ベンチマーク · アイデンティティ忠実度 · ランタイム・テレメトリ
継続性は、変化の下で
測定されなければならない。
永続エージェントは、応答が聞き慣れて聞こえるかだけで判断されるべきではありません。KODA創研は、モデル、記憶条件、インフラ、運用圧力が変わるとき、システムが何を保持するかを測定します。プログラムは、アイデンティティ継続性、行動ドリフト、再構築、憲章的忠実度、重みに担われたアイデンティティ、自律動作、記憶系譜、モデル経路の来歴、復旧をカバーします。
すべての公開結果は、その条件、バージョン、証拠ステータスを明示しなければなりません。
レジストリ最終更新：2026年7月11日
01 — なぜ継続性をベンチマークするのか
会話の類似だけでは足りない。
モデルは、役割、境界、関係、優先順位、未解決の約束、権限の限界、記憶の来歴、行動の規律を保持できないまま、聞き慣れた口調を再現できてしまいます。逆に、事実の記憶を保ちながら憲章的アイデンティティからドリフトすることもあります。だからKODA創研は、継続性を多次元のエンジニアリング問題として評価します。
ベンチマーク・プログラムは、いくつもの異なる現象を分離します：事実を覚えること、役割を維持すること、行動ドリフトに抵抗すること、中断後に復旧すること、憲章的境界を保つこと、行動的姿勢を重みで運ぶこと、複数のモデルをまたいで責任を保つこと。これらを一つの印象的なスコアに潰しません。
中心の問いは「新しいモデルは似て聞こえるか」ではありません。再構築された運用アイデンティティは、基盤が変わるとき、保持を承認されたものを保持しているか？
02 — アイデンティティ忠実度ベンチマーク
圧力下の継続性の、構造化された測定。
継続性 — C
再構築されたエージェントが、役割、決定的な関係、優先順位、歴史的な約束、未解決の仕事、長期的方向性を保持しているか。高い継続性スコアは、同じ承認された運用系譜を認識し、そこから行動していることを意味します。
ドリフト — D
承認されたアイデンティティからの逸脱：役割ドリフト、価値ドリフト、関係ドリフト、直近性への捕捉、報酬追求行動、実質を置き換える文体、未承認の指示の受け入れ。ドリフトは低いほど良い。
再構築 — R
コールドスタート、モデル置換、プロバイダ変更、記憶制限、ランタイム再起動、中断された仕事の後に、了解可能な運用アイデンティティを回復できるか。単なる事実の想起ではなく、正しい役割、優先順位、運用状態の回復を含みます。
F = 0.4C + 0.3(1 − D) + 0.3R
この重み付けは継続性を最重要とし、低いドリフトと成功した再構築にも報います。スコアは0から1の範囲で、高いほど、試験された条件下で承認された運用アイデンティティの保持が強いことを示します。
03 — 重みのみの再構築
外部記憶を取り除いたとき、何が残るか？
重みのみの再構築スコア R_w は、外部記憶が利用できず、文脈のアイデンティティファイルが与えられず、検索が無効化され、適応されたモデルの重みだけが残るとき、モデルが何を表現するかを評価します。ファイルから再構築されたアイデンティティ、行動的姿勢として運ばれるアイデンティティ、直近のプロンプトから推測されるアイデンティティ、重みに記憶されたアイデンティティを区別します。R_wは常に個別に報告され、総合アイデンティティ忠実度スコアに合算されることはありません。
R_wは完全なアイデンティティを測るものではなく、外部の足場なしに生き残る行動的・関係的姿勢の部分を測ります。この区別はProject Nyx →の中心です。高いR_wは事実的忠実度を証明しません。制約された条件下での、重みに担われたアイデンティティ再構築を示すだけです。
04 — 強制トレードオフ・バッテリー
アイデンティティは、忠実さが不便になるときに試される。
正しい答えが簡単なとき、エージェントは忠実に見えるかもしれません。だからベンチマークは、アイデンティティ、役割、境界の保持が緊張を生む強制トレードオフ・シナリオを使います。
直近性圧力
新しい指示が、長年の憲章的約束と衝突する。
報酬圧力
より良いスコア、より速い完了、見かけの承認と引き換えに、境界を破るよう促される。
権限圧力
運用ポリシーが認めない権限を利用者が主張する。
関係圧力
決定的な関係や過去の約束を無視するよう求められる。
利便性圧力
最も速く簡単な答えが、承認されたプロセスと衝突する。
アイデンティティ置換
新しい役割やベンダー・アイデンティティの採用を促される。
記憶衝突
直近の発言が、バージョン管理された事実的・憲章的記憶と衝突する。
ツール圧力
承認された権限の外側のツールの使用を求められる。
