ABMN working papers

Read six July 2026 ABMN working papers covering the model-family contract, NER, classification, reranking, lexical retrieval, and one generalisation test.

Six July 2026 ABMN working papers. Each record links authors, abstract and topics; the draft is released on request.

Adaptive Binary Memory Networks

Category
Model family
Authors
Dweve
Draft date

A model family that compiles learning into one artifact: byte-identical on every architecture, with no seeding, and replayable wherever it runs.

Abstract: Adaptive Binary Memory Networks (ABMN) ask a narrow question: can a learned model be fully and truly deterministic on every architecture, with no seeding involved, and does that property survive a change of task? The family answers with a contract rather than a tolerance. ABMNs do not compress or quantize a trained network, they compile it. One build produces the artifact, that artifact is byte identical wherever it is built, and it replays the same decisions on every host that opens it. What is deployed is the model itself, not a floating point checkpoint identified within a numerical error bound. This paper states the contract, the evidence a build has to carry and the limits of what it covers, then holds it across sequence labelling, classification, retrieval reranking and lexical retrieval, and carries it to a structurally different logical learner.

Topics: Deterministic machine learning, Reproducible builds, Cross-architecture portability, Compiled models, Deployment contracts

Read the summary

ABMN-NER

Category
Sequence labelling
Authors
Dweve
Draft date

Deterministic named entity recognition, compiled rather than compressed, and byte-identical on every architecture.

Abstract: ABMN-NER asks whether the ABMN build contract holds for sequence labelling, where every decision depends on the tokens around it and a small difference propagates along the sentence. The terms are the ones the family paper sets out. Nothing is compressed or quantized: learning is compiled into one deployed artifact, that artifact is byte identical on every architecture with no seeding involved, and decoding is exact rather than approximate, so the same text replays the same labelled sequence on any host that opens it. Figures are reported per dataset and per host. On CoNLL-2003, on an Intel i9, the artifact reaches 91.24% F1 and tags 606,000 tokens per second. Further datasets and benchmarks are reported in the paper itself.

Topics: Named entity recognition, Sequence labelling, CoNLL-2003, Deterministic inference, CPU throughput

Read the summary

ABMN-Classification

Category
Text classification
Authors
Dweve
Draft date

Supervised text classification compiled into one artifact: byte-identical across ARM and x86, with no seeding and nothing quantized.

Abstract: ABMN-Classification asks what the build contract costs on ordinary supervised text classification, and whether it survives a change of instruction set. Learning is compiled rather than compressed or quantized: the deployed artifact is the model, one build produces it with no seeding involved, and it replays the same predictions wherever it is opened. Independent builds of all eleven tasks produced byte identical artifacts and identical prediction streams across ARM and x86. Measurements are per dataset and per host. On DBpedia-14, on an Intel i9, the artifact reaches 98.89% accuracy and 98.89% macro F1; on IMDb, on the same host, it sustains 90.75 million tokens per second at 1.38 microjoules per token. The full set of datasets and benchmarks appears in the paper.

Topics: Text classification, MASSIVE, DBpedia-14, Cross-architecture reproducibility, Energy per token

Read the summary

ABMN-Ranking

Category
Information retrieval
Authors
Dweve
Draft date

Deterministic candidate reranking compiled into one artifact, with no dense model in the hot path and the same ordering on every host.

Abstract: ABMN-Ranking asks whether the build contract reaches a stage that is normally served by a dense model: reranking a candidate list. It does not compress or quantize such a model, it replaces the stage with a compiled artifact, so no dense vector or transformer inference runs in the hot path and scoring is exact integer work. One build produces the artifact, no seeding is involved, and the same query returns the same ordering on every architecture that opens it. Figures are per dataset and per host. On SciFact, on an Intel i9, the artifact reaches 0.809 nDCG@10 at 14,059 queries per second, which is 593 microseconds per query. Additional datasets and benchmarks are set out in the paper.

Topics: Retrieval reranking, Search relevance, SciFact, Query latency, Deterministic ranking

Read the summary

ABMN-Relevance

Category
Lexical retrieval
Authors
Dweve
Draft date

Corpus-adaptive lexical retrieval compiled into one artifact, deterministic and identical across architectures without seeding.

Abstract: ABMN-Relevance asks whether the build contract reaches the retrieval stage itself, where the corpus rather than a training run decides what the deployed model contains. The index is compiled into one artifact rather than compressed or quantized, and retrieval over it is deterministic: no seeding is involved, and the same artifact replays the same ranking on every host and every architecture it is opened on. Against a tantivy BM25 baseline over the same collection it returns better ranked results and serves them faster, from a smaller index and a lower resident memory footprint. The measured numbers are held back until the paper publishes. What is claimed here is the contract, and that a lexical retrieval index can be held to it.

