v15: remover duplicata checkpoints/ — o ÚNICO estado é estados/fase-v15 (limpeza, manter somente a versão otimizada)

KHTST v15 — AUTOAJUSTE DE λ_c + MoE FLEXÍVEL/COOPERATIVA + ESFORÇO + GANHO (doc 28): EQUAÇÃO DE AUTOAJUSTE DE λ_c do trade-off K descoberta por análise matemática: limiar de troca exato φ(i,j) = Δε²/(Δε²+Δb), K*(λ) não-crescente (envelope de retas com inclinações estritamente crescentes), λ_c* = menor λ do intervalo [λ_lo, λ_hi] que ancora o JOELHO K̃ (curvatura máxima) do espectro REAL — sem hiperparâmetro, recalculado a cada retreino (T28.1); kernels CYTHON criterios (OpenMP): knee λ_c O(d), esforço por amostra, QE/TE de lote ≡ SOMKohonen (T28.2/28.3); MoE AGRUPÁVEL: ATENÇÃO para MoE (γ nascido 0 — T28.4), k AUTOAJUSTÁVEL por esforço (contração de Banach — T28.5), COOPERAÇÃO inter-grupos (ρ nascido 0 — T28.6), enc-dec VETORIAL paralela + CAPACIDADE auto com histerese (T28.7); n_camadas/n_cabecas FLEXÍVEIS por DETECÇÃO DE ESFORÇO: portas de camada g∈[0,2] (g=0 ⟹ identidade exata — T28.9) e portas de cabeça (A·(g·v)=g·(A·v) — T28.8), saída precoce na geração pelo alinhamento cos(h,x) (sinal grátis, sub-modelo consistente); CRITÉRIOS DE AVERIGUAÇÃO e GANHO: QE, TE, converg-ência α(t)/σ(t) com INVERSÃO EXATA k_α (T28.10), GANHO normalizado ponderação convexa (T28.11), coerência bigrama (T28.12), RAM AUTOADAPTATIVA com histerese (T28.13); treino curto REAL pareado v14 ⊕ v15 (620 registros); 14 suítes verdes (v15: 54 ✓)

v15: apagar estado antigo do treino anterior (fase-v14) — parte 2

v15: apagar estado antigo do treino anterior (fase-v14) — será substituído por fase-v15

KHTST v14 — estado integral fase-v14 (pesos safetensors 83,0 MB < 900 MB + meta SHA-256; todos os alcances v14: NoPE-Stiefel, gates GSQ, RF-GSQ compacto, percepção conjunta, lote efetivo 2 — retomável)

KHTST v14 — GSQ+RCO TOTAIS (doc 27): RANDOM FOREST com buffer COMPACTO GSQ (id uint8 + norma fp16 = 3 B vs 4d B — compressão 256×, materialização just-in-time, Teo 27.3) e codebook STIEFEL aprendido pelo path suave da DNN — DECORRELAÇÃO DAS ÁRVORES provada (Cov = ⟨c_a,c_b⟩/d = 0; derruba a parcela ρσ² de Breiman que o bagging não remove — Teo 27.1); RCO nas NoPE (W_q, W_k ∈ St(d,d)) com COTA ESTRUTURAL DO LOGIT ℓ_max ≤ d/√dh = 27,7 < τ_qk = 100 — QK-Clip ESTRUTURALMENTE INATIVO, a restrição riemanniana SUBSTITUI o clip corretivo (Teo 27.2, contraprova sem RCO: 3269); GATE GSQ nos MECANISMOS DE ATENÇÃO dos encoders + gate cooperativo (seleção global/janela/linear quantizada — Teo 27.4); AJUSTE ANALÍTICO K/τ_min pelo espectro REAL: K* = argmin J(K), J(K) = (1−λ_c)·ε²(K) + λ_c·log₂K/log₂d (varredura exata, T27.6) e τ_min* = min(barreira, Δ₂/4) — trade-off compressão×erro do codebook; ECKART–YOUNG no modo subespaço (ε² = 1−E(K) — T27.5); PERCEPÇÃO CONJUNTA imagem⊕LRA⊕cinza com DETECÇÃO PARALELA DE ESCALA DE CINZA (χ = (max−min)/(max+ε), s = 1−χ̄: identidade, Lipschitz, gate γ_c nascido 0 — Teos 27.7/27.8); LOTE EFETIVO por ACUMULAÇÃO DE GRADIENTE (E[ĝ]=∇L(lote cheio), Var ↓ √n_acc — Teo 27.9); treino curto REAL pareado (620 registros); 13 suítes verdes (452 ✓), nascimento neutro (T27.11)

