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.

Bez uvedeného místa vydání nebo recenzního řízení

Materiály o ABMN vysvětlují jeden přístup k budování kompaktních, opakovatelných systémů umělé inteligence. Začněte rodinným materiálem a poté pokračujte úkolem, který vás zajímá. Toto jsou pracovní návrhy z července 2026, nikoli tvrzení o recenzovaném publikování. Existují proto, aby ukázaly, že plná determinističnost je dosažitelná a platí napříč různými typy úkolů, ne aby honily nejvyšší skóre. Repozitáře jsou publikovány společně s materiály.

Šest pracovních materiálů ABMN stanovuje rodinnou smlouvu, paměťové struktury specifické pro úkoly, naměřené výsledky a uvedená omezení. Rejstřík odděluje důkazy z návrhů od jakéhokoli tvrzení o externím přijetí. Účelem je demonstrovat, že plná determinističnost je dosažitelná a zobecňuje se napříč typy úkolů, spíše než tvrdit výsledky na úrovni nejmodernějšího stavu. Repozitáře jsou publikovány společně s materiály.

Šest návrhů z července 2026 popisuje rodinnou smlouvu ABMN, čtyři instance vlastněné úkoly a jeden test zobecnění, který aplikuje stejnou stavební smlouvu na logického učícího se agenta. Každý záznam obsahuje abstrakt, osnovu sekcí, měření a uvedená omezení. Sada existuje, aby dokázala, že plná determinističnost je dosažitelná a zobecňuje se napříč typy úkolů, aniž by odhalovala proprietární práci za ní. Repozitáře jsou publikovány společně s materiály.

Každá karta vám poskytne otázku, předmět a shrnutí materiálu. Názvy zůstávají přesně tak, jak se objevují ve zdrojových materiálech. Je jich šest, všechny datované červencem 2026. Kompletní návrh je u externích recenzentů, takže si o něj požádejte prostřednictvím kontaktního formuláře a my ho uvolníme, jakmile žádost schválíme.

Použijte tuto polici jako přehledový rejstřík. Obsahuje kompletní aktuální pracovní sadu ABMN a nemíchá do ní produktové brožury nebo nepodložené oborové materiály. Šest titulů nese jedno datum návrhu a dvě jmenované autory, takže přezkum může začít od rejstříku spíše než od vyhledávání. Návrhy samotné jsou uvolňovány na vyžádání.

Rodinný materiál definuje sdílenou smlouvu. Čtyři doprovodné materiály ji instancují pro NER, klasifikaci, reranking a lexikální vyhledávání, a šestý se ptá, zda stejná stavební smlouva platí pro strukturálně odlišného učícího se agenta. Všech šest nese stejné datum návrhu. Shrnutí zůstává veřejné; návrh je uvolňován na vyžádání.

Jeden rodinný materiál, čtyři úkolové materiály, jeden test zobecnění

Všech šest zdrojových dokumentů nese toto datum

Uvolňován na vyžádání pro každý materiál

Nemusíte číst všech šest. Rodinný materiál poskytuje mapu, úkolové materiály ukazují, jak se stejný vzor mění pro jména, štítky a vyhledávání, a poslední se ptá, zda vzor přežije jiný druh učícího se agenta. Pořadí níže vede od smlouvy k úkolům a poté k vyhledávání, ale je to návrh spíše než pořadí, a každý jednotlivý materiál stojí sám o sobě. Pokud čtete jen jeden, přečtěte rodinný materiál, protože ostatní předpokládají tvar, který popisuje.

Před porovnáváním výsledků úloh si přečtěte rodinnou smlouvu. Zabrání tomu, aby byl benchmark zaměněn za celosystémovou záruku. Pořadí začíná rodinnou smlouvou, pokračuje dokumenty k úlohám, poté dvěma dokumenty o vyhledávání a nakonec testem zobecnění. Jde o redakční doporučení, nikoli žebříček vyspělosti, a každý ze šesti dokumentů lze číst samostatně, jakmile je smlouva pochopena.

Nejprve si přečtěte definici rodiny, poté porovnejte, jak každá úloha spravuje svou paměť, hranice sestavení a evidenci měření. Pořadí je: smlouva, dokumenty k úlohám, dokumenty o vyhledávání, test zobecnění. Určuje pořadí čtení, nikoli vyspělost, a každý dokument uvádí rozsah, který jeho vlastní měření pokrývají. Rodinný dokument je jediný, na kterém ostatní závisí, takže pokud čtete jen jeden, je to ten, který si přečtete jako první.

Definice, fáze sestavení a čtyři organizace paměti

Přeranking přes most a indexace přizpůsobená korpusu

Pořadí je redakční doporučení, nikoli žebříček vyspělosti.

Podívejte se, jak do sebe šest dokumentů zapadá, než si vyberete úlohu.

Projděte si kompaktní systém, který nachází jména a místa pomocí přesného strukturovaného dekódování.

Podívejte se, jak se z textového klasifikátoru může stát reprodukovatelné binární sestavení.

Prozkoumejte přeranking vyhledávání bez hustého modelu v cestě dotazu.

Prozkoumejte lexikální vyhledávání s deterministickým skórováním.

Stanovte sdílenou smlouvu rodiny modelů a její hranice evidence.

Projděte si společně uváděnou kvalitu, nároky na zdroje, propustnost a omezení NER.

Projděte si tvrzení o artefaktu napříč architekturami a identitě predikcí.

