Der aktuelle Stack – geroutete Spezialisten auf dem Gerät
Wo das System im August 2026 steht, zusammengestellt aus meiner Stack-Referenz, meinen Audit-Notizen und Kampagnenregistern. Noch vor dem Deployment und weiter in Bewegung.
Nach v2.0 war „das Modell“ nicht mehr meine Einheit des Fortschritts. Was ich ausliefere, ist ein System: ein gerouteter Stack kalibrierter Experten über dem Warp-Fundament, gespeist von einem Daten-Schwungrad, abgesichert durch eine einzige Testbatterie und Bit für Bit auf dem Gerät gespiegelt. Eine Skizze, die ich schon in v1 geschrieben hatte – „die Zukunft sieht aus wie Unmengen adversarialer XGBoost-Modelle, die geroutet werden“ – entpuppte sich als ungefähr die Architektur, die ich auslieferte, mit der entscheidenden Ergänzung, dass das Routing nach Domäne erfolgt und Priors nach Präzision gestapelt statt gemischt werden.
Anatomie eines Urteils
INPUT IMAGE
│
CLRSignals (computed once)
capture signature · screenshot gate · dims
│
ROUTER — domain detector
hint > flat-UI gate > default(camera)
┌───────────────────┴───────────────────┐
domain = camera domain = screenshot
│ │
WARP BASE (patent core) SCREENSHOT EXPERT
per-tile round-trip residual DINOv2 content head
→ majority = tile-vote (warp is NOT trusted here —
→ weighted = saliency avg it false-fires on recompressed reels)
│
CAMERA FUSION head (XGBoost)
warp.weighted ⊕ DINOv2 ⊕ capture ⊕ sharpness
│
└───────────────────┬───────────────────┘
│
PRIOR STACK (compounds ↓)
capture-present → REAL (dominant: camera physics)
midjourney head → AI (fires only above a
[more specialists] high-precision threshold)
│
FINAL InferenceResult
weighted = compounded P → label · majority = warp anchor
specialists[] = every contribution, surfaced in the UIIch melde immer zwei Zahlen, und ich habe die Lücke zwischen ihnen so entworfen, dass sie lesbar ist:
majority– die Kachelabstimmung des Warp. Das reine Kameraphysik-Fundament, der Patentanker. Wird nie überschrieben.weighted– der zusammengesetzte Score, aus dem das Label gelesen wird: Warp → Fusion → Priors.
Wenn sie auseinanderlaufen, hat ein Spezialist das Urteil von der rohen Physik wegbewegt – und die Oberfläche zeigt genau, welcher. Das ist Stapeln, nicht Mischen: Ich habe gemessen, wie ein naiver Feature-Kombinierer die Falsch-Positiv-Rate bei echten Bildern von 8 % auf 50–92 % verschlechterte, während kalibrierte Ausgaben pro Spezialist mit hochpräzisen Priors sie bei ~0 % halten.
Was jede Schicht ehrlich wert ist
Ein Permutations-Audit Schicht für Schicht erlaubte mir, jeder Komponente gemessene Grenzen zu setzen:
- Warp-Majority allein: ein schwacher Sensordetektor, physikalisch gedeckelt bei AUC ≈ 0,78–0,8 bei jeder Eingabegröße – robust gegenüber der Darbietung (kein Auflösungsrauschboden bis hinunter zu kleinen Eingaben), aber deckelbegrenzt. Er ist der Anker, nicht das Urteil.
- Basiswahrscheinlichkeit der Fusion: 0,94–0,97 mit ~0 % Falsch-Positiven bei echten Kameras – die Basis war bereits gehärtet; meine Gewinne liegen in den Daten, nicht in Warp-Feinjustierungen.
- Downscale-Fragilität gehört zum Capture-Kanal (86 % der Urteilswechsel zwischen benachbarten Stufen), nicht zum Warp (5 %) – also setze ich meine Robustheitsarbeit dort an, wo die Wechsel sind.
Das Schwungrad – Abdeckung als Betriebssystem
Ich habe die Schlussfolgerung aus v2.0 („Generalisierung = Daten in der Verteilung“) in Infrastruktur verwandelt:
daily scrape → ingest AS FEATURES → weekly warm-start retrain → STAGE → full battery → promote- Feature Store, keine Bilder. Alle meine Retrainings lesen gespeicherte Feature-Vektoren (DINOv2-Embeddings, Warp-Skalare, Capture-Features); Bilder sind flüchtig. NSFW-Bildmaterial lösche ich komplett und bewahre nur Features auf – eine Haltung zu Datenschutz und Haftung, nicht bloß Hygiene.
- Warm-Start trägt. Den eingesetzten Booster auf neuen Generierungen fortzusetzen hob den Recall am blinden Fleck von 86 % auf 99 % und erhielt dabei fragile Entscheidungsgrenzen; Retrainings aus dem Store von Grund auf konnten diese Grenzen bei mir fünfmal nicht reproduzieren. Das eingesetzte Modell ist ein Artefakt seiner Geschichte.
