docs(model-architecture): 线性注意力机制精读与通俗拆解入库（250，I-242）——新开分组、KDA 原型与双 archify 图

CHANGELOG.md

@@ -4,6 +4,12 @@
 
 ## [Unreleased]
 
+### 线性注意力机制精读与通俗拆解入库：新开 model-architecture 分组（250，2026-10-30）
+
+- 新增 [250 精读](docs/research/model-architecture/250-linear-attention-kda.md)（腾讯技术工程《AI Infra进阶：3万字深入理解线性注意力机制》2026-10-29 全文 + Kimi Linear/GDN/DeltaNet 并行化/vLLM 文档/FWP 等 10 个一手信源逐条对账，Devil 论文 ID 勘误 2209.07482→2210.10340）：KV Cache 三重代价 → 门控演进链（每加一个门治一种病：β 治叠账、标量 α 治不淡出、对角 α 治同速遗忘）→ chunk-wise 两级并行（块间仿射 scan + 块内 WY 下三角一次解出）→ hybrid 3:1 兜底与 vLLM v0.32.0 落地三件事（page 对齐 640/前缀缓存块边界/推测解码回退一块）；五规律三争议，字数门 6000 内（5993）。
+- 新开 `docs/research/model-architecture/` 分组（_category_.json position 11）；配套纯标准库原型 [linear_attention_lab.py](docs/research/model-architecture/assets/linear_attention_lab.py)（17 断言全绿：KDA/DeltaNet/GDN 顺序 vs chunk-wise 最大偏差 4.4e-16；D1–D5 破坏实验实测退化）；两张 archify 图四件套入库（`kda--evolution-ladder` workflow、`kda--chunkwise-two-level` dataflow，finalize 四门回执齐）。
+- 登记面：research readme 第十一节、knowledge-map Research 节、mermaid README model-architecture 分节、issue I-242。
+
 ### Automating ML for Science（Agent4Sci）精读与通俗拆解入库（agent-harness 181，2026-10-29）
 
 - 新增 [181 精读](docs/research/agent-harness/181-agent4sci-scientific-hills.md)：arXiv:2610.28763v1 首读（2026-10-20，Anthropic Fellows Program，arXiv perpetual non-exclusive）——20 个已发表科学 ML 基准的长时程爬坡测试台：裸仓库试点 12 任务 5 作弊（四类）催生「标准化+三阶段协议」（封存测试集/独立评测/轨迹审计，120 对三家族审计全一致）；四前沿 agent 全基准全自动改进（Opus +10.4%）但增益以通用工程招式为主（run 方差分层 σ=1.5 vs 19.6、HPO-only 只回收小部分）；三缺陷三技能近翻倍（10.4→20.1，PFDelta 64.4→91.0 物理洞见）；三天长跑反例（洞见门控不随时间来、CarbonGlobe 过拟 −25%）；五规律三争议五批判边界。

docs/.agents/issue.md

@@ -247,6 +247,7 @@
 | I-239 | agent-harness 178 DSA 精读入库：三源首读（repo@4e622643 + 站点 + 论文）+ 五机制原型 + 双 archify 图 + 信源原图 5 张（含交付后增补 4 张批次） | ✅ 已完成 | 2026-10-27 | [详情](#I-239) |
 | I-240 | Dependabot 54 条批量处置：backend 11 包收敛升级（mcp 上界防 2.x）+ katex 0.18 override（rehype-katex 卡 ^0.16）+ fast-uri 全仓 override（根 + 15 分集）+ perceives 七包防 CI 红头 + dismiss 2 条有据告警 | ✅ 已完成 | 2026-10-28 | [详情](#I-240) |
 | I-241 | agent-harness 181 Agent4Sci 精读入库：信源 URL 伪报核验 + 四原图管线 + 首个「评测协议型」精读 | ✅ 已完成 | 2026-10-29 | [详情](#I-241) |
+| I-242 | model-architecture 250 线性注意力精读入库：微信 3 万字长文 + 10 信源对账 + KDA/DeltaNet/GDN 原型（顺序 vs 分块 4.4e-16）+ 双 archify 图 + 新开分组 | ✅ 已完成 | 2026-10-30 | [详情](#I-242) |
 
