Trivium：时序遗憾作为因果记忆构造的一等目标

许多代理系统和大语言模型管道通过优化结果奖励来纠正错误。这仅解决了失败的原因；原因和时间可能不会被记录，从而导致相同的错误在各个事件中重复出现。我们提出长期的时间遗憾以及结果遗憾和认知遗憾。这些是诊断量，而不是基于标准比较器的在线学习遗憾。暂时遗憾反映了未解决或不正确的因果模型可以容忍多长时间；认知后悔捕获了该模型的后验错误。在一系列 E 事件流中，我们在显式探测、持久性和可检测性假设下证明了三个条件结果。首先，在观察等效的混杂条件下，仅结果学习无法将因果结构与虚假结构区分开来，因此在结果后悔达到零后，错误校准可能会持续存在。其次，通过持续的因果日志和预算探针，总探针复杂度是 E 的对数，导致 O(log E) 延迟识别时间遗憾。所实现的剪切软分数添加了线性数字下限，因此该对数声明仅适用于识别延迟。第三，在 K 个可检测的变化点下，速率扩展到 O(K log E)。我们实例化 Trivium 并陈述五个可证伪的预测。在 CausalBench-Seq 上，硬结构读数在 500 个剧集和 20 个种子中记录了每个种子 7.8+-2.9 个错误识别的剧集，观察到的平稳误差为零，而仅结果控制器在整个过程中仍然被错误识别。审计消融表明，持续的后部更新，而不是检测器重新打开或局部修复，推动了后部恢复；相反，本地修复减少了提交图调度的暴露。先前基于修剪软乐谱的对数包络判决被撤销。试点真实大语言模型流提供了外部证据。这里的自学意味着修改外部因果模型，而不是重新训练 LLM 权重。