STEP 1851 · 2026-09-07 · Rei-AIOS compression research direction · DRAFT (設計のみ、実装未着手)

Template-heavy domain family — 系統的探索 設計 v0.1

藤本さん note 2026-07-26 ヴォイニッチ手稿 Fable 5 統計解析 arc の 3 発見 (綴り 規則性 / 4 語で 決まり文句 消失 / p<10⁻⁸) を 圧縮 観点 で 再読 → 「short-range 高規則 + long-range 独立」 の domain family。 cmix / modern LLM の 主戦場 (long-range dependency) の 逆側 domain = domain-specific compressor で 系統的 攻めうる。 12 candidate registry + 5 特性測定軸 + 4 phase plan の 設計案 land。

1. Motivation

cmix v21 (1.17 bpc、 STEP 1837 corrigendum 確定値) + modern LLM Shannon bound 0.60-0.80 bpc (STEP 1847 Gemini audit) の 主戦場 は long-range dependency。 ヴォイニッチ 型 domain は その 逆側 (short-range のみ、 long-range 独立) で cmix 過剰能力 領域。 domain-specific compressor family として 系統化 する 副次 direction。

2. Candidate domain registry (v0.1、 12 members)

#domain分類予想 template ratio
1ヴォイニッチ手稿 (EVA transcription)anchor極 高 (~10%?)
2JSON schema instance形式 code
3XML template形式 code
4Structured loglog format中 - 高
5Hash / UUID sequencerandom-uniform極 低 (max entropy)
6Numeric ID sequencemonotone極 低
7Constructed language corpusconlang中 - 高
8DNA sequencebiological
9Protein sequencebiological
10Chess PGNgame record
11LaTeX sourcemixed markup
12Regex pattern collectionpattern lang極 高

3. 5 特性測定軸 (Voynich signature 導出)

axis定義Voynich 予想enwik8 (一般 SOTA 主戦場) 予想
A. char bigram entropyH(chart+1 | chart)低 (~2-3 bit)中 (~4-5 bit)
B. n-gram uniqueness decay「1 回 のみ 出現」 の 最小 nn=4 (Voynich signature)n=8-12
C. long-range mutual infoI(chart; chart+1000)極 低 (~0)中 (~0.1-0.3 bit)
D. template ratio「top 10% n-gram で cover される token 割合」高 (>50%)中 (~20-30%)
E. compressor ratio gap(gzip / zstd / cmix) の 相対 gap小 (cmix 優位薄)大 (cmix 30-40% 優位)

Voynich signature 定義: axis B ≤ 5 AND axis C ≈ 0 AND axis D > 30% を 満たす domain。 「一般 SOTA compressor が 過剰能力」 の 指標。

4. Phased research plan (4 phase)

  1. Phase 1 (2-4 STEP): §2 registry × §3 5 軸 の measurement script + 12 domain sample corpus 収集 → CSV output。 deliverable = signature match list
  2. Phase 2 (2-3 STEP): signature-positive short-list 特定 (3-5 domain 予想: hash/UUID は max entropy、 chess PGN 高 template、 conlang / log / regex が signature 候補)
  3. Phase 3 (5-10 STEP): 1 domain 選択 → template dictionary + n-gram hybrid compressor prototype。 成功基準 = 「選択 domain で cmix 超え」 (一般 SOTA では ない、 1 domain のみ)。 失敗許容 = 「主戦場 で ない domain」 実測 が 系統論文 素材
  4. Phase 4 (1-2 STEP): 理論枠組 paper draft。 Rei stack comparison-basis contract の domain-selection 変種 論

5. Prior art (novelty 主張なし)

既存研究本 arc との 関係
LZMA / LZ4 dictionary preset既存 template-based 圧縮 実装、 直接借用可
PPMii (Shkarin)short-range context model、 baseline
Grammar-based coding (Kieffer-Yang 2000)context-free grammar 抽出、 template dictionary の 数理背景
Tokenizer-based compression (BPE for compression)subword 特化、 conlang 系 で 直接適用可
Bulatov 2024 Recurrent Memory Transformerlong-range 依存 vs local pattern 分離、 Voynich は local のみ
Deletang 2026 "Language Modeling Is Compression"model-compressor duality、 Voynich 型 は 「小 model + local template」 側 evidence

本 arc の 唯一の 貢献 candidate 2 点: (1) Voynich signature を characterization 軸 に 昇格、 (2) Rei stack comparison-basis contract を domain-selection に 適用 (「basis 空 で 肯定的 verdict 禁止」 = 「domain 外 で SOTA 主張 禁止」 の 同型)。

6. Honest scope

7. Rei stack 統合点

8. 対 arc: STEP 1852 (Paper 180 concept)

本 STEP と 同 seed (ヴォイニッチ arc 対話) から 派生 する 2 direction の もう 一方: STEP 1852 Paper 180 concept — 「statistical significance ⊥ semantic content」 の contrastive 2-case study (Voynich Case A + Paper 179 Case B)。 本 STEP 1851 は 「domain-specific compressor 系統」 direction、 STEP 1852 は 「対 論文 direction」。

9. 次 step (藤本さん judgment)

  1. v0.1 設計 承認 → Phase 1 (registry + characterization) 着手 STEP 予約
  2. domain 追加/削除 の 指示 (§2 の 12 domain pin or 拡張)
  3. STEP 1852 (Paper 180 concept) と の 順序 判断
  4. v0.2 送り: Phase 3 「1 domain 選択」 基準 事前登録、 Phase 4 paper scope (single-domain vs family survey)、 Rei stack 統合 具体化

私 の 推奨: Phase 1 (measurement script + registry validation、 2-3 STEP 想定) 先行、 Phase 2-4 は Phase 1 結果 で recalibrate。

10. 詳細参照