# Bilder i OKF-bundles, trinn 1: de bæres (0.10.0)

Ordre `20260916T050910Z-1628427832-from-.claude`, trinn 1 av 2. Trinn 2
(`okf describe`, Claude vision) er ikke i denne leveransen og ikke i denne
rapporten.

Utgangspunktet er operatørens premiss, ordrett: «det som ender opp i en bundle
etter en prosess med å konvertere X antall kilder MÅ være 100 % riktig».

---

## § 0 Premissene målt først

Ordren oppgir hva PM målte i dette repoet og ber om at det gjentas
(Verifiseringsloven, ansikt 3). Målt på `332961a`, 2026-09-16:

| Påstand | Målt her | Status |
| --- | --- | --- |
| Ingen leser henter, navngir eller kopierer et bilde | `page.images` og `extract_table`: **0 treff** i `src/`. `handle_starttag` leser aldri `attrs` (`extract.py`). `<graphic>` forekommer ikke i XML-leseren. `page.to_image` finnes kun inne i OCR-grenen | **Bekreftet** |
| Eneste skriver er `write_bytes(..., content: str)` | Ja, UTF-8, ingen binær skrivesti | **Bekreftet** |
| 108 grep-treff over 23 filer | Målt her: **127 treff over 12 filer** med `grep -rIEn` over `src/*.py` | **Avviker** — PMs kommando er ikke oppgitt, så tallene er ikke sammenliknbare. Substansen (ingen treff er en bildeleser) er bekreftet ved gjennomlesing av alle 127 |
| SPEC er taus om binære filer | `_okf-canonical` `ad30107`: § 3 «a directory tree of markdown files», § 11 punkt 1 scoper til `.md`, § 6.3 er en konvensjon | **Bekreftet** |

To premisser i ordren er **ikke** reprodusert og er merket som det: «84 filer i
kildezip-ens `graphics/`» — katalogen jeg har lesetilgang til
(`~/repos/vegnormal-okf/build/860019-html/graphics`) holder **109 filer**, og
XML-en refererer **50** av dem. Det er en annen artefakt enn zip-en ordren
siterer, ikke en motsigelse.

R761-målingen som utløste ordren er ikke etterprøvd her i sin helhet; det jeg
målte selv er at side 496 i PDF-en bærer **2 DCTDecode-bilder** rett under
teksten «Tabell 84-2:», og at hele dokumentet bærer **50 bildeobjekter på 38 av
701 sider**, fordelt **29 DCTDecode / 21 FlateDecode** — samme antall som
NISO-STS-leveransens 50 `<graphic>`.

---

## § 1 Gaten, skrevet rød først

`tests/test_asset_gate.py`, skrevet før én linje kapabilitetskode. Nevneren
leses ut av **kilden** (`page.images`, `word/media/`, `ppt/media/`, `<img`,
`<graphic`), aldri fra en konstant i dette repoet — en konstant er repoet som
påstår sin egen forventning, og den blir gal i det en fixture regenereres.

Målt på `332961a`, bygget fra `git archive` og ikke fra arbeidstreet (et
editable install leser `src/` live, så en «før»-kjøring i dette treet ville målt
endringen den skulle gå forut for):

```
carried 0 of 2 local (2 declared)  prosess-84-tabell.pdf
carried 0 of 1 local (1 declared)  prosess-84-notat.docx
carried 0 of 1 local (1 declared)  prosess-84-presentasjon.pptx
carried 0 of 2 local (3 declared)  prosess-84-web.html
carried 0 of 2 local (2 declared)  prosess-84-sts.xml
---------------------------------------------------------------
carried 0 of 8 local images across 5 documents (9 declared),
and the bundle held no assets/ directory at all.
```

Etter trinn 1: **8 av 8**, og det niende (en `https://`-kilde) er en peker uten
fil, talt som funnet-og-ikke-båret.

