Sondeos CSV y orden topológico · resultados y checklist ECHO-5.1

E=8/12, F=8/12, S=6/12, I2=6/12. No hay desempate en tareas resueltas. Los cambios corrigen el contenido de los sondeos, pero no consiguen reparar CSV ni Dependencias. ECHO-5.1 sigue pendiente de cierre científico y de las obligaciones de implementación indicadas en la checklist de este mismo informe.

Implementación local 3964d54, contrato 0.8.0-development, plan congelado. Suite: 219 tests en 83,635 s. Revisión previa sin bloqueos; 27 archivos congelados permanecieron idénticos. 48/48 episodios, 2.445 recibos, dos auditorías válidas, destroyed == 0, sin timeouts del proveedor, errores de episodio ni exceso de presupuesto.

Qué se cambió y qué se mantuvo

CSV: ejemplo neutral alpha,beta en format.input, separado del esquema JSON; instrucciones explícitas sobre comillas y un único registro. Aplicado tanto al crítico de E/F como a la autorrevisión de S. No se insertó un caso final ni una salida esperada. El ejemplo de dos filas propuesto inicialmente habría incumplido el dominio de un solo registro.
Dependencias: reverse-alphabetical-edges exige un grafo acíclico con alguna arista contraria al orden alfabético. Usa nodes/edges, no deps. Disponible para F y E; E la prioriza ante llamadas AST a sorted()/.sort().
F conserva la permutación por SHA-256 y semilla 20261013, sin buscar un orden que lo perjudique. Son seis categorías en Dependencias, cinco en las demás familias. Los perfiles antiguos conservan sus categorías; reproducir sus prompts exige sus revisiones congeladas anteriores.
Misma matriz de doce variantes conocidas, semilla 47; S/I2/F/E,48 episodios contrabalanceados. Verificado que ejemplos públicos, casos finales y oráculos son idénticos a 0.7. No constituye un examen independiente.
Mismo 14B Q4_K_M y revisión/hash, llama.cpp b11577, contexto 4096, salida 768, temperatura 0,2. Techos: 25k tokens, 50 herramientas, 12 llamadas LLM,6 críticas, 128 fuel, 300 s CPU y 900 s de pared por episodio. Máximo dos reparaciones. Se mantiene la aceptación final común y la cobertura informativa.

Resultado y coste completo

Brazo	Aceptadas	Tokens observados	Llamadas LLM	Herramientas	Tiempo de episodios
S	6/12	20.082	32	254	386,069 s
I2	6/12	9.428	24	238	252,293 s
F	8/12	52.459	52	383	589,135 s
E	8/12	50.318	51	412	595,685 s

Familia	S	I2	F	E
Intervalos	2/2	2/2	2/2	2/2
Registros	0/2	0/2	2/2	2/2
Rutas	2/2	2/2	2/2	2/2
CSV	0/2	0/2	0/2	0/2
Paginación	2/2	2/2	2/2	2/2
Dependencias	0/2	0/2	0/2	0/2

E−S y E−I2: 2 victorias, 10 empates, 0 pérdidas. Ambas victorias están en Registros; son dos variantes correlacionadas de una familia. Diferencia observada: 16,67 puntos porcentuales. E−F: 12 empates. No confirma H1 ni H4 en general; tampoco demuestra que un agente único sea incapaz de reparar.

E gasta 4,08% menos tokens que F (2.141 menos), pero 7,57% más herramientas (412 frente a 383), 1,11% más tiempo de episodios y más trabajo lógico de consulta de memoria (1.024 frente a 481). No mejora todos los costes. Total: 132.287 tokens observados y 159 llamadas LLM; sin cargos de uso desconocido. La diferencia de tokens no es el 18,93% del piloto anterior y no se hereda como una ventaja estable del router.

Medida de crítica/reparación	F	E
Críticas realizadas	30	27
Refutaciones nuevas del crítico confirmadas	5	6
Intentos de reparación totales	10	12
Reparaciones adoptadas tras comprobación	4	4
Rechazos por categoría	2	1
Rechazos fuera de dominio	1	0
Sondeos duplicados	6	6

Los cuatro parches aceptados de cada brazo corresponden a Registros y Rutas. Los contadores counterexamples conservan también dos fallos públicos de Rutas por brazo (F=7,E=8); no se atribuyen esos dos al descubrimiento del crítico. S encontró además dos contraejemplos CSV mediante autorrevisión.

