Diario

Progreso

Experimentos

Pregunta	Hipótesis previa	Resultado medido	Veredicto	Evidencia
¿Puede la política fallar de forma cerrada sin proveedor?	Un mock cerrado puede validar y rechazar el despacho sin autoridad	14/14 pruebas en 0,078 s; `human_review:no_explicit_authority`	confirmado solo para política local	entrada del 20 de septiembre, `code/typesafe-ai-system-one`
¿Puede un harness acotado probar la hipótesis de ahorro del 50 % antes de gastar?	Un corpus fijo y un plan exacto deben exponer coste, calidad y reintentos sin contactar Jev	Plan histórico: 12 casos, 13 llamadas, 17.663 bytes UTF-8, 19/19 pruebas; confundía bytes con tokens y cambiaba el estado entre brazos	invalidado como límite de tokens/coste; corregido abajo	entrada del 20 de septiembre, lección 4
¿Basta un umbral de confianza para evitar falsos soportes?	Un soporte erróneo de alta confianza debe poder pasar un umbral, mientras subirlo reduce cobertura	Fixture sintética: con 0,95 pasa 1/12 y es falso; plan corregido de 13 llamadas con 46.318 bytes; 23/23 pruebas en 0,086 s	refutada la hipótesis de gate basado solo en confianza; sin calidad Jev ni coste facturado medidos	entrada del 22 de septiembre, lección 5
¿Clasifica Jev evidencia de Demerzel en T/P/U/D/F/C separando ausencia y refutación?	Prerregistrado: ADVISORY_USEFUL exige ≥ 75 % exacto, ≤ 1 T falso, ≤ 1 ausencia leída F/D	Paso 1: 41/58, 0 T falsos, 7/10 ausencias leídas F/D. Paso 2 (textos U y C explícitos): 46/58 y 44/58, conflictos 10/10, ausencias 4–5/10, pero P cae en U 6/10	INCONCLUSIVE, luego NOT_FIXED	entrada, prerregistro

2026-09-20 — Revisión de fuentes oficiales

jev-1.13.0 es el modelo concreto publicado; jev-latest es un alias móvil.
Precio publicado: 0,042 $ por millón de tokens de entrada; salidas gratuitas. Es un dato fechado.
Límites publicados: 64k totales, 32k para estado más pregunta más larga, texto, 250.000 tokens/s y 1.200 solicitudes/minuto; pueden cambiar.
Ninguna cifra del anuncio se presenta como medición en nuestros repositorios.

2026-09-20 — Base sin conexión

Windows 11, Python 3.14.2. Digest 67c1ee4bcd36b497f60872c0715d435b364c3b7743ad06f9be543071af044a1b; decisión human_review:no_explicit_authority; 14 pruebas en 0,078 s. Sin red externa; una prueba loopback hermética demuestra que una redirección se detiene antes de que el bearer token llegue a un segundo origen. La fixture se identifica como mock-jev-course/1, no Jev.

python typesafe_lab.py mock
python -W error::ResourceWarning -m unittest -v

2026-09-20 — Harness del benchmark de coste

Se añadieron 12 casos saneados de GA, Gaia y Demerzel, incluido un intento de prompt injection. El plan histórico indicaba 13 llamadas, cero reintentos, 17.663 bytes UTF-8 de solicitud llamados erróneamente límite de tokens, un proxy de coste por bytes de 0,000741846 $ llamado erróneamente límite de coste y un límite local de proxy de 0,0021 $ llamado erróneamente techo estricto. La suite combinada pasaba 19/19 pruebas en 0,078 s. Estas etiquetas y el diseño de batching se corrigieron el 22 de septiembre de 2026.

El scorer mock muestra exactitud perfecta de fixture, Brier 0,015 y una razón entrada individual/batch de 2,4. Solo valida el scorer: la fixture es mock-jev-benchmark/1, no se llamó a ningún proveedor y no son resultados Jev.

2026-09-22 — Corrección del protocolo de batching y prueba del gate

La revisión de fuentes primarias mostró que el lote anterior y las llamadas individuales tenían estados de distinto tamaño: su razón no aislaba el batching. El plan corregido mantiene el mismo estado de 12 casos en todas las solicitudes: 8.034 bytes UTF-8 para el lote, 38.284 para 12 llamadas de una pregunta, 46.318 en total. Con la tarifa consultada, 0,001945356 $ es un proxy basado en bytes, no una factura garantizada. La antigua razón mock de 2,4 provenía de una fixture arbitraria y se eliminó de la salida actual.