v14: apagar estados do treino anterior (requisito — limpeza antes do novo treino)

KHTST v13 — GSQ (GUMBEL-SOFTMAX QUANTIZATION) + RCO (RIEMANNIAN CONSTRAINED OPTIMIZATION): quantização por misturas de Gumbel com DECAIMENTO ANALÍTICO da temperatura τ(t) = τ_min + (τ_0−τ_min)·e^(−t/T_τ) e inversão exata T_τ = t_alvo/ln((τ_0−τ_min)/δ) — defaults 2,0→0,25 em 600 passos (Teos 26.4/26.5); RESTRIÇÃO STIEFEL em matrizes ortogonais COMPLETAS via QR de sinal positivo — W_ortᵀW_ort = I exato a cada forward (2,9e-14 float64), restrição INVARIANTE do fluxo (Teos 26.1/26.9); GRADIENTE RIEMANNIANO (PROJEÇÃO DA TANGENTE) no passe de backward: g = Ĝ − Y·sym(YᵀĜ) — adjunto exato no tangente (5,7e-10), gradiente tangente (3,8e-14) e lema da descida no manifold — treino PONTA A PONTA (RGD, Teos 26.2/26.3); KERNEL CYTHON OpenMP/AVX-512 + BLAS dgemm + LAPACK dgeqrf/dorgqr com 5 bugs do rascunho corrigidos (nogil, column-major, work-query, layout do GEMM, aliasing in-place) e −ffast-math removida com justificativa IEEE-754 (Teo 26.6, doc 26 §5); PIPELINE HÍBRIDO CPU/GPU com detecção automática e equivalência PROVADA — projetor colunar único 1,9e-15 (vale rank-deficiente) e mesma retração em engines distintas 2,4e-13 (Teos 26.7/26.8); GATE GSQ no AdamW (Teo 26.10) e nascimento neutro (Teo 26.11); ABLAÇÃO PAREADA com DADOS REAIS (620 registros, 40 passos): GSQ+RCO 1,112× vs baseline 1,081× — 12 suítes verdes

v13: apagar estado do treino anterior (requisito — limpeza antes do novo treino)

KHTST v12 — TRONCO MAMBA-3 SUBSTITUI O TRANSFORMER (pilha híbrida 5:1 NoPE com microunidades/MoE preservados — Teos 24.12/24.14); DECODE INCREMENTAL PROVADO equivalente à varredura, Δ=1,8e-06, memória O(1)/camada e KV-cache só na NoPE (Teo 24.13); MUONCLIP + ADAMW: Muon Newton-Schulz nas matrizes (descida espectral, progresso ∝ ‖G‖_* — Teos 24.1–24.5) + AdamW nas tabelas lexicais (Teo 24.6) + QK-CLIP com invariante ℓ_max ≤ τ e softmax sem saturação (Teos 24.7–24.8); PERCEPÇÃO 3D PROVADA — profundidade ordinal (isotonia), distância Lipschitz, camadas separadas, fusão não-expansiva (Teos 25.1–25.4) com ACELERAÇÃO O(P) vs O(P²) medida 1,65×→3,61× (Teo 25.5); ACESSO LÓGICO AOS DIFUSORES — roteador bayesiano txt2img/img2img/inpaint com força semântica real e seed determinística (Teos 25.8–25.10); 13 ÓRFÃOS corrigidos (LISTA_TAREFAS sem import, features do ensemble do tronco Mamba-3, INTENCOES fonte única, CacheRAM no RLHF, HubFerramentas+CicloPDCA no serviço, janela 1M na sessão); fidelidade de recarga δ 2,0 → 0,021; 11 suítes verdes (438 verificações); teste com DADOS REAIS APROVADO

