Update

app/core/engine.py

@@ -80,42 +80,34 @@ class DECI_Engine:
         
         # === 2. SCORING POR SEÑAL ===
         
-        # 2.1 Entropy Score (zona Goldilocks 0.50-0.85)
-        if 0.50 <= entropy <= 0.85:
-            s_entropy = 1.0
-        elif 0.35 <= entropy <= 0.95:
-            s_entropy = 0.5
-        else:
-            s_entropy = max(0.05, min(0.5, entropy))
-        
-        # 2.2 CV Score (humanos > 0.30, ideal > 0.50)
-        if cv > 0.50:
-            s_cv = 1.0
-        elif cv > 0.30:
-            s_cv = 0.7
-        elif cv > 0.15:
-            s_cv = 0.3
-        else:
-            s_cv = 0.1
+        # === 2. SCORING POR SEÑAL CONTINUO (Vertex Hardened Layer) ===
+        
+        # 2.1 Entropy Score: Curva Gaussiana suave centrada en 0.70 (Evita saltos de hacha)
+        s_entropy = float(np.exp(-((entropy - 0.70) ** 2) / 0.12)))
+        s_entropy = max(0.05, min(1.0, s_entropy))
+        
+        # 2.2 CV Score: Proporcional y continuo. Si el CV es robusto, el score escala orgánicamente
+        s_cv = float(np.clip(cv / 0.50, 0.1, 1.0))
         
-        # 2.3 Mean IKL Score (velocidad)
-        if 60 <= mean_ikl <= 500:
+        # 2.3 Mean IKL Score: Penalización suave solo en los extremos (Demasiado rápido o lento)
+        if 80 <= mean_ikl <= 350:
             s_mean = 1.0
-        elif 40 <= mean_ikl <= 700:
-            s_mean = 0.5
         else:
-            s_mean = 0.2
+            s_mean = float(np.clip(1.0 - abs(mean_ikl - 215) / 350, 0.2, 1.0))
         
-        # 2.4 Correction Score (con bonus por ráfaga)
-        if 0.02 <= corr_rate <= 0.15:
-            s_corrections = 0.5 + (burst_ratio * 0.5)
-        elif corr_rate > 0:
-            s_corrections = 0.3 + (burst_ratio * 0.2)
+        # 2.4 Correction Score Dinámico (Mitigación de Falsos Positivos en Logins)
+        if corr_rate == 0:
+            if len(events) <= 20:
+                # Si la cadena es corta y no hay errores, evaluamos neutral (0.75) en vez de tratarlo como bot
+                s_corrections = 0.75
+            else:
+                # En textos largos, la ausencia total de errores sí es un patrón clásico de bot / LLM
+                s_corrections = 0.1
         else:
-            s_corrections = 0.05  # Sin correcciones = bot
-        
-        # Limitar el score de correcciones
-        s_corrections = min(1.0, s_corrections)
+            # Si hay correcciones, aplicamos el mapeo continuo con el bonus de ráfaga de DeepSeek
+            s_corrections = 0.4 + (burst_ratio * 0.4) + (corr_rate * 2.0)
+            
+        s_corrections = max(0.1, min(1.0, s_corrections))
         
         # === 3. SCORE FINAL PONDERADO ===
         final_score = (