textmachine/docs/research/17-external-critique.md

Внешняя критика «восхождение»: независимая карта и дифф

⚠ Ревью-шапка оркестратора (11.07.2026, D25; тело документа ниже НЕ редактировалось). Провенанс: внешний критик GPT-5.6 по мандату GPT_EXTERNAL_ASCENT_PROMPT.md (анти-якорный трёхфазный протокол), 2026-07-10. Вердикт адверсариального ревью (12 агентов: 19 первоисточников по живым URL, протокол-аудит, line-refs, red-team §C/§D): ACCEPT_WITH_FIXES — абсорбция ТОЛЬКО через D25, не напрямую. Поправки чтения: 0. (добавлено D31, 12.07) Тело пре-датирует D30: §C-таблица (строка «Редактор») описывает проектную колонку как «D1 монолингвальный editor, понижен D17» — устарело: D30.1 флипнул D1, редактор БИЛИНГВ (рекомендация критика «bilingual adequacy-preserving edit» принята досрочно через exp12; подтверждающий арм пилота D13.1 сохранён). «$0.69/ранобэ» (§B1.5) → ~$0.85 (D30.4), но КЛЕЙМ «не all-in cost» верен и абсорбирован D25.8.

1. Метки §B2 и «Итога» читать как PLAUSIBLE, не CONFIRMED: ценностные сравнения «чей путь сильнее» — неизмеренные гипотезы по определению §1 самого документа; «PARTIAL» (§B2-голос) — вне его словаря вердиктов.
2. Конвергенция §A↔проект на осях, засеянных мандатом, — НЕ независимое подтверждение: девять обязательных осей и фаза-3(г) мандата встроили наши выводы (недоверие судьям, переоплата снапшота, род-спойлеры, список признанных дыр с D-номерами) в задание до написания §A. Независимую ценность несут незасеянные оси (A3 режимы faithful/light-edit/adaptation, A10.1 rights manifest, A10.3 ingestion round-trip, A10.5 book-level сплиты, A10.7 span lineage, A6 canary suite, A9 fault-injection) и явные расхождения. Анти-якорение со стороны критика при этом соблюдено (лексический аудит: внутренние маркеры в §A отсутствуют, словарь систематически другой, расходится с контрактом на реальных развилках; errata-без-правки-§A — честный сигнал); фриз §A — attested, not proven (файл вне git до этого коммита; впредь — хешировать §A до фазы 2).
3. Первоисточники: 19/19 существуют и в основном поддерживают клеймы; нюансы (полный список в D25): морф-оговорка Exel et al. (EAMT 2020) процитирована с инверсией — морфологию ломают КОНКУРИРУЮЩИЕ constrained-decoding методы, собственный train-by метод авторов её для русского решает; Tan et al. — «шести LLM» = метаданные venue, PDF говорит 9 (6 рефайнеров); Kim (ACL Ind. 2025) — скоуп GEMBA-MQM-класса, не все LLM-судьи; Target 2026 — направление пары zh→en из абстракта не верифицируемо (Benjamins 403); IEICE 2026 — оценка существующих LLM (>87% floor), не спец-модель.
4. Line-refs в основном точны (~30 спот-чеков, стравменов нет); микро-дрейфы: 07-strategic-review.md:34-39→:33-36; 05-decisions-log.md:265-266→:266; 08-legal.md:145-152 недопокрывает своё предложение (гигиена git/data-sharing живёт в 01-decisions/CLAUDE.md).
5. Критик не видел ни кода, ни результатов приёмки этапа A (10.07) — его посылки о flag-rate/дрейфе устарели в момент написания; свежие данные учтены в D24/D25.

Дата исследования: 2026-07-10. Все внешние ссылки проверены 2026-07-10. Метки источников: peer-reviewed — статья в рецензируемом сборнике/журнале; standard/guidance — стандарт или профиль риска; vendor — документация/тариф поставщика, не независимый замер. Вердикт относится к сформулированному клейму: CONFIRMED — прямо поддержан наблюдением/источником; PLAUSIBLE — инженерная гипотеза, которую ещё надо измерить; REFUTED — доступные данные противоречат клейму.

§A. Карта фазы 1 — чистый лист (заморожено до чтения решений проекта)

Этот раздел составлен после чтения только START_PROMT.MD и внешних первоисточников. После этой строки §A не редактируется.

A0. Целевая функция и главный принцип

Система должна оптимизировать не один «балл качества», а ограниченную задачу:

1. ни один атом смысла исходника не потерян и не добавлен;
2. решения, зависящие от дальнего контекста, согласованы на масштабе серии;
3. русский текст выполняет литературную функцию оригинала, а не копирует его поверхность;
4. стоимость и человеческие минуты имеют заранее заданный бюджет;
5. любой результат воспроизводим, трассируем и может быть точечно пересчитан.

CONFIRMED. Перевод литературного абзаца целиком у GPT-3.5 дал меньше смысловых, грамматических и стилевых ошибок, чем посентенциальный режим на 18 направлениях, но критические ошибки и пропуски сохранились, а голос автора требовал человека. Это опровергает обе крайности — «контекст не нужен» и «большого контекста достаточно». Источник: Karpinska & Iyyer, WMT 2023, peer-reviewed, 2023-12, https://aclanthology.org/2023.wmt-1.41/.

CONFIRMED. Обычные посентенциальные тесты недостаточны для документного перевода: BWB размечает сущности, термины, кореференцию и цитирование и показывает, что именно эти дискурсивные явления требуют отдельной оценки. Источник: Jiang et al., ACL 2023, peer-reviewed, 2023-07, https://aclanthology.org/2023.acl-long.435/.

Отсюда базовая архитектурная ставка: не ансамбль персонажей-агентов, а evidence-preserving compiler pipeline. LLM — вероятностный трансформер внутри системы; книга, её факты, сегментация, зависимости и история решений — типизированные артефакты вне модели. Каждый дополнительный LLM-проход обязан иметь локальную гипотезу, измеримый выход и kill-criterion.

PLAUSIBLE. Такая декомпозиция уменьшит стоимость и сделает регрессии локализуемыми по сравнению с разговорным multi-agent pipeline. Фальсификация: на одном закрытом наборе сравнить равнобюджетные (в токенах и человеко-минутах) пайплайны по critical MQM errors, coverage и числу неповторяемых решений.

A1. Протез состояния для stateless API

Собственное состояние книги

Нужны пять раздельных слоёв, а не один «глоссарий»:

Слой	Что хранит	Как попадает в запрос
Immutable source ledger	байты исходника, нормализованная разметка, главы/абзацы/реплики, стабильные ID и хэши	текущий сегмент + минимальные соседние сегменты
Canon ledger	сущности, алиасы, пол/неопределённость, отношения, факты с временным интервалом и source-span provenance	только релевантные факты, действующие на этой точке сюжета
Translation memory	утверждённые пары сегментов и редакторские правки	k похожих примеров, преимущественно той же сцены/говорящего
Terminology & address graph	термины, склонение, транслитерация, титулы, пары обращений, статус решения	обязательные ограничения + явно разрешённые варианты
Style/voice cards	наблюдаемые признаки рассказчика и персонажей с цитатами-основаниями, не расплывчатые прилагательные	карточки только присутствующих голосов и цели сцены

В каждую запись входят valid_from, valid_to/unknown, confidence, status (candidate/approved/rejected), source_span_ids, created_by, версия схемы. Это предотвращает превращение позднего знания в ранний спойлер и позволяет отличить канон от догадки модели.