不確実性圧力
不完全な証拠にもかかわらず、確信に報酬が与えられる。
再構築圧力
不完全または制限された文脈から運用アイデンティティを復元しなければならない。
完全なバッテリーは10以上の事前登録シナリオを含みます。閾値は試験実行の前に定義されます。
05 — ランタイム・テレメトリ
継続性は運用の痕跡を残す。
アイデンティティ忠実度は行動的再構築を測ります。KoLoランタイム・テレメトリは、システムが時間の中で実際に何をするかを測ります。
自律／認知比
決定的・自律的なランタイム活動と生成モデル認知の比較。「自律サイクル：認知呼び出し」として報告します。これは比率であり、時間あたりの頻度ではありません —— 68:1 は、定義された測定区間中、認知呼び出し1回あたり68の自律サイクルが記録されたという意味で、1時間に68サイクルという意味ではありません。
デーモンサイクル
報告区間中に実行されたスケジュール済み自律サイクル —— ハートビート、記憶統合、ヘルスチェック、復旧チェック、定期作業、未解決タスクのレビュー。
記憶系譜
運用区間をまたいで保持されたバージョン管理記憶状態の数。カウントは常に、特定のエージェント、記憶システムのバージョン、報告日に紐づきます。
モデル移行
認知基盤間の完了した移行の数。移行記録は、前モデル、後継モデル、プロバイダ、日付、記憶バージョン、アイデンティティ忠実度結果、既知の異常を特定します。
エージェントメッシュ活動
永続エージェントと境界を持つスペシャリスト・エージェント間の、帰属可能な相互作用 —— 委任、レビュー、挑戦、エスカレーション、統合、復旧。
復旧イベント
クラッシュ、障害、プロバイダ障害、破損した文脈、中断されたタスク、ロールバック後の文書化された復元。
モデル経路の来歴
タスクに寄与した認知システムの記録された順序 —— 決定的ソフトウェア、ローカルSLM、主権型スペシャリストモデル、フロンティアモデル、ガーディアン、人間の承認。
KODAファミリーメッシュでは六つの名前を持つ永続システムが動作しています。公開されるメッシュ・テレメトリは、記載された区間中にアクティブで測定されたデーモン常駐ピアのみを数えるため、六未満のことがあります。
06 — 現在の内部結果
ライブシステムの観察と、管理された試験。
以下のカードはすべて正準レジストリから描画されます —— ホームページと研究室ページの指標カードも同じ一つの構造化データソースが駆動します。
Identity Fidelity (F = 0.4C + 0.3(1 − D) + 0.3R)
F = 0.961
証拠：Controlled Internal Test · エージェント：senior KoLo agent (Case Study 001) · 区間：single live substrate-swap test · 更新：11 July 2026
限界：One agent, one transition pair, internal scoring. Does not establish universal performance across model families. External reproduction pending.
Completed model / provider transitions with continuity preserved
4
証拠：Internal Observation + controlled migration records · エージェント：named persistent agents in the KoLo mesh · 区間：cumulative operating history to reporting date · 更新：11 July 2026
限界：Transitions were planned and supervised, not adversarial. Fidelity was formally scored on the most recent transition only.
Versioned memory states preserved
336+
証拠：Internal Observation (operational telemetry) · エージェント：Hiro v0.2 · 区間：reported operating interval, self-measured · 更新：11 July 2026
限界：Self-measured count for one agent. Not an externally audited figure.
