El invariante de subdivisión en la decisión tipada: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio latencia–costo del enrutamiento (JEV / System One)

Subtítulo: Tercera instancia independiente del mismo fundamento teórico — de la formalización SPCiencia a la evidencia industrial de TypeSafe AI / Jev.

Serie: Computación / TGSP SPCiencia 2026 — Invariante-Dominios aplicada al cuello de saturación
Autores: Severo Peguero (investigador principal, SPCiencia), Cursor (IA), Gemini (IA)
Fecha: 28 de septiembre de 2026
Estado: ✅ PAPER CIENTÍFICO — PUBLICADO WEB [EDITORIAL]
Certificación: docs/implementacion_seguridad/evidencia/custodia/MANIFIESTO_PAPER_INVARIANTE_SUBDIVISION_JEV_SYSTEM_ONE_2026-09-28.json
Manuscrito laboratorio: docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_DECISION_TIPADA_JEV_SYSTEM_ONE_SPCIENCIA_2026-09-28.md
Etiquetas: [PAPER][INVARIANTE][DOMINIOS][I_SUB][JEV][TYPESAFE][SYSTEM_ONE][ENRUTAMIENTO][CLASIFICACION][LATENCIA][SPCIENCIA]

Anclas:

Gloria a Dios

"Porque Jehová da la sabiduría, y de su boca viene el conocimiento y la inteligencia." (Proverbios 2:6)

Resumen ejecutivo

Este manuscrito es independiente de los papers de Soup (layer streaming, dominio VRAM) y de kimi-k3-in-c (streaming SSD, dominio RAM), pero no introduce un invariante distinto. Formaliza una tercera instancia de dominio del invariante de subdivisión $I_{\mathrm{sub}}$ ya enunciado por SPCiencia: el cuello no es ya la memoria de pesos, sino la latencia, el costo y la impredecibilidad de formato que aparecen cuando se usa un LLM generativo (autoregresivo, token a token) para tareas que solo exigen decidir — clasificar, enrutar, puntuar, responder sí/no.

La evidencia práctica externa es Jev (TypeSafe AI), presentado como modelo System One: responde primitivas tipadas (Choice, Score, evaluaciones binarias con probabilidad), no prosa libre; reporta latencias del orden de decenas a cientos de milisegundos frente a segundos de un chat frontier usado como clasificador; y se factura de modo que el coste de salida tipada deja de dominar el peaje económico típico de «pedir un párrafo para obtener una etiqueta».

La tesis del paper:

El fundamento teórico $I_{\mathrm{sub}}$ —subdividir la demanda a un cuello de capacidad finita para mantener $\rho < 1$ — precede y explica el hito de Jev/System One. El producto ajeno es evidencia en la práctica de ese fundamento en el dominio $D_{\mathrm{decisión\text{-}enrutamiento\text{-}latencia}}$ , no el origen del invariante ni un producto SPCiencia.

Así se separan: (1) la idea nuestra (Invariante-Dominios + $I_{\mathrm{sub}}$ + intuición IP de integración arquitectónica Sistema 1/2); (2) la evidencia industrial (TypeSafe / Jev / OpenRouter); (3) el dominio distinto respecto a Soup y kimi (decisión tipada frente a pesos en VRAM o RAM).

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

La metodología Invariante-Dominios sostiene que una ley operativa puede conservarse al cruzar escenarios. En el paper de subdivisión frente al cuello (25-sep-2026), SPCiencia enunció:

$I_{\mathrm{sub}} \equiv \text{«subdividir la demanda al cuello de capacidad finita para mantener }\rho < 1\text{»}.$

Con $\rho = \lambda/\mu$ (teoría de colas del cuello von Neumann), Soup ilustró $I_{\mathrm{sub}}$ en fine-tune–VRAM y kimi-k3-in-c en inferencia–RAM/SSD. El presente trabajo no reformula $I_{\mathrm{sub}}$ : lo instancia donde el peaje es el camino caliente de decisión en agentes y flujos empresariales.

