The instruments that keep Mira honestLos instrumentos que mantienen a Mira honesta

Four specialist testers run day and night on a home server. One works numbers and limits, one works permissions and prohibitions, one works steps and deadlines, one works meanings and definitions. Each writes two kinds of test against the real city code: faithful cases the checker must accept, and attack cases built to fool it. Then it scores the checker on every one.Cuatro probadores especialistas corren día y noche en un servidor casero. Uno trabaja números y límites, uno trabaja permisos y prohibiciones, uno trabaja pasos y plazos, uno trabaja significados y definiciones. Cada uno escribe dos tipos de prueba contra el código real de la ciudad: casos fieles que el comprobador debe aceptar, y casos de ataque hechos para engañarlo. Luego califica al comprobador en cada uno.

The counters are large because the fleet never stops: more than 53 million cases scored, close to 14,000 cycles per specialist, on a machine that was 11 days into its run when this was captured. The top strip reads GPU-safe: the fleet shares the computer with other work, inside a watched memory budget, and the board tracks that it stays a good neighbor.Los contadores son grandes porque la flota no para: más de 53 millones de casos calificados, cerca de 14.000 ciclos por especialista, en una máquina que llevaba 11 días encendida cuando se tomó la captura. La franja de arriba dice GPU-safe: la flota comparte la computadora con otros trabajos, dentro de un presupuesto de memoria vigilado, y el tablero verifica que siga siendo buena vecina.

This is not busywork. The fleet found the checker's real gaps: 10 found, 9 fixes merged, every one proposed by the fleet, measured, and approved by a person. And the board says the hard part out loud, in the banner across the top: the checker is no longer the weak point, so cases scored is effort, not progress. The remaining gap lives elsewhere, and the board names where.Esto no es trabajo por trabajar. La flota encontró los vacíos reales del comprobador: 10 encontrados, 9 arreglos incorporados, cada uno propuesto por la flota, medido y aprobado por una persona. Y el tablero dice lo difícil en voz alta, en el aviso de arriba: el comprobador ya no es el punto débil, así que los casos calificados son esfuerzo, no progreso. El vacío que queda vive en otra parte, y el tablero nombra dónde.

When a specialist finds a weakness, it does not touch the checker. It files a patch proposal with evidence: real passages from the code, the reason the checker got them wrong, and how wide the problem runs. On capture day the digest held 12 proposed clusters. Merging is a separate, human step, and the board says so on screen.Cuando un especialista encuentra una debilidad, no toca el comprobador. Presenta una propuesta de parche con evidencia: pasajes reales del código, la razón por la que el comprobador los leyó mal, y qué tan ancho corre el problema. El día de la captura, el resumen tenía 12 grupos propuestos. Incorporarlos es un paso aparte, humano, y el tablero lo dice en pantalla.

The chart at the center of the Learning tab holds the project's two most important lines. The green line is the checker's correctness on the fleet's whole-corpus tests: it climbs to 100 percent. The blue line is the end-to-end score on the 108-question gold set: it ends near 44.3 percent, and some of its moves are drops the ledger calls honest, because they came from making the test harder and fairer, not from the product getting worse.La gráfica al centro de la pestaña Learning tiene las dos líneas más importantes del proyecto. La línea verde es qué tan correcto es el comprobador en las pruebas de la flota sobre todo el corpus: sube hasta 100 por ciento. La línea azul es el resultado de punta a punta sobre el conjunto de oro de 108 preguntas: termina cerca de 44.3 por ciento, y algunas de sus caídas la bitácora las llama honestas, porque vinieron de hacer la prueba más dura y más justa, no de que el producto empeorara.

The board draws the space between the two lines and names it: a 55.7 point gap, the measurement frontier. The checker is correct on law that the gold set does not yet test. So the stated next move is breadth, more cities and a bigger gold set, not more tuning on the same 108 questions.El tablero dibuja el espacio entre las dos líneas y le pone nombre: una brecha de 55.7 puntos, la frontera de medición. El comprobador es correcto sobre ley que el conjunto de oro todavía no examina. Por eso el siguiente paso declarado es amplitud, más ciudades y un conjunto de oro más grande, no más ajustes sobre las mismas 108 preguntas.

