khtst-rust / src /python /demos_qwen.rs

v0.10.0: análise/prova/teste das críticas de engenharia Qwen3.8 lote 3 (r-35) — divisão SRP dos monólitos jepa/pensamento/moe/python em 26 submódulos (API estável via re-exports; 'Amdahl de compilação' refutada por experimento controlado, builds frios neutros), checkpoints atômicos SHA-256 puro FIPS 180-4 + fsync + rename + manifesto (CP-1..CP-3; correções da proposta: sem destruir estado anterior, manifesto com barreira, sem bincode/unwrap), TemperaturaInversa T-V3 (fronteira tipada da convexidade N-2; alegação compile-time corrigida), trait CamadaKhtst+CamadaHomeostatica (premissa do controlador refutada no fonte; Vec<Var>; adaptador MoeComPapel bit-a-bit), CLI Typer 75 (fachada aditiva com resume verificado por hash) — 123/123 cargo, 107/107 gates, treino real Wikipédia PT-BR com checkpoints íntegros

06e4b6f verified 11 days ago

Raw History Blame Contribute Delete

16 kB

//! `python::demos_qwen` — extraído do monólito na v0.10.0
//! (divisão SRP, crítica Qwen3.8 lote 3 nº 1; r-35 §2).

use super::*;


/// **v0.8.0 — análise/prova/teste das 4 propostas Qwen3.8** (r-33): mede
/// custo e exatidão de (1) Newton analítico vs golden-section (verificador),
/// (2) Cayley vs polar (FNH), (3) árvore pós-ordem iterativa vs recursiva,
/// (4) MoE vetorizada vs referência (valores + gradiente restaurado — bug
/// v080-1), e re-executa a ablação JEPA de 3 braços com a correção.
#[pyfunction]
#[allow(deprecated)] // mede o bug v080-1 intencionalmente (fwd = oráculo)
pub(crate) fn demo_qwen_v080(py: Python) -> PyResult<PyObject> {
    use candle_core::{Device, Tensor};
    use std::time::Instant;
    let dev = Device::Cpu;

    // ---------- (1) Newton vs golden-section (verificador) ----------
    let mut rng = crate::rng::RngDeterministico::novo(808);
    let (n, k) = (1024usize, 32usize);
    let mut lv = Vec::with_capacity(n * k);
    let mut av = Vec::with_capacity(n);
    for _ in 0..n {
        let alvo = rng.inteiro(k) as u32;
        av.push(alvo);
        for j in 0..k {
            let base = if j as u32 == alvo { 3.0 } else { 0.0 };
            lv.push(base + rng.normal(0.0, 1.0) as f32);
        }
    }
    let lt = Tensor::from_vec(lv, (n, k), &dev).unwrap();
    let at = Tensor::from_vec(av, (n,), &dev).unwrap();
    let t0 = Instant::now();
    let (t_g, _, nll_g) = verificador::calibrar_temperatura(&lt, &at).unwrap();
    let tempo_golden = t0.elapsed().as_secs_f64();
    let t0 = Instant::now();
    let (t_n, _, nll_n, n_aval) =
        verificador::calibrar_temperatura_newton(&lt, &at, 40).unwrap();
    let tempo_newton = t0.elapsed().as_secs_f64();

    // ---------- (2) Cayley vs polar (FNH) ----------
    let n_rot = 16usize;
    let r = fnh::RotacaoSkew::nova(n_rot, &dev).unwrap();
    let th: Vec<f32> = (0..n_rot * (n_rot - 1) / 2)
        .map(|i| ((i as f32) * 0.11) % 0.5)
        .collect();
    r.theta
        .set(&Tensor::from_vec(th, (n_rot * (n_rot - 1) / 2,), &dev).unwrap())
        .unwrap();
    let rep = 25usize;
    let t0 = Instant::now();
    let mut delta_polar = 0.0;
    for _ in 0..rep {
        delta_polar = crate::stiefel::erro_ortogonalidade(&r.rotacao_polar().unwrap()).unwrap();
    }
    let tempo_polar = t0.elapsed().as_secs_f64() / rep as f64;
    let t0 = Instant::now();
    let mut delta_cayley = 0.0;
    for _ in 0..rep {
        delta_cayley = crate::stiefel::erro_ortogonalidade(&r.rotacao_cayley().unwrap()).unwrap();
    }
    let tempo_cayley = t0.elapsed().as_secs_f64() / rep as f64;

