End-to-end neural-rule pipeline result; seed-variation script

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

changes-2026-10-14.md

@@ -334,3 +334,4 @@ KNP, validation: `fc_v_plain` 81,0%, `fc_v_augB` 79,5%. Симулятор (2000
 - Тест MNIST (10 000, симулятор): колонки 92,2%, аугментация B 89,3%, **сеть штрихов 94,7%**.
 - Проверка JS против Python (QuickJS, установлен в `~/anvenv` через pip): 105/105 одинаковых ответов на картинках галереи, признаки расходятся максимум на 1 из 255 (округление); весь скрипт страницы разбирается без ошибок.
 - Опубликовано на тот же адрес: https://claude.ai/artifact/Vc1q1WCZuPY2QAHBSGtrKF (версия 2).
+- Всё обучение нейронными правилами (validation): признаки онлайн WTA K=800 (400 000 кусочков, то же выбеливание, `v3_k800_online.npz`) → точная симуляция (10 шагов, порог 108,08; 676 тыс. спайков/картинку) → выход: ridge + калиброванный нейрон 72,9–73,1%; **дофаминовое правило + калиброванный нейрон 69,4–69,8%**. Онлайн-WTA не хуже пакетных k-средних (там 71,8% / 69,3%).

objects/seeds_DE.sh

@@ -0,0 +1,8 @@
+#!/bin/bash
+# Seed variation on validation: D (learned top-256 + columns, punish 0.012, t1600) vs E (v2 sparse HOG, t4000).
+cd /home/int/run/cats-dogs
+for s in 1 2 3; do
+  [ -f seed_D_s$s/metrics.json ] || KNP_COL_PUNISH=0.012 python3 /mnt/c/knp/cats-dogs/run.py seed_D_s$s --data-dir features-v3 --dataset kmeans_top256_validation --train 18000 --count 1000 --threshold 1600 --columns 20 --seed $s --jitter 20 --quant weights > seed_D_s$s.log 2>&1 &
+  [ -f seed_E_s$s/metrics.json ] || env -u KNP_COL_PUNISH python3 /mnt/c/knp/cats-dogs/run.py seed_E_s$s --data-dir features-v2 --dataset sparse_hog_validation --train 4000 --count 1000 --threshold 4000 --columns 20 --seed $s --jitter 20 --quant weights > seed_E_s$s.log 2>&1 &
+done
+wait