周期目标
首轮周期要回答的三个问题。
源能不能变成数据集？
已接收的源，能否在不依赖 NAS、也不依赖旧项目任何产物的前提下，转换成一份可复现、可复核的原生文本数据集？
分词器能不能表示它？
新训练的分词器，能否以可接受的保真度和效率，跨学段表示这批已批准的中英文教育材料？
有界试跑能不能从中学到东西？
一个 200M 参数的试跑，能否在冻结数据集上完成训练，并留下有效检查点、完整评测证据和实测成本？
周期以一个 go／hold／stop 决定收尾，对象是一次单独立项的 500M 基座试跑。它不包含 Cortex Genesis，也不包含任何域形成工作。
固定范围
在任何东西开跑之前就被绑定的事项。
- 源快照
snapshot:education-cn-raw-20260730——496,175个确切的 S3 对象版本，2,510,613,958,218已接收字节。- 不可变性
- 原始数据在 S3 中保持不可变，永不被写入。派生产物引用确切的父摘要。
- 干净谱系
- 旧的代码、分词器、检查点、数据集派生与基准声明都被排除在输入之外。这意味着"从受治理的原始材料重新开始"，而不是"直接在原始文件上训练"。
- 模态
- 只处理原生文本与结构。音频与视频从不被解码、采样、转写或嵌入；它们在对账证据中保留终态的
excluded处置。 - 延后项
- OCR 与图像理解不在首轮预算内。纯扫描件页面保留显式的延后或不支持记录，而不会变成静默的空文本。
- 项目模式
- 全程
foundation，所有操作性开关保持false。 - 预算封套
- 首轮 AWS 基础设施 4,000 澳元（含 GST）。人工的法务、隐私、文化与质量复核工时不包含在内。
里程碑
从快照到决策的九道门。
下面每个上限都只针对该里程碑本身。耗时主要由人工复核和 AWS 配额决定，而不是 GPU 运行时间——首轮周期的现实区间是四到七周，不含尚未解决的权利与隐私决定。
M0 —— 范围与执行契约冻结
0 澳元冻结音视频排除规则、具名数据负责人与两名独立审批人、不可变的存储前缀、已复核的容器镜像摘要、每作业支出与墙钟上限，以及确定性的 Batch 并发、重试与容量上限。
出口：每一个身份、前缀、摘要、上限、复核人与停机流程都是确切的。就绪报告仍然显示执行处于关闭状态，但规划层面不再有含糊之处。
M1 —— 512 条记录的格式金丝雀
100 澳元跑已经选定的金丝雀——512 条记录，覆盖全部 212 个有数据的扩展名／体积分层——使用指定版本的 S3 读取。验证签名、活动内容风险、加密、损坏、不支持的格式与抽取器路由。
出口：512 个输入全部收敛到终态处置；原始数据零写入；每条结果都绑定其确切源版本与流水线摘要；没有任何音视频主体被解码。
M2 —— 有界的原生文本抽取试点
250 澳元在 DOCX、PPTX、原生文本 PDF、纯文本、XML/HTML/RTF/CSV 以及选定的旧版 Office 分层中，确定性地选出一个有代表性的试点。演练恶意软件扫描、有界容器处理、抽取、归一化、谱系、断点续跑与终态对账。
出口：每个输入一个终态处置；重复执行确定性阶段产生一致摘要；资源上限被实测；失败与隔离样本进入人工复核。
M3 —— 全量合格源清洗
1,200 澳元把每一个合格的原生文本对象跑过恶意软件筛查、有界抽取、确定性归一化、初步的语言／学科／层级标注，以及不可变的派生分片。
出口：完整的已接收清单精确对账；每个对象都有显式终态结果；没有任何东西被覆盖；产出量与课程分布被公开。
M4 —— 去重、风险复核与数据集冻结
600 澳元精确、归一化文本与有界近似重复聚类；冻结开发与评测族；筛查重叠；完成权利、隐私、文化与质量复核。去重只做加权或选代表，从不删除谱系。
出口：训练／开发／评测清单摘要互不相交；未解决污染为零；受限或权利不明的条目不出现在已批准分区中；精确的记录、字节、单元与 token 计数被冻结。
M5 —— 分词器对比与已批准分片
250 澳元仅使用已批准的训练分区，训练并比较一个 48K SentencePiece unigram 分词器与一个 48K byte-level BPE。测量分学段的中英文 fertility、数学与科学符号的往返保真、字节回退与 token 计数稳定性。
出口：从冻结证据中选出一个候选；训练器、配置、种子、输入清单与产物摘要确切；开发与评测内容从未被检视；分片顺序与 token 计数可复现。
M6 —— 50M 合成冒烟
100 澳元 · ≤4 小时一个随机初始化的模型，只跑确定性合成数据，并在结构上被禁止引用研究数据集冻结。用于验证打包、BF16 执行、日志、心跳、非有限损失停机、检查点发布、续跑与拆除。
出口：该作业无法读取任何研究数据；检查点／续跑保持运行谱系；紧急停机与零容量拆除被演示；不作出任何训练质量声明。GPU 启动需要一条新的显式指令。
M7 —— 200M 已批准数据试跑
600 澳元 · ≤24 小时用一张 H100，在冻结的已批准课程切片上训练选定的最小稠密模型，参数不超过 200M。记录吞吐、利用率、显存、损失、留出集递进、重启行为与精确成本。