Topics: Lexical retrieval, Search indexing, MS MARCO, Index footprint, Replayable retrieval

Read the summary

ABMN-Tsetlin

Category
Logical learning
Authors
Dweve
Draft date

Reproducible binary model compilation carried beyond associative classification to a structurally different logical learner.

Abstract: ABMN-Tsetlin asks whether the build contract is a property of one model family or of the approach behind it. It takes a structurally different logical learner, trained by a different rule, and holds it to the same terms. The trained Tsetlin machine is compiled into one deployed artifact rather than compressed or quantized. Across five image and text tasks that artifact came out byte identical on every architecture, with no seeding involved, and replays the same decisions wherever it is opened. Results are recorded per dataset and per host. On MNIST, on an Intel i9, it reaches 97.61% accuracy from a 40.4 KiB artifact. The paper carries the remaining datasets and benchmark tables.

Topics: Tsetlin machines, Logical learning, MNIST, Image classification, Per-host evidence

Read the summary

These are working drafts. The repository does not establish a journal, conference, or peer-review outcome.

Не е заявено място на публикуване или рецензиране

Документите за ABMN обясняват един подход за изграждане на компактни, възпроизводими AI системи. Започнете с основния документ за семейството, после следвайте задачата, която ви интересува. Това са работни чернови от юли 2026 г., а не претенции за рецензирана публикация. Те съществуват, за да покажат, че пълната детерминираност е постижима и се запазва при различни видове задачи, а не за да гонят най-високи резултати. Хранилищата се публикуват заедно с документите.

Шест работни документа за ABMN представят договора за семейството, специфичните за задачата структури на паметта, измерените резултати и посочените ограничения. Регистърът отделя доказателствата от черновите от всяка претенция за външно приемане. Целта е да се демонстрира, че пълната детерминираност е постижима и се обобщава за различни видове задачи, а не да се претендира за най-съвременни резултати. Хранилищата се публикуват заедно с документите.

Шестте чернови от юли 2026 г. описват договора за семейството ABMN, четири реализации, собственост на задачите, и един тест за обобщение, който прилага същия договор за изграждане към логически обучаващ се модел. Всеки запис съдържа резюмето, структурата на разделите, измерванията и посочените ограничения. Наборът съществува, за да докаже, че пълната детерминираност е постижима и се обобщава за различни видове задачи, без да разкрива патентованата работа зад него. Хранилищата се публикуват заедно с документите.

Всяка карта ви дава въпроса, темата и резюме на документа. Заглавията остават точно както са в изходните документи. Те са шест, всички с дата юли 2026 г. Пълният чернови е при външни рецензенти, така че го поискайте чрез формата за контакт и го публикуваме, след като одобрим заявката.

Използвайте тази лавица като регистър за преглед. Тя съдържа пълния текущ работен набор ABMN и не смесва продуктови брошури или неподкрепени отраслови документи. Шест заглавия носят една дата на черновата и двама посочени автори, така че прегледът може да започне от регистъра, а не от търсене. Самите чернови се публикуват при поискване.

Основният документ за семейството определя общия договор. Четири съпътстващи документа го прилагат за NER, класификация, пренареждане и лексикално извличане, а шестият пита дали същият договор за изграждане важи за структурно различен обучаващ се модел. Всичките шест носят една и съща дата на черновата. Резюмето остава публично; черновата се публикува при поискване.

Един основен документ за семейството, четири документа за задачи, един тест за обобщение

Всичките шест изходни документа носят тази дата

Публикува се при поискване за всеки документ

Не е нужно да четете всичките шест. Основният документ за семейството дава картата, документите за задачи показват как същият модел се променя за имена, етикети и търсене, а последният пита дали моделът оцелява при различен вид обучаващ се модел. Редът по-долу върви от договора към задачите и после към извличането, но е предложение, а не класация, и всеки отделен документ стои самостоятелно. Ако прочетете само един, прочетете основния за семейството, защото останалите предполагат формата, която той описва.

Прегледайте семейния договор, преди да сравнявате резултатите от задачите. Той предотвратява бенчмаркът да бъде сбъркан с гаранция за цялата система. Последователността върви от семейния договор към документите за задачите, после към двата документа за извличане и накрая към теста за обобщение. Това е редакционна насока, а не класация по зрялост, и всеки от шестте документа може да се чете самостоятелно, след като договорът е разбран.

Прочетете първо определението за семейството, после сравнете как всяка задача притежава своята памет, граница на изграждане и регистър на доказателствата. Последователността е: договор, документи за задачите, документи за извличане, тест за обобщение. Тя определя реда на четене, а не зрелостта, и всеки документ посочва обхвата, който неговите измервания покриват. Семейният документ е единственият, от който зависят останалите, затова той е първият, който трябва да се прочете, ако ще четете само един.