Below the chart the board keeps the ledger itself: 23 entries so far, every fix, retraction, and dead end, each with its numbers before and after. The first entry is the day the project stopped grading itself kindly: replacing a shortcut with real retrieval dropped the score from a flattering 100 to an honest 32.1. The ledger calls that the first honest number, and everything since is measured against it.Debajo de la gráfica, el tablero guarda la bitácora misma: 23 entradas hasta ahora, cada arreglo, cada retractación y cada callejón sin salida, cada uno con sus números de antes y de después. La primera entrada es el día en que el proyecto dejó de calificarse con cariño: cambiar un atajo por recuperación real bajó el resultado de un 100 adulador a un 32.1 honesto. La bitácora lo llama el primer número honesto, y todo lo demás se mide contra él.

The dead ends stay on the record next to the wins. One corpus patch reconstructed tables correctly, 552 cells out of 552, and was still thrown out: applied, it produced one wrong rendered citation and lowered the Spanish score, and the gate does not bargain. The entry that mattered most is dated July 29, 2026: wrong citations rendered reached zero in both languages for the first time. It cost one correct English answer, now refused, and the ledger records that cost in the same breath: a manufactured wrong answer is the cardinal sin; a refusal is a coverage loss.Los callejones sin salida quedan en el registro junto a los logros. Un parche del corpus reconstruyó tablas correctamente, 552 celdas de 552, y aun así se descartó: aplicado, produjo una cita equivocada en pantalla y bajó el resultado en español, y la compuerta no negocia. La entrada que más importa tiene fecha del 29 de julio de 2026: las citas de ley equivocadas mostradas llegaron a cero en los dos idiomas por primera vez. Costó una respuesta correcta en inglés, que ahora se rehúsa, y la bitácora anota ese costo en el mismo renglón: una respuesta equivocada fabricada es el pecado capital; una negativa es una pérdida de cobertura.

The eval follows every question through four steps: asked, retrieved, selected, verified. A miss is charged to the step that dropped it, so a good total cannot hide a bad step. A separate auditor hunts the one failure that matters most: an answer that passes every check and still cites the wrong law. Any change that would raise that count is blocked by a hard gate, even when the change would raise the score.La evaluación sigue cada pregunta por cuatro pasos: preguntada, recuperada, seleccionada, verificada. Una falla se le cobra al paso que la dejó caer, así que un buen total no puede esconder un mal paso. Un auditor aparte caza la falla que más importa: una respuesta que pasa todas las revisiones y aun así cita la ley equivocada. Cualquier cambio que subiría ese conteo lo bloquea una compuerta dura, incluso cuando el cambio subiría el puntaje.

The gold answer key is guarded the same way. When 368 borderline table cells were weighed as possible accepted answers, they were judged blind, with no view of the effect on the score: 23 accepted, 345 rejected, and all 16 planted traps rejected. An independent red team then re-derived every call: zero overturns.La clave de respuestas de oro se cuida igual. Cuando 368 celdas de tabla dudosas se pesaron como posibles respuestas aceptadas, se juzgaron a ciegas, sin ver el efecto sobre el puntaje: 23 aceptadas, 345 rechazadas, y las 16 trampas sembradas, rechazadas todas. Un equipo rojo independiente volvió a derivar cada decisión: cero reversiones.

The current numbers, from the eval of July 29, 2026, stated plainly:Los números actuales, de la evaluación del 29 de julio de 2026, dichos sin adornos:

36 of 72 means one question in two gets a verified answer today, and the machine says no to the rest. The session that closed on July 29 started at 31 and 35, with one wrong citation in English and three in Spanish. The wrong citations are gone. The number that moved up is the honest one, not the flattering one.36 de 72 quiere decir que hoy una pregunta de cada dos recibe una respuesta verificada, y a las demás la máquina les dice que no. La sesión que cerró el 29 de julio empezó en 31 y 35, con una cita equivocada en inglés y tres en español. Las citas equivocadas ya no están. El número que subió es el honesto, no el adulador.