**En fixture-defekt gaten fant selv:** de fem dokumentene het først
`prosess-84.{pdf,docx,pptx,html,xml}`. Dørens egen § 3-kollisjonsregel refuserte
to av dem (`inbox_slug_collision: 2/7`), så to lesere ble aldri kjørt og gaten
rapporterte en bæredefekt som i virkeligheten var en fixturedefekt. Fem
forskjellige stammer nå.

---

## § 2 Hva som ble bygget

**Fem lesere PLASSERER, én modul BESTEMMER.** `llm_ingestion_okf.assets` eier
hva et bilde er, hva det heter og hvordan det pekes på; leserne vet bare hvor i
sitt eget dokument bildet står og hva kilden kaller det.

| Rad | Hvor bildet hentes | Etikett |
| --- | --- | --- |
| `.pdf` | bilde-XObjects på siden (`page.images`) | ingen — PDF har intet captionsfelt |
| `.docx` `.pptx` `.odt` `.rtf` | konverterens `--extract-media` | `descr`/alt fra containeren |
| `.html` `.htm` | `<img src alt>`, lokal sti eller `data:`-URI | `alt` |
| `.xml` | `<graphic xlink:href>`, href-en og så `graphics/<navn>` | ingen — STS har intet captionsfelt her |

`.xlsx` er **bevisst ikke** en rad: konverteren skriver én pipe-tabell per ark,
og en toradersblokk inne i en slik tabell ville brutt rad-lokatoren
`source_rows` leses tilbake ut av. Målt 2026-09-16: **0 av 4** K2-arbeidsbøker
bærer media i det hele tatt, så raden er en uttalt grense og ikke et tap.

**Etiketten gjettes ikke.** To av de fire formatene har intet captionselement —
verken et PDF-bildeobjekt eller en STS-`<graphic>` bærer ett, og «Figur 11.1
…»-linja et menneske leser er en søsken-`<p>` leseren allerede emitterer på egen
linje. Å utlede en etikett fra nærmeste linje ville vært en umerket heuristikk.

**Layouten.** `assets/` i bundle-rota,
`<sha256[:12]>-<kildens eget BASENAVN><snuset suffiks>`. I konseptet, der bildet
sto:

```markdown
![Tabell 84-2 Toleranseklasser](/assets/e54e5f5da0e8-tabell-84-2.png)
Image: graphics/tabell-84-2.png (120x90 px) -- Tabell 84-2 Toleranseklasser
```

Basenavnet og ikke stien: målt på fixture-innboksen ble ett bilde skrevet
**to ganger under to navn i én kjøring**, fordi HTML-dokumentet peker på
`graphics/figur-84-1.png` og STS-dokumentet på `figur-84-1.png` — med digesten i
begge navnene som annonserte at bytene var like. Stien er en egenskap ved
pekeren, ikke ved bildet, og hele originalen overlever på pekerens egen linje.

**Typen snuses, aldri påstås.** En `.jpg` som i virkeligheten er en PNG bæres som
PNG under et `.png`-navn; alternativet er en bundle hvis filnavn er uenige med
sitt eget innhold.

---

## § 3 PDF: to ruter, og hvorfor rasterisering ble felt

`get_data()` kjører hver filter pdfminer kjenner og stopper ved bildekodekene, så
en `DCTDecode`-strøm kommer tilbake som en ferdig JPEG og en `FlateDecode`-strøm
som rå sampler. **Ruten velges av BYTENE, ikke av filternavnet:** snus resultatet
som et bildeformat, bæres det ordrett; ellers kodes samplene til PNG med
stdlib-`zlib`.

Måling som begrunner det: R761 har **29 av 50** DCTDecode og **21** FlateDecode.
Over det 33-dokumenters K2-korpuset er populasjonen **4 828 objekter**, og
filtrene er blandet nok (`FlateDecode`, `DCTDecode`, `JPXDecode`,
`ASCII85Decode`-kjeder, `CCITTFaxDecode`) til at en gjetning fra filternavnet
ville vært gal på flere hundre.

