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.

Kein Veranstaltungsort oder Peer-Review beansprucht

Die ABMN-Papiere erläutern einen Ansatz zum Aufbau kompakter, wiederholbarer KI-Systeme. Beginnen Sie mit dem Familienpapier und folgen Sie dann der Aufgabe, die Sie interessiert. Dies sind Arbeitsentwürfe vom Juli 2026, keine Behauptungen einer Peer-Review-Veröffentlichung. Sie existieren, um zu zeigen, dass vollständige Determiniertheit erreichbar ist und über verschiedene Aufgabentypen hinweg gilt, nicht um Spitzenwerte zu erzielen. Die Repositorien werden mit den Papieren veröffentlicht.

Sechs ABMN-Working-Papers legen den Familienvertrag, aufgabenspezifische Speicherstrukturen, gemessene Ergebnisse und genannte Einschränkungen dar. Das Register trennt Entwurfsnachweise von jeglicher Behauptung externer Anerkennung. Der Zweck ist zu demonstrieren, dass vollständige Determiniertheit erreichbar ist und über Aufgabentypen hinweg generalisiert, anstatt Spitzenergebnisse zu beanspruchen. Die Repositorien werden mit den Papieren veröffentlicht.

Die sechs Entwürfe vom Juli 2026 beschreiben den ABMN-Familienvertrag, vier aufgabeneigene Instanziierungen und einen Generalisierungstest, der denselben Bauvertrag auf einen logischen Lernenden anwendet. Jeder Datensatz enthält die Zusammenfassung, die Abschnittsübersicht, die Messungen und die genannten Einschränkungen. Der Satz existiert, um zu beweisen, dass vollständige Determiniertheit erreichbar ist und über Aufgabentypen hinweg generalisiert, ohne die proprietäre Arbeit dahinter offenzulegen. Die Repositorien werden mit den Papieren veröffentlicht.

Jede Karte gibt Ihnen die Frage, das Thema und eine Zusammenfassung des Papiers. Die Titel bleiben exakt so, wie sie in den Quellpapieren erscheinen. Es gibt sechs davon, alle datiert auf Juli 2026. Der vollständige Entwurf liegt bei externen Gutachtern, also fordern Sie ihn über das Kontaktformular an, und wir geben ihn frei, sobald wir die Anfrage genehmigen.

Nutzen Sie dieses Regal als Überprüfungsregister. Es enthält den vollständigen aktuellen ABMN-Arbeitssatz und mischt keine Produktbroschüren oder nicht unterstützte Branchenpapiere hinein. Sechs Titel tragen ein Entwurfsdatum und zwei benannte Autoren, sodass eine Überprüfung vom Register aus beginnen kann, statt von einer Suche. Die Entwürfe selbst werden auf Anfrage freigegeben.

Das Familienpapier definiert den gemeinsamen Vertrag. Vier Begleitpapiere instanziieren ihn für NER, Klassifikation, Reranking und lexikalische Suche, und ein sechstes fragt, ob derselbe Bauvertrag für einen strukturell anderen Lernenden gilt. Alle sechs tragen dasselbe Entwurfsdatum. Die Zusammenfassung bleibt öffentlich; der Entwurf wird auf Anfrage freigegeben.

Ein Familienpapier, vier Aufgabenpapiere, ein Generalisierungstest

Alle sechs Quelldokumente tragen dieses Datum

Auf Anfrage für jedes Papier freigegeben

Sie müssen nicht alle sechs lesen. Das Familienpapier liefert die Karte, die Aufgabenpapiere zeigen, wie sich dasselbe Muster für Namen, Beschriftungen und Suche ändert, und das letzte fragt, ob das Muster eine andere Art von Lernendem übersteht. Die Reihenfolge unten verläuft vom Vertrag zu den Aufgaben und dann zur Suche, aber sie ist ein Vorschlag und keine Rangfolge, und jedes einzelne Papier steht für sich. Wenn Sie nur eines lesen, lesen Sie das Familienpapier, denn der Rest setzt die Form voraus, die es beschreibt.