    // ---------- (3) árvore iterativa vs recursiva ----------
    let mut arv = arvore_pesos::ArvorePesos::nova(&std::collections::HashMap::new());
    let mut pai = 1usize;
    for i in 0..20_000u32 {
        pai = arv.anexar_filho(pai, &format!("c{i}"), 1);
    }
    arv.nos[pai].metricas.insert("m".into(), 1.0);
    let t0 = Instant::now();
    let total_it = arv.agregar_fundo_topo("m");
    let tempo_arv_it = t0.elapsed().as_secs_f64();
    // repõe TODAS as métricas locais (a agregação sobrescreveu com os
    // agregados) — só a folha tem valor; o resto volta a 0 — e roda a
    // recursiva (profundidade 20k ok na thread principal do Python)
    for no in arv.nos.iter_mut() {
        no.metricas.insert("m".into(), 0.0);
    }
    arv.nos[pai].metricas.insert("m".into(), 1.0);
    let t0 = Instant::now();
    let total_rec = arv.agregar_fundo_topo_rec("m");
    let tempo_arv_rec = t0.elapsed().as_secs_f64();

    // ---------- (4) MoE vetorizada: valores + gradiente + custo ----------
    let (nm, dm, em) = (256usize, 32usize, 8usize);
    let xv: Vec<f32> = (0..nm * dm).map(|_| rng.normal(0.0, 1.0) as f32).collect();
    let x = Tensor::from_vec(xv, (nm, dm), &dev).unwrap();
    let moe = moe_redirecionavel::MoeRedirecionavel::novo(dm, em, 2, nm, &dev).unwrap();
    let s_ref = moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap();
    let s_vet = moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap();
    let dif_moe = (&s_ref.saida - &s_vet.saida)
        .unwrap()
        .abs()
        .unwrap()
        .max_all()
        .unwrap()
        .to_scalar::<f32>()
        .unwrap() as f64;
    let rep_moe = 10usize;
    let t0 = Instant::now();
    for _ in 0..rep_moe {
        let _ = moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap();
    }
    let tempo_moe_ref = t0.elapsed().as_secs_f64() / rep_moe as f64;
    let t0 = Instant::now();
    for _ in 0..rep_moe {
        let _ = moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap();
    }
    let tempo_moe_vet = t0.elapsed().as_secs_f64() / rep_moe as f64;
    // normas de gradiente (bug v080-1: fwd = 0; vetorizada > 0)
    let norma = |vet: bool| -> (f64, f64) {
        let s = if vet {
            moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap()
        } else {
            moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap()
        };
        let perda = s.saida.sqr().unwrap().sum_all().unwrap();
        let gs = perda.backward().unwrap();
        let mut nr = 0.0;
        for v in moe.roteador.vars() {
            if let Some(g) = gs.get(&v) {
                nr += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
            }
        }
        let mut ne = 0.0;
        for e in &moe.especialistas {
            for v in e.vars() {
                if let Some(g) = gs.get(&v) {
                    ne += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
                }
            }
        }
        (nr, ne)
    };
    let (grad_ref_r, grad_ref_e) = norma(false);
    let (grad_vet_r, grad_vet_e) = norma(true);

    // ---------- (5) re-ablação JEPA 3 braços (gradiente restaurado) ----------
    let xv: Vec<f32> = (0..64 * 12).map(|_| rng.normal(0.0, 1.0) as f32).collect();
    let xj = Tensor::from_vec(xv, (64, 12), &dev).unwrap();
    let mut ablac = serde_json::Map::new();
    for modo in ["pequena", "densa", "moe"] {
        let rj = moe_redirecionavel::treinar_jepa_com_moe(&xj, modo, 120, 0.5, 42).unwrap();
        ablac.insert(
            modo.into(),
            serde_json::json!({
                "perda_inicial": rj.perda_pred_inicial,
                "perda_final": rj.perda_pred_final,
                "queda_pct": 100.0 * (1.0 - rj.perda_pred_final / rj.perda_pred_inicial.max(1e-9)),
            }),
        );
    }

    let d_ = serde_json::json!({
        "versao": "qwen-v080-1.0",
        "newton_vs_golden": {
            "t_golden": t_g, "t_newton": t_n, "dif_t": (t_g - t_n).abs(),
            "nll_golden": nll_g, "nll_newton": nll_n,
            "nll_dif": (nll_g - nll_n).abs(),
            "n_aval_newton": n_aval,
            "tempo_golden_s": tempo_golden, "tempo_newton_s": tempo_newton,
            "speedup": tempo_golden / tempo_newton.max(1e-9),
            "gates": {
                "mesmo_t": (t_g - t_n).abs() < 1e-3,
                "nll_nao_piora": nll_n <= nll_g + 1e-4,
                "menos_avaliacoes": n_aval < 36,
            },
        },
        "cayley_vs_polar": {
            "delta_ort_polar": delta_polar, "delta_ort_cayley": delta_cayley,
            "tempo_polar_s": tempo_polar, "tempo_cayley_s": tempo_cayley,
            "speedup": tempo_polar / tempo_cayley.max(1e-9),
            "gates": {
                "ambos_exatos": delta_polar < 1e-6 && delta_cayley < 1e-6,
                "cayley_mais_rapido": tempo_cayley < tempo_polar,
            },
        },
        "arvore_iter_vs_rec": {
            "n_nos": arv.n_nos(),
            "total_iter": total_it, "total_rec": total_rec,
            "bit_a_bit": total_it.to_bits() == total_rec.to_bits(),
            "tempo_iter_s": tempo_arv_it, "tempo_rec_s": tempo_arv_rec,
            "gates": { "iguais_bit_a_bit": total_it == total_rec },
        },
        "moe_vetorizada": {
            "max_dif_valores": dif_moe,
            "tempo_ref_s": tempo_moe_ref, "tempo_vet_s": tempo_moe_vet,
            "grad_roteador_ref": grad_ref_r, "grad_especialistas_ref": grad_ref_e,
            "grad_roteador_vet": grad_vet_r, "grad_especialistas_vet": grad_vet_e,
            "gates": {
                "valores_iguais": dif_moe < 1e-4,
                "bug_v080_1_confirmado": grad_ref_r == 0.0 && grad_ref_e == 0.0,
                "gradiente_restaurado": grad_vet_r > 0.0 && grad_vet_e > 0.0,
            },
        },
        "ablacao_jepa_3_bracos_v080": ablac,
    });
    Ok(pythonize::pythonize(py, &d_)?.into())
}