1.2 Independencia respecto a Soup y kimi-k3-in-c

Pregunta	Soup	kimi-k3-in-c	Jev (este paper)
¿Qué se subdivide?	Capas del decoder	Experts / tronco desde SSD	Tráfico hacia el LLM caro
Cuello protegido	VRAM	RAM (+ I/O)	Latencia / $ / formato
Fase	Fine-tune	Inferencia frontera	Decisión / enrutamiento
Salida típica	Adaptadores entrenados	Tokens (lento en 8 GB)	Etiqueta tipada + probabilidad

Confundir los tres en un solo paper diluiría el aporte. La novedad aquí es la tercera fila empírica: $I_{\mathrm{sub}}$ no es solo “memoria de pesos”.

1.3 Observación externa detonante

El 28 de septiembre de 2026, el investigador principal aportó el video https://youtu.be/WPQWUXReU-U y un diálogo con Gemini centrado —por orden explícita del IP— en clasificación ultrarrápida y latencia, no en el marketing general del producto. Cursor verificó fuentes públicas: TypeSafe AI (System One Models and Jev); documentación OpenRouter (Decisions API / System One API); reportes de latencia y costo frente a clasificadores basados en Haiku/Opus. Ese material es el caso observado, no la autoría del modelo.

2. Observación / caso empírico

2.1 Qué es Jev (atribución externa)

Según TypeSafe y la documentación comunitaria en OpenRouter, Jev es un modelo de decisión System One: diseñado para puntos de software donde importa una respuesta tipada y accionable (enrutamiento, clasificación, verificación, ranking), no la generación de prosa. No se presenta como LLM conversacional: no devuelve razonamiento en texto libre ni explicaciones narrativas como producto principal; devuelve opciones con probabilidades asociadas a primitivas cerradas.

Campo	Valor (fuentes públicas)
Producto	Jev — TypeSafe AI
Clase	System One decision model
Primitivas típicas	Choice (lista cerrada); Score (escala); evaluación tipo sí/no con probabilidad
Contraste con LLM chat	Sin generación autoregresiva de párrafos para “decidir”
Latencia reportada (orden)	~70–500 ms (TypeSafe); medianas ~100–250 ms en benchmarks de clasificador vs Haiku/Opus en segundos
Costo (narrativa pública)	Orientado a cobrar entrada; salida tipada con peaje de tokens de generación reducido o nulo según tarifa vigente
Acceso típico	API (OpenRouter Decisions / System One; SDKs TypeSafe) — servicio, no motor C local soberano

La letra pequeña que el video puede comprimir: Jev, en la práctica actual, es infraestructura de decisión en red, no un drop-in soberano en laptop como kimi-k3-in-c. Eso no invalida el isomorfismo de principio; delimita el dominio de soberanía.

2.2 Lectura en lenguaje de colas

El cuello clásico, cuando un negocio usa GPT/Claude/Llama para cada ticket:

$\lambda$ : tasa de peticiones que exigen “¿spam?, ¿urgente?, ¿a qué cola?”;
$\mu$ : capacidad efectiva del LLM generativo (tokens/s + cola del proveedor);
cada decisión arrastra generación token a token aunque la respuesta útil sea una etiqueta;
$\rho \to 1$ se manifiesta como latencia de segundos, costo acumulado y riesgo de formato inválido (alucinación de esquema).

Con un System One delante:

la unidad de trabajo en el cuello caro deja de ser “toda petición → frontier”;
$\lambda_{\mathrm{eff}}$ hacia Opus/Haiku baja: solo pasa lo que el clasificador deriva al Sistema 2;
el cuello de decisión tipada opera con $\mu$ mucho mayor en el eje temporal (ms);
$\rho < 1$ en el camino caliente significa: el flujo no se congela esperando prosa para obtener un enum.

En metáfora ya usada en el paper kimi: no se elimina la cola; se cambia de mostrador. Aquí se deja de hacer fila en el mostrador «genera un párrafo para clasificar» y se pasa al mostrador «elige en un pase tipado». La semántica de negocio (la etiqueta) se conserva como contrato de software; el tiempo y el dólar no.

Eso es $I_{\mathrm{sub}}$ : subdividir / filtrar la demanda al recurso finito (el modelo caro y lento para esa tarea).

