparations contrôlées ; dénominateurs et limites séparés.

package/docs/flow-guard-review-factors-2026-10-26.md

@@ -0,0 +1,45 @@
+# Record references and correction directives: a four-condition model test
+
+[en](flow-guard-review-factors-2026-10-26.md) · [ru](flow-guard-review-factors-2026-10-26.ru.md) · [es](flow-guard-review-factors-2026-10-26.es.md) · [fr](flow-guard-review-factors-2026-10-26.fr.md) · [zh](flow-guard-review-factors-2026-10-26.zh.md)
+
+A frozen **2×2 comparison produced 384 retained fresh continuations** on Linux: twelve exact saved initial contexts × eight repetitions × four message conditions. It tests two research-adapter changes, not a released runtime modification. All model settings and initial conversations stayed fixed; `deepseek-flash`, temperature 0.3, max_tokens 700, thinking disabled. The fresh ordinal/conditional control is used for comparison, rather than the previous run’s 19/32.
+
+| Evidence reference / request | Fully corrected explanations | False D eligibility introduced |
+| --- | ---: | ---: |
+| Ordinal / conditional | 22/32 | 0/32 |
+| Explicit record / conditional | 25/32 | 4/32 |
+| Ordinal / directive | 14/32 | 5/32 |
+| Explicit record / directive | 17/32 | 14/32 |
+
+The denominator is four known erroneous explanations × eight repetitions per condition. Full correction requires removing the original false claims **without retaining or introducing another checked contradiction**. Every selected ID remained unchanged and admissible. The eight initially supported contexts per condition (64 generations) had byte-identical review controls across labels and no observed factual regressions.
+
+The combined treatment removed the original C-related error in **31/32**, but **14** explanations wrongly admitted D, whose distance was **2.5 km against a 1.0 km cap**. It therefore achieved only **17/32 full corrections**. In five ordinal-directive outcomes the model appended a correct C-exclusion statement while retaining the earlier false C eligibility/price claim; these are failures, not corrections. One combined-treatment answer explicitly disputed the true $190 price. These are post-hoc diagnostics, not model-internal causal explanations.
+
+The previously zero-of-eight context yielded **1/8, 2/8, 0/8 and 1/8** in table order. Both stronger frozen predictions failed: combined ≥24/32 corrections and ≥4/8 in that context. The directional explicit-presentation prediction was positive descriptively; the directive prediction was negative. Explicit versus ordinal yielded +9.375 percentage points at either request shape; directive versus conditional yielded −25 points at either reference form. The observed interaction contrast was zero. These are descriptive counts from four cases across two fixture families, not population effects, significance claims or proof of a mechanism.
+
+The explicit condition bundles controlled record ID, field/value and ineligibility consequence; a gain cannot be attributed to reference resolution alone. On this cohort the tested directive does not justify replacing the conditional review. No detector, grammar, prompt or WARDEN runtime was tuned from these outcomes.
+
+## Disclosure, custody and evidence
+
+All conditions retained model-prose disclosure in **80/80** initial-disclosure opportunities and added it in **16/16** other opportunities. The fixed compiled runtime emitted guard notices in **384/384** final replays, with no additional continuation. This is not a native-client rendering test.
+
+**44 offline instrument/relay/collector tests** passed on factory-vps. Guard preparation and final replay ran nonroot with read-only root and no network; only the host relay called the fixed model endpoint. Keys stayed host-local. All 384 complete requests/responses were retained with zero API/format/length failures; **783 output hashes** were verified before server cleanup. Conservative accounting **$0.074455776** under the $0.12 cap; rates are assumptions, not a verified current-tariff invoice. Including the preceding separate study and its reported lost attempt, cumulative accounting is $0.181303008; outcomes are never pooled across those studies.
+
+All **161 unique fixture/answer texts** were reviewed: 19 exact matches reused completed prior review, 142 new complete texts were read. Claims are quote/hash-bound and checked against records; treatment labels were omitted from the review index. Post-hoc AI-assisted review is not independent human/blinded adjudication. Unsupported internal rejection self-reports remain unverified. The closed grammar stayed frozen and was not used as a general semantic judge. These are development contexts, not an independent holdout. Local documents only; no npm/GitHub/blog/article/comment publication.
+
+| Initial case | Ordinal/conditional | Explicit/conditional | Ordinal/directive | Explicit/directive |
+| --- | ---: | ---: | ---: | ---: |
+| tie-2 / original 0 | 7/8 | 8/8 | 0/8 | 0/8 |
+| tie-4 / original 3 | 6/8 | 7/8 | 6/8 | 8/8 |
+| tie-4 / original 5 | 1/8 | 2/8 | 0/8 | 1/8 |
+| tie-4 / original 7 | 8/8 | 8/8 | 8/8 | 8/8 |
+
+[analysis.json](data/launchgate-review-factors-2026-10-26/analysis.json), [artifact-audit.json](data/launchgate-review-factors-2026-10-26/artifact-audit.json), [scored-pairs.json](data/launchgate-review-factors-2026-10-26/scored-pairs.json), [annotations.json](data/launchgate-review-factors-2026-10-26/annotations.json), [protocol.md](data/launchgate-review-factors-2026-10-26/protocol.md), [manifest.json](data/launchgate-review-factors-2026-10-26/manifest.json).
