Hummingbird-S1 关注的不是让小模型生成更多内容，而是一个更基础的问题：在资源受限的条件下，智能体能否保留真正影响行动的状态，判断何时值得获取更多信息，并把已经学会的策略保存为可执行、可验证、可失效的程序记忆。
在当前阶段，系统最大参数规模为 361,823,523，其中语言模型主干为 SmolLM2-360M-Instruct。研究把因果绑定、在线状态写入、旧技能回放、主动查询和精确规划拆成独立接口，使每一项能力都能够被有限环境精确求解，并被真实执行或反例推翻。
结果先行
在有限诊断环境中，Hummingbird-S1 已形成一条相互衔接的证据链：
- 因果绑定任务在 held-out XML 协议和 cue 反事实上达到 100%；接入固定外部 P2 协议后，raw history 与 typed state 均达到 83.3%，而仅使用 current observation 时保持在 50%。
- Delay-64 任务中，typed state 准确率为 100%，raw history 为 50%；状态 bit 代理减少 96.08%。二元与四元在线状态分别只需 1 bit 和 2 bit，并在既定任务分布下达到零控制失真与零 excess bit。
- 在共享 checkpoint 出现参数干扰后，加入等预算旧技能 replay，使结构动作最差准确率从 writer-only 的 75% 恢复至 100%，同时只使用双 checkpoint 隔离方案一半的参数。
- 主动查询策略在四个闭环 split 上与精确 oracle 的平均差距仅为 4.17–6.25 milli；系统没有选择零信息查询。
这些结果属于 E3 diagnostic：至少三个独立 optimizer seed 在有限诊断环境中稳定复现。它们证明的是机制在明确任务族内成立，而不是自然语言理解、开放世界自主感知或通用智能。
在事件发生时写入最小状态
长程任务常见的做法，是在需要决策时重新扫描全部历史。Hummingbird-S1 采用相反路径：当行动相关的 cue 出现时，立即将最小充分状态写入持久记忆，后续读取不再依赖神经网络重扫上下文。
在 stationary binary mapping 中，在线 action codec 用 1 bit 保存动作索引；扩展到 K=4、episode 内重新映射的环境后，cue writer 用 2 bit 保存身份状态。两个设置在 Delay-64 上均达到 100%，并分别达到任务级率失真下界。相较 retrospective raw scan，二元任务估算推理 FLOPs 降低 90.82%。
这里的“信息论最优”只适用于报告定义的任务分布与 control distortion，不能扩展解释为整个模型接近信息论极限。
学习估计，精确规划，程序执行
直接让语言模型决定何时查询，容易出现过度查询或提前停止。Hummingbird-S1 将这项能力拆为三层：外部编译器生成 typed belief/query 特征；993 参数的微型 MLP 估计候选动作代价；精确动态规划负责合法动作、Bayes 总成本和闭环执行。
四个 split 的 learned cost 为 314.31–335.14 milli，而 stop-only 固定为 500 milli。查询策略随后被编译为有限策略树，并携带 schema、version、read/write set、行为摘要、失效原因和内容 hash。Exact compiler 生成的程序约为 593–595 bit，相对完整策略 prompt 减少 92.8%–95.9%；当 mapping 或 cost 过期时，系统在首次交互前的拒绝率为 100%。
这意味着记忆不再只是不可解释的上下文残留，而是能够执行、校验、回放和主动失效的程序对象。
从有限环境走向真实仓库
在内部真实执行阶段，系统覆盖 16 个源码文件、32 个 mutation、32 个诊断查询和 320 次 Python/unittest 子进程。干净基线通过率、mutation symptom failure 与 diagnostic replay agreement 均为 100%，证明执行协议、诊断成本和回放链路能够接受审计。
随后，研究冻结了一个总计 147 参数的 logistic ensemble，并在 Installer 与 Hyperframe 两个 untouched Python repositories 上进行盲测。两个仓库共覆盖 6 个 seeds、180 pairs 和 18 个 informative query-policy points，仓库宏平均 balanced accuracy 为 94.98%，FAIL recall 为 93.68%，pooled mean/worst normalized regret 分别为 2.20% 和 15.94%。
这部分证据等级仍为 E1 blind：它验证的是同一冻结小型 outcome model 与 exact VoI planner 能在两个独立仓库的窄接口上复现，并不意味着系统已经能够跨仓库自动修复代码。
失败同样决定系统边界
V5 跨仓诊断实验在开发集上表现良好，但冻结到四个新任务域后，12 个 seeds 中没有一个达到完全可识别，mean/worst error 为 45.8%/75%，因此 promotion 被明确否决。
V6 将“正确性 oracle”与“诊断观测”分层后，开发重放的 mean error 降至 14.6%，但 worst error 仍为 50%。下一阶段只有在四个新仓库同时达到至少 80% reachability、3/3 identifiability 和不高于 10% 的 worst error 后，才会启动 300M–1B 端到端训练。
Hummingbird-S1 不是“更大的小模型”。它是一套把因果状态、查询价值和程序记忆转化为可审计证据的研究框架：学习模块负责估计，精确组件守住决策语义，真实执行与失败案例共同定义能力边界。