/// **v0.9.0 — veredito executável das críticas Qwen3.8 (r-34):** mede os
/// aprimoramentos contra as referências v0.8.0 (oráculos preservados):
/// (1) skew O(n²) via index_add — bit-a-bit + tempo + memória analítica;
/// (2) calibrar vetorial — bit-a-bit em 3 passos EMA + tempo;
/// (3) forward canônico (ex-fwd_vetorizado) — regressão de valores e
///     gradiente;
/// (4) newtypes de domínio — rejeição de fora-de-domínio.
#[pyfunction]
pub(crate) fn demo_criticas_v090(py: Python) -> PyResult<PyObject> {
    use candle_core::{Device, Tensor};
    use std::time::Instant;
    let dev = Device::Cpu;
    let mut rng = crate::rng::RngDeterministico::novo(909);

    // ---------- (1) skew: index_add O(n²) vs matmul de seleção O(n⁴) ----------
    let mut skew_rel = serde_json::Map::new();
    let mut bits_todos = true;
    for &n in &[16usize, 64, 128] {
        let r = fnh::RotacaoSkew::nova(n, &dev).unwrap();
        let m = n * (n - 1) / 2;
        let th: Vec<f32> = (0..m).map(|_| rng.uniforme_intervalo(-0.9, 0.9) as f32).collect();
        r.theta.set(&Tensor::from_vec(th, (m,), &dev).unwrap()).unwrap();
        // bit-a-bit (F-13)
        let an = r.skew().unwrap().flatten_all().unwrap().to_vec1::<f32>().unwrap();
        let ar = r.skew_matmul_referencia().unwrap().flatten_all().unwrap().to_vec1::<f32>().unwrap();
        let bits_iguais = an.iter().zip(ar.iter()).all(|(a, b)| a.to_bits() == b.to_bits());
        bits_todos &= bits_iguais;
        // tempo (referência esquentada 1×; média de 5)
        let _ = r.skew_matmul_referencia().unwrap();
        let t0 = Instant::now();
        for _ in 0..5 { let _ = r.skew_matmul_referencia().unwrap(); }
        let t_ref = t0.elapsed().as_secs_f64() / 5.0;
        let _ = r.skew().unwrap();
        let t0 = Instant::now();
        for _ in 0..5 { let _ = r.skew().unwrap(); }
        let t_novo = t0.elapsed().as_secs_f64() / 5.0;
        let bytes_ref = (m * n * n * 4) as f64;
        let bytes_novo = ((n * n + 3 * m) * 4 + 2 * m * 4) as f64;
        skew_rel.insert(
            format!("n_{n}"),
            serde_json::json!({
                "tempo_ref_s": t_ref, "tempo_novo_s": t_novo,
                "speedup": t_ref / t_novo.max(1e-12),
                "bytes_ref_selecao": bytes_ref, "bytes_novo": bytes_novo,
                "razao_memoria": bytes_ref / bytes_novo,
                "bits_iguais": bits_iguais,
            }),
        );
    }