KHTST v11 — MAMBA-3 HÍBRIDO + NoPE (5:1) + MAMBA-3VL 3D-VL + CHECKPOINTING DE ATIVAÇÃO + ENSEMBLE RF×DNN×DESTILAÇÃO BIDIRECIONAL×ENGRAEM + 9 DATASETS DO REQUISITO + RLHF REAL: 12 tarefas com FONTE ÚNICA (Teo 22.1); N_MAX_TOKENS = entrada 256K + saída 128K = 393216 (Teo 22.1.1); critérios Jev DINÂMICOS de dados reais (DESCRICOES_TAREFAS removida, Teo 22.2); kernel trapezoidal estável com gradiente exato (Teos 22.2–22.5); checkpointing de ativação exato (Teo 22.8, Δ=0 medido); Hedge com regreto O(√(T ln M)) e Gibbs local (Teos 23.1–23.4); KD simétrica mode-covering+seeking (Teo 23.8); engram k-WTA (Teo 23.10); estados no Hub antes de 900MB com retomada real (Teo 23.13); orçamento 8h+1h; teste com DADOS REAIS APROVADO antes de treinos longos

v11: apagar estados do treino anterior (requisito — limpeza antes do novo treino)

KHTST v10 — JANELA PARALELA 256K→128K + CLASSIFICADORES JEV: comprimento_ctx=256/janela_sliding=192; janelas W=192K/E=64K com cross-fade de partição de unidade (Teos 21.1–21.4); classificadores alinhados escolha/escore/noul com metacalibração térmica por entropia, versão PRÓPRIA, inseridos só onde provado vantajoso (Teos 21.6–21.11); nascimento neutro (Teo 21.12); SEM FALLBACK — núcleos Cython/C obrigatórios com auto-build e kernel temperatura_entropia (Teo 21.13); gate APROVADO: ppl_lm 2,58 vs AURORA 17,09 (−84,9%), 9/9 perdas, treino 4,14h ≤ 4h+1h, RAM 3445 ≤ 3580; estado fase-v10 gate-aprovado (sonda δ*=0.0); estados antigos apagados

KHTST v10 — estados antigos do treino anterior (fase-v9) APAGADOS (requisito: nova corrida com dados reais; estados só reentram via gate de qualidade)

KHTST v9.1 — NÚCLEOS CYTHON+C PUBLICADOS: nucleos.pyx + nucleos.c + .so agora no repo (allow_patterns corrigido — v9 omitia os artefatos acelerados); Teo 19.25 verificado (Δw=0, ΔEQ=8.9e-16); suites v6/v7/v9 verdes (113 ✓); estado fase-v9 gate-aprovado preservado — sem novo treino (Retreino v9)

KHTST v9 — ESTADO INTEGRAL + AUTORREGULAÇÃO: snapshot fiel (modelo+roteador S-SOM+orquestrador, Teos 20.1–20.2), gate de fase com rollback (Teo 20.3), CIAR no lr (Teos 20.4–20.5); bug de persistência do v8 corrigido; estados antigos apagados; publicação condicionada ao gate vs AURORA

KHTST v7 — RETREINO OBSERVADO: estados antigos apagados; treino do zero com monitor de RAM integral (Agente Engenheiro); métricas de tests/test_khtst_v6.py comparadas com o treino anterior; gráficos de desempenho publicados no card

KHTST v7 — RETREINO OBSERVADO: estados antigos apagados; treino do zero com monitor de RAM integral (Agente Engenheiro); métricas de tests/test_khtst_v6.py comparadas com o treino anterior; gráficos de desempenho publicados no card

initial commit