**Alternativet ordren nevnte — rendret bbox ved 200 dpi — ble felt på
determinisme.** Et rasterisert utsnitt ville vært én kodesti og håndtert hver
filter, men bytene, og dermed assetens innholdsadresserte navn og hele bundlens
digest, ville vært avhengige av hvilken versjon av rasteriseren som var
installert. Det er nøyaktig egenskapen `OCR_DPI` sin egen docstring allerede
innrømmer at OCR-tekst ikke kan ha. En innebygd strøm har ingen slik avhengighet.

**Det koderen ikke kan uttrykke EKSAKT, nekter den for:** stencilmaske,
`Decode`-array, CMYK, alt annet enn 8-bits sampler, en `SMask` som ikke lar seg
bære. Koden er `asset_pdf_unsupported`, den telles, og den skriver en linje i
konseptet. Et bilde som er plausibelt feil farge er feil på en måte ingen
konsument kan oppdage.

**Ingen størrelsesgulv, og det er også en måling.** Det opplagte filteret er
«ignorer alt under N piksler», og fordelingen tilbyr ingen N. Over de 4 828
objektene: **149** uten oppgitt størrelse, **162** under 32x32, **92** under
64x64, **406** under 128x128, **498** under 256x256, **590** under 512x512,
**2 931** større. Et bredt spenn uten gap — motsatt av `OCR_CID_SHARE`, som er
bimodal med ingenting mellom modene. En terskel lest av ingen gap er et tall
dette repoet valgte, og det ville stille droppet noens lille tabell.

---

## § 4 Kontrollen på bytene

To hele bygg av det 43-dokumenters referansekorpuset (`K2/trinn1`), og `diff -r`
mellom dem. En eksponeringstelling er ikke en kontroll.

**Kontroll 1 — flytter opt-outen noe?** `332961a` bygget fra `git archive` mot
HEAD med `--no-assets`:

```
865 filer på begge sider. diff -rq: ÉN forskjell.
14a15
> * **Images**: NOT CARRIED — this run did not look for images, ...
```

Hvert eneste konsept er byte-identisk. Den ene forskjellen er den nye
`log.md`-linja, og den er med vilje: en bundle ingen lette etter figurer i må
ikke kunne forveksles med en bundle av dokumenter som ikke hadde noen.

**Kontroll 2 — hva koster defaulten?** Samme commit, `--no-assets` mot default:

| | `--no-assets` | default |
| --- | --- | --- |
| konsepter | 453 | **454** |
| markdown-filer | 865 | **867** |
| assets | 0 | **2 964** |
| bundle-størrelse | 4,7 MB | **115 MB** |
| veggtid | 2 414 s | **3 088 s** |
| topp-RSS | 6,26 GB | **8,74 GB** |
| md-filer som skiller seg | — | **422 av 865** |

`log.md`: **2 964 båret av 3 145 funnet** (181 nektet, 5,8 %). **4 622 pekere**
mot 2 964 filer — innholds-dedupen folder 1 658 gjentakelser inn i filene de
allerede er.

**Det ene nye konseptet har en MÅLT årsak.** Kandidaten
`- 20 …torv ødometerapparat …` i `Del II Bilag 3.2.1 - RIG-R01 Datarapport.pdf`
er en `rule:outline`-kandidat som `--outline-gate` slipper inn når ett gjenfunnet
overskriftsspenn dekker `OUTLINE_SHARE = 0.20` av teksten. Målt:

| | tekst | spennet | andel | gaten |
| --- | --- | --- | --- | --- |
| `--no-assets` | 71 255 | 13 566 | **0,190** | droppet |
| default | 90 854 | 27 757 | **0,306** | sluppet inn |

Seksjonen holder **146** av dokumentets bilder. Pekerne er kroppstekst, så
spennet vokste og krysset terskelen. Det er ikke en segmenteringsregel som
endret seg — det er den samme regelen som leser en lengre tekst.

