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.

ABMN-papirerne forklarer én tilgang til at bygge kompakte, reproducerbare AI-systemer. Start med familiepapiret, og følg derefter den opgave, der interesserer dig. Disse er arbejdskladder fra juli 2026, ikke påstande om peer-reviewed publicering. De findes for at vise, at fuld determinisme er opnåelig og holder på tværs af forskellige opgavetyper, ikke for at jagte topresultater. Repositorierne udgives sammen med papirerne.

Seks ABMN-arbejdspapirer fastlægger familiekontrakten, opgavespecifikke hukommelsesstrukturer, målte resultater og angivne begrænsninger. Registret adskiller kladdeevidens fra enhver påstand om ekstern accept. Formålet er at demonstrere, at fuld determinisme er opnåelig og generaliserer på tværs af opgavetyper, snarere end at hævde state-of-the-art-resultater. Repositorierne udgives sammen med papirerne.

De seks kladder fra juli 2026 beskriver ABMN-familiekontrakten, fire opgaveejede instansieringer og én generaliseringstest, der anvender samme byggekontrakt på en logisk lærer. Hver post indeholder abstraktet, sektionsoversigten, målingerne og de angivne begrænsninger. Sættet findes for at bevise, at fuld determinisme er opnåelig og generaliserer på tværs af opgavetyper, uden at afsløre det proprietære arbejde bagved. Repositorierne udgives sammen med papirerne.

Hvert kort giver dig spørgsmålet, emnet og et resumé af papiret. Titlerne forbliver præcis, som de fremgår i kildepapirerne. Der er seks af dem, alle dateret juli 2026. Den fulde kladde er hos eksterne reviewere, så anmod om den via kontaktformularen, og vi frigiver den, når vi godkender anmodningen.

Brug denne hylde som reviewregister. Den indeholder hele det aktuelle ABMN-arbejdssæt og blander ikke produktbrochurer eller ubegrundede sektorpapirer ind. Seks titler har én kladdedato og to navngivne forfattere, så en gennemgang kan starte fra registret frem for fra en søgning. Kladderne frigives efter anmodning.

Familiepapiret definerer den fælles kontrakt. Fire følgepapirer instansierer den til NER, klassifikation, re-ranking og leksikalsk genfinding, og et sjette spørger, om samme byggekontrakt gælder for en strukturelt anderledes lærer. Alle seks har samme kladdedato. Resuméet forbliver offentligt; kladden frigives efter anmodning.

Ét familiepapir, fire opgavepapirer, én generaliseringstest

Alle seks kildedokumenter har denne dato

Frigives efter anmodning for hvert papir

Du behøver ikke læse alle seks. Familiepapiret giver kortet, opgavepapirerne viser, hvordan samme mønster ændrer sig for navne, etiketter og søgning, og det sidste spørger, om mønsteret overlever en anden type lærer. Rækkefølgen nedenfor går fra kontrakten til opgaverne og derefter til genfinding, men det er et forslag snarere end en rangering, og ethvert enkelt papir kan stå alene. Hvis du kun læser ét, så læs familiepapiret, fordi resten forudsætter den form, det beskriver.

Gennemgå familiekontrakten, før du sammenligner opgaveresultater. Den forhindrer, at en benchmark bliver forvekslet med en systemdækkende garanti. Rækkefølgen går fra familiekontrakten til opgavepapirerne, derefter til de to søgningspapirer og til sidst til generaliseringstesten. Det er redaktionel vejledning snarere end en modenhedsrangering, og hver af de seks kan læses for sig selv, når kontrakten er forstået.

Læs familiedefinitionen først, og sammenlign derefter, hvordan hver opgave ejer sin hukommelse, sin byggegrænse og sin evidenslog. Rækkefølgen er kontrakt, opgavepapirer, søgningspapirer, generaliseringstest. Den bestemmer læserækkefølgen, ikke modenheden, og hvert papir angiver, hvilket omfang dets egne målinger dækker. Familiedokumentet er det eneste, de andre afhænger af, så det er det, man skal læse først, hvis man kun læser ét.

Definitioner, byggefaser og fire hukommelsesorganiseringer

Bro-reranking og korpusadaptiv indeksering

Rækkefølgen er redaktionel vejledning, ikke en modenhedsrangering.

Se, hvordan de seks papirer passer sammen, før du vælger en opgave.

Følg et kompakt system, der finder navne og steder med præcis struktureret afkodning.

Se, hvordan en tekstklassifikator kan blive en reproducerbar binær bygning.

Undersøg søgereranking uden en tæt model i forespørgselsstien.

Undersøg leksikalsk søgning med deterministisk scoring.

Etabler den fælles modelfamiliekontrakt og dens evidensgrænser.

Gennemgå rapporteret kvalitet, fodaftryk, gennemløb og NER-begrænsningerne sammen.

Gennemgå påstanden om tværarkitekturartefakt og forudsigelsesidentitet.

Gennemgå den målte bro-hukommelses-rerankingsti på SciFact og NF-Corpus.

