echolabsPCWORLD-1 · primera entrega de desarrollo · 2026-10-12
Se implementó y ejecutó el primer circuito de integración del plan recibido: proponer, aplicar un parche, ejecutar en aislamiento, comprobar una propiedad con una referencia externa al candidato, guardar evidencia y reparar a partir de un contraejemplo. Se mantiene separado de la versión publicada de ECHO-5.
Estado: prototipo de infraestructura probado; investigación ECHO-5.1 abierta. No hay resultado de superioridad multiagente, entrenamiento de Q, modelo nuevo, confirmación reservada ni promoción. Las obligaciones parciales están en ACCEPTANCE.md.
Evidencia ejecutada
| Comprobación | Resultado |
|---|---|
| Suite PCWorld completa de esta entrega | 138 tests; OK, 17,818 s |
| Regresiones seleccionadas de localdev, CodeMemory, CODE-1 y núcleo | 59 tests; OK, 7,195 s |
Desarrollo congelado development-20261012-r2 |
16/16 episodios aceptados; fuentes sin cambios; ningún error de episodio |
| Modelos externos durante el desarrollo | 0 llamadas, 0 tokens |
| Auditoría posterior | valid: true; valida custodia, bytes, snapshots, propiedades y replay WSP |
Las pruebas se ejecutaron con Python 3.14.6, Bubblewrap y systemd/cgroup v2 del host. El comando reproducible y sus requisitos están en RUNBOOK.md. No se reabrieron S6 ni los exámenes sellados de ECHO-5.
Se conserva una salvedad del proyecto base: TestGenLex.test_check_mode_reports_in_sync
falla también en el checkout público intacto f6062de por la ausencia de
legacy/kernel-navi/wsp_lex.c, una dependencia del árbol RXos no distribuida
ahí. En el worktree con otro nombre también falla la ruta histórica hacia el
léxico Python. No se
cambió el núcleo para ocultar ese defecto. Los 59 tests indicados son una
selección explícita; no afirmamos que la suite histórica completa esté verde.
Resultado por brazo y coste observado
Son cuatro propiedades públicas con soluciones programadas, no generadas por un LLM: suma de positivos, enteros únicos ordenados, media racional y número de distintos. Cada una se ejecutó en los cuatro brazos. Las entradas adicionales son desarrollo conocido, no casos de confirmación nuevos.
| Brazo | Desarrollo aceptado | Herramientas | CPU de hijos (s) | CPU del supervisor (s) | Pared acumulada (s) |
|---|---|---|---|---|---|
| S | 4/4 | 58 | 0,925370 | 0,938730 | 5,374 |
| I2 | 4/4 | 66 | 0,945642 | 1,061213 | 5,867 |
| F | 4/4 | 58 | 0,941414 | 0,943701 | 5,880 |
| E | 4/4 | 58 | 0,923462 | 0,950159 | 5,834 |
Totales por cuatro episodios, no por tarea. Hay variación de arranque, carga y planificación del SO: las pequeñas diferencias de tiempo no prueban eficiencia cognitiva. El éxito de las respuestas programadas sólo acredita el recorrido y los comprobadores. En esta tanda F y E no muestran una diferencia útil de selección; la divergencia de sus políticas se comprueba con estados de fallo en tests, no con una mejora de calidad atribuible al basal.
El resumen JSON conserva cada episodio, presupuesto,
error, identidad de candidato y hashes de evidencia. El
manifiesto de fuentes fija los archivos ejecutados.
Los diarios completos y la autoridad privada están en
ECHO-5.1/artifacts/development-20261012-r2/, excluidos de Git.
Qué se corrigió durante la verificación
La revisión del protocolo encontró y corrigió casos que podían sesgar o falsear una conclusión:
- Restaurar el estado inicial de I2 ahora consume herramienta y fuel y genera recibo; no es una operación gratis.
- «Desconocido» se conserva distinto de «contradicho». El crítico debe indicar propiedad, dominio/precondiciones y referencia de oráculo compatibles.
- Se validan configuración del proveedor y snapshots archivados durante la auditoría, además del resumen autenticado y las fuentes.
- Se guardan los bytes originales de salida y su hash, incluso si no son UTF-8. Superar la cuota conserva el recibo y se carga todo el consumo observado.
- Un agente único tiene autorrevisión y puede producir una prueba adicional. El crítico no se consulta dos veces sobre la misma identidad de candidato.
- La aceptación final exige los casos públicos y los contraejemplos retenidos, además de los casos adicionales de desarrollo.
- El conector opcional cuenta el prompt antes de admitir la generación y limita la salida al saldo. El deadline restante abarca preflight y generación. Estos últimos casos se verificaron con un proveedor simulado, sin llamadas reales ni afirmaciones sobre un modelo desplegado.
La primera tanda r1 se detuvo por cambios de fuentes durante una integración.
Se conserva como intento incompleto. Los resultados de la tabla proceden sólo
de r2, una ejecución posterior íntegra y auditada. Una revisión delegada de
seguridad no llegó a completarse; no se presenta como auditoría independiente.
Una revisión posterior de semántica experimental sí produjo los cinco hallazgos
sobre aceptación, tokens, autorrevisión, versiones y deadlines, cubiertos por
regresiones que primero reprodujeron los fallos.
Respuestas a las preguntas del encargo
- ¿Funciona la frontera? Pasaron los casos de aislamiento y recursos de esta suite; MCP y localdev utilizan el backend común. No constituye una prueba formal de seguridad ante cualquier programa o fallo del kernel.
- ¿Qué afirma un recibo? El supervisor observó esos bytes, ejecución y recursos. Una propiedad necesita la referencia independiente. El resultado final sólo se aplica al contrato finito de desarrollo.
- ¿Hay ganancia E–S o E–F? No estimada: las respuestas de esta tanda son fixtures. No se convierte su 16/16 en evidencia sobre capacidad de un LLM.
- ¿Contribuyen memoria y crítico? Está probado el recorrido de conservar un contraejemplo y comprobarlo otra vez tras reparar. Falta medir su beneficio en tareas independientes y con ablaciones.
- ¿Cuánto cuesta? La tabla y el JSON detallan consumo real de desarrollo. El dry-run de 60 tareas × 4 brazos × 2 repeticiones calcula un techo de 480 episodios, 12 millones de tokens, 24.000 herramientas y 40 horas de CPU de hijos. Es un techo, no una previsión de gasto ni una campaña ejecutada.
Pendiente antes del piloto científico
Runtime hermético o alcance de reproducibilidad explícitamente reducido; modelo y tokenizer realmente identificados; ciclo con modelo real; corpus de reparación/datos/archivos independientes; ablaciones y cálculo de muestra. La caché persistente de ejecuciones está deshabilitada. El registro de conceptos es un mecanismo unitario, sin aprendizaje o transferencia demostrados.
La implementación está en la rama local research/echo-5.1-pcworld1 de un
worktree basado en f6062de. No se publica, fusiona ni promociona automáticamente,
conforme al apartado 13 del documento recibido.