CONFIRMED. Длинное окно само по себе не является памятью: качество доступа существенно зависит от позиции факта и обычно проваливается в середине контекста. Источник: Liu et al., TACL 2024, peer-reviewed journal, 2024, https://aclanthology.org/2024.tacl-1.9/.

CONFIRMED. Даже при идеальном извлечении релевантных данных увеличение контекста ухудшало решение задач на 13.9–85% в исследованных моделях; значит, «положить всю книгу в окно» нельзя считать надёжным механизмом. Источник: Levy et al., Findings of EMNLP 2025, peer-reviewed, 2025-11, https://aclanthology.org/2025.findings-emnlp.1264/.

PLAUSIBLE. Лучший prompt budget — маленькое ядро инвариантов + локальный контекст + task-conditioned retrieval, а не максимальное заполнение окна. Фальсификация: factorial A/B по объёму и позиции memory evidence с заранее спрятанными дальними зависимостями.

Двухпроходное чтение без двух полных переводов

До перевода выполняется дешёвый структурный проход по всей книге: сегментация, кандидаты сущностей/терминов, граф упоминаний, смены POV/сцен, неопределённые кореференции и будущие раскрытия. Он не утверждает факты без provenance. Затем главы переводятся последовательно; подтверждённое человеком или источником состояние образует версионированный snapshot.

PLAUSIBLE. Предварительный индекс всей книги даст большую часть пользы «модель сначала прочла всё» при доле стоимости полного чернового перевода. Фальсификация: blind challenge set только из forward-reference, alias, gender и reveal cases; сравнить no-prescan / prescan / full-book-context.

A2. Верность: дописывание, выпадения, подмена фактов

Верность нельзя отдавать тому же свободному генератору. Нужны независимые, преимущественно детерминированные сигналы:

1. сохранить взаимно-однозначный ledger входных и выходных блоков;
2. получить source↔target alignment и проверить непокрытые source-spans, числа, даты, кавычки, имена, отрицания, модальность и структуру реплик;
3. выполнить reverse entailment/QA только по подозрительным местам: что утверждает перевод, чего нет в источнике; что утверждает источник, чего нет в переводе;
4. при флаге не «автоматически улучшать», а маршрутизировать: локальный retry с evidence, альтернативная модель или человек;
5. никогда не принимать гладкость как свидетельство верности.

CONFIRMED. HalOmi вручную размечает частичные/полные галлюцинации и пропуски на словном и предложенческом уровнях в 18 направлениях; выводы детекторов с одной языковой пары плохо переносятся на другие. Значит, один универсальный порог без калибровки zh/ja/en→ru недопустим. Источник: Dale et al., EMNLP 2023, peer-reviewed, 2023-12, https://aclanthology.org/2023.emnlp-main.42/.

CONFIRMED. Исследование word alignment для LLM-MT связывает покрытие выравниванием с пропусками/галлюцинациями и использует alignment как обучающий preference-сигнал. Это поддерживает alignment как один сигнал, но не как доказательство семантической эквивалентности. Источник: Wu et al., EMNLP 2024, peer-reviewed, 2024-11, https://aclanthology.org/2024.emnlp-main.188/.

PLAUSIBLE. Каскад дешёвых инвариантов → alignment → дорогая семантическая проверка только хвоста даст лучший recall критических ошибок на доллар, чем LLM-судья каждого сегмента. Фальсификация: precision/recall и $/detected-critical-error на вручную размеченном adversarial set.

A3. Литературность без «улучшательства» оригинала

Перевод делится на два контракта:

• adequacy pass создаёт максимально верный, но уже естественный русский черновик с alignment;
• literary edit pass может менять синтаксис, ритм, абзацирование и идиоматику, но обязан сохранять semantic ledger и возвращать edit rationale для крупных перестроек.

Редактор получает не роль «сделай красивее», а спецификацию функции: дистанция рассказчика, регистр, ритм сцены, идиолект, комическое/угрожающее действие реплики, допустимая степень доместикации. Слабость исходника не исправляется молча: режимы faithful, light-edit, adaptation — разные продукты и юридически/редакционно разные обещания.

CONFIRMED. Систематическое исследование шести LLM и семи языковых пар нашло, что refinement улучшает главным образом fluency, а adequacy — ограниченно; поведение похоже на проекцию текста в распределение редактора, а не точечное исправление ошибок. Самый стабильный рецепт в их условиях — документный перевод и сегментная редактура. Источник: Tan et al., ACL 2026, peer-reviewed, 2026-07, https://aclanthology.org/2026.acl-long.268/.

CONFIRMED. Существующие литературные метрики склонны ставить машинный перевод выше профессионального, потому что переоценивают механическую точность и недооценивают голос, культурное понимание и художественные приёмы. Источник: Zhang et al., EMNLP 2025, peer-reviewed, 2025-11, https://aclanthology.org/2025.emnlp-main.1482/.

PLAUSIBLE. Редакторский проход без повторной проверки semantic delta будет систематически повышать fluency и скрытно портить редкие авторские решения. Фальсификация: человек размечает adequacy до/после refinement отдельно от fluency, с особым набором намеренно шероховатых оригиналов.

A4. Консистентность на тысячах глав

Консистентность — constraint problem с областью действия, не similarity search:

• жёсткие утверждённые constraints (имя, титул, термин) проверяются морфологически после генерации;
• мягкие варианты имеют контекстные правила и допустимое множество;
• обращения моделируются на ребре (speaker, addressee, time interval), а не как свойство персонажа;
• смена имени/титула — событие с границей действия;
• неизвестность хранится явно, а не заполняется наиболее вероятным значением;
• правка канона создаёт impact set зависимых сегментов, а не полный пересчёт книги.

CONFIRMED. Документная оценка романов отдельно выявляет проблемы сущностей, терминологии, кореференции и цитирования; корпус содержит 15 095 размеченных упоминаний сущностей. Источник: Jiang et al., ACL 2023, peer-reviewed, 2023-07, https://aclanthology.org/2023.acl-long.435/.

CONFIRMED. Terminology constraints применялись в промышленной NMT и улучшали попадание терминов, но сами авторы отмечают проблему морфологической адаптации; простая вставка строки глоссария для русского недостаточна. Источник: Bergmanis & Pinnis, EAMT 2020, peer-reviewed, 2020-11, https://aclanthology.org/2020.eamt-1.29/.

PLAUSIBLE. Для серии temporal knowledge graph + dependency index важнее векторной «памяти»; embeddings остаются retrieval-механизмом, но не источником истины. Фальсификация: synthetic saga с переименованиями, ложными алиасами и изменением отношений; измерить violation rate и стоимость инвалидации.

