DREAM-B/C/D — implementación y primera campaña real

2026-09-22. Implementación completada; DREAM-D v1 rojo, DREAM-1 abierto. Qwen propone estrategias válidas y la selección mejora el historial, pero no supera los controles fuera de muestra. Se conserva este resultado; no se reajustan umbrales, políticas ni particiones después del examen.

Entregables

• echo4/dream_qwen.py: adaptador llama.cpp local opt-in, pesos fijos, identidad de modelo/binario, gramática JSON, límites y recibos reales.
• echo4/dream_policy.py: validación estricta e intérprete de programas declarativos; selección con incumbente, parada y reversión por regresión.
• echo4/dream_probe.py: historial de seis ensayos SELF nativos restaurados y replay con revelación parcial. Rama ausente significa desconocido.
• echo4/dream_bench.py: campaña de tres ciclos, siete brazos, historial creciente, selección congelada antes del examen, versiones y auditoría.
• tests/test_echo4_dream1.py: 30 pruebas nuevas de límites, rechazos, causalidad del replay, presupuestos, reversión y detección de adulteración.

Ninguna modificación del núcleo, WSP16, CAM/T/Q/gate, física o criterios SELF. Los ensayos utilizan el modelo diagnóstico y prior SELF existentes, no un modelo corporal inventado por Qwen. El banco restaura/calibra el cuerpo; eso no es reparación autónoma. No se toca ni reutiliza Discord.

Protocolo y resultados

El contrato y sus fuentes se congelaron antes del examen. Hasta 12 pasos diagnósticos por caso; cuatro propuestas por llamada. Tres ciclos con 80 casos nuevos por ciclo. Historia disponible antes de cada selección: 80, 160 y 240 contextos. Solo después de evaluar se recogen las ramas del nuevo contexto para el siguiente ciclo.

Las celdas indican aciertos / pasos de entorno, sobre 80 casos por ciclo.

Brazo	Ciclo 1	Ciclo 2	Ciclo 3	Total aciertos / 240
DREAM (Qwen + replay)	40 / 640	40 / 640	50 / 640	130
Incumbente	40 / 960	40 / 640	50 / 640	130
Orden fijo	40 / 960	40 / 960	70 / 960	150
Orden aleatorio	41 / 856	42 / 848	72 / 752	155
Qwen sin historial	0 / 640	0 / 640	0 / 640	0
Replay sin Qwen, seis rotaciones	40 / 768	50 / 784	75 / 732	165
SELF activo existente	40 / 800	40 / 800	70 / 672	150

Los siete brazos tienen cero atribuciones erróneas, cero terminalidades e invariantes conservados. Todo lo no resuelto es unknown, no un error convertido artificialmente en acierto. La paridad online/replay es exacta en todos los brazos y ciclos bajo el perfil de restauración declarado.

Para verde se exigían por ciclo +8 aciertos frente a fijo y +4 frente a aleatorio. Ningún ciclo pasa esas dos condiciones. DREAM ahorra un tercio de pasos respecto al fijo (1.920 frente a 2.880), pero obtiene veinte aciertos menos en total. No acredita mayor eficiencia a igual rendimiento ni ahorro total de CPU: hay además inferencia, calibración y recolección.

Qué funcionó y por qué no basta

1. DREAM-B, inferencia real: seis llamadas generan 24 candidatos válidos; no se usó un stub para la campaña. Qwen no cambia pesos ni ejecuta código.
2. DREAM-C, mejora histórica: la primera selección pasa de 60/80 con 960 pasos a 80/80 con 640. Elige orden [5,3,1,0,2,4], presupuesto 8. En los ciclos siguientes conserva esa política; ninguna nueva propuesta de Qwen supera su puntuación histórica.
3. DREAM-D, transferencia insuficiente: esa estrategia resuelve menos casos nuevos que controles simples. En la tercera ronda pierde 20 frente al fijo y 25 frente al selector sin Qwen. No hay beneficio específico demostrado del LLM ni una secuencia de mejoras sostenidas entre ciclos.
4. Reversión: la primera política se acepta por empatar aciertos con el incumbente usando menos pasos; después se conserva. Nunca empeora frente a ese incumbente, pero sí termina peor que el control fijo original. Por tanto, comparar solo con el incumbente no garantiza conservar la ventaja frente a todos los controles bajo cambios de distribución.

Lectura técnica: el presupuesto elegido permite un solo ensayo de ocho pasos. La resolución histórica favorece ese ensayo, pero no toda la nueva distribución corporal se identifica con él. El control de rotaciones llega a 165/240 con el mismo catálogo, así que no se puede atribuir todo el déficit a un límite inevitable del sensor. Hay margen de propuesta/selección sin necesidad de cambiar WSP o núcleo. Esta es una interpretación del resultado, no una prueba de cuál será la mejor corrección.