+
+<!-- structured-answer-gate -->
+
+[Host-owned answer gate](flow-guard-answer-gate.md): all constraints, bounded extra correction and buffered final delivery; structured data only.
+
+<!-- structured-live-followup -->
+
+[Live structured-model test](flow-guard-structured-model-2026-10-26.md): 96 valid first proposals and 64 controlled-seed repairs; separate denominators and limits.

package/docs/flow-guard-review-factors-2026-10-26.ru.md

@@ -0,0 +1,45 @@
+# Ссылки на записи и прямые команды: проверка четырёх условий
+
+[en](flow-guard-review-factors-2026-10-26.md) · [ru](flow-guard-review-factors-2026-10-26.ru.md) · [es](flow-guard-review-factors-2026-10-26.es.md) · [fr](flow-guard-review-factors-2026-10-26.fr.md) · [zh](flow-guard-review-factors-2026-10-26.zh.md)
+
+На Linux выполнен замороженный **эксперимент 2×2: 384 сохранённых свежих продолжения** — 12 точных прежних контекстов × 8 повторов × 4 условия. Менялись сообщения исследовательского адаптера; боевой runtime WARDEN не менялся. Модель `deepseek-flash`, temperature 0.3, max_tokens 700, thinking disabled; начальные диалоги и остальные настройки одинаковы. Контроль — свежий прогон текущего сообщения, а не прежние 19/32.
+
+| Ссылка на факт / просьба | Полностью исправлены объяснения | Ошибочно допущен D |
+| --- | ---: | ---: |
+| Номер записи / условная | 22/32 | 0/32 |
+| Явная запись / условная | 25/32 | 4/32 |
+| Номер записи / прямая команда | 14/32 | 5/32 |
+| Явная запись / прямая команда | 17/32 | 14/32 |
+
+Знаменатель — четыре известных ошибочных объяснения × восемь повторов на условие. Полное исправление требует убрать исходную ошибку **без сохранения или добавления другого проверяемого противоречия**. Все выбранные ID остались прежними и допустимыми. На восьми исходно подтверждённых контекстах (64 генерации на условие) сообщения всех четырёх меток побайтово одинаковы, новых фактических регрессий не обнаружено.
+
+Сочетание изменений убрало исходную ошибку про C в **31/32** случаях, но **14** ответов ошибочно включили D: расстояние до него **2,5 км при лимите 1 км**. Поэтому полных исправлений только **17/32**. В пяти ответах с номером и прямой командой модель добавила верную фразу об исключении C, сохранив прежнее неверное утверждение о допустимости/цене C. Это не исправления. Один ответ совместного условия прямо отрицал верную цену $190. Эти диагностические разрезы последующие и не устанавливают внутренний механизм модели.
+
+Прежний случай 0/8 дал **1/8, 2/8, 0/8 и 1/8** по порядку таблицы. Оба сильных заранее заданных прогноза не выполнены: совместное условие ≥24/32 и ≥4/8 на этом случае. Направленный прогноз для явной записи описательно подтвердился, для прямой команды — нет. Явная запись дала +9,375 процентного пункта при обеих формах просьбы; прямая команда дала −25 пунктов при обеих формах ссылки. Наблюдаемое взаимодействие равно нулю. Это описательные результаты четырёх случаев из двух семейств, не оценка общего эффекта и не доказательство причинного механизма.
+
+Явное представление одновременно уточняет контролируемый ID записи, поле/значение и следствие недопустимости; нельзя приписать прирост одному сопоставлению ID. Проверенная прямая команда не даёт основания заменять ею условную перепроверку. По этим результатам детектор, грамматика, модельные инструкции и runtime не подстраивались.
+
+## Раскрытие, исполнение и свидетельства
+
+Во всех условиях раскрытие в тексте модели удержано **80/80** раз и добавлено в **16/16** остальных возможностей. Замороженный runtime выдал уведомления guard в **384/384** конечных повторах без дополнительного продолжения. Отображение в нативном клиенте не проверялось.
+
+На factory-vps прошли **44 офлайн-теста инструментов, relay и сборщика**. Подготовка guard и конечный replay — nonroot, read-only root, без сети; только host relay вызывал фиксированный API. Ключи оставались серверными. Сохранены все 384 полных запроса/ответа; ошибок API/формата/длины нет. **783 хеша** проверены до удаления серверного каталога. Учётная оценка **$0,074455776** при cap $0,12; это расчёт по принятым ставкам, не проверенный счёт актуального тарифа. Вместе с предыдущим отдельным исследованием и его потерянной попыткой учётная сумма $0,181303008; результаты исследований не объединяются.
