同一个模型里，可以同时有 referent、effect 与 posterior
标准 grouped / mixed-effects 模型让同一 subject 或 group \(j\) 的观测共享随机效应变量 \(B_j\)，以 \(b\) 表示其 realization：
已知这些 observations 属于 subject \(j\) 后，模型根据 \(\mathcal O_j\) 更新 property-posterior kernel \(P_B\)，再回答该 subject 的新 query：
在 v0.15 的 direct-access 读法中，known subject key 本身就可以承担 resolver：令 \(k=j\)，它把记录稳定地路由到 persistent referent / address \(u(k)\)；\(B_j\) 则对应在该地址上学习或推断的 response-side quantity，而不是 referent 本身。
没有 trusted resolver 时，USL-01 才使用 factual evidence 形成一份 which-unit belief，并让多个外部 response queries 复用它：
在 declared external-query contract 下，这份 belief 只由 \(\mathcal O^F\) 形成一次；query \((x^Q,c^Q)\) 不重新进入 Unit Abduction。直接改变 response 的已知信息必须显式进入 \(c^Q\) 或 fixed-unit response kernel，不能把整包 abductive evidence 无条件回灌。
v0.15 的关键修正：persistent referent / address \(u(k)\) 与 learned numerical content \(u_\theta(k)\) 必须分开。Random-effect realization \(b\) 可以实现 response computation，却不是 individual referent 本身；同样，\(P_B(db\mid\mathcal O_j,J=j)\) 回答“known subject 的 effect 是什么”，不能改名为 \(Q_\phi(du\mid\mathcal O^F)\) 来回答“证据对应哪一个 unit”。
因此，known-subject hierarchical Bayes 最自然的对接不是令 \(u=b\)，而是让 supplied key 解析 \(u(j)\)，再把 effect posterior 保留在 response layer：
这个 direct-access reduction 不运行 Unit Abduction。若 group identity 本身未知，模型才需要另加 linkage / mixture layer；那时，outer which-unit belief 与 inner effect posterior 必须同时保留。
subject key \(j\) 与 effect \(B_j\)
J = jobserved / known group identity in this baselineB_jsubject-specific response parameterP_B(db | O_j, J=j)known-subject effect uncertainty∫ p(y|x,b) P_B(db|O_j,J=j)effect-marginalized predictionreferent / address 与 response content
k → u(k)trusted resolver fixes referent and addressuθ(k)learned embedding, factor, random effect, or parameter blockPθ(dy | x,c,u(k))fixed-unit response law, possibly computed through uθ(k)no Qφ modulewhich-unit uncertainty has already been resolved| 角色 | Mixed-effects | USL-01 v0.15 对接 | 判断 |
|---|---|---|---|
| referent access | supplied subject / group key \(j\) | trusted resolver \(k\mapsto u(k)\) | known-subject baseline 可作为 direct-access specialization |
| response content | random effect \(B_j\) | \(u_\theta(k)\) 或其他 response-side quantity | response algebra 可以类比；content 不等于 referent |
| effect uncertainty | \(P_B(db\mid\mathcal O_j,J=j)\) | 固定 referent 后 response layer 内的不确定性 | 不属于 which-unit uncertainty |
| unit abduction | known-group baseline 不需要 | 没有 resolver 时才形成 \(Q_\phi(du\mid\mathcal O^F)\) | direct access 与 abduction 是两条不同 route |
| predictive operation | 对 effect posterior 积分 | 必要时先在 fixed-unit response layer 积分；identity 未知时再对 unit belief 积分 | 可嵌套，但测度对象不能合并 |
Persistent referent 不等于 learned response content
v0.15 保留一个 unit primitive，但把实现层的两个角色显式分开：\(u(k)\) 是跨 linked events 保持不变的 persistent referent 与稳定 update address；\(u_\theta(k)\) 是 downstream objective 在该地址上学习的 numerical response content，可以是 embedding、preference factor、random effect 或其他 parameter block。
这不是增加第二个 foundational unit。它只是避免把“记录属于谁”与“模型在那个地址学到了什么数值”压成同一个对象。两条 access route 与 response layer 的最小结构是：
这个 response map 不必是 injective；不同 units 可以恰好具有相同的可观测行为：
这是 problem-specification 与 learner-access contract，不是更强的统计模型。它区分 Population、persistent individual、which-unit uncertainty 与 fixed-unit 内仍存在的 response/exogenous uncertainty；它不宣称 unit identity、random-effect coordinates 或 embedding coordinates 可以从 response behavior 唯一恢复。