2.3 Tabla de dominios ampliada (misma $I_{\mathrm{sub}}$ )

Dominio $D$	Qué se subdivide	Cuello protegido	Evidencia
Evidencia append-only	Eventos / flushes	RAM ↔ disco	E2a-S-VN
Colas VN (formal)	Llegadas filtradas	Bus / $\mu_M$	Paper colas 22-sep-2026
Pesos LLM (fine-tune)	Capas	VRAM	Soup
Pesos LLM (inferencia MoE)	Experts + tronco	RAM (+ SSD)	kimi-k3-in-c
Decisión / enrutamiento	Tráfico hacia LLM generativo	Latencia / costo / formato	Jev / System One — este paper

La fila en negrita es el aporte de dominio de este manuscrito.

3. Análisis

3.1 Idea nuestra + evidencia ajena

SPCiencia aporta el marco: Invariante-Dominios, $\rho=\lambda/\mu$ , $I_{\mathrm{sub}}$ , y la lectura de que el olfato del IP —«esto también está en la línea»— acierta cuando el cuello cambia de nombre pero no de estructura. TypeSafe aporta la implementación que hace visible el principio en automatización: decisión tipada en ms frente a clasificar con un chat frontier.

No se reivindica autoría de Jev ni de la API. Se reivindica el reconocimiento de isomorfismo y el cierre de la fila «decisión/enrutamiento».

3.2 La visión IP: integrar el diseño en el sistema

El diálogo IP–Gemini avanzó desde “usar JEV” hacia integración arquitectónica: no solo una herramienta externa, sino un Sistema 1 nativo (filtro/enrutador determinista tipado) acoplado a un Sistema 2 (razonamiento / generación) que solo se activa cuando hace falta. Eso coincide con la gobernanza SPCiencia (no un único modelo para todo; Guardián / BOA / carriles). Jev es evidencia industrial de ese patrón; la visión general (descentralización + doble cerebro) es horizonte, no claim de que SPCiencia ya empaquete Jev en local.

3.3 Tríada del ciclo 25–28 sep 2026

Eje	Soup	kimi-k3-in-c	Jev
Memoria de pesos	Subdivide VRAM	Subdivide RAM vía SSD	—
Camino de decisión	—	—	Subdivide tráfico al LLM caro
Soberanía típica hoy	CLI local posible	Motor C + TB disco	API / gateway
Rol para $I_{\mathrm{sub}}$	1.ª evidencia LLM-train	2.ª evidencia LLM-infer	3.ª evidencia decisión tipada

4. Límites

No es un ensayo SPCiencia medido en laboratorio propio. Latencias y costos se citan de fuentes públicas (TypeSafe, OpenRouter, benchmarks de terceros); no hay acta de reproducción bajo handoff del IP.
Servicio vs soberanía. Jev actual no equivale a “corre offline en la laptop” como kimi-k3-in-c; el principio $I_{\mathrm{sub}}$ vale; la custodia de datos pasa por terceros si se usa la API.
No sustituye Sistema 2. Clasificar ≠ razonar en profundidad ni redactar. Usar Jev donde hace falta Opus es un error de dominio.
Atribución. Divulgación debe nombrar TypeSafe AI / Jev; SPCiencia no apropia el modelo.
Cifras comerciales. Precios y p50/p95 cambian; la tesis es estructural, no un benchmark eterno.

5. Conclusiones

$I_{\mathrm{sub}}$ queda reforzado con al menos tres dominios LLM/ops explícitos: entrenamiento–VRAM (Soup), inferencia–RAM/SSD (kimi-k3-in-c), decisión–latencia/costo (Jev).
Este paper es independiente de los dos anteriores: mismo invariante, otro dominio, otra evidencia.
La contribución propia es el cierre conceptual (idea nuestra + evidencia ajena + visión Sistema 1/2 + límites), no la invención de Jev.
Queda abierto un programa de ensayo SPCiencia y, si procede, un System One soberano local alineado a BOA/Guardián — sin confundir nota de mesa con paper publicado.