- Eine Batterie. Eine einzelne Spezifikation samt Runner über einen festen Satz von Ankerfällen ersetzte die vier divergierenden Gate-Implementierungen, die ich angesammelt hatte. Mein Grundgesetz: volle Batterie nach jedem Promote – eingeführt, nachdem mir ein Fehler im Promote-Pfad ein stilles Deployment ohne Wirkung ausgeliefert hatte.
- Heads sind die Skalierungseinheit. Ein neuer Spezialist = ein linearer Head auf dem gemeinsamen DINOv2-Embedding + ein Prior-Eintrag. Ich trainiere keine Basis neu und fasse keinen anderen Head an. Ein paar Kilobyte an Priors pro Generator-Familie.
Ein Hinweis zu den Daten. Das Schwungrad sammelt öffentlich gepostete Medien, um zu lernen, wie generierte Bilder in freier Wildbahn aussehen. Bilder sind flüchtig, nur abgeleitete Feature-Vektoren werden gespeichert, nichts wird reproduziert oder zurückgespielt, und das Ergebnis ist ein Urteil über ein Bild – nie ein neues Werk, das aus dem eines anderen gebaut wurde. Das ist die Linie, die ich in Fair Use ziehe.
Die Wendung zur Herkunft
Die zweite Folge von v2.0: Wenn Invarianz im Pixelraum begrenzt ist, sollte ich dorthin wechseln, wo das Signal stärker ist.
- Container-Herkunft (v2.3). Die Struktur des JPEG-Containers selbst auf Byte-Ebene signiert rohe Kameraaufnahmen mit AUC 0,998 (0,993 ohne Metadaten). Kein KI-Detektor – eine Vertrauensstufe. Sie bildet mit der Capture-Signatur die Seite „das ist ein Kamera-Original“ des Produkts.
- Capture-present als dominanter Prior. Echte Reels behalten die Sensorsignatur in ~83 % der Fälle; KI-Reels in ~0 %. Als Prior statt als Feature ist sie die entscheidendste einzelne Komponente im Stack – und ein entschiedener Feldfall lehrte mich das Korollar: Als der Stack recht hatte und meine Oberfläche stattdessen die rohe Physik-Abstimmung zeigte, wäre das zusammengesetzte Urteil das gewesen, was ich hätte zeigen sollen.
Die aktuelle Forschungsfront (v2.4 → v2.7)
- v2.4 – das ausgelieferte Regime. Eine schlankere, gehärtete Warp-Konfiguration unter einem Fusions-Head bei Bild-AUC 0,922, mit exakter Python↔Swift-Parität (bis hinunter zu Fallstricken bei Faltungskernen und Winkelkonventionen).
- v2.6 – Richtungssignaturen. Mein Konzept der Richtungsantwort pro Kachel erzielte einen 4-fach replizierten externen Gewinn (+0,13) bei den härtesten Wild-Negativen und überstand dann eine Kopplungsanalyse mit echter Parität vor der Auslieferung – und hielt.
- v2.7 – WarpGAN. Ein pix2pix-Student destilliert das Feld der Warp-Kachelwahrscheinlichkeiten (das erste ONNX-Modell im Repo). Der GAN-Student schlug seinen Lehrer (Majority 0,770 vs. 0,755), und seine Aggregation über die mittlere Wahrscheinlichkeit durchbrach die Warp-Decke – damit wurde Aggregation, nicht Epochen, mein nächster Hebel. Den Weg der Anomalieerkennung (One-Class-GANomaly auf Kacheln) widerlegte ich bei 0,526: Kachelübergreifender Kontext und Supervision tragen beide.
- Wahrheit aus der Wildnis. Ein Live-X-(Twitter-)Harness mit menschlich entschiedener Ground Truth (~1.088 Medien) hält meine Batterie ehrlich – einschließlich der demütigenden Entscheidung, bei der sich mein eigener Anker „KI-Löwe“ als echte Fotografie von Atif Saeed aus dem Jahr 2015 herausstellte. Die Wahrheitskorrektur, die danach ausgeliefert wurde, bestand die volle Batterie, wobei der härteste echte Anker erstmals bestand.
Auf dem Gerät
Der gesamte Stack wird in einem MLX-Swift-Paket ausgeliefert: Ich habe DINOv2 in MLX neu implementiert, die Warp-Pipeline mit cv2-exakter Treue portiert und Fusion + Heads als Ressourcen in einem gemeinsamen Paket für macOS und iOS gebündelt. Jede Schicht ist kommerziell sauber: Warp, Capture, Container und Gates sind meine; DINOv2 und XGBoost stehen unter Apache-2.0; MLX unter MIT. Urteile werden auf der Hardware des Nutzers berechnet – kein Bild muss je das Gerät verlassen, was, wie ich in Kapitel 7 argumentiere, kein Implementierungsdetail ist, sondern der Punkt.
Sie können diesen Stack selbst nutzen unter obscur.rao.nyc – dasselbe Routing, dieselben Priors, dieselben zwei oben beschriebenen Zahlen.
Aber alles hier hat bisher nur meine eigene Batterie bestanden. Nichts davon ist einem ordentlichen Deployment begegnet – echte Nutzer, echte Gegner, echtes Volumen –, und das ist eine andere Klasse von Problemen als die in diesem Kapitel. Es ist auch das nächste.