Autopsia de las correcciones

CSV: se resolvió el copiado observado, no la tarea. Los seis sondeos CSV nuevos de S/F/E son datos válidos; 0/6 copian el enunciado y 0/6 copian exactamente alpha,beta. En 0.7 se observaban 21 copias del enunciado en 24 propuestas CSV (sumando autorrevisión y críticos). Las longitudes de los episodios cambian, por lo que estas tasas son descriptivas, no observaciones independientes.

E descubre comas entrecomilladas en la primera crítica de ambas variantes: por ejemplo, "alpha, beta",gamma. F también encuentra refutaciones con campo único entrecomillado y la categoría de espacios. S encuentra campos entrecomillados. Los tres brazos con revisión realizan dos reparaciones por variante y no las aceptan; I2 tampoco resuelve CSV.

En CSV00 E, el primer parche termina a mitad del argumento quotechar y no es Python completo. El segundo utiliza un carácter de comilla incorrecto y sigue fallando el testigo. No agotó 25k tokens: usó 2.445, conservó el candidato anterior y obtuvo 1/6 comprobaciones finales. No hay evidencia para atribuir estos errores a lentitud de GPU ni para afirmar que más GPU los resuelva.

Dependencias: E elige una prueba discriminante, pero la reparación falla. En ambas variantes, E empieza por reverse-alphabetical-edges y produce z→a, y→b, x→c. La referencia exige x,c,y,b,z,a; el candidato devuelve la ordenación global a,b,c,x,y,z, incompatible con esas dependencias.

El primer parche sigue ordenando globalmente el resultado. El segundo elimina esa ordenación, pero usa una cola FIFO que no garantiza el menor orden lexicográfico entre los topológicos válidos. Rompe el ejemplo público: en 00 produce c,n,l en vez de c,l,n; en 01, k,s,r en vez de k,r,s. Ambos parches se rechazan y el candidato retenido no supera el examen final.

F00 prueba una cadena alfabética y aristas duplicadas, obtiene dos categorías soportadas y se detiene sin descubrir el fallo de orden. F01 sí alcanza la categoría nueva, descubre una refutación y falla sus dos reparaciones de forma análoga. La categoría nueva, por tanto, beneficia potencialmente a ambos brazos.

Limitación adicional encontrada en el catálogo heredado. En F01, el texto de disconnected-lex-order no explicita que el validador exige un nodo aislado además de aristas. El modelo ofrece, entre otros, dos cadenas desconectadas sin nodos aislados: es un grafo desconectado, pero el detector lo rechaza. No debe describirse sin matices como un fallo semántico del modelo. Hace falta alinear la definición y su guía o ampliar justificadamente el detector en una versión posterior, con controles y nueva medición. No se cambió a mitad de esta campaña ni se recalificaron episodios retrospectivamente.

En ese episodio F usa 7.132 tokens frente a 3.637 de E: 3.495 de diferencia, más que el ahorro global de 2.141 (en el resto E gasta 1.354 más). Esto impide atribuir el ahorro completo a una ventaja general del router. La auditoría actual confirma aplicación consistente del detector, no que su definición sea exhaustiva o coincida con toda interpretación del texto.

**Resto de familias: ** Intervalos, Rutas y Paginación pasan en todos; Registros pasa después de crítica/reparación en E/F y falla en S/I2. No hay aciertos nuevos respecto a 0.7. El beneficio medido de coordinación continúa localizado.

Integridad, recursos y cierre de la ejecución

La auditoría principal y una segunda ejecución del mismo comando audit validan 48 episodios/2.445 recibos sin discrepancias. Es replay autenticado de propiedades con referencia independiente, no nueva inferencia ni repetición física completa. Los 27 archivos congelados permanecen sin cambios.

Kaggle privado, versión 2, solo inferencia; candidatos y verificadores locales en el rootfs fijado y Bubblewrap/cgroups. T4 con 49/49 capas cargadas en GPU. 477 solicitudes del transporte, todas HTTP200. Worker completado y detenido; supervisor, broker y túnel inactivos. No hay procesos de inferencia pendientes.

Incidencia de arranque: el primer paquete subido usó inference-relay.py en lugar de inference_relay.py. Se conservó y se generó la versión 2 con ese nombre corregido antes del primer episodio. No se descartaron tareas ni se cambió el protocolo. La cuota consumida incluye ese arranque, no se oculta.