    // ---------- (2) calibrar: tensor vs laços nativos ----------
    let (d_out, d_in, n_lin) = (512usize, 512usize, 4096usize);
    let wv: Vec<f32> = (0..d_out * d_in).map(|_| rng.uniforme_intervalo(-2.0, 2.0) as f32).collect();
    let w = Tensor::from_vec(wv, (d_out, d_in), &dev).unwrap();
    let xv: Vec<f32> = (0..n_lin * d_in).map(|_| rng.uniforme_intervalo(-3.0, 3.0) as f32).collect();
    let x = Tensor::from_vec(xv, (n_lin, d_in), &dev).unwrap();
    let mut s_novo = fnh::SuavizadorQuant::novo(0.5, 0.98);
    let mut s_tens = fnh::SuavizadorQuant::novo(0.5, 0.98);
    let mut s_ref = fnh::SuavizadorQuant::novo(0.5, 0.98);
    let mut bits_cal = true;
    for _ in 0..3 {
        s_novo.calibrar(&w, &x).unwrap();
        s_tens.calibrar_tensor(&w, &x).unwrap();
        s_ref.calibrar_referencia(&w, &x).unwrap();
        for (a, b) in s_novo.w_max.as_ref().unwrap().iter().zip(s_ref.w_max.as_ref().unwrap()) {
            bits_cal &= a.to_bits() == b.to_bits();
        }
        for (a, b) in s_novo.x_max.as_ref().unwrap().iter().zip(s_ref.x_max.as_ref().unwrap()) {
            bits_cal &= a.to_bits() == b.to_bits();
        }
    }
    // tempo (esquentadas 1×; média de 5)
    let _ = s_ref.calibrar_referencia(&w, &x);
    let t0 = Instant::now();
    for _ in 0..5 { s_ref.calibrar_referencia(&w, &x).unwrap(); }
    let t_cal_ref = t0.elapsed().as_secs_f64() / 5.0;
    let _ = s_novo.calibrar(&w, &x);
    let t0 = Instant::now();
    for _ in 0..5 { s_novo.calibrar(&w, &x).unwrap(); }
    let t_cal_novo = t0.elapsed().as_secs_f64() / 5.0;
    let _ = s_tens.calibrar_tensor(&w, &x);
    let t0 = Instant::now();
    for _ in 0..5 { s_tens.calibrar_tensor(&w, &x).unwrap(); }
    let t_cal_tens = t0.elapsed().as_secs_f64() / 5.0;

    // ---------- (3) forward: regressão de valores + gradiente ----------
    let (nm, dm, em) = (256usize, 32usize, 8usize);
    let xv2: Vec<f32> = (0..nm * dm).map(|_| rng.normal(0.0, 1.0) as f32).collect();
    let x2 = Tensor::from_vec(xv2, (nm, dm), &dev).unwrap();
    #[allow(deprecated)] // oráculo do bug v080-1 (r-33 §5)
    let moe = moe_redirecionavel::MoeRedirecionavel::novo(dm, em, 2, nm, &dev).unwrap();
    #[allow(deprecated)]
    let s_refm = moe.fwd(&x2, moe_redirecionavel::Papel::Codificador).unwrap();
    let s_fwd = moe.forward(&x2, moe_redirecionavel::Papel::Codificador).unwrap();
    let dif_moe = (&s_refm.saida - &s_fwd.saida).unwrap().abs().unwrap()
        .max_all().unwrap().to_scalar::<f32>().unwrap() as f64;
    let perda = s_fwd.saida.sqr().unwrap().sum_all().unwrap();
    let gs = perda.backward().unwrap();
    let mut gr = 0.0f64;
    for v in moe.roteador.vars() {
        if let Some(g) = gs.get(&v) {
            gr += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
        }
    }
    let mut ge = 0.0f64;
    for e in &moe.especialistas {
        for v in e.vars() {
            if let Some(g) = gs.get(&v) {
                ge += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
            }
        }
    }

    // ---------- (4) newtypes de domínio (T-V1) ----------
    let rejeita = crate::tipos::Probabilidade::novo(7.0).is_err()
        && crate::tipos::Probabilidade::novo(-0.5).is_err()
        && crate::tipos::Probabilidade::novo(f64::NAN).is_err()
        && crate::tipos::GateAtivacao::novo(1.5).is_err();
    let aceita = crate::tipos::Probabilidade::novo(0.37).unwrap().valor() == 0.37;
    let gate_tipado = fnh::GatePunicao::default()
        .valor_tipado(&crate::tipos::Probabilidade::novo(0.9).unwrap())
        .valor();

    let d_ = serde_json::json!({
        "versao": "criticas-v090-1.0",
        "skew_index_add": {
            "por_n": skew_rel,
            "gates": {
                "bits_iguais_todos_n": bits_todos,
            },
        },
        "calibrar_zero_copia": {
            "bits_iguais_3_passos": bits_cal,
            "tempo_ref_s": t_cal_ref, "tempo_novo_s": t_cal_novo,
            "tempo_tensor_s": t_cal_tens,
            "speedup_zero_copia": t_cal_ref / t_cal_novo.max(1e-12),
            "razao_tensor_vs_zero_copia": t_cal_tens / t_cal_novo.max(1e-12),
            "gates": { "bit_a_bit": bits_cal, "nao_regride": t_cal_novo <= t_cal_ref * 1.05 },
        },
        "forward_canonico": {
            "max_dif_valores_vs_oraculo": dif_moe,
            "grad_roteador": gr, "grad_especialistas": ge,
            "gates": {
                "valores_iguais": dif_moe < 1e-4,
                "gradiente_ativo": gr > 0.0 && ge > 0.0,
            },
        },
        "newtypes_dominio": {
            "rejeita_fora_do_dominio": rejeita,
            "aceita_dentro": aceita,
            "gate_tipado_em_0_9": gate_tipado,
            "gates": { "fronteira_validada": rejeita && aceita },
        },
    });
    Ok(pythonize::pythonize(py, &d_)?.into())
}