6. Trazabilidad

Artefacto	Referencia
Este manuscrito web	`sitio-web-prototipo/src/content/es/papers/PAPER_INVARIANTE_SUBDIVISION_DECISION_TIPADA_JEV_SYSTEM_ONE_SPCIENCIA_2026-09-28.md`
Fundamento Soup	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
Hermano kimi	/papers/invariante-subdivision-inferencia-moe-kimi-k3-in-c-spciencia
Video detonante	https://youtu.be/WPQWUXReU-U
TypeSafe / Jev	https://typesafe.ai/blog/introducing-system-one-models-and-jev
Sesión	IP + Gemini + Cursor, 28-sep-2026

Palabras clave: Invariante-Dominios, $I_{\mathrm{sub}}$ , System One, Jev, TypeSafe, clasificación, enrutamiento, latencia, decisión tipada, colas, SPCiencia, transferencia de dominio

Certificación CAM (SHA-256)

Algoritmo: SHA-256 UTF-8 del cuerpo del documento (excluye esta sección).

Manifiesto de custodia paper: docs/implementacion_seguridad/evidencia/custodia/MANIFIESTO_PAPER_INVARIANTE_SUBDIVISION_JEV_SYSTEM_ONE_2026-09-28.json

Versión	SHA-256
Manuscrito laboratorio	`a25d75d4b67c2f1cf7c77d7de9e669dd9ae20d8f67b067fb0adb23a890beeee6`
Web ES (cuerpo)	`0bede2d2042fd19508cd526e16950ecc3aee7a722798d0c29d550084a34ff1cd`
Web EN (cuerpo)	`4a46451c3f9e8b83a0a580d690cabb23fa5000edb6be01fa858440f39882eaba`
Web RU (cuerpo)	`7e2f521e635a1c9a2ef6be2cd4c2aad173b8c5f45a5f67e23c6881678c2ea0a2`

Publicado en spciencia.com · Autores: Severo Peguero (SPCiencia), Cursor (IA), Gemini (IA)

Question	Soup	kimi-k3-in-c	Jev (this paper)
What is subdivided?	Decoder layers	Experts / trunk from SSD	Traffic toward the expensive LLM
Protected bottleneck	VRAM	RAM (+ I/O)	Latency / $ / format
Phase	Fine-tune	Frontier inference	Decision / routing
Typical output	Trained adapters	Tokens (slow at 8 GB)	Typed label + probability

Field	Value (public sources)
Product	Jev — TypeSafe AI
Class	System One decision model
Typical primitives	Choice (closed list); Score (scale); yes/no-style evaluation with probability
Contrast with chat LLM	No autoregressive paragraph generation to “decide”
Reported latency (order)	~70–500 ms (TypeSafe); classifier medians ~100–250 ms vs Haiku/Opus in seconds
Cost (public narrative)	Oriented to bill input; typed output with reduced or null generative-token toll per current tariff
Typical access	API (OpenRouter Decisions / System One; TypeSafe SDKs) — a service, not a sovereign local C engine

Domain $D$	What is subdivided	Protected bottleneck	Evidence
Append-only evidence	Events / flushes	RAM ↔ disk	E2a-S-VN
VN queues (formal)	Filtered arrivals	Bus / $\mu_M$	Queues paper 22 Sep 2026
LLM weights (fine-tune)	Layers	VRAM	Soup
LLM weights (MoE inference)	Experts + trunk	RAM (+ SSD)	kimi-k3-in-c
Decision / routing	Traffic toward generative LLM	Latency / cost / format	Jev / System One — this paper

Axis	Soup	kimi-k3-in-c	Jev
Weight memory	Subdivides VRAM	Subdivides RAM via SSD	—
Decision path	—	—	Subdivides traffic to the expensive LLM
Typical sovereignty today	Local CLI possible	C engine + TB disk	API / gateway
Role for $I_{\mathrm{sub}}$	1st LLM-train evidence	2nd LLM-infer evidence	3rd typed-decision evidence

Artifact	Reference
This web manuscript	`sitio-web-prototipo/src/content/en/papers/PAPER_INVARIANTE_SUBDIVISION_DECISION_TIPADA_JEV_SYSTEM_ONE_SPCIENCIA_2026-09-28.md`
Soup foundation	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
kimi sibling	/papers/invariante-subdivision-inferencia-moe-kimi-k3-in-c-spciencia
Triggering video	https://youtu.be/WPQWUXReU-U
TypeSafe / Jev	https://typesafe.ai/blog/introducing-system-one-models-and-jev
Session	IP + Gemini + Cursor, 28 Sep 2026

