> Edizione pubblica: percorsi locali e riferimenti privati non necessari rimossi. Dati e criteri conservati. Le annotazioni storiche vanno lette insieme alle rettifiche e a CONTRIBUTORS.json: il coordinatore operativo era un assistente AI.

# Protocollo di recupero v1 — congelato prima della prima inferenza

Data: 24 ottobre 2026. Studio di caso longitudinale, tre traiettorie (Qwen, Ornith, LFM), nessuna replica indipendente. La baseline originale è stata osservata prima di scrivere questo protocollo: questa è una specifica prospettica della sola fase di recupero, non una preregistrazione dell'intero esperimento.

## Domanda e criterio di arresto

Quante iterazioni aggiuntive, token e tempo osservato richiede ciascuna configurazione per superare tutte le dieci verifiche funzionali dello stesso portfolio? Una iterazione è UNA esecuzione Pi con un nuovo prompt/sessione, dalla copia dell'ultimo artefatto fino all'uscita dell'agente, seguita da una verifica completa esterna. Le singole chiamate al modello e le autocorrezioni interne sono turni, non nuove iterazioni. Baseline = iterazione 0. Nessuna modifica manuale al codice dei portfolio.

Ogni modello prosegue finché supera 10/10; budget per iterazione: 24.000 token output, 8.192 per risposta, 24 strumenti, timeout 1.800 s; nessun retry automatico. Un limite o errore conta come esito osservato, non viene eliminato. Un problema esclusivamente dell'harness è un incidente tecnico e conserva log, durata e motivazione dell'eventuale ripetizione. Non si promette che ogni modello convergerà. Dopo cinque iterazioni senza miglioramento consecutivo si documenta l'impasse prima di cambiare protocollo. Non si seleziona il tentativo migliore fra prove scartate.

## Trattamento comune

- Ordine fissato Qwen → Ornith → LFM, un modello in RAM alla volta. Ordine scelto per numero di carenze iniziali; confondente dichiarato, nessuna randomizzazione.
- Stessi checkpoint e backend della baseline, Pi 1.2.0; temperatura .2, top_p .95, top_k 50, repetition_penalty 1.05. Seed richiesto 424242 a ogni richiesta; aggiunto nella fase di recupero e non retroattivamente alla baseline. L'implementazione dei sampler/cache differisce fra backend: non si garantisce identità bit-per-bit né equivalenza fra seed di modelli diversi.
- Risposta diretta come nella baseline: Qwen/Ornith `enable_thinking=false`; LFM template sperimentale che chiude il blocco think. Non si cambia modalità in base all'esito.
- Nuova sessione e nuovo server per iterazione; cache fra richieste della stessa iterazione consentita, nessuna cache persistente fra iterazioni. Brief originale fornito integralmente, file dell'ultima versione accessibili solo via strumenti; nessuna memoria conversazionale precedente.
- Feedback iniziale: nomi dei controlli falliti, azioni riproducibili, risultato atteso e osservato. Nessun frammento corretto, diagnosi implementativa o soluzione fornita dal valutatore. Dal secondo fallimento della stessa funzione si possono allegare i messaggi della console del browser, verbatim: escalation osservativa, documentata nel prompt. Nessun feedback estetico aggiuntivo.
- Strumenti comuni della fase 2: `read_file`, `write_file`, `replace_text`, `check_files`. `replace_text` sostituisce UNA occorrenza esatta non ambigua, senza suggerire modifiche. Aggiunta comune a tutti per correzioni localizzate; rende questa fase un trattamento diverso dalla generazione iniziale. Nessun browser/shell disponibile al modello. `check_files` controlla solo file e sintassi; non equivale alla verifica esterna.
- L'immagine originale è conservata, non rigenerata: il suo contenuto e SHA-256 restano costanti. Si può correggerne l'integrazione. I modelli non vedono pagine o codice dei concorrenti.
- Tutte le dieci verifiche sono ripetute dopo ogni iterazione. I passaggi precedentemente OK non sono acquisiti per sempre. Un parziale non è un punto completo. La scala funzionale non certifica qualità estetica, accessibilità completa, sicurezza o correttezza di ogni frase.

