面向可分叉计算的证据感知MapReduce

快照支撑的沙箱让分支廉价，而证据依赖保持不变。分支可复用模型、提示、仓库、测试、观察或执行祖先，因此统计输出数会把一次重复错误放大为高置信共识。我们引入证据感知归并契约：每个工作者报告估计值、估计信息量、证据标识符、分叉世系与执行元数据。对估计同一公共参数的独立工作者，我们使用其高斯/Wald形式的标准逆信息池化。固定维数值摘要可以任意树序合并；证据ID与世系遵循单独规则。残差Δ度量分歧，在标量逆方差情形退化为Cochran's Q，并出现在乘积积分中。参考实现校验序列化记录、拒绝重复的非空证据标识符、在树归并中携带证据与世系、并使用基于Cholesky的数值线性代数。单元测试与带种子的合成检查覆盖该代数、不等信息与伪造精度；一条四工作者的命名快照轨迹走通端到端路径。平台日志记录被行使的执行路径。一个核心的开放系统挑战是把证据身份与分叉世系转化为相关性模型，以处理相关与自适应选择的AI分支。