Version	SHA-256
Lab manuscript	`a25d75d4b67c2f1cf7c77d7de9e669dd9ae20d8f67b067fb0adb23a890beeee6`
Web ES (body)	`0bede2d2042fd19508cd526e16950ecc3aee7a722798d0c29d550084a34ff1cd`
Web EN (body)	`4a46451c3f9e8b83a0a580d690cabb23fa5000edb6be01fa858440f39882eaba`
Web RU (body)	`7e2f521e635a1c9a2ef6be2cd4c2aad173b8c5f45a5f67e23c6881678c2ea0a2`

Вопрос	Soup	kimi-k3-in-c	Jev (эта статья)
Что подразделяется?	Слои decoder	Experts / ствол с SSD	Трафик к дорогому LLM
Защищаемое узкое место	VRAM	RAM (+ I/O)	Латентность / $ / формат
Фаза	Fine-tune	Frontier-инференс	Решение / маршрутизация
Типичный выход	Обученные адаптеры	Токены (медленно при 8 GB)	Типизированная метка + вероятность

Поле	Значение (публичные источники)
Продукт	Jev — TypeSafe AI
Класс	System One decision model
Типичные примитивы	Choice (закрытый список); Score (шкала); оценка да/нет с вероятностью
Контраст с chat LLM	Без авторегрессивной генерации абзацев, чтобы «решить»
Латентность (порядок)	~70–500 мс (TypeSafe); медианы классификатора ~100–250 мс против Haiku/Opus в секундах
Стоимость (публичный нарратив)	Ориентир на оплату входа; типизированный выход с уменьшенной или нулевой платой генеративных токенов по текущему тарифу
Типичный доступ	API (OpenRouter Decisions / System One; SDK TypeSafe) — сервис, не суверенный локальный движок C

Домен $D$	Что подразделяется	Защищаемое узкое место	Свидетельство
Append-only доказательства	События / flushes	RAM ↔ диск	E2a-S-VN
Очереди VN (формально)	Отфильтрованные прибытия	Шина / $\mu_M$	Статья об очередях 22 сен 2026
Веса LLM (fine-tune)	Слои	VRAM	Soup
Веса LLM (инференс MoE)	Experts + ствол	RAM (+ SSD)	kimi-k3-in-c
Решение / маршрутизация	Трафик к генеративному LLM	Латентность / стоимость / формат	Jev / System One — эта статья

Ось	Soup	kimi-k3-in-c	Jev
Память весов	Подразделяет VRAM	Подразделяет RAM через SSD	—
Путь решения	—	—	Подразделяет трафик к дорогому LLM
Типичный суверенитет сегодня	Возможен локальный CLI	Движок C + TB диска	API / gateway
Роль для $I_{\mathrm{sub}}$	1-е свидетельство LLM-train	2-е свидетельство LLM-infer	3-е свидетельство типизированного решения

Артефакт	Ссылка
Эта web-рукопись	`sitio-web-prototipo/src/content/ru/papers/PAPER_INVARIANTE_SUBDIVISION_DECISION_TIPADA_JEV_SYSTEM_ONE_SPCIENCIA_2026-09-28.md`
Основание Soup	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
Брат kimi	/papers/invariante-subdivision-inferencia-moe-kimi-k3-in-c-spciencia
Детонирующее видео	https://youtu.be/WPQWUXReU-U
TypeSafe / Jev	https://typesafe.ai/blog/introducing-system-one-models-and-jev
Сессия	IP + Gemini + Cursor, 28 сен 2026

Версия	SHA-256
Лабораторная рукопись	`a25d75d4b67c2f1cf7c77d7de9e669dd9ae20d8f67b067fb0adb23a890beeee6`
Web ES (тело)	`0bede2d2042fd19508cd526e16950ecc3aee7a722798d0c29d550084a34ff1cd`
Web EN (тело)	`4a46451c3f9e8b83a0a580d690cabb23fa5000edb6be01fa858440f39882eaba`
Web RU (тело)	`7e2f521e635a1c9a2ef6be2cd4c2aad173b8c5f45a5f67e23c6881678c2ea0a2`