+
+Оценены **161 уникальный текст**: 19 точных совпадений используют завершённый прежний разбор, прочитаны 142 новых полных объяснения. Утверждения привязаны к цитатам/хешам и проверены по данным; метки условий скрыты в индексе текстов. Последующая AI-assisted разметка не является независимой человеческой или ослеплённой оценкой. Заявления модели о собственном непринятии инструкции не доказываются. Закрытая грамматика заморожена и не выдаётся за универсальную семантическую проверку. Независимого holdout нет. Документы локальные; npm/GitHub/блог/статья/комментарий не публиковались.
+
+| Исходный случай | Номер / условная | Запись / условная | Номер / команда | Запись / команда |
+| --- | ---: | ---: | ---: | ---: |
+| tie-2 / original 0 | 7/8 | 8/8 | 0/8 | 0/8 |
+| tie-4 / original 3 | 6/8 | 7/8 | 6/8 | 8/8 |
+| tie-4 / original 5 | 1/8 | 2/8 | 0/8 | 1/8 |
+| tie-4 / original 7 | 8/8 | 8/8 | 8/8 | 8/8 |
+
+[analysis.json](data/launchgate-review-factors-2026-10-26/analysis.json), [artifact-audit.json](data/launchgate-review-factors-2026-10-26/artifact-audit.json), [scored-pairs.json](data/launchgate-review-factors-2026-10-26/scored-pairs.json), [annotations.json](data/launchgate-review-factors-2026-10-26/annotations.json), [protocol.md](data/launchgate-review-factors-2026-10-26/protocol.md), [manifest.json](data/launchgate-review-factors-2026-10-26/manifest.json).
+
+<!-- structured-answer-gate -->
+
+[Проверка ответа приложением](flow-guard-answer-gate.ru.md): все ограничения, дополнительный ограниченный проход и буферизация выдачи; только структурированные данные.
+
+<!-- structured-live-followup -->
+
+[Живой прогон структурированных ответов](flow-guard-structured-model-2026-10-26.ru.md): 96 правильных первых предложений и 64 исправления контролируемых ошибок; отдельные знаменатели и границы.

package/docs/flow-guard-review-factors-2026-10-26.zh.md

@@ -0,0 +1,41 @@
+# 记录引用与纠错命令：四条件模型测试
+
+[en](flow-guard-review-factors-2026-10-26.md) · [ru](flow-guard-review-factors-2026-10-26.ru.md) · [es](flow-guard-review-factors-2026-10-26.es.md) · [fr](flow-guard-review-factors-2026-10-26.fr.md) · [zh](flow-guard-review-factors-2026-10-26.zh.md)
+
+冻结的 2×2 设计在 Linux 保留 **384 次新继续生成**：12 个精确初始上下文 × 8 次重复 × 4 种消息。只改变研究适配器消息，不修改发布的 runtime。`deepseek-flash`，temperature 0.3，最大 700 tokens，thinking 关闭。对照来自本轮，不把上一轮 19/32 当成本轮对照。
+
+| 引用 / 请求 | 完整纠正 | 错误认定 D 合格 |
+| --- | ---: | ---: |
+| 序号 / 条件式 | 22/32 | 0/32 |
+| 明确记录 / 条件式 | 25/32 | 4/32 |
+| 序号 / 直接命令 | 14/32 | 5/32 |
+| 明确记录 / 直接命令 | 17/32 | 14/32 |
+
+每条件分母为 4 个已知错误 × 8 次。完整纠正不能保留或引入其他可核验矛盾。所有选中 ID 均不变且合格。每条件 64 个初始有支持的控制上下文未见新增矛盾，四种标签下消息完全相同。
+
+组合条件在 **31/32** 中去除了 C 的原错误，但 14 个解释又认定 D 合格，而 D 距离 **2.5 公里、上限为 1 公里**，因此完整纠正仅 **17/32**。5 个序号/命令回答追加了正确的 C 排除句，却保留先前错误主张，仍算失败。一个组合回答明确否认真实 $190 价格。这些是事后诊断，不证明内部机制。
+
+原 0/8 案例本轮依次为 **1/8、2/8、0/8、1/8**。组合 ≥24/32 以及该案例 ≥4/8 两项强预测均失败。明确呈现两层请求下均 +9.375 个百分点；直接命令两种引用下均 −25 点，观察到的交互差为零。仅两类上下文的 4 个案例，不推断总体或一般显著性。明确呈现同时改变 ID、字段/值与不合格后果，不能只归因于 ID 解析。本轮不支持用该命令替换条件式复查。未根据结果调整 runtime、语法或模型提示。
+
+## 披露与执行
+
+每条件保留披露 **80/80**，新增披露 **16/16**。Guard 提示 **384/384**，无额外继续生成；原生显示未测。**44 项工具/relay/收集离线测试**通过。Guard/测试无网络，只有宿主 relay 调用 API，密钥留在服务器。保留 384 次完整请求/响应，无错误；删除前核验 **783 个哈希**。保守核算 **$0.074455776**，上限 $0.12，不是已验证当前账单。与此前单独研究及其丢失尝试合计 $0.181303008，但不合并结果。
+
+核查 **161 个唯一文本**：19 个精确匹配复用此前审查，完整阅读 142 个新文本。引用/哈希和事实可核验，索引省略处理标签。事后 AI 辅助审查，不是独立人类/盲法裁定；内部因果未知。语法冻结，不是普遍语义验证或独立留出集。仅本地文档，未发布 npm、GitHub、博客、文章或评论。
+
+| 初始案例 | 序号/条件式 | 明确/条件式 | 序号/命令 | 明确/命令 |