	//! `python::demos_qwen` — extraído do monólito na v0.10.0
	//! (divisão SRP, crítica Qwen3.8 lote 3 nº 1; r-35 §2).

	use super::*;


	/// v0.8.0 — análise/prova/teste das 4 propostas Qwen3.8 (r-33): mede
	/// custo e exatidão de (1) Newton analítico vs golden-section (verificador),
	/// (2) Cayley vs polar (FNH), (3) árvore pós-ordem iterativa vs recursiva,
	/// (4) MoE vetorizada vs referência (valores + gradiente restaurado — bug
	/// v080-1), e re-executa a ablação JEPA de 3 braços com a correção.
	#[pyfunction]
	#[allow(deprecated)] // mede o bug v080-1 intencionalmente (fwd = oráculo)
	pub(crate) fn demo_qwen_v080(py: Python) -> PyResult<PyObject> {
	use candle_core::{Device, Tensor};
	use std::time::Instant;
	let dev = Device::Cpu;

	// ---------- (1) Newton vs golden-section (verificador) ----------
	let mut rng = crate::rng::RngDeterministico::novo(808);
	let (n, k) = (1024usize, 32usize);
	let mut lv = Vec::with_capacity(n * k);
	let mut av = Vec::with_capacity(n);
	for _ in 0..n {
	let alvo = rng.inteiro(k) as u32;
	av.push(alvo);
	for j in 0..k {
	let base = if j as u32 == alvo { 3.0 } else { 0.0 };
	lv.push(base + rng.normal(0.0, 1.0) as f32);
	}
	}
	let lt = Tensor::from_vec(lv, (n, k), &dev).unwrap();
	let at = Tensor::from_vec(av, (n,), &dev).unwrap();
	let t0 = Instant::now();
	let (t_g, _, nll_g) = verificador::calibrar_temperatura(&lt, &at).unwrap();
	let tempo_golden = t0.elapsed().as_secs_f64();
	let t0 = Instant::now();
	let (t_n, _, nll_n, n_aval) =
	verificador::calibrar_temperatura_newton(&lt, &at, 40).unwrap();
	let tempo_newton = t0.elapsed().as_secs_f64();

	// ---------- (2) Cayley vs polar (FNH) ----------
	let n_rot = 16usize;
	let r = fnh::RotacaoSkew::nova(n_rot, &dev).unwrap();
	let th: Vec<f32> = (0..n_rot * (n_rot - 1) / 2)
	.map(\|i\| ((i as f32) * 0.11) % 0.5)
	.collect();
	r.theta
	.set(&Tensor::from_vec(th, (n_rot * (n_rot - 1) / 2,), &dev).unwrap())
	.unwrap();
	let rep = 25usize;
	let t0 = Instant::now();
	let mut delta_polar = 0.0;
	for _ in 0..rep {
	delta_polar = crate::stiefel::erro_ortogonalidade(&r.rotacao_polar().unwrap()).unwrap();
	}
	let tempo_polar = t0.elapsed().as_secs_f64() / rep as f64;
	let t0 = Instant::now();
	let mut delta_cayley = 0.0;
	for _ in 0..rep {
	delta_cayley = crate::stiefel::erro_ortogonalidade(&r.rotacao_cayley().unwrap()).unwrap();
	}
	let tempo_cayley = t0.elapsed().as_secs_f64() / rep as f64;

	// ---------- (3) árvore iterativa vs recursiva ----------
	let mut arv = arvore_pesos::ArvorePesos::nova(&std::collections::HashMap::new());
	let mut pai = 1usize;
	for i in 0..20_000u32 {
	pai = arv.anexar_filho(pai, &format!("c{i}"), 1);
	}
	arv.nos[pai].metricas.insert("m".into(), 1.0);
	let t0 = Instant::now();
	let total_it = arv.agregar_fundo_topo("m");
	let tempo_arv_it = t0.elapsed().as_secs_f64();
	// repõe TODAS as métricas locais (a agregação sobrescreveu com os
	// agregados) — só a folha tem valor; o resto volta a 0 — e roda a
	// recursiva (profundidade 20k ok na thread principal do Python)
	for no in arv.nos.iter_mut() {
	no.metricas.insert("m".into(), 0.0);
	}
	arv.nos[pai].metricas.insert("m".into(), 1.0);
	let t0 = Instant::now();
	let total_rec = arv.agregar_fundo_topo_rec("m");
	let tempo_arv_rec = t0.elapsed().as_secs_f64();