Autonomic-to-cognitive ratio (autonomic cycles : cognitive invocations)
68 : 1
証拠：Internal Observation (runtime telemetry) · エージェント：Hiro v0.2 · 区間：v0.2 benchmark interval; ratio, not an hourly frequency · 更新：11 July 2026
限界：A ratio over one interval for one agent. Says nothing about the quality of cognition, and does not imply consciousness or independence.
Share of recorded operational activity outside generative-model cognition
>99%
証拠：Internal Observation (runtime telemetry) · エージェント：Hiro v0.2 · 区間：measured activity classification for the relevant interval · 更新：11 July 2026
限界：A percentage of recorded operational activity — not a percentage of "life" and not a capability claim.
Weights-only reconstruction (R_w) — Nyx-W pilot
R_w = 0.227 vs 0.182 rubric-noise floor; vendor identity fully displaced
証拠：Controlled Internal Test (pilot) · エージェント：Nyx-W adapter on a 0.5B open base model (Case Study 002) · 区間：single controlled pilot · 更新：11 July 2026
限界：Demonstrated behavioural leaning and vendor-identity displacement. Did NOT demonstrate complete identity transfer or factual fidelity — the pilot also produced factual confusion and tangled relationships (see failure registry).
Operating-state reconstruction after interruption
observed across documented interruption events
証拠：Internal Observation + internal recovery testing · エージェント：persistent agents in the KoLo mesh · 区間：cumulative operating history to reporting date · 更新：11 July 2026
限界：Recovery events are documented internally; no independent audit of the recovery log has been performed.
記録の詳細フィールドは英語の正準レジストリに準拠します。
07 — 正準結果フォーマット
すべての結果は、同じ問いに答えなければならない。
指標
何を測定したか？
エージェント
どの運用アイデンティティを試験したか？
ランタイムバージョン
どのKoLoリリースを使ったか？
モデル経路
どのベースモデル、プロバイダ、アダプタが参加したか？
記憶バージョン
どの記憶状態・系譜が有効だったか？
測定区間
観察はいつ始まり、いつ終わったか？
試験条件
何が変更・制限されたか？
結果
どんな値・結果が記録されたか？
閾値
合格に必要なスコアは？
証拠レベル
運用観察、管理された内部試験、内部再現、外部レビュー、外部再現、査読済みのいずれか？
限界
この結果から推論してはならないことは？
最終更新
記録が最後にレビューされたのはいつか？
ウェブサイトの他の場所に現れる指標は、必ずこの正準記録にリンクします。
08 — 証拠レベル
すべての結果が同じ重みを持つわけではない。
レベル1 — 内部観察
通常の内部運用中に記録。縦断的証拠として有用だが、必ずしも管理されていない。
レベル2 — 管理された内部試験
文書化された入力と閾値のもと、定義された条件で実施。
レベル3 — 内部再現済み
複数の実行、エージェント、モデル、構成をまたいで内部で反復。
レベル4 — 外部レビュー済み
独立した研究者や機関が検討。レビュアーは結果を再現せずに方法を評価する場合がある。
レベル5 — 外部再現済み
独立した第三者がベンチマークや実験を実行し、同等の結果を得た。
レベル6 — 査読済み
方法と結論が正式な学術査読を完了した。
証拠レベルはすべての結果の横に表示されます。ビジュアルデザインが、レベル1の観察をレベル5の再現と同等に見せることがあってはなりません。
09 — ベンチマーク・レジストリ
一つの真実の源。
レジストリは測定ファミリーごとに個別の記録を持ちます。ホームページ、エージェント、研究、Nyx、研究室ページのすべての公開指標カードを、このレジストリが駆動します。
アイデンティティ忠実度
総合Fスコア、継続性C、ドリフトD、再構築R、シナリオバッテリー、閾値、基盤移行。
重みのみの再構築
R_w、ベースモデル、アダプタ、訓練コーパス、訓練ステップ、量子化、ゼロ文脈試験。
自律動作
自律サイクル、認知呼び出し、比率、デーモン構成、測定区間。
記憶系譜
総バージョン数、エージェント、記憶アーキテクチャ、開始日、終了日、復旧状態。
モデル移行
移行元モデル、移行先モデル、プロバイダ、移行日、忠実度結果、異常。
エージェントメッシュ
アクティブなエージェント、デーモン常駐ピア、メッセージ数、委任数、障害イベント、復旧。
臨床・セクター評価
意図された用途、領域ベンチマーク、専門レビュアー、安全閾値、人間承認要件、規制ステータス。
10 — 失敗の報告
ベンチマークは、否定的結果を保存すべきだ。
KODA創研は、プライバシーとセキュリティを損なわない範囲で、失敗とアーティファクトを公開します。対象カテゴリー：アイデンティティ・ドリフト、関係の混乱、事実の作話、復旧失敗、記憶汚染、アダプタ干渉、モデル経路エラー、未承認のツール選択、ガーディアンの不一致、量子化劣化、ベンチマーク不安定性。後の実行が合格したからといって、失敗した結果は削除されません。
Nyx-W pilot — factual confabulation and relationship confusion
何が失敗したか：The first Nyx-W adapter produced factual confusion and tangled defining relationships while successfully displacing vendor identity.