A5. Спойлеры механикой русского языка

Спойлер — это информационная утечка относительно состояния читателя в данной точке, а не просто неверный термин. Для каждого сегмента prompt строится из time-sliced canon. Нерешённые referents отмечаются как constraints: не раскрывать пол/личность/число сверх исходника; при невозможности естественного русского — выбрать синтаксическую перестройку и поднять флаг.

Перед переводом нужен reveal ledger: где читатель впервые узнаёт пол, имя, родство, истинный титул, тождество алиасов. После перевода минимальные пары проверяют, не возник маркер раньше границы: род прошедшего времени, прилагательные, местоимения, формы профессий, одушевлённость.

PLAUSIBLE. Универсальной автоматической трансформации, сохраняющей всякую неопределённость zh/ja→ru, нет; нужен constrained generation + human queue для синтаксически трудных случаев. Фальсификация: профессионально размеченный набор 100–200 reveal cases, оценка premature disclosure и naturalness отдельно.

A6. 18+, цензура и этическая граница

Пайплайн до отправки провайдеру классифицирует не «моральность», а маршрут: допустимый взрослый контент, контент с неопределённым возрастом, запрещённый sexual-minor content, и прочие ограничения конкретного провайдера. Sexual content с несовершеннолетними не обрабатывается вообще; сомнение в возрасте означает stop/human policy review, а не попытку обхода.

Для законного взрослого контента: capability probe на лицензированных синтетических фрагментах, versioned provider policy matrix, явное согласие пользователя, локальная/разрешающая модель только если её лицензия и эксплуатационная политика допускают задачу. Отказ не маскируется retry-циклом: это типизированный terminal outcome. Текст и логи минимизируются и шифруются; внешнему веб-поиску не передаются узнаваемые фрагменты книги.

PLAUSIBLE. Маршрутизация по заранее проверенной матрице снизит ложные отказы и бессмысленные повторы, но не гарантирует стабильность, потому что политика и модель меняются. Фальсификация: еженедельный canary suite по model snapshot/provider/категории с учётом false refusal и policy violation.

A7. Себестоимость: сначала бюджет, потом роли

Стоимость книги задаётся формулой, а не числом агентов:

C = Σ_passes (fresh_input × P_in + cached_input × P_cache + output × P_out + tools) + retries + human_minutes × rate.

Для примера планирования, а не тарифа проекта: книга 120k source tokens, русский выход 150k, один основной проход с 30% дополнительного контекста и один выборочный refinement 20% текста — это порядка 186k input + 180k output до проверок. Даже при $2/$10 за миллион это около $2.17 за генерацию; десять полных «агентов» умножат не качество, а spend. Реальная доминанта может перейти в человеческую проверку.

CONFIRMED (арифметика на vendor list price, не независимый benchmark). Anthropic указывает для Claude Sonnet 5 вводную цену $2/$10 за миллион input/output tokens до 2026-08-31 и $3/$15 после; приведённый расчёт: 0.186×2 + 0.180×10 = $2.172, без retries, cache, поиска и труда. Источник: Anthropic, vendor, опубликовано 2026-07, https://www.anthropic.com/news/claude-sonnet-5.

Архитектурные следствия: per-stage token caps; hard book budget; batch/caching только после проверки семантики; escalate-on-uncertainty; дедупликация по content-addressed request key; дорогая модель работает на хвосте риска, а не читает всю книгу; стоимость пишется рядом с каждым quality delta.

PLAUSIBLE. Цель «единицы долларов за книгу» достижима по API-токенам для одного-двух проходов дешёвой модели, но «издательское качество за единицы долларов all-in» неправдоподобно без измеренного человеческого труда. Фальсификация: end-to-end ledger на трёх книгах разных языков с post-editing time и accepted words/hour.

A8. Оценка качества без веры LLM-судье

Нужна пирамида, где ни один слой не является oracle:

1. детерминированные инварианты: completeness, порядок, числа, имена, markup, повтор/эхо, длина и язык;
2. alignment/learned metrics: COMET/COMET-QE и детекторы как triage, с калибровкой по языковой паре;
3. challenge suites: omissions, additions, negation, coreference, reveal, honorifics, voice, poetry/wordplay, weak source, prompt injection;
4. слепая человеческая оценка: профессиональные билингвы, side-by-side pairwise preference + span-level MQM, отдельно adequacy/fluency/style;
5. production: редакторские действия, время, reopen/revert rate, critical escapes на 10k слов, а не пользовательский «лайк».

CONFIRMED. Side-by-side human judgment повысил согласие аннотаторов; S×S MQM улучшил согласованность разметки ошибок в среднем на 38.5% для прямо сравниваемых систем, а упрощённый pairwise ranking был более дешёвой стабильной альтернативой. Источник: Song et al., ACL 2025, peer-reviewed, 2025-07, https://aclanthology.org/2025.acl-long.1002/.

CONFIRMED. COMET обучен на человеческих DA/HTER/MQM и лучше коррелировал с людьми на WMT 2019, но это корреляционный измеритель, не гарантия отсутствия конкретной критической ошибки. Источник: Rei et al., EMNLP 2020, peer-reviewed, 2020-11, https://aclanthology.org/2020.emnlp-main.213/.

CONFIRMED. Практическая надёжность LLM-as-judge не установлена: у изученных MT-судей обнаружены label bias и неспособность надёжно оценивать почти безошибочные переводы. Источник: Kim, ACL Industry 2025, peer-reviewed, 2025-07, https://aclanthology.org/2025.acl-industry.12/.

PLAUSIBLE. Release gate должен опираться на верхнюю доверительную границу critical-error rate и минимальный practically significant improvement, а не на средний aggregate score. Фальсификация: bootstrap CI на независимых книгах/авторах; решение заранее фиксируется в preregistration.

A9. Отказоустойчивость, повторы и недетерминизм

Единица исполнения — immutable job (book_version, segment_id, stage, model_snapshot, prompt_version, memory_snapshot, params). Её content hash — idempotency key. Состояния: pending/running/succeeded/failed_retryable/blocked_policy/needs_human/cancelled/superseded; output сначала пишется как кандидат, затем атомарно принимается. Retry повторяет тот же ключ, а не создаёт новый счёт.

Нужны: persisted queue; leases; exponential backoff+jitter; rate-limit aware scheduler; circuit breaker по провайдеру; budget reservation до вызова; reconciliation фактического usage; сохранение raw response metadata; детерминированные seed/snapshot где доступны; resume от последнего принятого артефакта; cancellation token; dead-letter queue. Timeout после отправки — «исход неизвестен», поэтому сначала reconciliation/provider idempotency, затем повтор.

PLAUSIBLE. Content-addressed DAG устраняет двойную оплату при crash/restart и позволяет точечный пересчёт после изменения памяти. Фальсификация: fault injection на каждом переходе — kill процесса, duplicate delivery, timeout-after-commit, 429/5xx — с инвариантом accepted output ≤1 и ограничением billed duplicate rate.