Gennemgå den korpusadaptive serveringssti og dens MS MARCO-målinger.

Definer learn, strip, execute og de fire opgaveejede hukommelsesorganiseringer.

Følg sekvensmærkning fra én bygning til præcis afkodning.

Følg tekstklassifikation til byte-identiske artefakter på ARM og x86.

Følg typede sparse atomer ind i kompilerede brotabeller og heltals-reranking.

Følg leksikalsk søgning fra korpusbygningen til deterministiske top-k-resultater.

Papirerne deler et grundlæggende træk: læring forbereder kompakt opgavehukommelse, bygningstilstand fjernes, og en fast procedure bruger resultatet. Fire emner dækker familiedokumentet og opgavepapirerne, og hvert af dem hører til præcis ét emne. Generaliseringstesten står ved siden af og spørger, om det samme træk virker på en anden slags lærer.

Den fælles kontrakt er sammenligningspunktet. Opgavespecifik kvalitet og systemtal forbliver lokale for det papir og den evaluering, der rapporterer dem. Fire emner dækker familiekontrakten og opgavepapirerne, og hvert af dem ligger under præcis ét emne. Generaliseringstesten rapporteres separat, fordi den tester kontrakten snarere end en opgave.

Familiekontrakten forbliver stabil, mens adressering, opdateringsregler og afkodning varierer efter opgave. Emnekortet holder disse instanseringer adskilt med fire emner og præcis ét emne per opgavepapir. Generaliseringstesten fører kontrakten til en strukturelt anderledes lærer og rapporterer dens evidens per vært.

Genkendelse af navngivne enheder med præcis struktureret afkodning

Ét kompileret artefakt, identisk på alle arkitekturer

Du kan læse, hvad hvert papir hævder, og hvordan det blev testet, og anmode om udkastet bag det. Ingen af delene betyder, at et tidsskrift, en konference eller en uafhængig reviewer har accepteret arbejdet.

Behandl udkastene som review-input. Ekstern accept, uafhængig replikation og produktionssikring kræver deres egen evidens og hævdes ikke her.

Metoder og målinger præsenteres i kildeudkastene. Deres omfang, miljø, baselines og begrænsninger følger med hver påstand.

Alle seks poster er arbejdspapirer dateret juli 2026.

Datoen beskriver udkastets øjebliksbillede, ikke en publikationsbegivenhed.

Hver post har et komplet udkast, og Dweve udleverer det på forespørgsel.

Udkastene er hos eksterne reviewere, så intet er offentliggjort her. Spørg via kontaktformularen, og vi udleverer papiret efter godkendelse.

Rapporterede resultater tilhører den opgave, det datasæt, den konfiguration og det miljø, der er nævnt i papiret.

Et resultat i ét papir ophøjes ikke til en familieomfattende garanti.

Repositoryet etablerer ikke en journal-, konference- eller peer-review-udfald for disse udkast.

Biblioteket bruger derfor arbejdspapirsprog gennemgående.

Brug det præcise papir og den præcise opgave

Identificer øjebliksbilledet fra juli 2026

Publikations- eller peer-review-status angives kun, når repositoryet understøtter det.

Dette register viser, hvor hver titel kommer fra, og hvordan du får selve papiret. Der er ingen ekstra papirer gemt bag marketingnavne. Hver post navngiver én kildemappe, og det udkast, som mappen indeholder, er det, vi sender, når du beder om det.

Brug registeret til at bekræfte, at biblioteksposten, detaljeruten og det udkast, vi udleverer, alle henviser til det samme arbejdspapir. Hver titel navngiver én autoritativ kildemappe, så en påstand på denne side kan spores til det dokument, der understøtter den.

Registeret binder hver kanonisk slug til dens autoritative kildemappe. Detaljesiderne bærer abstraktet, sektionsoversigten og den angivne status; det komplette udkast forbliver hos eksterne reviewere og udleveres på forespørgsel. Ingen post optræder her uden en kildemappe bag sig, hvilket er det, der gør registeret verificerbart snarere end påstået.

Ét udkast per kilde, udleveret på forespørgsel

Hvert listede papir navngiver sin autoritative kildemappe, og dets udkast udleveres på forespørgsel.

Resuméerne hjælper dig med at vælge. Det komplette udkast indeholder metoder, resultater, begrænsninger og referencer, og vi udleverer det, når du beder om det.

Bevæg dig fra familiekontrakten til opgavepapiret, og tag den angivne evidensgrænse med i due diligence.

Biblioteket holder familiedefinitionen, opgaveinstansieringerne, generaliseringstesten og deres kildeplaceringer i én gennemgåelig rækkefølge.

De seks titler og datoer stammer fra de autoritative papirkilder. Hylden omdøber ikke gammelt markedsføringsmateriale eller skaber papirer omkring produktpåstande. Det, der er listet her, er hele det aktuelle arbejdssæt, og intet ligger i det, som kildemappen ikke indeholder.