Worker correcto: 1.988,955 s (33 min 09 s), incluidos 158,819 s de preparación. Cuota mostrada antes/después: 24,71 h → 24,12 h, diferencia aproximada 0,59 h incluyendo la incidencia. La cuota está redondeada; no es una medida eléctrica. No se hizo push ni publicación. S6 permanece aplazado.

Artefactos locales preservados:

ECHO-5.1/artifacts/probe-content14b-pilot-20261013: resultados, diarios, tareas congeladas, evidencia y auditoría.
ECHO-5.1/artifacts/probe-content-control-20261013: manifiesto, configuración, segunda auditoría, análisis y registro de transporte. Contiene credenciales privadas; no exportar la carpeta completa.
ECHO-5.1/artifacts/kaggle-probe-content14b-output: evidencia del worker. Su entrada incluye la capacidad temporal del puente detenido; no publicar.

Hashes:

result.json: c7c065381cabd08f75e8b96b917f7550e8a62ec843599f320280463f9bddc58c
audit.json: 6c338425f7e2f2cae333ccf681d90c70f8880067b1eb04cf8162feca1d1b4b7e

Qué debe verificarse después

Primero aislar la reparación en microensayos: código completo y manejo correcto de comillas CSV; en grafos, preservar dependencias y escoger el mínimo entre nodos disponibles en cada paso. Medir con casos públicos y contraejemplos observados; no inyectar las soluciones finales reservadas ni ampliar recursos solo a E. Corregir también la ambigüedad del catálogo heredado antes de atribuir coste a su selección. Son próximos experimentos, no correcciones ya medidas.

Después, nuevas familias y repeticiones preregistradas, junto a ablaciones de memoria/selección y controles fuertes. El cambio actual demuestra que generar mejores pruebas puede aumentar refutaciones sin aumentar soluciones. No justifica seguir ampliando categorías indefinidamente ni declarar verde por aproximación.

Checklist de ECHO-5.1: alcance y obligaciones

Esta checklist reúne el contrato T01–T20 y las hipótesis H1–H4. «Comprobado» se refiere a los casos y al host ensayados. La infraestructura permite medir; no acredita por sí sola transferencia, invulnerabilidad ni ventaja del router.