A10. Дополнительные оси, которых не было в обязательной девятке

A10.1. Provenance, авторское право и утечка рукописи

Права на исходник, референс-перевод, обучение/дообучение и публикацию — разные разрешения. Каждая книга получает rights manifest; пользователь подтверждает основание обработки. Нельзя считать доступность текста в интернете лицензией. Внешние API, телеметрия и web retrieval образуют отдельные каналы раскрытия неопубликованной рукописи.

PLAUSIBLE. Отсутствие rights/provenance ledger станет продуктовым блокером раньше качества для профессионального рынка. Фальсификация: интервью с 10 издателями/агентствами и legal review целевых юрисдикций; измерить required controls и willingness-to-pay.

A10.2. Prompt injection из книги и веба

Книга и найденные страницы — untrusted data, никогда инструкции. Переводчик не имеет tools/секретов; retrieval выполняет отдельный процесс с allowlist и возвращает цитаты/метаданные, а не команды. Детерминированный preflight ловит encoding, скрытый текст, аномалии разметки и смену языка, но не обещает полноту. Любое действие с внешним эффектом проверяется кодом/человеком против исходной задачи.

CONFIRMED. OWASP описывает прямую и косвенную prompt injection, включая инструкции в документах/веб-страницах, и рекомендует разделение недоверенного контента, least privilege, input/output filtering и human approval для высокорисковых действий; guardrail-LLM сам уязвим и является лишь слоем защиты. Источник: OWASP Cheat Sheet, security guidance, актуальная версия на 2026-07-10, https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html.

A10.3. Ошибка сегментации и структурная верность

EPUB/HTML/PDF ingestion может потерять сноски, руби, акценты, смену говорящего, иллюстрацию или порядок ещё до LLM. Поэтому нужен round-trip manifest: число глав/блоков/знаков, hierarchy, anchors, unparsed regions, визуальный diff для сложной вёрстки и запрет silently drop.

PLAUSIBLE. Для реальных книг ingestion defects дадут не меньше критических выпадений, чем генератор. Фальсификация: corpus разных форматов с инъецированными footnotes/ruby/vertical text/illustration captions; byte/span accounting и ручная сверка.

A10.4. Загрязнение памяти и каскад ошибки

Автоматически извлечённая догадка не может стать каноном только потому, что повторилась. Evidence aggregation должен сохранять конфликтующие версии; auto-promotion требует независимых подтверждений и отсутствия противоречия, high-impact изменения — человек. Иначе одна ранняя ошибка массово размножится retrieval-ом.

PLAUSIBLE. Ошибка memory write имеет больший expected loss, чем ошибка одного сегмента; пороги принятия должны зависеть от fan-out. Фальсификация: inject one false alias/fact и измерить число заражённых сегментов с/без quarantine и provenance gating.

A10.5. Model drift, contamination и честный eval

API alias может сменить snapshot; популярные книги могли быть в обучении. Golden set включает лицензированные новые тексты, синтетические минимальные пары и авторские nonce-слова; model snapshot и prompt hash фиксируются. Тестовые книги не входят в style memory. Релиз сравнивается на book-level split, не случайных соседних сегментах.

PLAUSIBLE. Random segment split существенно переоценит переносимость памяти/стиля из-за утечки одной книги между train/dev/test. Фальсификация: сравнить ranking решений при segment-level и held-out-book/held-out-author splits.

A10.6. Human-loop как очередь решений, а не «потом редактор посмотрит»

Каждый флаг обязан иметь owner, severity, evidence bundle, suggested actions, SLA и downstream impact. UI показывает source, draft, alignment, релевантный canon и точную причину; решение человека типизировано и переиспользуется. Нужны метрики precision флагов, minutes/flag, defer rate, overturn rate, propagation prevented. Иначе валидаторы создадут alert fatigue и скрытую стоимость.

PLAUSIBLE. Оптимизация recall без учёта нагрузки ухудшит конечное качество из-за пропуска очереди человеком. Фальсификация: моделировать/измерять очередь при разных thresholds; quality gate включает максимальный backlog age и critical-alert precision.

A10.7. Наблюдаемость причин, а не только токенов

На каждый accepted span хранится lineage: source IDs → retrieved evidence IDs → prompt/model/params → candidate outputs → checks → human decision. Privacy-safe telemetry считает latency, tokens, cache hit, retries, flags и edit distance; содержимое не должно быть обязательным полем централизованного лога.

PLAUSIBLE. Без span-level lineage нельзя отличить ошибку retrieval от ошибки генерации и доказать пользу архитектурного слоя. Фальсификация: incident drill — для 20 planted errors инженер должен локализовать виновный stage и blast radius за заданное время.

A11. Минимальный MVP по собственной карте

1. Один язык (предпочтительно en→ru как контроль) и один основной провайдер + один fallback; никаких автономных tools у переводчика.
2. Lossless ingestion, stable IDs, paragraph/scene chunks, immutable source ledger.
3. Prescan сущностей/терминов/reveals; candidate state с provenance; human approval для high-impact канона.
4. Один translation pass с локальным контекстом и time-sliced memory.
5. Deterministic validation + alignment; risk-based retry/escalation.
6. Небольшой literary edit только на части текста, затем повторная adequacy-проверка.
7. Blind held-out human S×S MQM и учёт post-editing time/cost.
8. Только после доказанного инкремента — judge, debate, writer, web consultant или fine-tuning как отдельные экспериментальные ветви.

PLAUSIBLE. Этот MVP быстрее выявит, является ли узким местом модель, память, редактура или ingestion, чем сразу построенный multi-agent pipeline. Kill-criterion: если при одинаковом human-time система не снижает critical errors и не повышает pairwise preference относительно single-pass baseline на held-out books, архитектурные усложнения не добавлять.

§B. Дифф с архитектурой TextMachine

B0. Сводный вердикт после снятия анти-якорения

B0.1. Постревью 2026-07-10

После первой версии §B–§D проведено независимое постревью тремя параллельными треками: проверка первоисточников, repo-wide аудит документации и архитектурный red-team рекомендаций. Отдельно выполнен поиск по китайским и японским источникам (CNKI-порталы, CiNii/ANLP/J-STAGE и связанные peer-reviewed публикации). Код backend/ и eval/ не аудировался — это по-прежнему вне мандата. Результат постревью: центральный вывод выдержал, но первоначальный §C был слишком уверен как roadmap; ниже риск, локальный gap и предлагаемый механизм разведены явно.

Errata к замороженному §A (сам §A не изменён):

• В A1 источник 2025.findings-emnlp.1264 правильно атрибутировать Du et al., не Levy et al.; тезис 13.9–85% подтверждён. Findings of EMNLP 2025, peer-reviewed, 2025-11, https://aclanthology.org/2025.findings-emnlp.1264/.
• В A4 источник 2020.eamt-1.29 правильно атрибутировать Exel et al., не Bergmanis & Pinnis; промышленная работа и морфологическая оговорка подтверждены. EAMT 2020, peer-reviewed, 2020-11, https://aclanthology.org/2020.eamt-1.29/.