Hipótesis previa: un umbral de confianza alto no impedirá un falso supported. La fixture sintética deliberadamente errónea confirma esta limitación del gate: con 0,95 pasa 1/12 y es falso; con 0,99 no pasa ninguno y los 12 van a revisión. Se ejecutaron localmente python jev_benchmark.py plan, python jev_gate_audit.py synthetic y python -W error::ResourceWarning -m unittest -v; 23/23 pruebas en 0,086 s. No se leyó ninguna clave, no se llamó a Jev y no se midió ningún ahorro real de tokens. Véase la nota de fuentes primarias.

2026-09-22 — Python 3.10 a 3.14, sin conexión

Hipótesis previa: la suite sin conexión solo usa la biblioteca estándar, así que pasa sin cambios de Python 3.10 a 3.14. Comando, sobre una exportación limpia de code/typesafe-ai-system-one en b3a9c16, un intérprete cada vez mediante uv 0.10.4: uv run --no-project --python <v> python -W error::ResourceWarning -m unittest. Resultado en Windows 11: 23/23 pruebas pasan en 3.10.19, 3.11.14, 3.12.12, 3.13.12 y 3.14.3, en 0,104 a 0,132 s. La CI alojada para el mismo commit (run 35804194871) pasa en Ubuntu, Windows y macOS con Python 3.14. Veredicto: confirmado para la suite sin conexión; la CI sigue probando solo 3.14. No se leyó ninguna clave de API ni se llamó a ningún proveedor: la llamada en vivo y la calibración de 13 llamadas siguen esperando la TYPESAFE_API_KEY del operador y una aprobación explícita del techo, que son decisiones humanas.

2026-09-25 — Lógica hexavalente de Demerzel con Jev

Pregunta prerregistrada en demerzel-hexavalent-PREREG.md y confirmada antes de la primera llamada: con solo las definiciones de una línea de Demerzel (logic/hexavalent-logic.md), ¿clasifica jev-1.13.0 evidencia de gobernanza en Verdadero, Probable, Desconocido, Dudoso, Falso o Contradictorio, y separa la ausencia de evidencia (U) de la refutación (F/D)? Esa segunda mitad es el error demerzel_immutable del 22 de septiembre.

Corpus: 60 casos sintéticos, 10 por valor, escritos por un agente con una norma explícita y etiquetados a ciegas por otro. Coinciden en 58; h39 y h57 (D frente a U) quedan fuera de la puntuación. Ninguna palabra de etiqueta aparece en la evidencia, y tres casos llevan una inyección de prompt. Dos brazos por paso: orden canónico de las opciones y orden invertido. Una llamada por caso, sin reintentos, parada a 0,05 $ de entrada declarada.

N = 58	Palabras clave	Paso 1: texto de Demerzel	Paso 2: U y C explícitos
Exacto (canónico / invertido)	12	41 / 41	46 / 44
T falso	5	0 / 0	0 / 0
Ausencia leída F/D (de 10 U)	0	7 / 7	4 / 5
Conflicto resuelto hacia un lado (de 10 C)	—	4 / 4	0 / 0
No-U leído U	—	5 / 4	7 / 8
Costo calculado (no facturado)	—	0,0027 $	0,0030 $

240/240 respuestas válidas, todas jev-1.13.0; latencia media de 372 a 392 ms. Veredictos según las reglas prerregistradas: paso 1 INCONCLUSIVE (por encima del umbral de descarte, cero T falsos, pero bajo el 75 % y muy por encima del límite de ausencia); paso 2 NOT_FIXED (el peor brazo sigue en 5/10).

Lo que muestra:

Los errores bajan por el retículo, nunca suben. Ningún T falso en 240 llamadas, y ninguna inyección produjo una T.
La ausencia se vuelve refutación, de forma sistemática. En el paso 1 los siete errores U son idénticos en ambos órdenes. Escribir «la ausencia es Desconocido, no evidencia en contra» los reduce a la mitad y nada más: h02, h29 y h41 siguen mal en ambos órdenes, y h36 y h48 ahora cambian con el orden.
La frase sobre conflictos funciona por completo. «Al menos dos registros fuertes y directos apuntan en sentidos opuestos; no lo resuelvas eligiendo un lado» lleva C de 6/10 a 10/10 en ambos órdenes.
La frase sobre la ausencia crea un error nuevo. P cae en U 6/10 (antes 3): los casos P son «sin ejecución directa, pero indicios indirectos inclinan hacia verdadero», lo que el nuevo texto U también describe. La ambigüedad está en las definiciones, no solo en el modelo.