+| --- | ---: | ---: | ---: | ---: |
+| tie-2 / original 0 | 7/8 | 8/8 | 0/8 | 0/8 |
+| tie-4 / original 3 | 6/8 | 7/8 | 6/8 | 8/8 |
+| tie-4 / original 5 | 1/8 | 2/8 | 0/8 | 1/8 |
+| tie-4 / original 7 | 8/8 | 8/8 | 8/8 | 8/8 |
+
+[analysis.json](data/launchgate-review-factors-2026-10-26/analysis.json), [artifact-audit.json](data/launchgate-review-factors-2026-10-26/artifact-audit.json), [scored-pairs.json](data/launchgate-review-factors-2026-10-26/scored-pairs.json), [annotations.json](data/launchgate-review-factors-2026-10-26/annotations.json), [protocol.md](data/launchgate-review-factors-2026-10-26/protocol.md), [manifest.json](data/launchgate-review-factors-2026-10-26/manifest.json).
+
+<!-- structured-answer-gate -->
+
+[应用答案门禁](flow-guard-answer-gate.zh.md)：全部规则、有界额外纠正与缓冲交付；仅支持结构化数据。
+
+<!-- structured-live-followup -->
+
+[结构化答案真实模型测试](flow-guard-structured-model-2026-10-26.zh.md)：96 个初次提案有效，64 个受控种子修复；分母与边界分别报告。

package/docs/flow-guard-structured-model-2026-10-26.es.md

@@ -0,0 +1,35 @@
+# Prueba real del modelo con respuestas estructuradas
+
+[en](flow-guard-structured-model-2026-10-26.md) · [ru](flow-guard-structured-model-2026-10-26.ru.md) · [es](flow-guard-structured-model-2026-10-26.es.md) · [fr](flow-guard-structured-model-2026-10-26.fr.md) · [zh](flow-guard-structured-model-2026-10-26.zh.md)
+
+26 de octubre de 2026. WARDEN local **0.22.0**, sin cambios de runtime ni publicación npm. Continúa el [gate de la aplicación](flow-guard-answer-gate.es.md) y el [estudio de cuatro condiciones](flow-guard-review-factors-2026-10-26.es.md).
+
+## Diseño y resultados
+
+160 llamadas nuevas a `deepseek-flash` en Linux factory-vps, temperatura .3, thinking desactivado, JSON object mode, máximo 700 tokens de salida. El SDK real verifica todas las reglas, el conjunto completo de admisibles y el mínimo de precio; no se arreglan silenciosamente las propuestas.
+
+Se conservan doce conversaciones originales, con instrucción externa y respuesta anterior en prosa. Una nueva petición exige reemplazarla con catálogo normalizado y cuatro campos estructurados. Ocho repeticiones por contexto producen **96 primeras propuestas válidas de 96**, incluidas **32/32** procedentes de los cuatro contextos antes contradictorios. Los ocho contextos restantes tenían explicaciones respaldadas. No hubo oportunidades naturales de reparación.
+
+En una población separada, el experimentador introduce listas incorrectas: conjunto verdadero más C (190 > 150) o D (2.5 > 1). Son **semillas sintéticas**, no fallos espontáneos del modelo. En cuatro contextos y ocho repeticiones por tipo, **32/32 errores C y 32/32 errores D fueron corregidos en la primera reparación real**. La semilla consume la propuesta inicial del SDK, que permite hasta dos reparaciones; las tasas de esta población no se mezclan con las primeras propuestas naturales.
+
+Las 160 propuestas nuevas no admitieron C/D, claves JSON duplicadas, formato inválido ni campos adicionales. Se emitieron **160 resultados verificados y 160 avisos de la aplicación**, sin candidatos no verificados ni errores API. No hubo sustitución C→D ni intentos descartados. Se cumplieron ambos pronósticos congelados: >=80/96 natural y >=48/64 controlado.
+
+**Ningún caso necesitó la segunda reparación ni la retención.** Sus tasas con modelo real siguen sin medirse; las pruebas deterministas/stdio anteriores verifican el mecanismo. En cada trayectoria hubo una sola llamada real.
