如果 AI 每秒都要重讀完整世界，那不叫理解。

暴力多模態不是智能

每一幀都讀、整張畫面都讀、每次都用最大深度，只能用更多算力模仿持續理解。它不能證明系統理解連續性、能預測後果，或知道哪些東西已經不必再看。

• 暴力方法 完整畫面 → 完整閱讀 → 昂貴 Provider → 忘記 → 重來。
• APR 變化事件 → 感知需求 → 定向證據 → 有界狀態 → 驗證。

五步省下無效感知

APR 的命題不要求每一秒都保存完整世界。一個完整實作應保存已驗證的內容、追蹤可能發生的變化，只有下一個決策真的缺證據時，才提高觀察成本。

• 變化 先偵測事件或差異，不自動要求完整閱讀。
• 命題 用已驗證狀態建模平常連續性；模型不足時重新觀察。
• 需求 指出未知、過期、矛盾或行動關鍵的事實。
• 閱讀 選擇足夠且最便宜的區域、深度與模態。
• 驗證 行動可能改變世界時，再觀察真實結果。

用戶與投資人真正關心什麼

減少不必要的 Token，通常也意味著更低延遲、更少 API 成本尖峰、更小上下文壓力、更長的持續多模態工作時間，以及不把每個安靜瞬間都當成全新宇宙的擴展能力。

• 用戶 回應更快，多模態陪伴與工作能持續更久。
• 營運 減少無效 Provider 呼叫，預算更容易治理。
• 投資人 從驚豔展示走向可重複的經濟型 Runtime。
• 代理 保存持續證據，不再永遠視覺失憶。

省 Token 只是第一個看得見的結果

APR 同時處理持續世界狀態、證據出處、視覺因果推演、行動閘門、結果驗證與復原。單純壓縮不能告訴代理何時可以安全行動，也不能在現實推翻預測時讓它修正。

目前實作邊界

目前 v0.10 Runtime 尚未能預測任意視覺場景。它已實作事件、證據、世界狀態、感知需求、預算、行動閘門、結果驗證與復原等基礎；學習式視覺因果推演與實測節省幅度仍是後續研究。

不亂報神奇數字

實際節省幅度取決於工作負載、畫面變化率、任務風險、可用結構化訊號與 Provider 定價。APR 用方法移除可避免的感知；最後應由 benchmark 量測，而不是先發明一個萬用數字。