	// ---------- (4) MoE vetorizada: valores + gradiente + custo ----------
	let (nm, dm, em) = (256usize, 32usize, 8usize);
	let xv: Vec<f32> = (0..nm * dm).map(\|_\| rng.normal(0.0, 1.0) as f32).collect();
	let x = Tensor::from_vec(xv, (nm, dm), &dev).unwrap();
	let moe = moe_redirecionavel::MoeRedirecionavel::novo(dm, em, 2, nm, &dev).unwrap();
	let s_ref = moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap();
	let s_vet = moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap();
	let dif_moe = (&s_ref.saida - &s_vet.saida)
	.unwrap()
	.abs()
	.unwrap()
	.max_all()
	.unwrap()
	.to_scalar::<f32>()
	.unwrap() as f64;
	let rep_moe = 10usize;
	let t0 = Instant::now();
	for _ in 0..rep_moe {
	let _ = moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap();
	}
	let tempo_moe_ref = t0.elapsed().as_secs_f64() / rep_moe as f64;
	let t0 = Instant::now();
	for _ in 0..rep_moe {
	let _ = moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap();
	}
	let tempo_moe_vet = t0.elapsed().as_secs_f64() / rep_moe as f64;
	// normas de gradiente (bug v080-1: fwd = 0; vetorizada > 0)
	let norma = \|vet: bool\| -> (f64, f64) {
	let s = if vet {
	moe.forward(&x, moe_redirecionavel::Papel::Codificador).unwrap()
	} else {
	moe.fwd(&x, moe_redirecionavel::Papel::Codificador).unwrap()
	};
	let perda = s.saida.sqr().unwrap().sum_all().unwrap();
	let gs = perda.backward().unwrap();
	let mut nr = 0.0;
	for v in moe.roteador.vars() {
	if let Some(g) = gs.get(&v) {
	nr += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
	}
	}
	let mut ne = 0.0;
	for e in &moe.especialistas {
	for v in e.vars() {
	if let Some(g) = gs.get(&v) {
	ne += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
	}
	}
	}
	(nr, ne)
	};
	let (grad_ref_r, grad_ref_e) = norma(false);
	let (grad_vet_r, grad_vet_e) = norma(true);

	// ---------- (5) re-ablação JEPA 3 braços (gradiente restaurado) ----------
	let xv: Vec<f32> = (0..64 * 12).map(\|_\| rng.normal(0.0, 1.0) as f32).collect();
	let xj = Tensor::from_vec(xv, (64, 12), &dev).unwrap();
	let mut ablac = serde_json::Map::new();
	for modo in ["pequena", "densa", "moe"] {
	let rj = moe_redirecionavel::treinar_jepa_com_moe(&xj, modo, 120, 0.5, 42).unwrap();
	ablac.insert(
	modo.into(),
	serde_json::json!({
	"perda_inicial": rj.perda_pred_inicial,
	"perda_final": rj.perda_pred_final,
	"queda_pct": 100.0 * (1.0 - rj.perda_pred_final / rj.perda_pred_inicial.max(1e-9)),
	}),
	);
	}

	let d_ = serde_json::json!({
	"versao": "qwen-v080-1.0",
	"newton_vs_golden": {
	"t_golden": t_g, "t_newton": t_n, "dif_t": (t_g - t_n).abs(),
	"nll_golden": nll_g, "nll_newton": nll_n,
	"nll_dif": (nll_g - nll_n).abs(),
	"n_aval_newton": n_aval,
	"tempo_golden_s": tempo_golden, "tempo_newton_s": tempo_newton,
	"speedup": tempo_golden / tempo_newton.max(1e-9),
	"gates": {
	"mesmo_t": (t_g - t_n).abs() < 1e-3,
	"nll_nao_piora": nll_n <= nll_g + 1e-4,
	"menos_avaliacoes": n_aval < 36,
	},
	},
	"cayley_vs_polar": {
	"delta_ort_polar": delta_polar, "delta_ort_cayley": delta_cayley,
	"tempo_polar_s": tempo_polar, "tempo_cayley_s": tempo_cayley,
	"speedup": tempo_polar / tempo_cayley.max(1e-9),
	"gates": {
	"ambos_exatos": delta_polar < 1e-6 && delta_cayley < 1e-6,
	"cayley_mais_rapido": tempo_cayley < tempo_polar,
	},
	},
	"arvore_iter_vs_rec": {
	"n_nos": arv.n_nos(),
	"total_iter": total_it, "total_rec": total_rec,
	"bit_a_bit": total_it.to_bits() == total_rec.to_bits(),
	"tempo_iter_s": tempo_arv_it, "tempo_rec_s": tempo_arv_rec,
	"gates": { "iguais_bit_a_bit": total_it == total_rec },
	},
	"moe_vetorizada": {
	"max_dif_valores": dif_moe,
	"tempo_ref_s": tempo_moe_ref, "tempo_vet_s": tempo_moe_vet,
	"grad_roteador_ref": grad_ref_r, "grad_especialistas_ref": grad_ref_e,
	"grad_roteador_vet": grad_vet_r, "grad_especialistas_vet": grad_vet_e,
	"gates": {
	"valores_iguais": dif_moe < 1e-4,
	"bug_v080_1_confirmado": grad_ref_r == 0.0 && grad_ref_e == 0.0,
	"gradiente_restaurado": grad_vet_r > 0.0 && grad_vet_e > 0.0,
	},
	},
	"ablacao_jepa_3_bracos_v080": ablac,
	});
	Ok(pythonize::pythonize(py, &d_)?.into())
	}


