vinfty 0.1.0__tar.gz → 0.2.0__tar.gz

vinfty-0.2.0/PKG-INFO

@@ -0,0 +1,167 @@
+Metadata-Version: 2.4
+Name: vinfty
+Version: 0.2.0
+Summary: AI consistency auxiliary auditor — ont_self, C_ij coupling, HMM drift, barrier economics
+Home-page: https://github.com/twincosmos/vinfty
+Author: V∞ Project
+Author-email: vinfty@twincosmos.dev
+License: MIT
+Keywords: cognitive-architecture observability llm-orchestration v-infty
+Classifier: Development Status :: 3 - Alpha
+Classifier: Intended Audience :: Developers
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Programming Language :: Python :: 3
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Requires-Python: >=3.10
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Dynamic: author
+Dynamic: author-email
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: home-page
+Dynamic: keywords
+Dynamic: license
+Dynamic: license-file
+Dynamic: requires-python
+Dynamic: summary
+
+# Vinfty — AI 一致性审计辅助引擎
+
+**Vinfty 不是 AI 模型。它不训练、不拟合、不推理、不预测。**
+它只做一件事：作为外挂式辅助组件，**审计 AI 系统内部的自洽性**。
+
+```
+pip install vinfty
+```
+
+---
+
+## 定位
+
+> Vinfty ≠ 另一个 LLM / 小样本分类库 / 微调框架
+> Vinfty = **AI Consistency Auxiliary Auditor**
+
+现有 AI 工具链（LangChain、LlamaIndex、EvidentlyAI、Prometheus）只追踪：
+- 日志、延迟、吞吐量
+- 准确率、召回率、损失曲线
+
+Vinfty 补上唯一缺失的维度：**认知一致性**。
+
+| 问题 | 传统工具 | Vinfty |
+|------|---------|--------|
+| 模型精度 99%？ | ✅ 是 | ❌ 不管 |
+| 内部自洽性在恶化？ | ❌ 看不见 | ✅ ont_self 追踪 |
+| 标注数据有没有矛盾簇？ | ❌ 人工抽检 | ✅ 自动审计 |
+| 小样本训练会不会先天跑偏？ | ❌ 凭经验 | ✅ 辅助预警 |
+| 线上模型精度还没跌，但内部已在坍缩？ | ❌ 不知道 | ✅ 寂静坍缩检测 |
+
+---
+
+## 模块
+
+| 模块 | 用途 | 状态 |
+|------|------|------|
+| `vinfty.judge` | 数据集一致性审计辅助（ont_self 打分、矛盾簇定位、标注冲突报告） | ✅ 可用 |
+| `vinfty.barrier` | 势垒经济学自适应观测深度调度（λ 控制审计精细度） | ✅ 可用 |
+| `vinfty.core` | V9Orchestrator 认知观测内核（300 行，零依赖） | ✅ 稳定 |
+| `vinfty.filter` | 小样本训练过程监控辅助（预留接口） | 📌 暂未实现 |
+| `vinfty.trace` | 线上模型认知漂移预警辅助（预留接口） | 📌 暂未实现 |
+
+---
+