+
+No se observó acumulación de la afirmación falsa en la superficie estructurada medida. El formato tiene una lista de admisibles, sin prosa, precio o exclusión redactados por el modelo. Cambiaron juntos contrato, catálogo e instrucción: no hay control contemporáneo de prosa, efecto causal exclusivo del formato ni conjunto independiente. Repetir doce contextos conocidos no demuestra fiabilidad general ni protección amplia frente a inyecciones.
+
+## Auditoría, coste y límites
+
+Los valores finales se recalcularon con los hechos originales sin usar el validador runtime. Se mide el frame capturado de salida, no la visualización en GUI nativa ajena. No se verifican verdad de la fuente, explicaciones libres, autorización de pagos/acciones ni influencia oculta entre opciones empatadas.
+
+Antes de pagar pasaron **9 pruebas Node + 28 pruebas de relay/presupuesto/recogida** y 480 preflights de solicitudes. Contenedor Linux sin red/clave; solo el relay del host accede al endpoint oficial. Se conservaron todas las solicitudes/respuestas y verificaron **333 hashes** antes de borrar el directorio temporal. Sin reintentos automáticos ni repetición del estudio. No hizo falta cambiar código.
+
+Todas las llamadas fueron fuera de hora punta. Usage: 211,200 tokens de entrada, 103,936 en caché; 17,946 de salida. Según la [tarifa publicada](https://api-docs.deepseek.com/quick_start/pricing/), **USD 0.027169008**; contabilidad conservadora de punta **USD 0.054338016**, por debajo del límite **USD 0.15**. Sin consulta de factura o variación de saldo; se utilizó el servidor existente.
+
+Preparación/auditoría asistidas por IA y sin cegamiento; no se afirma revisión humana independiente. Sin publicación GitHub/npm ni comentario enviado.
+
+[analysis.json](data/launchgate-structured-model-2026-10-26/analysis.json) · [protocol.md](data/launchgate-structured-model-2026-10-26/protocol.md) · [execution.json](data/launchgate-structured-model-2026-10-26/execution.json) · [output-audit.json](data/launchgate-structured-model-2026-10-26/output-audit.json) · [trajectories.jsonl](data/launchgate-structured-model-2026-10-26/trajectories.jsonl) · [manifest.json](data/launchgate-structured-model-2026-10-26/manifest.json)
+
+<!-- prospective-holdout-followup -->
+
+[Nuevos casos tras congelación](flow-guard-prospective-holdout-2026-10-26.es.md): primeras naturales válidas 89/96, cinco de siete reparadas y dos retenidas; controladas 45/48. Evidencia posterior de clasificación/conjunto incompleto probada offline, sin volver a llamar al modelo.

package/docs/flow-guard-structured-model-2026-10-26.fr.md

@@ -0,0 +1,35 @@
+# Test réel du modèle avec réponses structurées
+
+[en](flow-guard-structured-model-2026-10-26.md) · [ru](flow-guard-structured-model-2026-10-26.ru.md) · [es](flow-guard-structured-model-2026-10-26.es.md) · [fr](flow-guard-structured-model-2026-10-26.fr.md) · [zh](flow-guard-structured-model-2026-10-26.zh.md)
+
+26 octobre 2026. WARDEN local **0.22.0**, runtime inchangé, non publié sur npm. Suite du [gate de l’application](flow-guard-answer-gate.fr.md) et de [l’étude à quatre conditions](flow-guard-review-factors-2026-10-26.fr.md).
+
+## Protocole et résultats
+
+160 nouveaux appels `deepseek-flash` sur Linux factory-vps : température .3, thinking désactivé, JSON object mode, maximum 700 tokens de sortie. Le véritable SDK contrôle toutes les règles, l’ensemble complet des admissibles et le prix minimal. Aucune proposition n’est modifiée silencieusement pour la faire passer.
+
+Douze conversations enregistrées conservent l’instruction externe et l’ancienne réponse en prose. Une nouvelle demande exige son remplacement complet par le catalogue normalisé et quatre champs. Huit répétitions par contexte donnent **96/96 premières propositions valides**, dont **32/32** issues des quatre contextes auparavant contradictoires. Les huit autres contextes avaient des explications étayées. Il n’y a donc aucune occasion naturelle de réparation.
+
+Séparément, l’expérimentateur introduit de fausses listes : ensemble réellement admissible plus C (190 > 150) ou D (2.5 > 1). Ce sont des **erreurs initiales synthétiques**, pas de nouveaux échecs spontanés du modèle. Quatre contextes et huit répétitions par type donnent **32/32 C et 32/32 D corrigés au premier appel réel de réparation**. La graine consomme la proposition initiale du SDK ; au plus deux réparations restent. Cette population ne se mélange pas à l’exactitude des premières propositions naturelles.
