# Исследовательские проекты

Canonical HTML: https://aogavrilov.com/ru/projects/

Document language: ru

Начните с наблюдаемого сбоя, затем выберите подходящие метод, доказательства и границы применимости.

## Выберите метод по наблюдаемому сбою

Один и тот же симптом может быть вызван представлением, генерацией, управлением или проверкой.

| Наблюдаемая проблема | Первая проверка | Необходимые доказательства | Метод |
| --- | --- | --- | --- |
| Декодированный результат плох, но неизвестно, на каком этапе возник сбой | Оцените исходный текст, его парную реконструкцию и сгенерированный результат одним внешним оценщиком. | Сопоставимые распределения и поведение хвостов на каждом этапе. | [Поэтапная диагностика узкого места](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#workflow) |
| Метрика латентного пространства улучшается, а итоговое качество — нет | Проверьте, переносится ли улучшение прокси-метрики после декодирования. | Парные метрики декодированного результата, а не только латентная диагностика. | [Проверка переноса прокси-метрики](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#decision-table) |
| Редактор кода переписывает больше запрошенной области | Явно задайте границу сохранения и измерьте изменения за пределами целевой области. | Локальность и успешность задачи, измеренные совместно. | [Оценка локального редактирования](https://aogavrilov.com/ru/projects/discrete-latent-generation/#measurement) |
| Рефакторинг должен сохранять поведение, а не только синтаксис | Разделите предложение преобразования, его выполнение и проверку. | Компиляция, тесты, статические проверки и распознавание рефакторинга. | [Карта выбора механизма управления](https://aogavrilov.com/ru/projects/discrete-latent-generation/#control-surface) |

Активное направление

## Дискретная латентная генерация

Сжатые представления, поэтапная диагностика качества и явное управление тем, что генеративные системы сохраняют или изменяют.

Руководство по оценке

## Диагностика узкого места кодека

Поэтапный метод, позволяющий определить, ограничено ли качество декодированного текста реконструкцией, латентной генерацией или прокси-метрикой, которая не переносится на итоговый текст.

## Исследовательские вопросы, на которые отвечает сайт

Откройте практический вопрос, чтобы получить краткий ответ, а затем перейдите к доказательствам, методам, измерениям и ограничениям. Это входы в исследование, а не универсальные гарантии.