+## Quick Start：数据集审计
+
+```python
+from vinfty.judge import audit_dataset
+
+texts = [
+    "The cat sat on the mat.",
+    "The dog slept on the rug.",
+    "神经网络通过反向传播优化参数。",
+    "Transformer 使用自注意力机制。",
+    "Gradient descent minimizes the loss function.",
+    "北京是中国的首都。",
+    "Paris is the capital of France.",
+    "The quick brown fox jumps over the lazy dog.",
+]
+
+report = audit_dataset(texts, lambda_estimate=0.001)
+print(report["ont_self_mean"])         # 0.23
+print(report["n_palaces"])             # 7
+print(report["contradictions_top5"])   # 不一致样本对
+print(report["silent_collapse_risk"])  # green / yellow / red
+```
+
+### 输出示例
+
+```json
+{
+  "n_samples": 8,
+  "ont_self_mean": 0.23,
+  "c_ij_density": 0.11,
+  "n_palaces": 7,
+  "palace_distribution": {
+    "P_hash_02": 2,
+    "P_hash_15": 1,
+    "P_hash_25": 1,
+    "P_hash_42": 1,
+    "P_hash_51": 1,
+    "P_hash_57": 1,
+    "P_hash_61": 1
+  },
+  "label_conflicts": [],
+  "silent_collapse_risk": "green",
+  "hmM_state": "s0",
+  "barrier": {
+    "lambda": 0.001,
+    "mode": "ODE",
+    "scenario": "pc_benchmark",
+    "L_total_star": 22.17,
+    "P_trans": 0.51
+  }
+}
+```
+
+### 带标注的数据集
+
+```python
+report = audit_dataset(
+    texts,
+    labels=["animal", "animal", "ML", "ML", "ML", "geo", "geo", "noise"],
+    lambda_estimate=0.001,
+)
+print(report["label_conflicts"])
+# → 如果同 label 映射到不同 Palace，说明标注边界有问题
+```
+
+---
+
+## 势垒经济学：审计也有成本
+
+`lambda_estimate` 控制审计深度——不是模型精度权衡，是 **观测开销-观测深度调度**。
+
+| 部署场景 | λ | 审计策略 |
+|----------|---|---------|
+| PC/服务器 | 0.001 | 深度精细审计，完整 9D 耦合计算 |
+| 数据中心 | 1e-5 | 高密度嵌套观测，批量扫描海量日志 |
+| 边缘设备 | 0.1 | 轻量化聚合审计，保留核心异常检出 |
+| MCU 嵌入式 | 100 | 极简统计式快速巡检 |
+
+```python
+report = audit_dataset(texts, lambda_estimate=0.1)  # 边缘端轻审计
+```
+
+---
+
+## No LLM Required
+
+Vinfty 是纯符号计算——不需要 API Key、GPU、模型权重。
+所有认知指标来自**调用序列和记忆痕迹的结构**，而非 LLM 响应的内容。
+
+---
+
+## License
+
+MIT