	/// v0.9.0 — veredito executável das críticas Qwen3.8 (r-34): mede os
	/// aprimoramentos contra as referências v0.8.0 (oráculos preservados):
	/// (1) skew O(n²) via index_add — bit-a-bit + tempo + memória analítica;
	/// (2) calibrar vetorial — bit-a-bit em 3 passos EMA + tempo;
	/// (3) forward canônico (ex-fwd_vetorizado) — regressão de valores e
	/// gradiente;
	/// (4) newtypes de domínio — rejeição de fora-de-domínio.
	#[pyfunction]
	pub(crate) fn demo_criticas_v090(py: Python) -> PyResult<PyObject> {
	use candle_core::{Device, Tensor};
	use std::time::Instant;
	let dev = Device::Cpu;
	let mut rng = crate::rng::RngDeterministico::novo(909);

	// ---------- (1) skew: index_add O(n²) vs matmul de seleção O(n⁴) ----------
	let mut skew_rel = serde_json::Map::new();
	let mut bits_todos = true;
	for &n in &[16usize, 64, 128] {
	let r = fnh::RotacaoSkew::nova(n, &dev).unwrap();
	let m = n * (n - 1) / 2;
	let th: Vec<f32> = (0..m).map(\|_\| rng.uniforme_intervalo(-0.9, 0.9) as f32).collect();
	r.theta.set(&Tensor::from_vec(th, (m,), &dev).unwrap()).unwrap();
	// bit-a-bit (F-13)
	let an = r.skew().unwrap().flatten_all().unwrap().to_vec1::<f32>().unwrap();
	let ar = r.skew_matmul_referencia().unwrap().flatten_all().unwrap().to_vec1::<f32>().unwrap();
	let bits_iguais = an.iter().zip(ar.iter()).all(\|(a, b)\| a.to_bits() == b.to_bits());
	bits_todos &= bits_iguais;
	// tempo (referência esquentada 1×; média de 5)
	let _ = r.skew_matmul_referencia().unwrap();
	let t0 = Instant::now();
	for _ in 0..5 { let _ = r.skew_matmul_referencia().unwrap(); }
	let t_ref = t0.elapsed().as_secs_f64() / 5.0;
	let _ = r.skew().unwrap();
	let t0 = Instant::now();
	for _ in 0..5 { let _ = r.skew().unwrap(); }
	let t_novo = t0.elapsed().as_secs_f64() / 5.0;
	let bytes_ref = (m * n * n * 4) as f64;
	let bytes_novo = ((n * n + 3 * m) * 4 + 2 * m * 4) as f64;
	skew_rel.insert(
	format!("n_{n}"),
	serde_json::json!({
	"tempo_ref_s": t_ref, "tempo_novo_s": t_novo,
	"speedup": t_ref / t_novo.max(1e-12),
	"bytes_ref_selecao": bytes_ref, "bytes_novo": bytes_novo,
	"razao_memoria": bytes_ref / bytes_novo,
	"bits_iguais": bits_iguais,
	}),
	);
	}

	// ---------- (2) calibrar: tensor vs laços nativos ----------
	let (d_out, d_in, n_lin) = (512usize, 512usize, 4096usize);
	let wv: Vec<f32> = (0..d_out * d_in).map(\|_\| rng.uniforme_intervalo(-2.0, 2.0) as f32).collect();
	let w = Tensor::from_vec(wv, (d_out, d_in), &dev).unwrap();
	let xv: Vec<f32> = (0..n_lin * d_in).map(\|_\| rng.uniforme_intervalo(-3.0, 3.0) as f32).collect();
	let x = Tensor::from_vec(xv, (n_lin, d_in), &dev).unwrap();
	let mut s_novo = fnh::SuavizadorQuant::novo(0.5, 0.98);
	let mut s_tens = fnh::SuavizadorQuant::novo(0.5, 0.98);
	let mut s_ref = fnh::SuavizadorQuant::novo(0.5, 0.98);
	let mut bits_cal = true;
	for _ in 0..3 {
	s_novo.calibrar(&w, &x).unwrap();
	s_tens.calibrar_tensor(&w, &x).unwrap();
	s_ref.calibrar_referencia(&w, &x).unwrap();
	for (a, b) in s_novo.w_max.as_ref().unwrap().iter().zip(s_ref.w_max.as_ref().unwrap()) {
	bits_cal &= a.to_bits() == b.to_bits();
	}
	for (a, b) in s_novo.x_max.as_ref().unwrap().iter().zip(s_ref.x_max.as_ref().unwrap()) {
	bits_cal &= a.to_bits() == b.to_bits();
	}
	}
	// tempo (esquentadas 1×; média de 5)
	let _ = s_ref.calibrar_referencia(&w, &x);
	let t0 = Instant::now();
	for _ in 0..5 { s_ref.calibrar_referencia(&w, &x).unwrap(); }
	let t_cal_ref = t0.elapsed().as_secs_f64() / 5.0;
	let _ = s_novo.calibrar(&w, &x);
	let t0 = Instant::now();
	for _ in 0..5 { s_novo.calibrar(&w, &x).unwrap(); }
	let t_cal_novo = t0.elapsed().as_secs_f64() / 5.0;
	let _ = s_tens.calibrar_tensor(&w, &x);
	let t0 = Instant::now();
	for _ in 0..5 { s_tens.calibrar_tensor(&w, &x).unwrap(); }
	let t_cal_tens = t0.elapsed().as_secs_f64() / 5.0;