 ---
 
@@ -5736,3 +5737,20 @@ R7 后浏览器对照 Section 2.1 区域发现两类正交缺陷：
 - **后续防范**：arXiv 类信源入库前一律先核官方 citation 元数据（标题/作者/版本）再采信全文抓取结果；对账摘录一律以快照字节级片段为准，不从记忆复写。
 - **同类问题影响**：所有经 MCP 抓取通道的论文精读（guided-learn 各篇）；机器对账门禁在快照含宏残留时的 bash/awk 命中判定。
 - **注意事项**：webReader 通道不可作为唯一事实源；降采样只改分辨率不改内容，登记表须注明处理方式。
+
+<a id="I-242"></a>
+## I-242：model-architecture 250 线性注意力精读入库（新开分组）
+
+**问题描述**：腾讯技术工程《AI Infra进阶：3万字深入理解线性注意力机制》（2026-10-29）需精读入库：机制密度高（公式 190+ 条内嵌图片 alt、21 配图为懒加载 blob 不可取）、仓库无任何线性注意力既有笔记（需新开分组）、字数门 6000 硬约束。
+
+**表因**：微信公式以图片内嵌且配图不可下载，公式保真与图例保留两难；vLLM/模型表细节全部出自单信源转述，有失真风险。
+
+**根因**：公众号载体把公式当图片、把配图挂懒加载 blob，文本通道天然残缺；产业现状类论断（模型配比/引擎行为）只有厂商一手可核。
+
+**处理方式**：① 公式走「curl 原始 HTML → awk 转写时内嵌 img alt」通道，182 条 LaTeX 完整复原，KaTeX 重排 14 条 display 入正文；② 关键机制改自绘 archify 两图（演进阶梯 workflow + chunk-wise dataflow，finalize 四门全过）；③ Workflow 并行派 6 路信源 reader 通读/锚点级对账（Kimi Linear/GDN/DeltaNet/vLLM/FWP/经典组），勘误 Devil 论文 ID（2209.07482→2210.10340）并钉死 hybrid 实为 3:1 配比；④ 纯标准库原型 17 断言（KDA/DeltaNet/GDN 顺序 vs chunk-wise 最大偏差 4.4e-16）+ D1–D5 破坏实验；⑤ 新开 docs/research/model-architecture/ 分组（250 起编号），登记面四处 + CHANGELOG。
+
+**后续防范**：公众号类信源一律先 curl 原始 HTML 提 img alt 再谈公式保真；reader 回传的 sha256 必须实测复核（本次 3/6 被截断重建）；「配比」类数字以一手论文核对后才可入正文。
+
+**同类问题影响**：后续公众号/图片型公式信源精读（对照 014/181 的 source-figures 管线，本篇是「公式不可取型」的新形态）；archify dataflow 节点上下同列叠放时反馈边几何不可行——砍边改 tag+卡片承载语义（K₂,₂ 判例复用）。
+
+**注意事项**：250 是 model-architecture 分组首篇；lab 字数门沿用 179 的 count_words（上限 6000）。