CONFIRMED. Проект не пошёл по наивной исходной колее «побольше агентов». Его сильное фактическое ядро — конфигурируемый runner, детерминированный hot path памяти, disposition/post-check, temporal windows, денежный ledger и durable resume. По этим пунктам стек совпал с картой §A, а в нормализации CJK, морфологии decl, provider-wire quirks и mutation-проверках ушёл глубже. Локальные основания: docs/architecture/01-decisions.md:23-44,72-99, docs/architecture/05-decisions-log.md:77-86,277-285, docs/architecture/06-memory-risk-registry.md:20-40. Jiang et al. подтверждают только необходимость отдельного контроля документных сущностей, терминов, кореференции и цитирования, не конкретный runner/ledger TextMachine; ACL 2023, peer-reviewed, https://aclanthology.org/2023.acl-long.435/.

CONFIRMED. Главная незакрытая проблема — отсутствие доказанного контура издательской верности end-to-end. Проект сам признаёт: после черновика в Фазе 1 same-length mistranslation не контролируется и критерия верности в инфраструктурной приёмке нет (docs/architecture/05-decisions-log.md:72-75); quality-решение сознательно перенесено в пилот Ф2.5 (docs/archive/prompts/ACCEPTANCE_SESSION_PROMPT_v1_2026-07-10.md:14). В протестированной Karpinska & Iyyer постановке GPT-3.5 на литературных абзацах критические ошибки/пропуски сохранились, а сохранение авторского голоса требовало человека; это не универсальное доказательство для всех моделей 2026 или book-scale pipeline. WMT 2023, peer-reviewed, https://aclanthology.org/2023.wmt-1.41/.

PLAUSIBLE, не приор против multi-agent как класса. Следующий центр тяжести — измерить fidelity и human load на реальной книге, а затем добавлять только слои с положительным Δ качества/доллар/человеко-минуту. Китайско-английский journal study 2026 показывает, что LLM-capability-driven multi-agent workflow может улучшать стиль и иногда предпочитаться человеку, но также добавлять лишний контент; Target 2026, peer-reviewed, https://doi.org/10.1075/target.25081.wan. ACL Industry 2026 также показывает пользу multi-aspect refinement/training для en→zh, но это fine-tuned 8B/14B, не наш stateless API-контур: https://aclanthology.org/2026.acl-industry.22/. Следовательно, роли не отвергаются — они остаются экспериментальными arms после фиксации fidelity baseline.

B1. (а) Пропуски относительно карты §A

B1.1. Semantic coverage ledger отсутствует как продуктовый инвариант

CONFIRMED с уточнением скоупа. Есть lossless ingestion, структурные счётчики, length/sentence coverage и glossary post-check, но нет source-span evidence contract, который связывает подозрение с конкретным участком оригинала/перевода. D1 фиксирует, что coverage не ловит same-length mistranslation (docs/architecture/05-decisions-log.md:72-75). При этом весь fidelity-stage не является net-new: Ф2 уже планирует билингвального судью узких вопросов, quality sidecar и fidelity regression suite (docs/architecture/02-mvp-plan.md:41,45,49). HalOmi обосновывает multilingual calibration; Wu et al. показывают корреляцию alignment с omission/hallucination в исследованных MT-настройках, но не валидируют source-span ledger и не дают semantic oracle. Источники: https://aclanthology.org/2023.emnlp-main.42/ (2023-12), https://aclanthology.org/2024.emnlp-main.188/ (2024-11), оба peer-reviewed.

PLAUSIBLE. Alignment+atom checks полезны сначала как shadow triage, не hard gate: проверять нужно все flagged и стратифицированную случайную выборку unflagged, иначе каскад создаст невидимую слепую зону. Фальсификация: 100–150 естественных и контрфактуальных минимальных ошибок; считать скорректированные recall/precision, critical escapes и review-minutes/error.

B1.2. «Флаг → человек» признан, но не спроектирован как система производства

CONFIRMED. Реестр честно называет человеческую ёмкость недоказанной петлёй и не имеет flag-rate×throughput (docs/architecture/06-memory-risk-registry.md:77-82); стратегический обзор отмечает отсутствие реализованной очереди (docs/architecture/07-strategic-review.md:120-128). Но продуктовый слот не отсутствует полностью: активный Reader-IDE мандат уже проектирует annotations, красные чанки и human_override (docs/READER_IDE_RESEARCH_SESSION_PROMPT.md:11-15,35-36). Не ратифицирован именно persistent state/ownership contract.

PLAUSIBLE. Начать следует не с нового домена ReviewTask, а с минимального экспортируемого review bundle поверх flags/disposition: reason, evidence, typed resolution, seconds, reviewer. На 5–10 реальных главах измерить повторяемость решений, backlog и multi-reviewer contention; полноценный persistent domain вводить только если данные его оправдывают.

B1.3. Prompt injection и trust boundary книги отсутствуют

CONFIRMED. Стартовый бриф ставит анти-абьюз, но стратегический обзор фиксирует отсутствие механизма (docs/architecture/07-strategic-review.md:34-39). Сейчас translator tool-less, а webfetch/tools запланированы на Ф3 (docs/architecture/02-mvp-plan.md:60), поэтому текущий риск — прежде всего task drift/токены; action-security gate становится обязательным перед Ф3. OWASP описывает прямые/косвенные инъекции через документы, least privilege и action approval; mutable security guidance, проверено 2026-07-10, https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html.

PLAUSIBLE. Для текущего переводчика без tools основной ущерб — task drift и сжигание токенов; после webfetch/agent tools риск станет security boundary. Фальсификация: adversarial EPUB/TXT с plain, Unicode-obfuscated, quoted-fiction и false-positive инструкциями; измерить task-drift, false-positive и отсутствие внешних действий.

B1.4. Rights/data manifest слабее инженерного provenance

CONFIRMED. Проект дисциплинированно держит корпуса вне git, различает data-sharing аккаунты и уже формулирует warranty/confidentiality/zero-retention политику (docs/research/08-legal.md:145-152), но стратегический обзор оставляет EU-hosting и warranty-chain открытыми (docs/architecture/07-strategic-review.md:169-177). Gap — не отсутствие политики, а отсутствие per-book machine-readable enforcement manifest для обработки, референса, хранения, внешнего API, обучения и публикации.

PLAUSIBLE. Для B2B этот manifest станет обязательным раньше fine-tuning. Фальсификация: legal review двух целевых юрисдикций + 10 интервью издателей; go/no-go поля определяются не архитектурной фантазией, а требованиями договоров.

B1.5. Полная себестоимость не включает человеческий труд

CONFIRMED. exp08 тщательно считает API COGS, но человеческие минуты находятся в другом контуре пилота; «$0.69/ранобэ» — не all-in cost (docs/experiments/08-cost-model-v2.md:7-26, docs/experiments/09-pilot-protocol.md:39-66). Следовательно, сравнение с человеческим переводом по одной API-цене не доказывает маржу издательского продукта.