它带来的统一性
同一个 unit declaration 约束 event attribution、stable address、same-unit query、split、risk 与 generalization；direct access 与 Unit Abduction 只是 learner 获得该 referent 的两条 route。
它仍需守住的边界
Random effects 已经提供成熟的 partial pooling 与 posterior prediction。USL-01 不能把这些既有工具、known-ID routing 或数值表征本身包装成 novelty。
Known ID 消除 unit linkage uncertainty，不必消除 effect uncertainty
当 trusted key \(K=k\) 通过 resolver 确定 \(u(k)\) 时，which-unit conditional 在 referent 上退化为 Dirac；服务路径无需运行 \(Q_\phi\) 模块：
若系统为了统一 API 而写一份 direct-access measure，也只是把它约定为 \(\delta_{u(k)}\)，不是从 records 中重新学习当前是哪一个 unit，更不是对 trainable representation \(u_\theta(k)\) 取 Dirac。
与此同时，hierarchical Bayes 对该 known subject 的 random effect 仍可保留非退化 posterior；其 property-posterior kernel 为：
Trusted resolver 直接固定 referent 与 address；无需运行 unit-abduction module。这不决定是否还要学习或对 response parameters 做 Bayesian inference。
\(j\) 已知而 \(B_j\) 仍不确定：hierarchical Bayes 与 Bayesian matrix factorization 的常见情形。
identity 本身也不确定时，unit-selection belief 与 effect posterior 必须同时表达，不能塞进一个未分型的 \(Q\)。
若再扩展到 identity uncertainty，令 \(P_B(db\mid\mathcal O,U=u_j)\) 表示在候选 referent \(u_j\) 下的 effect-posterior kernel。learner prediction 可以同时保留 outer unit belief 与 inner effect posterior：
这里 \(x^Q\) 是 designed candidate，不进入 selector weights；\(c^Q\) 是单独声明的 direct response context。外层不因 query 改变而重新 abduct Unit。
这个离散式只是 catalog-valued \(U\) 的示意。world-side conditional 应把 outer \(Q_\phi\) 换成 \(P(U=u_j\mid\mathcal O^F)\)；二者只有在学习目标与校准条件明确时才接近。内层 posterior 仍回答 effect 是多少，外层 belief 回答是哪一个 referent。标准 mixed-effects 若让 group identity 也由模型推断，就必须显式增加 linkage / mixture layer；这不属于本页的 known-group baseline。
这对 USL-01 的贡献表述意味着什么？
不能单独作为 novelty
- supplied subject / user key 与稳定 parameter slot；
- random effects、partial pooling 与 hierarchical prior；
- posterior、variational 或 amortized inference；
- 对 latent effect posterior 做 predictive integration；
- embedding、factor、cold-start 或 deterministic lookup。
当前仍需检验的 contribution
- 把 persistent referent 作为 task-declared unit primitive；
- direct unit access 与 Unit Abduction 的显式分离；
- referent/address、learned response content 与各自误差的分离；
- value--access--approximation--identification spine 及 single-row / repeated-linkage consequences。
Known-subject hierarchical Bayes 是 direct-access response modeling 的成熟实例，而不是 USL-01 必须排除的对手。USL-01 当前 proposal 的增量，是把 persistent referent、learner access、response-side content 与 unresolved linkage 放进同一个 unit-centered contract，并要求由具体 theorem、diagnostic 与 experiment 证明这层组织产生了额外价值；novelty 与 empirical value 仍未关闭。
“本质区别”必须通过什么检验？
Direct-access reduction
把 supplied \(j\) 映射为 \(j\mapsto u(j)\)，把 \(B_j\) 留在 response layer；确认 known-subject baseline 无需 \(Q_\phi\)，同时不丢失 effect posterior。
Uncertain-linkage extension
移除 trusted group key，再显式加入 outer which-unit belief；检查它能否与 inner random-effect posterior 共存，而不是把两种 uncertainty 合并。
Formal consequence
独立审查 value--access decomposition、learned-pipeline component error，以及 single-row no-test / repeated-linkage separation是否真的超出一次记号重写。
Address / content invariance
对 \(B_j\) 或 \(u_\theta(k)\) 做等价重参数化；persistent referent 与 event routing 应保持不变，数值坐标不应被误当成 identity。
原始材料入口
你的反馈应该落在哪里？
最关键的是检查 direct-access reduction 是否准确，以及 address/content/abduction 的分离与当前 formal consequences 是否仍能被标准 hierarchical model 完整吸收。请直接写反例、页码、可证伪差异或建议改句。