出口：全部输入、代码、环境、镜像、分词器、种子与输出不可变；损失有限；课程保持率证据完整；无泄漏或未批准输入；所有计费算力回到零容量。
M8 —— 试跑复盘与规模决策
300 澳元把预算、产物、质量、失败、利用率与"每澳元有效 token"，对照预注册的晋级标准做一次对账。
出口：发布且仅发布一个决定——go（另行立项准备 500M 提案）、hold（指明重跑前必须修正的缺陷）或 stop（保留产物并关闭本周期）。M8 本身不能启动 500M 训练。
另加 600 澳元的项目应急、存储与有界重试。总上限 4,000 澳元。拟议的 GPU 目标是单台 p5.4xlarge、一张 H100 80 GB；此前的八卡草案处于禁用状态，未经修订不得用于本周期。
规模阶梯
模型规模由实测选出，不是提前假定。
第一个获授权的模型族是常规的稠密 decoder-only Transformer。MoE、域路由、适配器、记忆回写与多域通信被刻意排除在基座基线之外——如果基座自身就含有隐式路由，后续与独立形成的域做比较就无法解释了。
- 架构
- 稠密 decoder-only Transformer，含 RMSNorm、SwiGLU、RoPE、分组查询注意力与绑定嵌入。
- 规模封套
- 合成冒烟 ≤
50M；数据试跑 ≤200M；基座试跑 ≤500M。这些是选型上限，不是已声明的参数量——必须选出满足冻结质量与系统门槛的最小候选，更大的候选需要实测证据。 - 上下文
- 合成打包测试用
2K，数据与基座试跑暂定4K。 - 分词器
- 只从已批准的训练分区训练。必须在不依赖空格的前提下保住中文，保留数学、科学记号与代码片段，定义确定性的 Unicode 归一化，并且从不检视冻结的评测分区。
- 仍待定
- 词表规模、参数量、层／宽／头维度、位置编码细节、精度与优化器、课程配比与阶段排程，以及 token、FLOP、时间与金额预算——全部等待抽取与 token 画像完成。
阶梯顺序是：流水线冒烟 → 数据试跑 → 基座试跑 → 规模决策 → EDR 基座候选。没有哪一步会自动授权下一步；每一步都有自己不可变的运行清单、预算、停机条件和两名审批人。
就绪门
在实验可以被"提出"之前，必须先过的门。
草案文档存在，不构成某道门已通过的证据。机器可读的就绪报告返回 not_ready，这在准备期是正确状态；它只会由被引用的已授权证据变为就绪，绝不会因为文件存在而变。
G0 —— 契约冻结
- 带版本的域清单已存在
- 协议主张携带证据、假设、范围、置信度、不确定度、矛盾与时效性
- 记忆没有"原始直达固化"的捷径
- Forge 计划是声明式的，且要求数据集批准
- Foundation 模式阻止操作性功能
- 协议与清单 0.1.0 经四类负责人复核
G1 —— 科学预注册
- 定义可证伪的主要假设
- 冻结两个主要臂的参数与算力预算
- 冻结域内、跨域、未知边界与可追溯性任务
- 定义负对照与路由错误探针
- 在训练之前定义成功、部分成功、无差异与停机条件
G2 —— 域边界
- 批准生物域的归属、排除与上报规则
- 批准医学域的归属、司法辖区、人群与高风险禁令
- 定义"什么证据能说明域已形成"
- 定义域外与弃权测试
- 定义共享问题的冲突解决行为
G3 —— 数据与检查点治理
- 选定带出处与许可的确切 EDR 检查点
- 每一份数据切片都以不可变摘要登记在册
- 许可、隐私、同意、文化与污染复核完成
- 训练／评测分离与泄漏检查获批
传输、对账、单向校验和与确定性清单已被接收，金丝雀也已选出——但版本绑定、清洗、权利复核与分区冻结仍未完成。这不构成 G3 通过。
G4 —— 运行隔离
- 隔离的产物命名空间与预算
- 可复现的环境与种子策略
- 算力调度与紧急停机
- 没有生产路由或外部动作
- 签名的运行清单与只可追加的审计汇
AWS 边界、单节点优先的阶梯、检查点策略、预算封套与紧急停机流程均已有草案。没有任何算力被开通。这不构成 G4 通过。
G5 —— 授权
- 形成计划已冻结
- 至少两名具名审批人
- 每个数据集都被标记为批准用于训练
- 训练开关仅在实验专属配置中启用
- 显式的用户授权被记录在确切的阶段门修订中
今天明确不存在的东西
没有模型或分词器。没有数据集或下载脚本。没有优化器或训练循环。没有推理端点。没有基准分数。没有实验跟踪集成。没有定时任务。没有活跃的域。没有自动记忆固化。诊断工具通过，只说明当前配置在内部是安全的；它不代表任何一道门已经通过。
周期之后
刻意留在当前封套之外的事项。
没有任何下游里程碑会从这份路线图继承授权、未用预算或批准。
- EDR 500M 基座试跑 —— 仅在 M8 给出 go 之后。
- EDR 基座候选 —— 规模由实测的 token 量、质量与成本选出，而不是提前假定。
- Cortex Genesis 数据集形成 —— 冻结生物与医学的边界及匹配数据。
- Cortex Genesis 实验 —— 即实验设计中描述的那组对照。
- Octoryn 认知网络试点 —— 仅当 Genesis 的证据支持域组合时。