1. Как генеративная модель может изменять код, не переписывая функцию целиком? До генерации задайте границу редактирования, сохраните или повторно используйте исходный код вне неё, генерируйте только варианты изменений и отклоняйте результаты, которые не решают задачу или затрагивают защищённые области. Иерархическая фиксация латентных кодов — один из экспериментальных механизмов управления, но она не гарантирует идентичность фрагментов исходного текста. [Сравнить механизмы управления локальным редактированием](https://aogavrilov.com/ru/projects/discrete-latent-generation/#control-surface) .
2. Какие доказательства показывают, что изменение кода локально, а не просто синтаксически корректно? Измеряйте изменения вне запрошенной области вместе с успешностью задачи, изменениями в редактируемой области, структурными инвариантами, тестами или статическими проверками и вариативностью повторных запусков. Одна лишь доля синтаксически разбираемых результатов подтверждает только корректность формы. [Открыть перечень доказательств локальности](https://aogavrilov.com/ru/projects/discrete-latent-generation/#measurement) .
3. Как сбалансировать локальность правки кода и разнообразие генерации? Сообщайте стабильность защищённой области вместе со свободой изменений в редактируемой области и уникальностью вариантов. Копирование входа может максимизировать стабильность, не решая задачу, а неограниченное переписывание — максимизировать изменения, уничтожив локальность. [Посмотреть ограниченные данные о компромиссе стабильности и свободы](https://aogavrilov.com/ru/projects/discrete-latent-generation/#evidence) .
4. Чем различаются локальное редактирование кода, ограниченная генерация и исправление программ? Локальное редактирование определяет, что должно остаться неизменным; ограниченная генерация обеспечивает формальное свойство результата, например соответствие грамматике; исправление программы требует, чтобы изменение удовлетворяло спецификации дефекта или задачи. Один синтаксис не доказывает семантическую эквивалентность, функциональную корректность, успешность задачи или локальность. [Сравнить три постановки задачи](https://aogavrilov.com/ru/projects/discrete-latent-generation/#comparison) .
5. Как регенерировать выбранные части функции Python, сохраняя стабильность остальных? До генерации задайте защищённые и редактируемые области, изменяйте только редактируемое представление, декодируйте результат и отклоняйте варианты, которые затрагивают защищённый код либо не проходят синтаксическую проверку, тесты, статический анализ или инварианты задачи. Описанный эксперимент с иерархическими латентными кодами измеряет вероятностную стабильность функций длиной 64 токена, но не гарантирует неизменность фрагментов или поведения. [Изучить процесс выборочной регенерации](https://aogavrilov.com/ru/projects/discrete-latent-generation/#workflow) .
6. Какая стратегия управления подходит для рефакторинга с помощью ИИ и сохранением поведения? Используйте модель для обнаружения или предложения преобразования, затем по возможности выполните его проверенным механизмом рефакторинга и проверьте компиляцию, тесты, статический анализ и соответствие требуемому рефакторингу. Правдоподобного сгенерированного патча недостаточно. [Открыть строку выбора метода рефакторинга](https://aogavrilov.com/ru/projects/discrete-latent-generation/#control-surface) .
7. Что делает генерацию кода предсказуемой, а не просто управляемой? До выбора генератора задайте наблюдаемый контракт сохранения и проверки приёмки. Предсказуемость определяется тем, что остаётся стабильным после декодирования и проверки, а не только тем, были ли зафиксированы запрос, маска, грамматика или латентный код. [Определить контракт сохранения](https://aogavrilov.com/ru/projects/discrete-latent-generation/#core-idea) .
8. Как в описанном текстовом эксперименте соотносятся маскированная диффузия в пространстве кодов и в пространстве токенов? При одном внешнем оценщике медианная перплексия MDLM в пространстве кодов составила 26,55 против 38,42 у базовой модели в пространстве токенов — снижение на 30,9%. При этом медиана реконструкции кодека уже составляла 27,36, поэтому результат нужно интерпретировать вместе с узким местом реконструкции. [Посмотреть поэтапные результаты](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#case-study) .
9. Как сравнивать маскированную диффузию в пространстве кодов и токенов, если кодек вносит потери? Используйте одни и те же отложенные примеры и один оценщик декодированного текста для оригиналов, реконструкций кодека, результатов в пространстве токенов и кодов. Отдельно сообщайте разрыв реконструкции: более сильный латентный генератор не может восстановить информацию, уже удалённую кодеком. [Сравнить этапы одним оценщиком](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#case-study) .
10. Как диагностировать потерю качества в двухэтапном генераторе текста? Сначала измерьте разрыв между оригиналом и реконструкцией, затем — между реконструкцией и генерацией, используя неизменный оценщик декодированного текста. Так потолок качества, заданный кодеком, отделяется от дополнительного ухудшения, внесённого латентной генерацией. [Открыть диагностику из четырёх контрольных точек](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#workflow) .
11. Когда улучшение метрик латентного пространства не улучшает декодированный результат? Латентная прокси-метрика может улучшаться, не отражая нужное итоговое свойство. Проверяйте перенос на сопоставленных декодированных результатах с одними и теми же финальными метриками; иначе геометрия или использование кодовой книги остаются диагностическими данными, а не улучшением качества текста. [Открыть диагностику переноса прокси-метрики](https://aogavrilov.com/ru/projects/codec-bottleneck-diagnosis/#decision-table) .

## Два ограниченных набора результатов

Эти числа показывают, что именно измерялось; они не являются универсальными гарантиями модели.

### Диагностика сжатия

В одном эксперименте TinyStories со сжатием 64→16 медианная перплексия выросла с **15.17** для исходного текста до **27.36** после реконструкции. MDLM в пространстве кодов достигла **26.55** против **38.42** у базовой модели в пространстве токенов при том же внешнем оценщике.

### Проверяемое управление редактированием

В одном эксперименте с Python-функциями длиной 64 токена фиксация четырёх кодов верхнего уровня повысила долю синтаксически разбираемых результатов с **0.453** до **0.591** , при этом незаблокированные позиции изменялись с частотой **0,936** а условные образцы оставались **0.998** уникальными.

## Чего эта карта не утверждает

Опубликованные эксперименты не доказывают точное сохранение AST, семантическую эквивалентность, функциональную корректность, исправление на уровне репозитория или универсальный порядок узких мест кодека и генератора. Руководства превращают ограниченные результаты в повторяемые диагностические процедуры, но каждая новая система требует собственной проверки декодированных результатов и поведения.