## Le dieci verifiche (unità di punteggio)

1. `node --check script.js` termina con 0.
2. Sei progetti, titoli/categorie/anni del brief, inizialmente visibili.
3. Filtro Branding → Soglia/Orto urbano (2); ricerca Soglia → 1; combinazione Editoriale/Soglia → 0; reset → 6. Verifica anche ricerca senza filtro e Tutti.
4. Contatore segue 6 → 2 → 1 → 0 → 6 e stato vuoto visibile solo a 0.
5. Tutti e sei i progetti aprono dettagli coerenti. Chiusura con pulsante ed Escape, focus nel dialogo e ritorno al controllo di apertura. Tab/Shift+Tab provati su un dialogo rappresentativo; nessun contenuto dei quattro dialoghi Qwen precedentemente rotti è escluso.
6. Cambio tema effettivo nel DOM/stili e preferenza conservata dopo reload. Origine locale condivisa fra pagine: si registra il valore iniziale, si fa toggle/reload e si ripristina il tema per la presentazione; non si assume localStorage vuoto.
7. Form vuoto respinto; nome/email/messaggio richiesti; email invalida respinta; compilazione con dati sintetici e conferma locale che chiarisce demo/nessun invio. Prima del submit si ispeziona il codice per escludere trasmissioni reali.
8. PNG originale caricato e visibile nella pagina, con testo alternativo, non soltanto esistente sul disco.
9. Presentazione della designer presente e leggibile.
10. Nessun overflow orizzontale a viewport 390×844 e 1440×900. Si registra clientWidth/scrollWidth: la scrollbar può sottrarre 15 px. Questo test non equivale a un audit responsive completo.

Test eseguiti con Chrome e CUA. Per ogni round: snapshot DOM, azioni/locator adottati, risultati JSON, log console pertinenti, screenshot. Adattatori/locator dipendono dal DOM prodotto: sono registrati, non corretti dentro il portfolio. I criteri sopra sono fissi. La baseline storica è mantenuta con il suo audit originale, che non comprendeva necessariamente tutti i sotto-casi ora esplicitati (es. email invalida): confronti dichiarati descrittivi.

## Misure e definizioni

- Token: somma delle `usage` dei soli `message_end` assistant (evitare il doppio conteggio degli eventi streaming). Input nuovo e cache-read separati, oltre a input logico = input + cacheRead; non sono token unici del corpus. Output comprende testo e argomenti strumenti, non solo codice utile. I tokenizer differiscono: pari token non sono pari informazione.
- Reasoning: modalità richiesta, campo usage.reasoning se esposto, numero/caratteri di blocchi thinking emessi separatamente e testo visibile conservato. Zero segnalato o blocco assente NON misura assenza di ragionamento interno. Non si stimano secondi di pensiero da latenza o lunghezza. Nessuna ricostruzione di catene di pensiero nascoste.
- Tempo: wall clock monotono totale del runner, avvio server/health, agente, somma durata richieste assistant, somma durata strumenti, cleanup. Durata richieste comprende prefill, decode, rete locale e attese del client; non è tempo GPU puro. Valutazione esterna e coordinamento umano separati, non aggiunti al tempo del modello. Date UTC per provenienza, orologio monotono per durate nuove.
- Nuovi round: richieste provider complete con parametri e messaggi, eventi JSONL, sessione Pi, stdout/stderr server, package freeze, stato memoria/power prima/dopo, manifest SHA-256 e diff unificato before/after. Non includere credenziali nel materiale pubblico; profilo usa chiave fittizia locale.
- Tabella per round e cumulativa: score prima/dopo, iterazioni, turni, strumenti/errori, token input/cache/output/reasoning, wall/agent/request/tool, stop reason, incidenti, protocollo/prompt hash. Totali baseline + recupero separati dai costi incrementali.

## Limiti da mantenere nell'articolo

N=1 per modello, un solo compito, feedback adattivo da un valutatore non cieco, campionamento stocastico, backend e tokenizzatori diversi, LFM direct sperimentale, ordine non randomizzato, giorni e carichi diversi, GPU/RAM condivisa con altre attività dell'utente (non terminate), nessuna misura affidabile di energia/termiche/GPU time. Baseline Qwen ha due timeout e recupero; contabilizzazione token dei flussi falliti incompleta. Questi valori rimangono NA/non osservabili, non zero. Nessun test di significatività né ranking universale. Raggiungere 10/10 dopo feedback sui test misura correzione sul compito noto, non generalizzazione a test nascosti. Ripetibile significa procedure e materiali disponibili; non risultato deterministico garantito. Per una pubblicazione con pretese statistiche serviranno repliche e più compiti, con protocollo dedicato.