---

## § 5 Konsumentflatene på en bundle MED `assets/`

§ 11 punkt 1 scoper konformans til `.md`-filer, så en `.png` i `assets/` deltar
ikke. Målt, ikke antatt, på en bundle bygget fra fixture-innboksen (6 assets,
6 konsepter):

| Flate | Resultat |
| --- | --- |
| `okf check --skill … --payload …` | `conformant: 17 rules over 4 excerpts and 2 withheld entries, 0 findings`, rc **0** |
| `okf skill` | rc **0**, SKILL.md skrevet |
| `okf consume` | rc **0**, 4 utdrag; pekerne reiser med utdragsteksten |
| `okf quality` | rc **3** (ingenting kunne dømmes — hver filtype har 1 dokument, under gulvet på 5). Ingen falsk `PASS`, ingen krasj |
| guard 1.4.0 `okf.import_bundle` (Dør C) | **6 av 6** konsepter slått sammen; pekerblokkene passerer gaten som kroppstekst |

**Guarden avviser ikke binære filer** — den ser dem ikke, fordi importøren går
over `.md`. Ingen `coord-send` til `llm-ingestion-pipeline-security` er derfor
nødvendig for trinn 1.

**Men Dør C bar dem ikke.** Målt 2026-09-17, før reparasjonen: importen slo
sammen **6 av 6** konsepter og skrev **ingen `assets/`-katalog i det hele tatt**,
så hver `![…](/assets/…)` i den importerte bundlen pekte på en fil som ikke var
der — samme «komplett og ikke»-defekt én dør bortenfor. Dør C bærer nå de
assetene et SAMMENSLÅTT konsept peker på, etter samme innholdsidentitetsregel den
allerede eier. Aldri hele avsenderens `assets/`: et bilde som hører til et
konsept gaten nektet, skal ikke sitte på ryggen av ett den slapp gjennom.

---

## § 6 Hva dette IKKE dekker

- **Trinn 2 er ikke bygget.** `okf describe`, transkripsjon med vision,
  verifisering mot bildet — ingenting av det finnes. Invarianten «no model calls
  anywhere in the run path» er uberørt: `assets.py` ser aldri på et bilde.
- **`.png`/`.jpg` som EGNE innboksfiler er fortsatt utenfor scope**
  (`extractor_unknown`), som ordren sier. Fixture-innboksens to PNG-er
  rapporteres som `extractor_unknown: 2/7` på begge commits.
- **R761 er ikke bygget her.** Tallene over er K2 og fixture-innboksen. En
  R761-bygging hører hjemme i `vegnormal-okf` og er deres ordre, ikke denne.
- **`--no-assets`-kontrollen er kjørt på ETT korpus.** N = 1 korpus, 43
  dokumenter. Den sier ingenting om et korpus med andre filtyper.
- **181 av 3 145 bilder ble nektet** og kodene er talt, men ingen har sett på
  hva de 181 var. «5,8 % nektet» er et tall, ikke en diagnose.
- **Kostnaden er publisert, ikke forsvart.** 4,7 MB -> 115 MB på 43 dokumenter
  er en 24x bundle. Om defaulten skal stå er operatørens, og tallene over er hva
  den avgjørelsen skal tas på.

---

## § 7 Reproduksjon

```bash
# gaten
uv run pytest tests/test_asset_gate.py -q

# baselinen, fra git archive og aldri fra arbeidstreet
git archive 332961a | tar -x -C /tmp/base332961a
PYTHONPATH=/tmp/base332961a/src python3 -m llm_ingestion_okf.cli build \
  ~/corpora/okf-telling-20260829/K2/trinn1 --bundle /tmp/k2-base \
  --bundle-id k2-trinn1-20260903 --okf-version 0.2

# de to byggene
okf build ~/corpora/okf-telling-20260829/K2/trinn1 --bundle /tmp/k2-off \
  --bundle-id k2-trinn1-20260903 --okf-version 0.2 --no-assets
okf build ~/corpora/okf-telling-20260829/K2/trinn1 --bundle /tmp/k2-on \
  --bundle-id k2-trinn1-20260903 --okf-version 0.2

diff -rq /tmp/k2-base /tmp/k2-off     # ett avvik: log.md
diff -rq /tmp/k2-off  /tmp/k2-on      # 422 md-filer + 2 964 assets
```