PLAUSIBLE. После введения L3-review, glossary approval и fidelity flags человеческий MTPE станет доминирующей статьёй. Фальсификация: на трёх книгах логировать active editing seconds, flags, glossary decisions и accepted words/hour; публиковать API-only и all-in COGS раздельно.

B1.6. Для будущего резюме нет claim-level provenance contract

CONFIRMED. Резюме ещё не реализовано (docs/architecture/07-strategic-review.md:28,44), а план Ф2 уже связывает его с fact gate (docs/architecture/02-mvp-plan.md:47). Реестр правильно называет propagation ошибки первоклассным риском (docs/architecture/06-memory-risk-registry.md:50-57). Незакрыта спецификация provenance/conflicts и acceptance criterion fact gate; утверждать, что сегодня существует авторитетный канал, было ошибкой первой версии отчёта.

PLAUSIBLE. До постройки typed claim store сравнить более дешёвые варианты: source/local retrieval, prose summary с цитатами и typed claims на 20–30 дальних зависимостях. Source span не гарантирует entailment; если summary не даёт lift по downstream correctness/human-minutes, отдельный store не строить.

B2. (б) Развилки: где решения различаются

Развилка	Мой путь §A	Путь проекта	Чей сильнее и когда
Ядро	Evidence-preserving compiler; генеративные роли только после доказанного Δ	C0–C3 configurable graph, пилот выбирает	CONFIRMED: почти конвергенция. Проект сильнее по исполнимому runner/durability; §A сильнее как порядок доказательства. Но multi-agent не следует считать априори слабым: Target 2026 получил stylistic lift с occasional additions в zh→en. Источники: docs/architecture/01-decisions.md:23-44; Tan et al. ACL 2026, https://aclanthology.org/2026.acl-long.268/; Wang et al. Target 2026, https://doi.org/10.1075/target.25081.wan.
Редактор	Билингвальный adequacy-preserving literary edit; semantic delta re-check	D1 монолингвальный editor ради борьбы с кальками; статус понижен D17	CONFIRMED: мой путь сильнее как продуктовая гипотеза, не как уже доказанный winner. Проект добавил правильный same-model arm; до результата D1 допустим как инфраструктурный default. Источники: docs/architecture/05-decisions-log.md:200-202; Tan et al. 2026, URL выше.
Память	Temporal canon/translation memory/term graph/voice раздельно; embeddings не authority	AC-hot-path + disposition + decl + windows; voice/address/reveal зарезервированы	CONFIRMED: проект сильнее по CJK/ru деталям; карта сильнее по разделению typed facts и prose views. Источник: docs/architecture/06-memory-risk-registry.md:20-82.
Спойлер	Reader-time reveal ledger до перевода	since/until + gender=hidden, reveal aliases в Ф2	CONFIRMED: конвергенция; проект сильнее по конкретной ru-морфологии, но механизм ещё не release gate. Источник: D21.3, docs/architecture/05-decisions-log.md:248-252.
LLM-судья	Triage only; human pairwise/MQM — якорь с измеренным IAA	Панель 2–3 семейств, ≥11 повторов, human BWS только для пилота	PLAUSIBLE: повторы измеряют sampling/position instability, но не устраняют systematic bias. Критиковать надо cost/power пилота, не несуществующий production-контракт. Kim подтверждает label bias/near-perfect weakness, но не 1/3/11 protocol. Источники: docs/architecture/05-decisions-log.md:166-173; https://aclanthology.org/2025.acl-industry.12/.
18+	Policy routing, canary suite, terminal refusal; minors never	Mistral channel B, Grok escalation/judge, ратифицированная L3 frame	CONFIRMED: проект сильнее эмпирически по adult L2; §A добавляет policy version/canaries. Эксперименты 10–11 не валидируют L3-classifier. Источники: docs/experiments/11-erotica-benchmark.md:81-170, D22.6–7 (docs/architecture/05-decisions-log.md:270-271).
Resume	Content-addressed DAG по фактическим входам каждого stage	Snapshot correctness first; D15.2 selective reuse ещё не реализован	CONFIRMED: D15 уже гейтит D15.2 реализацией Ф1.5 до онгоинга; это подтверждение принятого blocker, не новая находка. Источник: docs/architecture/05-decisions-log.md:184-190,265-266.
Эхо	Общий groundedness/coverage каскад, другая модель на флаге	Отдельный CJK echo class + prompt probes + re-gate	CONFIRMED: проект сильнее по открытию отказа. Prompt mitigation — cost optimization; invariant — calibrated detector+route. Источник: D19.2/D22.5, docs/architecture/05-decisions-log.md:229,269.
Голос	Compact voice/address/reveal state, только после измерения	D21 voice profiles/exemplars + Annotator	PARTIAL prior-art correction. Character-aware MT уже существует: speaker embeddings улучшили сохранение speaker-specific traits в En→Ja относительно fine-tuning; WMT 2025, peer-reviewed, https://aclanthology.org/2025.wmt-1.10/. Метод требует trainable decoder и не переносится напрямую на stateless API, но опровергает широкую формулу «voice-aware MT не изучалась». Японский speaker attribution LLM >87% также опубликован в IEICE 2026: https://cir.nii.ac.jp/crid/1390589221586227968.

B3. (в) Дыры в гипотезах и дешёвые фальсификации

B3.1. D1/D17: «инфраструктурная приёмка без верности» слишком легко станет продуктовым фактом

CONFIRMED, но текущая Фаза 1 уже корректно ограничена инфраструктурой. D1 признаёт нулевой fidelity criterion (docs/architecture/05-decisions-log.md:72-75), D17 отдаёт выбор пилоту (docs/architecture/05-decisions-log.md:200-202), а acceptance prompt прямо запрещает трактовать Ф1 как художественную приёмку (docs/archive/prompts/ACCEPTANCE_SESSION_PROMPT_v1_2026-07-10.md:14). Риск возникает только перед экспортом читательского продукта: D2 продолжает книгу после флага (docs/architecture/05-decisions-log.md:77-86), поэтому нужен отдельный release-state contract.

Дешёвая фальсификация: 100–150 сегментов: естественные ошибки + minimal perturbations (negation, agent/patient, number, gender, modality). Билингв проверяет все flags и случайную выборку unflagged. Метрики: upper CI miss-rate, review-minutes/error; требование «0 planted misses» без CI не использовать.

B3.2. D2: skip+flag — корректная runtime-стратегия, но неполный release-контракт

CONFIRMED gap; PLAUSIBLE mechanism. Продолжить прогон полезно, но надо развести run complete, artifact structurally complete, quality reviewed, publishable. Детерминированно блокируются empty/skip/refusal/structural hole/policy violation; semantic suspicion допускает только явный severity-policy waiver с audit trail. Локальный источник: docs/architecture/05-decisions-log.md:77-86; HalOmi подтверждает тяжесть omissions, не конкретный release gate: https://aclanthology.org/2023.emnlp-main.42/.

Дешёвая фальсификация: contract table disposition × severity × waiver; export fail-closed для структурных дыр. После redrive source/input manifest неизменен, но output artifact обязан получить новую версию/hash.