	// ---------- (3) forward: regressão de valores + gradiente ----------
	let (nm, dm, em) = (256usize, 32usize, 8usize);
	let xv2: Vec<f32> = (0..nm * dm).map(\|_\| rng.normal(0.0, 1.0) as f32).collect();
	let x2 = Tensor::from_vec(xv2, (nm, dm), &dev).unwrap();
	#[allow(deprecated)] // oráculo do bug v080-1 (r-33 §5)
	let moe = moe_redirecionavel::MoeRedirecionavel::novo(dm, em, 2, nm, &dev).unwrap();
	#[allow(deprecated)]
	let s_refm = moe.fwd(&x2, moe_redirecionavel::Papel::Codificador).unwrap();
	let s_fwd = moe.forward(&x2, moe_redirecionavel::Papel::Codificador).unwrap();
	let dif_moe = (&s_refm.saida - &s_fwd.saida).unwrap().abs().unwrap()
	.max_all().unwrap().to_scalar::<f32>().unwrap() as f64;
	let perda = s_fwd.saida.sqr().unwrap().sum_all().unwrap();
	let gs = perda.backward().unwrap();
	let mut gr = 0.0f64;
	for v in moe.roteador.vars() {
	if let Some(g) = gs.get(&v) {
	gr += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
	}
	}
	let mut ge = 0.0f64;
	for e in &moe.especialistas {
	for v in e.vars() {
	if let Some(g) = gs.get(&v) {
	ge += g.sqr().unwrap().sum_all().unwrap().to_scalar::<f32>().unwrap() as f64;
	}
	}
	}

	// ---------- (4) newtypes de domínio (T-V1) ----------
	let rejeita = crate::tipos::Probabilidade::novo(7.0).is_err()
	&& crate::tipos::Probabilidade::novo(-0.5).is_err()
	&& crate::tipos::Probabilidade::novo(f64::NAN).is_err()
	&& crate::tipos::GateAtivacao::novo(1.5).is_err();
	let aceita = crate::tipos::Probabilidade::novo(0.37).unwrap().valor() == 0.37;
	let gate_tipado = fnh::GatePunicao::default()
	.valor_tipado(&crate::tipos::Probabilidade::novo(0.9).unwrap())
	.valor();

	let d_ = serde_json::json!({
	"versao": "criticas-v090-1.0",
	"skew_index_add": {
	"por_n": skew_rel,
	"gates": {
	"bits_iguais_todos_n": bits_todos,
	},
	},
	"calibrar_zero_copia": {
	"bits_iguais_3_passos": bits_cal,
	"tempo_ref_s": t_cal_ref, "tempo_novo_s": t_cal_novo,
	"tempo_tensor_s": t_cal_tens,
	"speedup_zero_copia": t_cal_ref / t_cal_novo.max(1e-12),
	"razao_tensor_vs_zero_copia": t_cal_tens / t_cal_novo.max(1e-12),
	"gates": { "bit_a_bit": bits_cal, "nao_regride": t_cal_novo <= t_cal_ref * 1.05 },
	},
	"forward_canonico": {
	"max_dif_valores_vs_oraculo": dif_moe,
	"grad_roteador": gr, "grad_especialistas": ge,
	"gates": {
	"valores_iguais": dif_moe < 1e-4,
	"gradiente_ativo": gr > 0.0 && ge > 0.0,
	},
	},
	"newtypes_dominio": {
	"rejeita_fora_do_dominio": rejeita,
	"aceita_dentro": aceita,
	"gate_tipado_em_0_9": gate_tipado,
	"gates": { "fronteira_validada": rejeita && aceita },
	},
	});
	Ok(pythonize::pythonize(py, &d_)?.into())
	}