La ablación sin historial toma la primera propuesta válida sin seleccionarla por replay; cambia ambas cosas. Sirve de control del conjunto historia + selección, no aísla por sí sola el efecto causal del texto histórico en Qwen. El control sin Qwen explora seis rotaciones frente a un máximo de cuatro candidatos generados por llamada: no iguala todo el coste computacional.

Costes e identidad

• Modelo: Qwen3-4B-Instruct-2507 Q4_K_M, 2.497.280.736 bytes.
• SHA-256 GGUF: 2fde00ce69dd4899c70d020845e2638353015bba0fdf161b3eb965f2bca4464e.
• llama.cpp: 0.3.0-dev, commit d230ddd, GNU 15.2.1, Linux x86_64.
• CPU, cuatro hilos, cero capas GPU, contexto 8192, temperatura 0, seed 260922 + ciclo (índice 0..2), máximo 512 tokens por llamada.
• Seis llamadas: 2.570 tokens de entrada, 1.588 generados; 349.381 ms acumulados de petición/respuesta, más 6.078 ms de arranque.
• Historia inicial: 80 contextos, 3.520 pasos de recolección y 288 nominales.
• Cada ampliación: otros 80 contextos, 3.520 pasos y 288 nominales. Total colección + calibración: 14.080 + 1.152 pasos.
• Los siete brazos online suman 15.972 pasos; se reutiliza su calibración dentro de cada ciclo. No se presentan como coste exclusivo de DREAM.
• Replay para resúmenes/selección: 9.744 consultas, 67.376 pasos representados, cero pasos físicos nuevos y cero llamadas LLM durante esas consultas.

Estos contadores no incluyen las reproducciones de auditoría ni regresiones. Son un vector de recursos, no una conversión entre tokens, pasos y energía. No se midió consumo energético. El servidor propio se cerró al terminar.

Evidencia y reproducción

Directorio: lab/echo4/dream1-bcd-v1. Incluye lock de fuentes/modelo/particiones, peticiones y respuestas, ramas observadas, selecciones, trazas online, versiones, informe y recibo final.

• Informe: criteria_passed=false.
• Auditoría: valid=true, cero hallazgos, dream1_green=false.
• Digest de reproducción: 5feb033f72d84a673eca26af2ec9145d267d7781073dfed80817fbdfbecdba27.

La auditoría reconstruye historias y ensayos desde física original, repite selección y versiones, coteja las fuentes y el vínculo CONT-D, y audita los recibos Qwen. No repite la inferencia: tokens/tiempos son mediciones guardadas, no salidas deterministas del verificador. Los hashes dan integridad local, no una atestación externa de ejecución ni una firma de terceros.

Verificación de código: 871 pruebas distintas, 870 aprobadas y un fallo esperado histórico. Son 30 nuevas DREAM-B/C/D, 583 de DREAM-A/SELF-B/CONT-A/ NEXUS-0/Q y 258 de CONT-B/C/D, SELF final, WORLD, SENSATION y BOUNDARY. Ocho errores iniciales de sockets GUI debidos al sandbox se resolvieron repitiendo con permiso las 29 pruebas GUI: todas pasan, sin cambios de código y sin contarlas dos veces. Las 72 fuentes selladas y el vínculo CONT-D se comprobaron de nuevo después de actualizar la documentación. git diff --check pasa. No se afirma haber ejecutado toda la suite histórica del repo.

PYTHONPATH=.. python3 -m unittest echoai.tests.test_echo4_dream1 -q
PYTHONPATH=.. python3 -m echoai.echo4.dream_bench verify lab/echo4/dream1-bcd-v1

Próximo trabajo: DREAM-D v2

La implementación del bucle está disponible. Para cerrar científicamente:

1. Utilizar v1 como desarrollo, conservar su rojo y estudiar cobertura por cuerpo/ensayo, diversidad de propuestas y elecciones de presupuesto.
2. Probar selección más robusta y feedback del replay a propuestas posteriores; separar la aportación de Qwen de una búsqueda determinista equiparada.
3. Comparar también contra el control fijo original antes de promocionar; no interpretar retener incumbente como garantía de mejora general.
4. Fijar contrato v2 y nuevos casos antes de abrir un examen independiente. No rebajar el umbral ni reutilizar los casos v1 como confirmación.

No se acredita conciencia subjetiva, mejora de pesos, reparación autónoma ni integración del agente completo. MAINTAIN sigue pendiente en la rama basal; después siguen OTHER, INTERACTION, RELATION, ROLES, INTEGRATE y RELEASE. Hardware posterior; METAVERSE-1 permanece último. Sin publicación web, commit, push, descarga de pesos ni despliegue en esta entrega.