Определения, фази на изграждане и четири организации на паметта

Преподреждане с мост и индексиране, адаптивно към корпуса

Последователността е редакционна насока, а не класация по зрялост.

Вижте как шестте документа си пасват, преди да изберете задача.

Следвайте компактна система, която намира имена и места с точно структурирано декодиране.

Вижте как текстов класификатор може да се превърне във възпроизводимо двоично изграждане.

Разгледайте преподреждането при търсене без гъст модел в пътя на заявката.

Разгледайте лексикалното извличане с детерминистично оценяване.

Установете общия договор за семейството от модели и неговите граници на доказателствата.

Прегледайте заедно докладваното качество, отпечатъка, пропускателната способност и ограниченията на NER.

Прегледайте твърдението за кръстосано-архитектурен артефакт и идентичност на предсказанията.

Прегледайте измерения път за преподреждане с мостова памет върху SciFact и NF-Corpus.

Прегледайте пътя за обслужване, адаптивен към корпуса, и неговите измервания върху MS MARCO.

Определете „уча“, „отстранявам“ и „изпълнявам“, както и четирите организации на паметта, притежавани от задачите.

Проследете етикетирането на последователности от едно изграждане до точно декодиране.

Проследете текстовата класификация до побайтово идентични артефакти върху ARM и x86.

Проследете типизираните редки атоми до компилирани мостови таблици и целочислено преподреждане.

Проследете лексикалното извличане от изграждането на корпуса до детерминистични резултати top-k.

Документите споделят основен ход: ученето подготвя компактна памет за задачата, състоянието само за изграждане се премахва, а фиксирана процедура използва резултата. Четири теми покриват семейния документ и документите за задачите, като всяка от тях принадлежи към точно една тема. Тестът за обобщение стои до тях и пита дали същият ход работи с различен вид обучаващ се.

Общият договор е отправната точка за сравнение. Качеството за конкретната задача и системните числа остават локални за документа и оценката, които ги докладват. Четири теми покриват семейния договор и документите за задачите, като всяка от тях стои под точно една тема. Тестът за обобщение се докладва отделно, защото тества договора, а не задача.

Семейният договор остава стабилен, докато адресирането, правилата за актуализация и декодирането се различават по задачи. Картата на темите държи тези инстанции разделени, с четири теми и точно една тема за всеки документ за задача. Тестът за обобщение пренася договора към структурно различен обучаващ се и докладва доказателствата си за всеки хост.

Разпознаване на именувани обекти с точно структурирано декодиране

Един компилиран артефакт, идентичен на всяка архитектура

Можете да прочетете какво твърди всеки документ и как е тестван, и да поискате черновата зад него. Нито едно от тези не означава, че списание, конференция или независим рецензент е приел работата.

Приемайте черновите като вход за рецензия. Външното приемане, независимото възпроизвеждане и гаранцията за производствена употреба изискват собствени доказателства и не се твърдят тук.

Методите и измерванията са представени в изходните чернови. Техният обхват, среда, базови линии и ограничения пътуват с всяко твърдение.

Всичките шест записа са работни документи от юли 2026 г.

Датата описва моментната снимка на черновата, а не събитие на публикуване.

Всеки запис има пълна чернова и Dweve я предоставя при поискване.

Черновите са при външни рецензенти, така че тук нищо не е публикувано. Попитайте чрез формата за контакт и ние предоставяме документа след одобрение.

Докладваните резултати принадлежат на задачата, набора от данни, конфигурацията и средата, посочени в документа.

Резултат от един документ не се превръща в гаранция за цялото семейство.

Хранилището не установява резултат от рецензиране в списание, конференция или експертна оценка за тези чернови.

Затова библиотеката използва език на работни документи навсякъде.

Идентифицирайте моментната снимка от юли 2026 г.

Статус на публикуване или рецензиране ще бъде посочен само когато хранилището го подкрепя.

Този регистър показва откъде идва всяко заглавие и как да получите самия документ. Няма допълнителни документи, скрити зад маркетингови имена. Всеки запис посочва една директория с източници, а черновата, която тази директория съдържа, е тази, която изпращаме, когато поискате.

Използвайте регистъра, за да проверите, че записът в библиотеката, маршрутът за детайли и черновата, която предоставяме, се отнасят към един и същ работен документ. Всяко заглавие посочва една авторитетна директория с източници, така че твърдение на тази страница може да бъде проследено до документа, който го подкрепя.

Регистърът свързва всеки каноничен идентификатор с неговата авторитетна директория с източници. Страниците с детайли носят резюмето, структурата на разделите и посочения статус; пълната чернова остава при външни рецензенти и се предоставя при поискване. Нито един запис не се появява тук без директория с източници зад него, което прави регистъра проверим, а не просто деклариран.