Projděte si měřenou cestu přerankingu přes mostovou paměť na SciFact a NF-Corpus.

Projděte si cestu obsluhy přizpůsobenou korpusu a její měření na MS MARCO.

Definujte učení, ořezávání, provádění a čtyři organizace paměti vlastněné úlohami.

Sledujte označování sekvencí od jednoho sestavení k přesnému dekódování.

Sledujte klasifikaci textu až k bitově identickým artefaktům na ARM i x86.

Sledujte typované řídké atomy až ke kompilovaným mostovým tabulkám a celočíselnému přerankingu.

Sledujte lexikální vyhledávání od sestavení korpusu k deterministickým top-k výsledkům.

Dokumenty sdílejí základní postup: učení připraví kompaktní paměť úlohy, stav pouze ze sestavení se odstraní a pevný postup použije výsledek. Čtyři témata pokrývají rodinný dokument a dokumenty k úlohám a každý z nich patří přesně do jednoho tématu. Test zobecnění stojí vedle nich a ptá se, zda stejný postup funguje na jiném druhu učícího se systému.

Sdílená smlouva je srovnávacím bodem. Kvalita specifická pro úlohu a systémová čísla zůstávají lokální pro dokument a vyhodnocení, které je uvádí. Čtyři témata pokrývají rodinnou smlouvu a dokumenty k úlohám a každý z nich spadá přesně pod jedno téma. Test zobecnění je uváděn samostatně, protože testuje smlouvu, nikoli úlohu.

Rodinná smlouva zůstává stabilní, zatímco adresování, pravidla aktualizace a dekódování se liší podle úlohy. Mapa témat drží tyto instance oddělené, se čtyřmi tématy a přesně jedním tématem pro každý dokument k úloze. Test zobecnění přenáší smlouvu na strukturálně odlišný učící se systém a uvádí jeho evidenci pro každého hostitele.

Rozpoznávání pojmenovaných entit s přesným strukturovaným dekódováním

Jeden zkompilovaný artefakt, identický na všech architekturách

Můžete si přečíst, co každý dokument tvrdí a jak byl testován, a požádat o návrh, který za ním stojí. Ani jedno z toho neznamená, že práci přijal časopis, konference nebo nezávislý recenzent.

S návrhy zacházejte jako se vstupy pro recenzi. Externí přijetí, nezávislá replikace a záruka produkčního nasazení vyžadují vlastní evidenci a nejsou zde tvrzeny.

Metody a měření jsou uvedeny ve zdrojových návrzích. Jejich rozsah, prostředí, základní srovnání a omezení cestují s každým tvrzením.

Všech šest příspěvků jsou pracovní dokumenty z července 2026.

Datum popisuje snímek návrhu, nikoli událost publikace.

Každý příspěvek má kompletní návrh a Dweve jej na vyžádání uvolní.

Návrhy jsou u externích recenzentů, takže zde není nic publikováno. Zeptejte se přes kontaktní formulář a dokument po schválení uvolníme.

Uvedené výsledky patří k úloze, datové sadě, konfiguraci a prostředí, které jsou v dokumentu pojmenovány.

Výsledek z jednoho dokumentu není povýšen na záruku za celou rodinu.

Repozitář pro tyto návrhy nezakládá žádný časopis, konferenci ani výsledek peer review.

Knihovna proto v celém textu používá jazyk pracovních dokumentů.

Stav publikace nebo peer review bude uveden pouze tehdy, pokud to repozitář podporuje.

Tento registr ukazuje, odkud každý název pochází a jak získat samotný dokument. Neexistují žádné další dokumenty skryté za marketingovými názvy. Každá položka uvádí jeden zdrojový adresář a návrh, který tento adresář obsahuje, je ten, který vám po vyžádání pošleme.

Pomocí registru ověřte, že položka knihovny, cesta k detailům a návrh, který uvolňujeme, odkazují na stejný pracovní dokument. Každý název určuje jeden autoritativní zdrojový adresář, takže tvrzení na této stránce lze vysledovat k dokumentu, který jej podporuje.

Registr váže každý kanonický slug k jeho autoritativnímu zdrojovému adresáři. Stránky s detaily nesou abstrakt, osnovu sekcí a uvedený stav; kompletní návrh zůstává u externích recenzentů a je uvolněn na vyžádání. Žádná položka se zde neobjeví bez zdrojového adresáře, což činí registr ověřitelným, nikoli pouze tvrzeným.

Jeden autoritativní adresář pro každý dokument

Jeden návrh na zdroj, uvolněný na vyžádání

Každý uvedený dokument pojmenovává svůj autoritativní zdrojový adresář a jeho návrh je uvolněn na vyžádání.

Shrnutí vám pomohou vybrat. Kompletní návrh obsahuje metody, výsledky, omezení a reference a uvolníme jej, když o něj požádáte.

Používejte dokumenty jako technické podklady

Přejděte od rodinné smlouvy k dokumentu o úloze a poté zahrňte uvedenou hranici důkazů do due diligence.

Postupujte podle postupu učit se, oddělit a provést

Knihovna uchovává definici rodiny, instance úloh, test generalizace a jejich cesty ke zdrojům v jednom přehledném pořadí.

Šest titulů a dat pochází z autoritativních zdrojů článků. Police nepřejmenovává starý marketingový materiál ani nevytváří články kolem tvrzení o produktech. To, co je zde uvedeno, je kompletní aktuální pracovní sada a nic v ní není, co by zdrojový adresář nenesl.