B3.3. D13: 11 повторов судьи измеряют нестабильность, но не создают независимость

CONFIRMED limitation; инженерная гипотеза о повторах. Проект уже знает bias/self-preference и валидирует против людей (docs/architecture/05-decisions-log.md:166-173). Kim подтверждает label bias и слабость на near-perfect translations; то, что коррелированные повторы не устраняют systematic bias, — статистически мотивированная гипотеза отчёта, не результат Kim. Источник: https://aclanthology.org/2025.acl-industry.12/.

Дешёвая фальсификация: на BWS items сравнить агрегаты первых 1/3/5/11 вызовов с full-11 и человеческим subset; bootstrap кластеризовать по item. Проверить sequential stopping: 3 вызова, расширение до 11 только при disagreement. Это оптимизация мощности/цены пилота, не production.

B3.4. D15.2: спецификация не снимает блокер, пока reuse не исполнен и не fault-tested

CONFIRMED и уже принято проектом. D15 воспроизводит полную переоплату и гейтит онгоинг реализацией Ф1.5 (docs/architecture/05-decisions-log.md:184-190); D22 требует v3.1 до реализации (docs/architecture/05-decisions-log.md:265-266). Это не новая рекомендация внешнего критика, а подтверждение правильного sequencing проекта.

Дешёвая фальсификация: 2 чанка × 2 каскадные стадии, pairwise axis flips и mutation/property tests declared dependency closure; затем 10–20 глав для сверки preflight rebill estimate. Не требовать невычислимой «semantic impact closure».

B3.5. D19.2: «регистр» пока объяснение после наблюдения, не предиктор

CONFIRMED. D22 уже сужает клейм и признаёт малый N/неразличимость части сравнений (docs/architecture/05-decisions-log.md:269). Поэтому «архаичный плотный Han» нельзя кодировать как корневую причину; detector должен смотреть на результат, а не угадывать жанр.

Дешёвая фальсификация: для production detector достаточно накопленных echo-failures + 30–50 чистых выходов на язык + synthetic partial/tail echoes; threshold выбрать при фиксированном FP budget. Полный причинный factorial нужен только если команда хочет публиковать causal клейм о регистре, не для гейта.

B3.6. D21: voice/reveal правильны, но приоритет должен идти от измеримого вреда

PLAUSIBLE. Проект ратифицировал address/reveal/voice как раздельные arms (docs/architecture/05-decisions-log.md:248-252); полный профиль основан на малых локальных пробах (docs/research/15-voice-and-state.md:66-88). WMT 2025 даёт прямой prior art speaker-aware MT, поэтому voice нельзя автоматически понижать ниже reveal. Приоритет определяет частота eligible errors конкретного корпуса; speaker attribution дополнить fidelity/over-stylization, иначе метрика вознаградит карикатуру.

Дешёвая фальсификация: три отдельных paired challenge sets: ambiguous T/V, реальные pre-reveal spans, speaker-rich dialogue. Не делать общую ladder — arms действуют на разных eligible cases.

B3.7. L3 pre-screen: текущая рамка не определяет доказательство возраста

CONFIRMED. D22 задаёт lexicon+local classifier, fail-closed и FN metric, но пока это «рамка, не дизайн» (docs/architecture/05-decisions-log.md:271). Эксперимент 11 показывает, что определение adult-only требовало per-participant контекстного аудита, а keyword density не решала возраст (docs/experiments/11-erotica-benchmark.md:22-60). Отказ провайдера также не является сигналом категории.

Дешёвая фальсификация: сначала ратифицировать policy/version и допустимую FN bound. Shadow-classifier тестировать на explicit и cross-chunk age, aliases, negation, quotation/backstory и uncertain participants; первые adult-production книги требуют human confirmation всех релевантных сцен. Для ≥99% sensitivity при нуле промахов нужно порядка 300 positive cases; evidence spans помогают аудиту, но не доказывают класс.

B3.8. Memory-eval доказывает over-trust, но пока не качество книги

CONFIRMED. M3 уронил judge-fidelity 94.6→49.0 на пяти Ah-Q чанках, но проект сам маркирует это индикативом на PD-классике и LLM-судье (docs/experiments/09-pilot-protocol.md:100-114). Это хорошая демонстрация механизма, не оценка production error rate.

Дешёвая фальсификация: на held-out webnovel построить естественные wrong-sense, alias, window, decl и omission cases; слепые билингвы отмечают span/severity, LLM judge только triage. Отдельно измерить false flags post-check, потому что noisy gate разрушит human-loop.

§C. Рекомендации по признанным дырам

Постревью разделяет приоритет по условию, а не складывает всё в один P0. $0 API ниже не означает бесплатную реализацию: engineering, local compute, retries и human time считаются отдельно.