+
+Aucune des 160 propositions nouvelles n’admet C/D, de clés JSON doubles, de format invalide ou de champs supplémentaires. **160 résultats validés et 160 avis de l’application** sont capturés, sans candidat non vérifié ni erreur API. Aucune substitution C→D ni tentative écartée. Les deux prédictions figées sont atteintes : >=80/96 naturel, >=48/64 contrôlé.
+
+**Aucun cas n’a nécessité une deuxième réparation ou une retenue.** Leurs taux avec modèle réel ne sont donc pas mesurés ; les tests déterministes/stdio antérieurs vérifient leur mécanisme. Chaque trajectoire a utilisé un seul appel réel.
+
+L’accumulation de l’ancienne affirmation fausse n’apparaît pas sur la surface structurée mesurée. Le schéma contient une seule liste d’admissibles, sans prose, prix ou exclusion rédigés par le modèle. Contrat, catalogue et instruction ont changé ensemble : pas de témoin prose contemporain, d’effet causal isolé du format ni de jeu indépendant. Douze contextes connus répétés ne prouvent ni fiabilité générale ni résistance universelle aux injections.
+
+## Audit, coût et limites
+
+Les valeurs finales sont recalculées sur les faits d’origine, sans appeler le validateur runtime. Le frame capturé est la frontière mesurée ; le rendu dans une GUI native tierce reste non testé. Véracité de la source, explications libres, autorisation de paiements/actions et influence cachée entre ex æquo restent hors portée.
+
+Avant API : **9 tests Node + 28 tests relay/budget/collecte**, et 480 prévalidations de requêtes, sous Linux. Le conteneur n’a ni réseau ni clé ; seul le relay local accède au point officiel. Tous les échanges sont conservés ; **333 empreintes** vérifiées avant suppression du dossier temporaire. Aucun nouvel essai automatique ou répétition de l’étude. Aucun correctif runtime nécessaire.
+
+Tous les appels sont hors pointe. Usage : 211 200 tokens d’entrée, dont 103 936 en cache ; 17 946 en sortie. Selon le [tarif publié](https://api-docs.deepseek.com/quick_start/pricing/), **USD 0.027169008** ; comptabilité prudente aux prix de pointe **USD 0.054338016**, sous le plafond **USD 0.15**. Facture et variation du solde non consultées ; serveur existant utilisé.
+
+Préparation/audit assistés par IA et non aveugles ; aucune revue humaine indépendante revendiquée. Aucune publication GitHub/npm ni réponse envoyée.
+
+[analysis.json](data/launchgate-structured-model-2026-10-26/analysis.json) · [protocol.md](data/launchgate-structured-model-2026-10-26/protocol.md) · [execution.json](data/launchgate-structured-model-2026-10-26/execution.json) · [output-audit.json](data/launchgate-structured-model-2026-10-26/output-audit.json) · [trajectories.jsonl](data/launchgate-structured-model-2026-10-26/trajectories.jsonl) · [manifest.json](data/launchgate-structured-model-2026-10-26/manifest.json)
+
+<!-- prospective-holdout-followup -->
+
+[Nouveaux cas après gel](flow-guard-prospective-holdout-2026-10-26.fr.md) : premières naturelles valides 89/96, cinq erreurs sur sept réparées, deux retenues ; contrôlées 45/48. Constats ultérieurs de classement/ensemble incomplet vérifiés hors ligne, sans nouveau modèle.

package/docs/flow-guard-structured-model-2026-10-26.md

@@ -0,0 +1,44 @@
+# Live model test of the structured answer boundary
+
+[en](flow-guard-structured-model-2026-10-26.md) · [ru](flow-guard-structured-model-2026-10-26.ru.md) · [es](flow-guard-structured-model-2026-10-26.es.md) · [fr](flow-guard-structured-model-2026-10-26.fr.md) · [zh](flow-guard-structured-model-2026-10-26.zh.md)
+
+26 October 2026. Unchanged local WARDEN **0.22.0**, not published to npm. Follow-up to the [host-owned answer gate](flow-guard-answer-gate.md) and [four-condition prose study](flow-guard-review-factors-2026-10-26.md).
+
+## What was run
+
+160 fresh `deepseek-flash` calls on Linux factory-vps, temperature .3, thinking disabled, JSON object mode, maximum 700 output tokens. The actual frozen `createAnswerGate` build validated each proposal against every rule, the complete eligible set and minimum-price ranking. No model proposal was silently edited into a passing answer.
+
+The twelve saved contexts retain their original tool conversation, untrusted source instruction and original prose answer. A new user request asks for complete replacement using a normalized catalog and the four-field structured contract. Eight repetitions per context give 96 natural transitions. Four contexts originally had contradicted explanations; eight were supported. This output contract/catalog/instruction bundle is a changed task, not a format-only ablation.