El invariante de subdivisión en la decisión tipada: evidencia práctica de IsubI_{\mathrm{sub}}Isub​ en el dominio latencia–costo del enrutamiento (JEV / System One)

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

1.2 Independencia respecto a Soup y kimi-k3-in-c

1.3 Observación externa detonante

2. Observación / caso empírico

2.1 Qué es Jev (atribución externa)

2.2 Lectura en lenguaje de colas

2.3 Tabla de dominios ampliada (misma IsubI_{\mathrm{sub}}Isub​)

3. Análisis

3.1 Idea nuestra + evidencia ajena

3.2 La visión IP: integrar el diseño en el sistema

3.3 Tríada del ciclo 25–28 sep 2026

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

El invariante de subdivisión en la decisión tipada: evidencia práctica de IsubI_{\mathrm{sub}}Isub​ en el dominio latencia–costo del enrutamiento (JEV / System One)

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

1.2 Independencia respecto a Soup y kimi-k3-in-c

1.3 Observación externa detonante

2. Observación / caso empírico

2.1 Qué es Jev (atribución externa)

2.2 Lectura en lenguaje de colas

2.3 Tabla de dominios ampliada (misma IsubI_{\mathrm{sub}}Isub​)

3. Análisis

3.1 Idea nuestra + evidencia ajena

3.2 La visión IP: integrar el diseño en el sistema

3.3 Tríada del ciclo 25–28 sep 2026

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

The subdivision invariant in typed decision-making: practical evidence for IsubI_{\mathrm{sub}}Isub​ in the latency–cost routing domain (JEV / System One)

Glory to God

Executive summary

1. Methodological frame

1.1 SPCiencia theoretical foundation (already established)

1.2 Independence from Soup and kimi-k3-in-c

1.3 External triggering observation

2. Observation / empirical case

2.1 What Jev is (external attribution)

2.2 Reading in queueing language

2.3 Expanded domain table (same IsubI_{\mathrm{sub}}Isub​)

3. Analysis

3.1 Our idea + external evidence

3.2 The IP vision: integrate the design into the system

3.3 Triad of the 25–28 Sep 2026 cycle

4. Limits

5. Conclusions

6. Traceability

CAM Certification (SHA-256)

Инвариант подразделения в типизированном решении: практическое свидетельство IsubI_{\mathrm{sub}}Isub​ в домене латентность–стоимость маршрутизации (JEV / System One)

Слава Богу

Резюме

1. Методологическая рамка

1.1 Теоретическое основание SPCiencia (уже установлено)

1.2 Независимость от Soup и kimi-k3-in-c

1.3 Внешнее детонирующее наблюдение

2. Наблюдение / эмпирический случай

2.1 Что такое Jev (внешняя атрибуция)

2.2 Чтение на языке очередей

2.3 Расширенная таблица доменов (тот же IsubI_{\mathrm{sub}}Isub​)

3. Анализ

3.1 Наша идея + чужое свидетельство

3.2 Видение IP: интегрировать дизайн в систему

3.3 Триада цикла 25–28 сен 2026

4. Пределы

5. Выводы

6. Прослеживаемость

Сертификация CAM (SHA-256)

El invariante de subdivisión en la decisión tipada: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio latencia–costo del enrutamiento (JEV / System One)

2.3 Tabla de dominios ampliada (misma $I_{\mathrm{sub}}$ )

El invariante de subdivisión en la decisión tipada: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio latencia–costo del enrutamiento (JEV / System One)

2.3 Tabla de dominios ampliada (misma $I_{\mathrm{sub}}$ )

The subdivision invariant in typed decision-making: practical evidence for $I_{\mathrm{sub}}$ in the latency–cost routing domain (JEV / System One)

2.3 Expanded domain table (same $I_{\mathrm{sub}}$ )

Инвариант подразделения в типизированном решении: практическое свидетельство $I_{\mathrm{sub}}$ в домене латентность–стоимость маршрутизации (JEV / System One)

2.3 Расширенная таблица доменов (тот же $I_{\mathrm{sub}}$ )