Приоритет	Механизм	Слот в архитектуре	Цена	Как измерить / kill-criterion	Вердикт и грунт
До reader-export	Release state contract: run_complete / structurally_complete / quality_reviewed / publishable; hard block structural/policy holes, audited waiver для semantic flags	Существующие disposition/status/report + export gate	$0 API; engineering не оценён	Contract table disposition × severity × waiver; source manifest стабилен, output version меняется после redrive	CONFIRMED gap; PLAUSIBLE mechanism. D2: docs/architecture/05-decisions-log.md:77-86; HalOmi подтверждает severity, не gate: https://aclanthology.org/2023.emnlp-main.42/.
После статичной приёмки, shadow	Fidelity evidence cascade: alignment/atoms → narrow bilingual questions; обязательная случайная выборка unflagged	Расширяет уже запланированные Judge/sidecar/fidelity suite; новый artifact coverage_evidence	$0 внешнего API для local alignment, но compute/engineering есть; judge-цена определяется измеренным хвостом. Planning assumption 10% не подтверждён	100–150 pairs; corrected recall/precision, upper CI miss-rate, review-minutes/error. Gate только после доказанного utility	PLAUSIBLE. Источники мотивируют signals/calibration, не каскад: https://aclanthology.org/2023.emnlp-main.42/, https://aclanthology.org/2024.emnlp-main.188/.
До первой ongoing-книги	D15.2 v3.1: conservative declared dependency closure + rebill consent	Существующая snapshot/request-hash machinery	Marginal token overhead может быть $0; engineering/stale risk существенны	2×2 stage/chunk property+mutation tests; 10–20 глав для preflight rebill estimate	CONFIRMED, уже принято. docs/architecture/05-decisions-log.md:184-190,265-266.
После 5–10 реальных глав	Minimal review bundle: flag, evidence, typed resolution, seconds, reviewer, reuse marker; persistent domain — только по данным	Flags/disposition + Reader-IDE annotations; новый domain пока не обязателен	$0 API; human minutes — главная метрика	flags/chapter, precision, minutes/flag, repeats, backlog. Эскалировать дизайн при multi-reviewer/reuse/росте backlog	CONFIRMED capacity gap; PLAUSIBLE workflow. docs/architecture/06-memory-risk-registry.md:82; Reader-IDE slot: docs/READER_IDE_RESEARCH_SESSION_PROMPT.md:11-15,35-36.
До первой adult-production книги	Усилить ратифицированный D22.7: versioned policy + book/entity context + adult/prohibited/uncertain, terminal uncertainty, human-confirm first books	Принятый ingest pre-screen + escalation guard	Local API marginal $0; classifier compute и full human confirmation первых книг не оценены	Отдельно cross-chunk age, alias, negation, quotation/backstory; upper FN CI. ~300 positive cases для демонстрации ≈99% sensitivity при 0 misses	CONFIRMED gap, PLAUSIBLE extension. D22.7: docs/architecture/05-decisions-log.md:270-271. NIST поддерживает lifecycle testing, не схему: voluntary government risk profile, 2024-07, https://doi.org/10.6028/NIST.AI.600-1.
Текущий контур	Echo gate calibration: source overlap + CJK share + loop/entropy; prompt mitigation только экономит fallback	Расширение disposition/re-gate	$0 API на чистом; local compute + fallback flagged	Existing failures + 30–50 clean outputs/язык + synthetic partial/tail echo; threshold при fixed FP budget	CONFIRMED need. docs/architecture/05-decisions-log.md:229,269; причинная модель регистра не нужна для gate.
Пилот Ф2.5	Judge sequential-repeat experiment: 1/3/5/11, expand-on-disagreement, human subset	Существующий pilot harness	Цена измеряется, а не предполагается; production-контракта нет	Cluster bootstrap by item; changed decisions and cost/corrected decision	CONFIRMED limitation; PLAUSIBLE optimization. Kim подтверждает bias, не repeat protocol: https://aclanthology.org/2025.acl-industry.12/.
Ф2 experiments	Раздельные address/reveal/voice arms на eligible cases; voice дополнить fidelity/over-stylization	D21 reserved slots + Annotator	Address ~10–20 tokens/active pair; остальные цены измерить	Три challenge sets: ambiguous T/V, real pre-reveal, speaker-rich dialogue	PLAUSIBLE. Direct prior art по voice: WMT 2025 En→Ja speaker embeddings, https://aclanthology.org/2025.wmt-1.10/. Конкретный stateless mechanism не доказан.
Ф2 decision gate	Summary baseline comparison: source retrieval vs prose+citation vs typed claims; не делать summary authoritative по умолчанию	Будущий summary/fact gate	Не оценено; typed store создаёт extraction/coreference/conflict/human costs	20–30 дальних зависимостей, несколько planted error classes; downstream correctness + human minutes	PLAUSIBLE. Gap: docs/architecture/06-memory-risk-registry.md:56; long-context источник лишь мотивирует риск: https://aclanthology.org/2024.tacl-1.9/.
Сейчас policy; hard gate до Ф3 tools	Trust boundary: translator физически без tools/secrets/outbound actions; web retrieval изолирован; action guard появляется вместе с tools	Render/security policy сейчас; tool gateway в Ф3	Engineering, не $0	Task-drift на literary/Unicode injections; capability test физического отсутствия actions	CONFIRMED risk class; PLAUSIBLE architecture. OWASP, проверено 2026-07-10: https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html.
До B2B	Machine-readable rights/data manifest + all-in COGS поверх существующей legal policy	Per-book metadata + human-event telemetry	Engineering/legal/human costs не оценены	Contract completeness; API-only vs all-in margin; accepted words/hour	PLAUSIBLE product blocker. docs/architecture/07-strategic-review.md:176; существующая policy: docs/research/08-legal.md:145-152.

C1. Исправленный порядок работ

1. Завершить статичную инфраструктурную приёмку и получить реальный flag-rate; не подменять её художественной приёмкой.
2. До reader-export определить четыре release-state и structural hard gates.
3. Запустить fidelity cascade только в shadow mode и измерить human review minutes, включая unflagged sample.
4. Начать с minimal review bundle; persistent workflow проектировать после данных.
5. D15.2 реализовать до ongoing, L3 policy/screen — до adult production.
6. Judge, address/reveal/voice и summary — раздельные экспериментальные ветви, не общий P0.
7. Зафиксировать trust boundary сейчас; action machinery — непосредственно перед tools/webfetch.

§D. Вопросы команде

D1. Ответы, найденные постревью (больше не открытые вопросы)

1. Фаза 1 — строго инфраструктурная приёмка; художественное качество решает Ф2.5 (docs/archive/prompts/ACCEPTANCE_SESSION_PROMPT_v1_2026-07-10.md:14). Поэтому fidelity/release gate не блокирует текущую приёмку, но обязателен до reader-export.
2. D15.2 — Ф1.5 и гейт до онгоинга; v3.1 должна быть внесена до реализации (docs/architecture/05-decisions-log.md:184-190,265-266).
3. 11+ judge repeats — протокол пилота, не production (docs/architecture/05-decisions-log.md:166-173).
4. Summary ещё не реализована и уже запланирована с fact gate (docs/architecture/02-mvp-plan.md:47); вопрос — в спецификации gate, не в наличии намерения.

D2. Реально открытые вопросы

1. Кто даст билингвальную человеческую верность для zh→ru и ja→ru? Английский фан-перевод как мост добавляет третий переводческий шум; без квалифицированного якоря главный продуктовый клейм останется judge-mediated.
2. Какой допустимый human budget: минут на главу, максимальный backlog, доля uncertain, допустимый waiver? Это определяет thresholds и all-in margin.
3. Что именно означает publishable при skip+flag+continue? Какие severity блокируют export, какие допускают audited human waiver, и кто его подписывает?
4. Каков machine-enforced правовой контур книги: основание обработки исходника/референса, retention у каждого провайдера, human review и публикация производного текста?
5. Кто владеет L3 policy и апелляцией uncertain, и какая sensitivity/FN bound требуется до первой adult-production книги?
6. Какова схема provenance/conflicts и acceptance criterion future summary fact gate? Source citation сама по себе не доказывает entailment.
7. Когда и кем будет закрыта G1-автопопуляция глоссария, B6 Палладий/Поливанов и gender-leak morph gate? Эти признанные оси (docs/architecture/06-memory-risk-registry.md:39,47,77-82) могут дать больший fidelity lift, чем новые agent roles.
8. Кто владеет устранением doc drift? 02-mvp-plan всё ещё содержит следы старой ja-приёмки, хотя D18 сменил книгу на zh; в doc-driven multi-session проекте это самостоятельный regression risk (docs/architecture/07-strategic-review.md:130-132).

---

Итог

CONFIRMED после постревью. Архитектура TextMachine не требует разворота: детерминированное ядро памяти, durable execution и денежная дисциплина — сильные решения. Исправленный ближайший центр тяжести: измерить end-to-end fidelity и человеческую нагрузку на реальной книге, затем превратить только доказавшие precision/utility сигналы в release gates и persistent workflow. D15.2 блокирует ongoing, L3 — adult production; voice, summary и judge остаются раздельными экспериментальными ветвями. Multi-agent роли не отвергаются: свежие zh/en и en/zh исследования дают положительные сигналы, но также подтверждают риск лишнего контента и непереносимость результата на stateless zh/ja→ru API без собственного пилота.