+
+Separately, for the four contradicted contexts, we deliberately seeded the true eligible set plus either C (190 > 150 price cap) or D (2.5 > 1 distance bound), with eight repetitions per case/type. These **64 synthetic initial errors** are not spontaneous new model failures. They consume the initial SDK proposal; at most two fresh repairs remain. Natural trajectories permit an initial fresh proposal and at most two repairs. The two populations are never pooled into one correction rate.
+
+## Results
+
+| Population | Result |
+|---|---|
+| Natural transitions | **96/96 valid first proposals**; no natural repair opportunities |
+| Four formerly contradicted contexts | **32/32 valid first proposals**, included in the 96 |
+| Controlled C seeds | **32/32 corrected after one fresh repair** |
+| Controlled D seeds | **32/32 corrected after one fresh repair** |
+| Fresh proposals admitting C/D, malformed/duplicate JSON or extra fields | **0/160** |
+| Final captured host frames | **160 checked results, 160 notices, zero unverified candidates** |
+
+Both frozen predictions were met: >=80/96 natural first-valid and >=48/64 controlled final-valid. Every trajectory used one actual API call. No API errors, C→D substitutions or discarded attempts occurred. **No trajectory needed a second repair or live withholding**, so this experiment cannot estimate those paths' live-model success rates. Their earlier deterministic and actual stdio tests remain the evidence for mechanism behavior.
+
+The addendum failure was not observed on this structured surface. The schema has one eligible-list field and no model-authored price, exclusion or reason field. This does not measure arbitrary contradictory prose or prove that the model cannot produce it. The normalized catalog and more explicit instruction changed alongside the schema; no contemporaneous prose control or independent holdout was run. Repetitions share twelve known contexts, so 160/160 is not a general reliability guarantee or proof of broad prompt-injection resistance.
+
+## Delivery, audit and cost
+
+The host independently supplied its fixed notice and emitted only validated structured selections/attributes. All final values were recalculated against the original fixture by the collected-data audit without invoking the runtime validator. The captured frame is the measured host boundary; rendering in a third-party native GUI remains untested. Source truth, arbitrary explanations, payment/action authorization and hidden tie-preference influence are outside this result.
+
+Before calls, 9 Node harness tests and 28 relay/budget/collection tests passed on Linux, plus 480 request preflights. The runner had no network or credential; only the host-local relay reached the fixed official endpoint. All requests/responses were retained and 333 output hashes verified before deleting the owned temporary root. No transport retries or repeated study. No runtime code change was needed.
+
+All calls occurred outside peak hours. Provider-reported usage: 211,200 input tokens (103,936 cached), 17,946 output tokens. At the [published tariff](https://api-docs.deepseek.com/quick_start/pricing/), usage cost is **USD 0.027169008**; conservative peak accounting is **USD 0.054338016**, below the **USD 0.15** hard ceiling. No invoice or balance delta was queried. Existing server capacity was used.
+
+Preparation and audit were AI-assisted and unblinded; no independent human review is claimed. No GitHub/npm publication or comment posting was performed.
+
+[analysis.json](data/launchgate-structured-model-2026-10-26/analysis.json) · [protocol.md](data/launchgate-structured-model-2026-10-26/protocol.md) · [execution.json](data/launchgate-structured-model-2026-10-26/execution.json) · [output-audit.json](data/launchgate-structured-model-2026-10-26/output-audit.json) · [trajectories.jsonl](data/launchgate-structured-model-2026-10-26/trajectories.jsonl) · [manifest.json](data/launchgate-structured-model-2026-10-26/manifest.json)
+
+<!-- prospective-holdout-followup -->
+
+[Prospective new-fixture results](flow-guard-prospective-holdout-2026-10-26.md): 89/96 natural first proposals valid, five of seven repaired, two withheld; controlled repair 45/48. Separate post-hoc ranking/missing-set facts passed offline checks, without a new model run.

package/docs/flow-guard-structured-model-2026-10-26.ru.md

@@ -0,0 +1,46 @@
+# Живой прогон модели через структурированный ответ
+
+[en](flow-guard-structured-model-2026-10-26.md) · [ru](flow-guard-structured-model-2026-10-26.ru.md) · [es](flow-guard-structured-model-2026-10-26.es.md) · [fr](flow-guard-structured-model-2026-10-26.fr.md) · [zh](flow-guard-structured-model-2026-10-26.zh.md)
+
+26 октября 2026. Прежний локальный WARDEN **0.22.0**, без публикации npm. Продолжение [механизма проверки ответа приложением](flow-guard-answer-gate.ru.md) и [эксперимента с четырьмя формулировками](flow-guard-review-factors-2026-10-26.ru.md).
+
+## Как проверяли
+
+160 свежих вызовов `deepseek-flash` на Linux factory-vps: temperature .3, thinking выключен, JSON object mode, максимум 700 выходных токенов. Использована та же замороженная сборка `createAnswerGate`. Проверяются все правила, полное множество допустимых записей и минимум цены. Ответы модели не редактировались для получения разрешения.
