VGT-Pro-PCM-50Epochs

这是论文 "Data-Efficient Logical Learning via Piecewise Constrained Geometric Manifolds" 的官方实现仓库与预训练模型。

🚀 模型亮点 (Highlights)

本模型通过 PCM (Piecewise Constraint Manifold) 损失函数 在仅 50 轮的微规模训练下，成功诱导出了刚性逻辑流形：

• 绝对线性： 数字逻辑链 (0-9) 的段内平行度 (GPA) 达到了 1.0000。
• 逻辑坍缩： 成功复现了 4->5 边界的 54.5% 几何坍缩率，编码了进位逻辑。
• 语义吸附： 医学知识（如阿司匹林、心脏、血小板）自动向逻辑流形聚类，展现了零样本因果推理能力。

📊 几何拓扑分布 (Visualizing the Logic)

以下是模型内部 Layer 8 的隐藏层向量投影图。你可以清晰地看到分段线性结构以及医学词汇的结晶现象：

注： 图中的绿色和蓝色虚线分别代表 0-4 和 5-9 的逻辑段，红色实线代表坍缩边界。

🛠️ 如何复现 (Reproduce)

你可以使用配套的 GitHub 仓库 中的代码来加载此权重：

import torch
# 初始化 8 层 VGT-Pro 引擎
model = VGT_8L_Engine(vocab_size=len(vocab)) 
model.load_state_dict(torch.load("vgt_pro_final_ep50.pth"))
model.eval()

🧪 测试样例 (Sample Inference) Prompt: 阿司匹林的作用机制是抑制： Output: 血小板聚集，从而阻止血栓形成。 (展现了完美的因果链闭环)