docs/.agents/knowledge-map.md

@@ -102,3 +102,4 @@
 - [Apple Watch Ultra 4 换货开箱视频项目（influence/live/apple-watch-ultra-4-unboxing）](../../apps/negentropy-influence/live/apple-watch-ultra-4-unboxing/README.md) — **influence 工作区 `live/`（真人实拍项目区）首个项目**（2026-10-10 文字包 v1）：借用 vibe-video ①–⑥ 文字阶段契约（取证底账/策划/逐字稿 SSOT/四级校验/成文优化/分镜六列）移植到实拍制片，生产层换为 A 档 iPhone 三机位 + 多日日程（Day0 首拆一次性镜头链 / Day1–4 使用日记 / DayN 收尾）；分级归因红线（重启=watchOS 27.0 已知已修、掉线=个案）与两段式 ⟨TBD⟩ 定稿点为其真实性核心机制（v2.3 用户校准：换货为同款零售彩盒、官网 14 天退换期）；与 episodes/ 的 Remotion 动画集平级共处、不登记 series.json（实拍片不走 TTS/Remotion/骨架门，check_series 仍扫其死链）
 - [精读：Harness 到 Harness²（179）](../research/agent-harness/179-harness-to-harness2.md) — Harness-Zero（arXiv:2609.24974v1）× Harness²（arXiv:2610.14224v1）双源首读（互不引用、作者零交集、非换代，互补路线对照轴精讲）：P1 agent-as-harness 审阅门（pass/replace 最小改动 + 学生第一人称 + 特权只限读 K）→ SFT 蒸馏进权重、部署卸载（9B 三臂 23.3 < 41.7 < 44.3；监督源消融 K 30 vs oracle 答案 15 vs teacher+h\* 错配 3——采集分≠蒸馏价值；28 模式恢复 82.3%、弱模型审阅反噬 −12.0）；P2 八组件文件化 harness + 对比式 Propose–Probe–Compose（只比不判、证据锚定组合）+ 并行/串行递归与带保留门的改进库（下题从 H₀ 重开、库选择性改编；单步最高 +11.5、递归再涨、去库 −3.1、跨模型迁移 GLM-5 Code +17.3、胜生产 harness +4.6~5.8）；两篇公式链逐条白话、五条规律（资产位置/对比监督/示范可达性/经验保留门/表达边界）三个争议与批判边界（均无独立复现、LLM judge 噪声未量化、组合未实验）；4 张论文原图（CC BY 4.0，TeX 源码包矢量渲染入 source-figures）；配套原型 [harness2_lab.py](../research/agent-harness/assets/harness2_lab.py)（纯标准库确定性，五组破坏实验：D1 恒放行恢复率归零 / D3 盲判分增益噪声化 / D5 无库失去跨任务反哺档）
 - [精读：Automating ML for Science（Agent4Sci）·181](../research/agent-harness/181-agent4sci-scientific-hills.md) — arXiv:2610.28763v1 首读（2026-10-20，Anthropic Fellows Program，arXiv perpetual non-exclusive）：20 个已发表科学 ML 基准的长时程爬坡测试台——裸仓库试点 12 任务 5 作弊（选择性汇报/测试集污染/指标操纵/硬编码四类）催生「标准化+三阶段协议」（封存测试集、双容器隔离、独立评测算分、轨迹审计；120 对三家族审计全一致）；四前沿 agent 全基准全自动改进（Opus +10.4% 领跑、Sonnet 9.6 却 9/20 基准最佳、Gemini 指令失败不罚口径自述偏高）但增益以通用工程招式为主（词云+频次：Opus 56% 调参 44% 架构；run 方差分层：工程型 σ=1.5、洞见型 σ=19.6；HPO-only 只回收小部分）；行为三分（全程迭代/提交等待/摇摆）与三缺陷（新颖性失准/资源闲置/探索塌缩）→ 三张 markdown 插件技能近翻倍（10.4→20.1、4.4→8.1；PFDelta 64.4→91.0=PBL 自监督主损失+GNN 温启动牛顿法；CarbonGlobe 49→<6 GPU 时且推理 ~500×）；三天长跑反例：洞见门控不随时间来（Codex PFDelta 2000 −99.5% vs CarbonGlobe 集成过拟测试 −25%）；五规律（先封缝再测量/分数看成分表/行为剖面即指纹/对症脚手架杠杆/洞见门控）三争议（LLM 审 LLM 循环性/工程洞见分界/窄工况代表性）五批判边界；配套 [agent4sci_lab.py](../research/agent-harness/assets/agent4sci_lab.py)（15 断言 selftest + E1–E5 破坏实验：去封存作弊 Δ% [0,0,0,0]→[0,+31,0,+31] 等）+ 4 张论文原图（source-figures，降采样不改内容）
+- [精读：线性注意力机制（250）](../research/model-architecture/250-linear-attention-kda.md) — 腾讯技术工程《AI Infra进阶：3万字深入理解线性注意力机制》（2026-10-29，微信）全文精读 + 10 个一手信源对账（Kimi Linear arXiv:2510.26692v2/GDN 2412.06464v3/DeltaNet 并行化 2406.06484v6/vLLM v0.32.0 文档/FWP 2102.11174v3 通读，TARR/Devil/GLA/Marconi/ReplaySSM 锚点；Devil 正确 ID 勘误为 2210.10340）：KV Cache 三重代价（显存/带宽/计算线性增长）→ 三路线（稀疏 DSA/压缩 MLA/线性）→ 门控演进链（Linear 2020 叠账 → +短卷积去分母 → DeltaNet 写入门 β 先查旧账只写差额 → GDN 标量遗忘门 → KDA 按通道对角遗忘；训练视角统一解释 β=学习率、α=1−ηλ=权重衰减、delta=残差梯度一步）→ chunk-wise 两级并行（块间仿射 scan + 块内 WY 下三角系统，精确重写无近似）→ 固定容量 hybrid 3:1（K3 69 KDA+24 MLA/GLM-5.3-Flash 34 KDA+11 DSA/Qwen3.8 系 GDN 混合）与 vLLM 落地（state 542,720B 对齐 block 640、[9,9,8,8] 分组、前缀缓存块边界 align、EAGLE 无条件回退一块）；五规律（代数结构定并行上限/门控=在线学习组件/固定容量必混叠/稳定件伴生/算法形态定显存管理）三争议（遗忘粒度/NoPE vs RoPE/线性状态前缀缓存三路线）；配套 linear_attention_lab.py（17 断言：KDA/DeltaNet/GDN 顺序 vs 分块偏差 4.4e-16；D1–D5 破坏实验）与两张 archify 图（kda--evolution-ladder、kda--chunkwise-two-level）；字数门 6000（5993）