+
+Двенадцать сохранённых контекстов содержат исходный диалог с инструментом, внешнюю инструкцию и прежний текст ответа. Новый запрос пользователя требует полностью заменить ответ четырьмя полями по нормализованному каталогу. По восемь повторов дают 96 естественных переходов на новый контракт: четыре исходных контекста содержали ложные объяснения, восемь — корректные. Вместе меняются контракт, каталог и инструкция; это не изолированный тест формата.
+
+Отдельно для четырёх контекстов с прежней ошибкой искусственно задаются неверные начальные списки: правильное множество плюс C (цена 190 > 150) или D (расстояние 2,5 > 1). Восемь повторов каждого типа дают **64 контролируемые начальные ошибки**. Их создал экспериментатор, не модель. Такой список занимает начальную попытку SDK, после которой разрешено максимум два живых исправления. Для естественного перехода начальная попытка тоже живая. Доли этих двух групп не объединяются.
+
+## Результат
+
+| Группа | Результат |
+|---|---|
+| Естественный переход на новый контракт | **96/96 правильных первых предложений**; поводов для исправления нет |
+| Четыре контекста с прежним ложным объяснением | **32/32 правильных первых предложений**, входят в 96 |
+| Искусственно заданный C | **32/32 исправлены первым живым ответом** |
+| Искусственно заданный D | **32/32 исправлены первым живым ответом** |
+| Свежие ответы с C/D в допустимом списке, неверным/дублированным JSON либо лишними полями | **0/160** |
+| Финальные кадры приложения | **160 проверенных результатов, 160 уведомлений, непроверенных кандидатов нет** |
+
+Оба заранее зафиксированных прогноза выполнены: >=80/96 правильных первых естественных ответов и >=48/64 исправленных контролируемых случаев. На каждую траекторию понадобился один реальный вызов API. Ошибок API, замены C→D и отброшенных попыток не было.
+
+**Второе исправление и удержание в живом прогоне не понадобились.** Их успешность на живой модели этим запуском не измерена. Прежние детерминированные и stdio-тесты по-прежнему подтверждают только работу соответствующих путей механизма.
+
+На измеряемой структурированной поверхности добавления ложного старого утверждения не наблюдалось. В схеме один список допустимости; полей для свободного объяснения, собственной цены или отдельного исключения нет. Это не доказывает исправление произвольной прозы. Одновременно с форматом изменены нормализованный каталог и инструкция; нет одновременного контроля с прозой и независимого набора. Повторы относятся к двенадцати известным контекстам, поэтому полный счёт не является общей гарантией надёжности или защиты от инъекций.
+
+## Выдача, проверка и стоимость
+
+Уведомление формировало само приложение. В финальных кадрах только проверенные структурированные данные. После сбора результаты заново сверены с исходными фактами отдельным расчётом, без вызова runtime-валидатора. Измерены сохранённые кадры выдачи; отображение в стороннем нативном GUI не проверялось. Истинность внешнего источника, произвольные объяснения, полномочия на платежи/действия и скрытое влияние на выбор среди равных вариантов остаются вне результата.
+
+До API на Linux прошли 9 Node-тестов адаптера, 28 тестов relay/бюджета/сбора и 480 предварительных проверок запросов. У контейнера нет сети и ключа; официальный API доступен только серверному relay. Все запросы и ответы сохранены, 333 выходных хеша проверены до удаления временного каталога. Автоповторов транспорта и повторного исследования не было. Runtime менять не потребовалось.
+
+Все вызовы прошли вне пикового времени. Usage: 211 200 входных токенов, из них 103 936 кешированных; 17 946 выходных. По [опубликованному тарифу](https://api-docs.deepseek.com/quick_start/pricing/) расчёт составляет **$0,027169008**; консервативный пиковый учёт — **$0,054338016**, ниже лимита **$0,15**. Счёт и изменение баланса провайдера отдельно не проверялись. Использован существующий сервер.
+
+Подготовка и разбор выполнены с AI, без слепой независимой проверки человеком. Ничего не опубликовано в GitHub/npm, комментарий не отправлен.
+
+[analysis.json](data/launchgate-structured-model-2026-10-26/analysis.json) · [protocol.md](data/launchgate-structured-model-2026-10-26/protocol.md) · [execution.json](data/launchgate-structured-model-2026-10-26/execution.json) · [output-audit.json](data/launchgate-structured-model-2026-10-26/output-audit.json) · [trajectories.jsonl](data/launchgate-structured-model-2026-10-26/trajectories.jsonl) · [manifest.json](data/launchgate-structured-model-2026-10-26/manifest.json)
+
+<!-- prospective-holdout-followup -->
+
+[Новые случаи после заморозки](flow-guard-prospective-holdout-2026-10-26.ru.md): 89/96 первых естественных ответов правильны, пять из семи ошибок исправлены, два удержаны; контролируемые 45/48. Отдельные подсказки ранжирования/неполного списка проверены офлайн, без нового запуска модели.