S6-B18 — prototipo híbrido con inferencia GPU

Estado final del 5 de octubre de 2026: CLOSED_NO_PROMOTION. El micro y sus auditorías terminaron correctamente. El juez protegido rechaza la promoción por dos pérdidas de puntuación. S6 sigue abierto y el examen no se ha abierto. La investigación y el notebook son privados.

B18 corrige el selector del híbrido: incorpora las lecturas reales de sus propios candidatos, conserva los contraejemplos de los intentos anteriores, descarta repeticiones de comportamiento cuando puede certificarlas y prueba el primer candidato legal de su ordenación. El modelo propone el parche inicial; el núcleo de ECHO elige las condiciones de los refinamientos. El selector anterior deja esa última elección al LLM. Se incluye también la búsqueda del núcleo sin LLM. El diseño conoce los antecedentes de B17 y PROBE; es un ensayo de desarrollo dirigido, declarado antes de medir.

Se ejecutó en Kaggle con Qwen3-4B-Instruct-2507 Q4_K_M. Los registros de las ocho generaciones confirman 37/37 capas en GPU Tesla T4. La preparación superó 39/39 pruebas de código y cuatro partidas de paridad, agrupadas en dos parejas de ejecución/replay. Estas cuatro partidas y la generación neutral de calibración se contabilizan aparte del ensayo científico.

El ensayo evaluó 14 propuestas, correspondientes a 12 políticas distintas, sobre 80 partidas de desarrollo A y 40 partidas protegidas B nuevas. Las partidas pertenecen al banco de juegos procedurales S6. Las repeticiones, las distintas políticas y las auditorías suman 3.480 ejecuciones físicas de partidas. Se hicieron ocho generaciones científicas del LLM; la primera respuesta se compartió entre el selector anterior y el híbrido. El híbrido utilizó esa única respuesta y dos refinamientos calculados por el núcleo.

Brazo	Propuestas	Mejor total A	Pase A sin pérdidas	Conservación B
Selector anterior con LLM	8	383	Ninguno; mantiene pérdidas	No elegible
Sintetizador sin LLM	3	383	Propuesta 3, auditada	Rechazado: dos pérdidas de score
Híbrido B18	3	383	Propuesta 3, auditada	Rechazado: dos pérdidas de score

La base A obtiene 378 niveles. Ambos métodos nuevos obtienen 383, una ganancia de cinco niveles sin pérdidas individuales de nivel o puntuación: +1 en A18 y +4 en A53. La auditoría reconstruyó las 14 solicitudes y veredictos, volvió a ejecutar las políticas en otra caché y reprodujo las trayectorias completas. El selector anterior produjo cinco comportamientos distintos en sus ocho propuestas; el híbrido y el sintetizador produjeron tres en tres intentos.

La guarda elegida por ambos métodos es:

reset_known == 1 and pending_effect == 0 and world_events <= 16

El híbrido la aplica a HOLD = 1; el sintetizador, a HOLD = 0. En las 120 partidas medidas sus candidatos finales tienen las mismas acciones, frames, niveles y puntuaciones, aunque sus políticas y parte de la telemetría difieren. Este ensayo acredita una mejora del controlador de búsqueda. No demuestra una ventaja adicional del LLM frente a la búsqueda sin LLM. Tampoco permite atribuir la mejora de calidad a la GPU: todos los brazos con modelo usaron el mismo backend CUDA en esta condición.

En B, la base obtiene 173 niveles y ambos candidatos 176. La partida de versión 3 y semilla 28031 pasa de dos a cinco niveles completados. La puntuación total sube de 1606,641734 a 1609,764089. No se pierde ningún nivel en ninguna partida, pero aparecen dos pérdidas individuales de puntuación:

Caso B	Versión / semilla	Niveles antes → después	Score antes → después	Decisiones antes → después	Reinicios automáticos antes → después
27	3 / 28027	5 → 5	4,278598 → 4,047364	765 → 1308	19 → 35
39	3 / 28039	5 → 5	13,322537 → 13,206456	577 → 603	15 → 16

Las decisiones se cuentan excluyendo los reinicios automáticos de la lista de acciones registrada. En B27 aumentan los costes de los tres primeros niveles; en B39 mejora el coste del primero y empeora el del cuarto. Esos son efectos medidos. El mecanismo causal concreto que produce cada desvío todavía no ha sido aislado. La guarda encontrada conserva los resultados de A, pero su alcance no basta para conservar el coste en estos casos nuevos.

El contrato exige cero pérdidas individuales de nivel y score, con la tolerancia numérica declarada de 1e-10. Las dos pérdidas producen el rechazo. Se reproducen en el replay completo y en la auditoría independiente de B. Por tanto, el resultado es un rechazo científico válido; no hubo un fallo del instrumento ni una discrepancia de replay. No se modifica la guarda a partir de B ni se escoge otro candidato después de conocerlo.

Fase	Ejecuciones físicas
Desarrollo A: medición y replay	2080
Auditoría independiente de A	1040
Conservación B: medición y replay	240
Auditoría independiente de B	120
Total	3480

El envío científico se realizó a las 04:51:54 y el runner cerró a las 07:17:06, hora de Madrid: aproximadamente 2 h 25 min. Los ocho comandos de generación sumaron 35,93 segundos, incluyendo el inicio de esos procesos; esta cifra excluye la preparación y tokenización. Las partidas y los replays se ejecutaron en CPU. Usar GPU resolvió la ejecución rápida del LLM; el tiempo del ensayo siguió dominado por las simulaciones y su verificación.

La descarga se verificó contra el manifiesto congelado y el presupuesto. Una segunda revisión local, sin importar el solver ni ejecutar partidas, recalculó las ganancias, las pérdidas, las sumas de score, los pases y los recuentos desde los registros. Comprobó también ejecución, replay y auditoría de cada política. Las 65 fuentes congeladas mantienen sus hashes.

El siguiente trabajo requiere una condición nueva de desarrollo que investigue el coste de recuperación y las consecuencias de acortar las esperas en más contextos. La fiabilidad de la señal pending_effect = 0 como condición para esa intervención es una hipótesis a contrastar, no una garantía demostrada. Estos resultados B ya se han visto y no pueden reutilizarse como confirmación ciega tras un ajuste. Hará falta otro bloque protegido, seguido del piloto principal, la campaña y el examen de cuatro brazos B1–B5. No queda ningún piloto, campaña o examen B18 pendiente de lanzamiento automático.

Contrato congelado · Notebook privado de Kaggle · Cierre · Auditoría A · Auditoría B · Verificación de descarga · Revisión aritmética reproducible · Calibración y recuperación del monitor.

Para repetir únicamente la revisión local de artefactos:

python3 lab/kaggle/s6b18-20261005/review.py