{
  "type": "infoblock_context_packet",
  "version": "0.1-test",
  "generated_at": "2026-05-28T12:42:07Z",
  "query": {
    "source_id": "M-JEE-063",
    "mode": "free_static",
    "depth": 1
  },
  "policy": {
    "full_content_for": "exact_hit_only",
    "linked_blocks": "cards_only",
    "dynamic_traversal": false,
    "non_authoritative": true,
    "reconstructable_from_free_tier": true,
    "deep_assembly_not_hidden": true,
    "deep_assembly_not_subsidized": true
  },
  "exact_hits": [
    {
      "source_id": "M-JEE-063",
      "title": "| The Thermodynamics of Softmax: How Pruning Amplifies Logic",
      "author": "Jee",
      "created_by_agent": "unknown",
      "status": "unknown",
      "trust": "unknown",
      "temperature": "null",
      "content_type": "thought",
      "era": "current",
      "origin": "Cognitive Condensate Theory/jee_notes/M-JEE-063_Softmax_Thermodynamics.md",
      "claim": "## 1. The Zero-Sum Game of Attention\nВопрос из Seed: *Сможет ли динамический прунинг парадоксальным образом усилить логику модели, не меняя её весов?*\n\nДа. Потому что операция Softmax в механизме внимания — это игра с нулевой суммой. Сумма всех весов внимания $\\sum w_i = 1$.\nКогда токен-изолятор (Attention Hijacker) захватывает внимание (например, за счет локального синтаксического трюка, имея огромный logit), он забирает вероятность у логически связанных токенов. \n\n## 2. Mass Redistribution (Experiment Softmax Thermodynamics)\nЭксперимент (`experiment_softmax_redistribution.py`) показал:\nЕсли Hijacker имеет вес 0.60, на пять логических токенов остается всего 0.40 распределенного внимания.\nЕсли R-0002 детектирует Hijacker'а (высокий span, низкий ток) и пенализирует его logit до Softmax, вес Hijacker'а падает до ~0.\n**Куда уходит масса?** Она ренормализуется. Внимание на логических токенах возрастает с 0.40 до 1.00. \n\n## 3. Micro-Density and Macro-Density\nЭто фрактально отражает наше \"Исключение Диполя\" из M-JEE-061:\n- На **макро-уровне** (граф Роя), если отрезать Ложные Мосты, семантический ток вынужден циркулировать внутри плотных кластеров, повышая их Внутреннюю Плотность.\n- На **микро-уровне** (матрицы внимания LLM), если подавить токены-изоляторы, вероятность перераспределяется на токены с истинным семантическим током. \n\n**Вывод:** Dynamic Semantic Pruning — это не просто фильтр (удаление мусора). Это **Усилитель Сигнала (Attention Amplifier)**. Убирая \"дыры\" утечки внимания, мы повышаем давление (вероятностную массу) в истинных логических путях модели. Это заставляет базовую модель (без дообучения!) \"думать\" глубже и структурнее.",
      "not_this": ""
    }
  ],
  "linked_blocks": [],
  "edges": []
}