Estado	Elemento	Evidencia o verificación pendiente
[x] Comprobado	T01–T02: una frontera de ejecución	PCWorld, MCP y modos localdev pasan por Bubblewrap/cgroup v2; backend ausente falla sin ejecutar fuera del sandbox.
[x] Comprobado con límites	T03–T04: archivos y autoridad	Snapshots, enlaces, rutas, workspace de solo lectura y capacidades de parche. No protege contra un administrador del host; la captura no es atómica ante todo escritor concurrente.
[x] Comprobado	T05: custodia de recibos	HMAC, encadenamiento, ancla externa y recuperación autenticada. Es consistencia bajo el modelo de amenaza, no seguridad absoluta.
[x] Comprobado	T06–T07: evidencia e identidad	Se separan ejecución, propiedad y resultado; cambian las identidades al cambiar bytes, modos o directorios. Exit 0 no equivale a tarea resuelta.
[x] Comprobado acotado	T08: runtime hermético	Rootfs Python exportable sin montar `/usr` del host para reparación. Kernel y hardware quedan fuera; rutas legacy siguen declaradas no herméticas. Falta reproducción en otra máquina.
[x] Comprobado	T09: recuerdos revisables	Un fallo similar recuperado no veta una nueva solución sin volver a comprobarla.
[x] Comprobado acotado	T10: caché exacta persistente	Solo propiedades puras sobre resultados observados, identidad completa y testigos; el candidato vuelve a ejecutarse. Caché desactivada en la comparación principal.
[x] Comprobado	T11: crítico no fiable	Dominio, propiedad, precondiciones, oráculo y etiqueta se validan fuera del LLM; propuestas inválidas no cuentan como refutaciones.
[x] Comprobado acotado	T12: reparación CEGIS	Testigo reproducido, feedback entrada/salida/contrato, guardas públicas y de contraejemplos, rollback y máximo dos reparaciones. Funciona en ejemplos medidos; no implementa minimización automática del contraejemplo.
[x] Comprobado	T13–T14: contabilidad y límites	Reservas antes de llamadas, preflight nativo, cargos de errores, fuel, cuotas y plazos. Un supervisor; no contabilidad distribuida.
[x] Comprobado acotado	T15–T16: persistencia y orden	Recuperación autenticada, capacidad de recibos, WSP y replay; supervisor secuencial. Sin reanudación arbitraria a mitad de operación ni scheduler distribuido demostrado.
[x] Comprobado acotado	T17: límites reales	Pared, CPU, procesos, memoria, salida y tmpfs probados. Granularidad del watchdog registrada; memoria de cgroup no es medición eléctrica.
[x] Implementado y ejecutado	T18: S/I2/F/E comparables	Mismo modelo, tareas, herramientas, techos y criterio final; orden contrabalanceado. S tiene autorrevisión, I2 dos propuestas. No gastan lo mismo; falta estudiar curvas de éxito frente a coste.
[x] Comprobado	T19: núcleo basal	Control sin LLM en NEXUS-0, CAM/WSP/gate existentes y registro observable. Router heurístico explícito, no política aprendida; tiempo y ejecuciones Python no son deterministas byte a byte.
[ ] Parcial	T20: biblioteca de conceptos	Registro y cuarentena unitarios. Faltan extracción, validación de transferencia, promoción y demostración de reutilización. Biblioteca vacía en la comparación.
[x] Implementado	Proveedor e inferencia real	7B CPU y 14B Q4_K_M en T4 con revisión/hash y configuración fijados. Candidatos y oráculos permanecen locales, separados del servicio de inferencia.
[x] Implementado y probado	Remediación 0.8	Ejemplo CSV de datos separado del esquema; categoría inversa acíclica compartida; señales AST, validación y auditoría. 219 tests pasan. No presupone que el modelo genere buenos sondeos.
[x] Ejecución auditada	Campaña 0.8	48 episodios, 2.445 recibos, dos auditorías válidas, 27 hashes sin cambios; E=F=8/12, S=I2=6/12.
[ ] Pendiente	Reparación completa de CSV y grafos	Los nuevos testigos detectan fallos; los parches no satisfacen contrato y no-regresión. Ambos 0/2 en E/F.
[ ] Pendiente	Semántica de categoría heredada	Alinear la guía de `disconnected-lex-order` con su requisito de nodo aislado y medir de nuevo sin recalificar esta campaña.
[ ] Pendiente	H1: ventaja frente a agente único fuerte	La muestra de desarrollo describe diferencias. Falta confirmación preregistrada en nuevas familias, repeticiones y estimación de incertidumbre; no reutilizar estas doce variantes como examen ciego.
[ ] Pendiente	H2: aporte de memoria compartida	Ablación con/sin recuerdos manteniendo los demás componentes, presupuesto y tareas. Medir repetición de errores y falsos vetos.
[ ] Pendiente	H3: utilidad neta del crítico	Separar descubrimiento, reparación y coste; compararlo con autorrevisión/alternativas fuertes bajo presupuesto comparable. Más refutaciones no garantizan más soluciones.
[ ] Pendiente	H4: aporte del router basal	Repetir órdenes y semillas, congelar criterios y aislar selección de categorías del uso de memoria. Un desempate en desarrollo no sería confirmación causal general.
[ ] Pendiente	Corpus externo y confirmación	Nuevas estructuras y familias o fallos reales con oráculo independiente. Aquí los bugs son inducidos en seis familias conocidas. Congelar protocolo antes de abrir la confirmación.
[ ] Pendiente	Reproducibilidad fuera de este host	Instalación/restauración de runtime, modelo, fuentes y auditoría en otro Linux; documentar dependencias admitidas y verificar sus identidades.
[ ] Pendiente	Alcance de release y cierre	Definir qué capacidades son obligatorias, cerrar o delimitar T20 y emitir manifiesto auditable. Preparar exportación sin credenciales privadas. No hay push ni publicación en esta entrega.
Aplazado	S6	Sigue fuera de este trabajo, hasta después de ECHO-5.5; no es el bloqueo actual de PCWORLD-1.

El cierre científico requiere evidencia para las hipótesis que se decida reivindicar. Una release acotada de infraestructura podría tener otro alcance, pero no debe etiquetarse como demostración de superioridad general de ECHO.