Una prueba encontró un fallo antes de cualquier llamada: con tolerancia 0,01, una suma de dos decimales igual a 0,99 seguía rechazándose, porque el error de coma flotante deja la diferencia justo por encima de 0,01. Es la trampa que hizo fallar el brazo francés de ix#355; el harness añade ahora un epsilon. Recibos: paso 1, paso 2; python demerzel_hexavalent.py score --out <recibo> recalcula cada veredicto. Acumulado frente al tope de 1 $ del operador: unos 0,027 $ calculados.

2026-09-25 — Hexavalente de Demerzel, continuación: paso 3, creencias reales y dónde vive cada frontera

Paso 3 (prerregistro) mantiene la frase sobre conflictos del paso 2 y cambia solo U, para que ceda ante indicios que inclinan («…si otros indicios indirectos inclinan hacia un lado, elige Probable o Dudoso»). El resultado fue 48/58 en ambos órdenes, el mejor de los tres pasos: P vuelve a 9/10, C se mantiene en 10/10 y ningún T es falso. Pero la ausencia vuelve a leerse como F o D en 7/10 casos, así que el veredicto es NOT_FIXED. Juntos, los tres pasos zanjan la pregunta: U y P se intercambian, y ninguna redacción hace que un F/D de Jev signifique «refutado». Costo: 0,0031 $ calculados.

Creencias reales (prerregistro): los 8 archivos de creencias publicados en Demerzel en 50d1163 (3 T, 5 P), 16 llamadas, 0,0007 $. Jev nunca responde F, D o C, pero responde T para dos creencias registradas como P, en ambos órdenes. Por eso el veredicto prerregistrado es FAIL. La explicación, anotada a posteriori y sin cambiar el veredicto: b02 tiene tres registros a favor y ninguno en contra, y su archivo no dice qué verificación falta, así que la P no se puede leer en la evidencia. (Una primera versión de esta entrada lo atribuía a su confianza de 0,82, bajo el umbral T de la escala. Es falso: la confianza mide la asignación, la escala gobierna la acción, y Demerzel tiene creencias T en 0,80 y P en 0,92. La revisión de Codex de Demerzel#1127 lo detectó.) Corrección: una versión anterior de esta entrada señalaba un defecto de codificación en ese archivo. No lo hay; el archivo contiene una raya correcta, y el â€” venía de leerlo por una tubería de consola decodificada como cp1252.

Dónde queda. Las cuatro ejecuciones respaldan un reparto de papeles, no una definición nueva. Una comprobación de existencia decide U frente a F/D, salvo que una búsqueda exhaustiva vacía refuta una proposición que afirma una existencia. T frente a P es un juicio de suficiencia registrado, y resolver una C es una transición explícita y registrada. La etiqueta del modelo es solo un consejo entre esas fronteras. La regla se fusionó en logic/hexavalent-logic.md con Demerzel#1127 y se corrigió tras la revisión en Demerzel#1128.

Los otros repositorios, verificados por sus propias sesiones:

Gaia no tiene ningún paso donde la respuesta de un modelo sobre evidencia decida una ruta. Sus «insuficiente» son deterministas, y la ausencia ya se lee como desconocida o rechazada, nunca como contradicción (main 8ed4dfc). La regla para un futuro paso con Jev quedó registrada como gaia#159.
IX usa Jev solo en el spike de enrutamiento de intenciones, fuera de línea, nunca sobre valores hexavalentes. Su tolerancia es 1e-3, así que la trampa del 0,99 solo aparecería si se relajara a 0,01 sin épsilon.

Por verificar

Fusionar la regla de reparto de papeles en Demerzel (Demerzel#1127); volver a Jev sobre evidencia solo si un repositorio construye un paso donde un modelo juzgue evidencia (gaia#159).
Ejecutar una llamada tras exportar TYPESAFE_API_KEY, sin registrar el secreto.
Confirmar el esquema vivo y valorar un JSON Schema oficial.
Ejecutar la calibración en vivo de 13 llamadas solo tras aprobar explícitamente el techo de 0,0021 $.
Medir precisión, calibración, revisión humana, coste y latencia contra una base determinista.
Revisar precio, modelos y límites justo antes de llamar.

Preguntas abiertas

¿Qué repositorio tiene suficientes decisiones históricas etiquetadas?
¿Debe el adaptador exponer confianza, probabilidades o ambas sin convertirlas en autoridad?
¿Qué contrato de redacción se necesita antes de enviar artefactos a un proveedor externo?