vinfty-0.2.0/README.md

@@ -0,0 +1,138 @@
+# Vinfty — AI 一致性审计辅助引擎
+
+**Vinfty 不是 AI 模型。它不训练、不拟合、不推理、不预测。**
+它只做一件事：作为外挂式辅助组件，**审计 AI 系统内部的自洽性**。
+
+```
+pip install vinfty
+```
+
+---
+
+## 定位
+
+> Vinfty ≠ 另一个 LLM / 小样本分类库 / 微调框架
+> Vinfty = **AI Consistency Auxiliary Auditor**
+
+现有 AI 工具链（LangChain、LlamaIndex、EvidentlyAI、Prometheus）只追踪：
+- 日志、延迟、吞吐量
+- 准确率、召回率、损失曲线
+
+Vinfty 补上唯一缺失的维度：**认知一致性**。
+
+| 问题 | 传统工具 | Vinfty |
+|------|---------|--------|
+| 模型精度 99%？ | ✅ 是 | ❌ 不管 |
+| 内部自洽性在恶化？ | ❌ 看不见 | ✅ ont_self 追踪 |
+| 标注数据有没有矛盾簇？ | ❌ 人工抽检 | ✅ 自动审计 |
+| 小样本训练会不会先天跑偏？ | ❌ 凭经验 | ✅ 辅助预警 |
+| 线上模型精度还没跌，但内部已在坍缩？ | ❌ 不知道 | ✅ 寂静坍缩检测 |
+
+---
+
+## 模块
+
+| 模块 | 用途 | 状态 |
+|------|------|------|
+| `vinfty.judge` | 数据集一致性审计辅助（ont_self 打分、矛盾簇定位、标注冲突报告） | ✅ 可用 |
+| `vinfty.barrier` | 势垒经济学自适应观测深度调度（λ 控制审计精细度） | ✅ 可用 |
+| `vinfty.core` | V9Orchestrator 认知观测内核（300 行，零依赖） | ✅ 稳定 |
+| `vinfty.filter` | 小样本训练过程监控辅助（预留接口） | 📌 暂未实现 |
+| `vinfty.trace` | 线上模型认知漂移预警辅助（预留接口） | 📌 暂未实现 |
+
+---
+
+## Quick Start：数据集审计
+
+```python
+from vinfty.judge import audit_dataset
+
+texts = [
+    "The cat sat on the mat.",
+    "The dog slept on the rug.",
+    "神经网络通过反向传播优化参数。",
+    "Transformer 使用自注意力机制。",
+    "Gradient descent minimizes the loss function.",
+    "北京是中国的首都。",
+    "Paris is the capital of France.",
+    "The quick brown fox jumps over the lazy dog.",
+]
+
+report = audit_dataset(texts, lambda_estimate=0.001)
+print(report["ont_self_mean"])         # 0.23
+print(report["n_palaces"])             # 7
+print(report["contradictions_top5"])   # 不一致样本对
+print(report["silent_collapse_risk"])  # green / yellow / red
+```
+
+### 输出示例
+
+```json
+{
+  "n_samples": 8,
+  "ont_self_mean": 0.23,
+  "c_ij_density": 0.11,
+  "n_palaces": 7,
+  "palace_distribution": {
+    "P_hash_02": 2,
+    "P_hash_15": 1,
+    "P_hash_25": 1,
+    "P_hash_42": 1,
+    "P_hash_51": 1,
+    "P_hash_57": 1,
+    "P_hash_61": 1
+  },
+  "label_conflicts": [],
+  "silent_collapse_risk": "green",
+  "hmM_state": "s0",
+  "barrier": {
+    "lambda": 0.001,
+    "mode": "ODE",
+    "scenario": "pc_benchmark",
+    "L_total_star": 22.17,
+    "P_trans": 0.51
+  }
+}
+```
+
+### 带标注的数据集
+
+```python
+report = audit_dataset(
+    texts,
+    labels=["animal", "animal", "ML", "ML", "ML", "geo", "geo", "noise"],
+    lambda_estimate=0.001,
+)
+print(report["label_conflicts"])
+# → 如果同 label 映射到不同 Palace，说明标注边界有问题
+```
+
+---
+
+## 势垒经济学：审计也有成本
+
+`lambda_estimate` 控制审计深度——不是模型精度权衡，是 **观测开销-观测深度调度**。
+
+| 部署场景 | λ | 审计策略 |
+|----------|---|---------|
+| PC/服务器 | 0.001 | 深度精细审计，完整 9D 耦合计算 |
+| 数据中心 | 1e-5 | 高密度嵌套观测，批量扫描海量日志 |
+| 边缘设备 | 0.1 | 轻量化聚合审计，保留核心异常检出 |
+| MCU 嵌入式 | 100 | 极简统计式快速巡检 |
+
+```python
+report = audit_dataset(texts, lambda_estimate=0.1)  # 边缘端轻审计
+```
+
+---
+
+## No LLM Required
+
+Vinfty 是纯符号计算——不需要 API Key、GPU、模型权重。
+所有认知指标来自**调用序列和记忆痕迹的结构**，而非 LLM 响应的内容。
+
+---
+
+## License
+
+MIT

{vinfty-0.1.0 → vinfty-0.2.0}/setup.py

@@ -2,8 +2,8 @@ from setuptools import setup, find_packages
 
 setup(
     name="vinfty",
-    version="0.1.0",
-    description="V∞ — cognitive observability layer for any LLM orchestration framework",
+    version="0.2.0",
+    description="AI consistency auxiliary auditor — ont_self, C_ij coupling, HMM drift, barrier economics",
     long_description=open("README.md", encoding="utf-8").read(),
     long_description_content_type="text/markdown",
     author="V∞ Project",