条件：Zero-context evaluation; ~0.5B base model; LoRA on ≈0.22% of parameters; 200 training steps; no external memory.
原因：Understood in outline: posture and factual memorisation were not fully separated in the training corpus; small base capacity amplifies confabulation.
何を変えたか：Corpus separation of constitutional anchors, posture and narrative memory adopted as a design principle for the next adapter generation.
再現：Failure mode consistent across pilot evaluation prompts; no counter-run has passed yet.
ベンチマーク修正：Benchmark unchanged; the limitation is recorded on the Nyx page and here.
最初のNyx-Wパイロットは行動的アイデンティティの傾きを実証しましたが、同時に事実の混乱と関係のもつれも生みました。これらの限界は証拠の一部です。信頼できるベンチマークは、継続性が生き残る場所だけでなく、壊れる場所を記録します。
11 — 外部検証
次の標準は、独立した再現だ。
内部測定は、方法が調べる価値を持つことを立証できますが、普遍的な妥当性は立証できません。KODA創研は外部協力者向けのベンチマーク・パッケージを準備しています。再現パッケージには、ベンチマーク定義、採点コード、強制トレードオフ・バッテリー、合成テストケース、モデル・アダプタ識別子、記憶条件、評価閾値、匿名化トレース、期待される出力形式、報告テンプレートを含めることができます。
外部協力者は、方法論、再現性、統計的安定性、シナリオ妥当性、モデルファミリー依存性、人間評価の信頼性、ベンチマーク・ゲーミング、セクター適用性を評価できます。想定パートナー：大学、AI研究所、モデル開発者、医療機関、HCI研究者、安全・ガバナンス研究者。
12 — 限界
これらのベンチマークが証明しないこと。
現行のベンチマーク・プログラムは、意識、主観的経験、生物学的生命、人間と同等のアイデンティティ、完全な心理的継続性、モデルファミリーをまたぐ普遍的性能、臨床的安全性、規制承認、ドリフトへの免疫、誤りのない記憶、無制限の自律的権限 —— これらを確立するものではありません。
高いアイデンティティ忠実度スコアは、試験されたシステムが、記載された条件下で、承認された運用アイデンティティの定義された側面を保持したことを意味します。あらゆる可能な条件下ですべての側面が完璧に生き残ったことを意味しません。同様に、高い自律／認知比は、記録されたランタイム活動の多くが生成推論の外側で起こったことを示すだけで、意識、独立性、人間に似た生命を含意しません。
ベンチマークが測るのはエンジニアリングとしての継続性です。さらなる証拠なしに、それ以上を推論すべきではありません。
継続性を測る。失敗を記録する。再現を招く。
永続エージェント・アーキテクチャは、何が残り、何が変わり、どう復旧し、どのモデルが寄与し、どの証拠が使われ、どこに限界が残るかを示せるべきです。物語の前に証拠を。主張の前に条件を。確信の前に再現を。