Lacuna Inc. présente le modèle d'espace d'état désenchevêtré Invariant-Variant (IVD-SSM) comme sa soumission à la tâche 4 de SemEval-2026 sur la similarité des histoires narratives et l'apprentissage de la représentation narrative. Le modèle exploite un backbone de modèle d'espace d'état hybride, Jamba-1.5-Mini, pour modéliser des chaînes causales étendues sans les goulots d'étranglement quadratiques des Transformers standards. Il introduit une tête d'alignement structurellement filtré (SGA) qui mappe un squelette structurel grossier via une Macro-path pour filtrer une Micro-path à pleine résolution, supprimant le bruit sémantique et les chevauchements superficiels de mots-clés. Évaluée sur les jugements comparatifs par paire (Track A) et l'apprentissage de représentations denses (Track B), l'approche démontre que la désenchevêtrage des invariants structurels des variantes lexicales fournit un cadre robuste pour la compréhension narrative profonde.