One more honest wrinkle, visible in the capture below: most tiles on the Testing tab read n/a. Eval runs are on-demand, and the big tiles fill only from a full run snapshot; the feed behind the tab carries the summary, including the session line you can read at the bottom of the capture. The numbers above are the board's own: they sit in that feed and in the ledger entries of the previous capture. Nothing here was dressed up for visitors, and that includes the tiles.Un pliegue honesto más, visible en la captura de abajo: la mayoría de las casillas de la pestaña Testing dicen n/a. Las evaluaciones corren por encargo, y las casillas grandes solo se llenan con la foto de una corrida completa; el canal detrás de la pestaña lleva el resumen, incluida la línea de la sesión que se puede leer abajo en la captura. Los números de arriba son del tablero mismo: están en ese canal y en las entradas de la bitácora de la captura anterior. Nada aquí se arregló para las visitas, y eso incluye las casillas.

The last instrument is the lab cockpit: the screen where any single answer can be opened up. The capture below is one real run, made for this page on August 4, 2026. The question is gold case g46-a12: how far from the property line does my chicken coop have to be?El último instrumento es la cabina del laboratorio: la pantalla donde cualquier respuesta se puede abrir por dentro. La captura de abajo es una corrida real, hecha para esta página el 4 de agosto de 2026. La pregunta es el caso de oro g46-a12: ¿a qué distancia de la línea de propiedad tiene que estar mi gallinero?

Left: the question, with the gold cases at hand. Middle: exactly what a resident would see: a verified card quoting the law word for word, 20 feet from any property line, 50 feet from any residence other than the owner's, with its section number. Right: the whole trace. The 16 passages retrieval brought back, scored, with the gold rows marked. The two claims the model actually made, one about chicken coops and one about honey bee hives, each holding its quote, its comparator, and its quantity. And under them, the grid of the five checks every claim must pass before anyone sees it:Izquierda: la pregunta, con los casos de oro a la mano. Centro: exactamente lo que vería un vecino: una tarjeta verificada que cita la ley palabra por palabra, 20 pies de cualquier línea de propiedad, 50 pies de cualquier vivienda que no sea la del dueño, con su número de sección. Derecha: el rastro completo. Los 16 pasajes que trajo la recuperación, con puntaje, y las filas de oro marcadas. Las dos afirmaciones que el modelo de verdad hizo, una sobre gallineros y una sobre colmenas de abejas, cada una con su cita, su comparador y su cantidad. Y debajo, la cuadrícula de las cinco revisiones que toda afirmación debe pasar antes de que alguien la vea:

Ten cells in the grid on this screen, ten passed. The checker is plain code, no model inside it, and when any check fails, the answer is withheld. The timing bar is honest about where the seconds go: retrieval 1.3, the model 5.6, verification 0.006. Checking is the cheap part, which is why every answer gets it.Diez celdas en la cuadrícula de esta pantalla, diez pasaron. El comprobador es código simple, sin ningún modelo adentro, y si cualquier revisión no pasa, la respuesta no se muestra. La barra de tiempos es honesta sobre a dónde se van los segundos: recuperación 1.3, el modelo 5.6, verificación 0.006. Comprobar es la parte barata, y por eso toda respuesta la recibe.

Two more things on this one screen. The MATCH mark: the run cited the same provision the gold key accepts, and the cockpit scores that live. And the amber banner: the instrument confessing on its own screen that this provision is known to differ from the city's current code supplement, because the stored copy was compiled February 10, 2020. The checker passed against the stored copy, and the banner says the copy is the thing that is wrong.Dos cosas más en esta misma pantalla. La marca MATCH: la corrida citó la misma disposición que la clave de oro acepta, y la cabina lo califica en vivo. Y el aviso ámbar: el instrumento confesando en su propia pantalla que esta disposición difiere del suplemento vigente del código de la ciudad, porque la copia guardada se compiló el 10 de febrero de 2020. El comprobador pasó contra la copia guardada, y el aviso dice que la copia es lo que está mal.

Mira asks residents to trust its answers. That trust should not rest on this website's word. It should rest on instruments built to catch the machine failing, on numbers that are allowed to drop, and on a ledger that keeps the retractions. The captures are dated so that future ones can be held against them.Mira les pide a los vecinos que confíen en sus respuestas. Esa confianza no debe descansar en la palabra de este sitio. Debe descansar en instrumentos hechos para atrapar a la máquina fallando, en números a los que se les permite bajar, y en una bitácora que guarda las retractaciones. Las capturas llevan fecha para que las futuras se puedan comparar contra estas.