Überprüfe den Familienvertrag, bevor du die Aufgabenergebnisse vergleichst. Er verhindert, dass ein Benchmark mit einer systemweiten Garantie verwechselt wird. Die Reihenfolge reicht vom Familienvertrag über die Aufgabenpapiere zu den beiden Retrieval-Papieren und zuletzt zum Generalisierungstest. Sie ist eine redaktionelle Empfehlung und keine Reifegrad-Einstufung, und jedes der sechs Dokumente kann für sich gelesen werden, sobald der Vertrag verstanden ist.

Lies zuerst die Familiendefinition und vergleiche dann, wie jede Aufgabe ihr Gedächtnis, ihre Build-Grenze und ihr Evidenzprotokoll verwaltet. Die Reihenfolge lautet: Vertrag, Aufgabenpapiere, Retrieval-Papiere, Generalisierungstest. Sie ordnet die Lektüre, nicht den Reifegrad, und jedes Papier gibt den Umfang an, den seine eigenen Messungen abdecken. Das Familienpapier ist das einzige, von dem die anderen abhängen, also ist es das, was man zuerst lesen sollte, wenn man nur eines liest.

Definitionen, Build-Phasen und vier Gedächtnisorganisationen

Bridge-Reranking und korpusadaptive Indexierung

Die Reihenfolge ist eine redaktionelle Empfehlung, keine Reifegrad-Einstufung.

Sieh dir an, wie die sechs Papiere zusammenpassen, bevor du eine Aufgabe wählst.

Verfolge ein kompaktes System, das Namen und Orte mit exakter strukturierter Dekodierung findet.

Sieh dir an, wie ein Textklassifikator zu einem reproduzierbaren binären Build werden kann.

Untersuche Such-Reranking ohne ein dichtes Modell im Abfragepfad.

Untersuche lexikalisches Retrieval mit deterministischer Bewertung.

Lege den gemeinsamen Modellfamilien-Vertrag und seine Evidenzgrenzen fest.

Überprüfe berichtete Qualität, Speicherbedarf, Durchsatz und die NER-Einschränkungen gemeinsam.

Überprüfe den architekturübergreifenden Artefakt- und Vorhersageidentitätsanspruch.

Überprüfe den gemessenen Bridge-Memory-Reranking-Pfad auf SciFact und NF-Corpus.

Überprüfe den korpusadaptiven Serving-Pfad und seine MS-MARCO-Messungen.

Definiere learn, strip, execute und die vier aufgabeneigenen Gedächtnisorganisationen.

Verfolge die Sequenzbeschriftung von einem Build bis zur exakten Dekodierung.

Verfolge die Textklassifikation bis zu byteidentischen Artefakten auf ARM und x86.

Verfolge typisierte spärliche Atome bis zu kompilierten Bridge-Tabellen und Integer-Reranking.

Verfolge lexikalisches Retrieval vom Korpus-Build bis zu deterministischen Top-k-Ergebnissen.

Die Papiere teilen einen grundlegenden Schritt: Lernen bereitet kompaktes Aufgabenwissen vor, nur Build-Zustand wird entfernt, und ein festes Verfahren nutzt das Ergebnis. Vier Themen decken das Familienpapier und die Aufgabenpapiere ab, und jedes davon gehört zu genau einem Thema. Der Generalisierungstest steht daneben und fragt, ob derselbe Schritt bei einer anderen Art von Lernendem funktioniert.

Der gemeinsame Vertrag ist der Vergleichspunkt. Aufgabenspezifische Qualitäts- und Systemzahlen bleiben lokal für das Papier und die Auswertung, die sie berichtet. Vier Themen decken den Familienvertrag und die Aufgabenpapiere ab, und jedes davon steht unter genau einem Thema. Der Generalisierungstest wird separat berichtet, weil er den Vertrag testet und nicht eine Aufgabe.

Der Familienvertrag bleibt stabil, während Adressierung, Aktualisierungsregeln und Dekodierung je nach Aufgabe variieren. Die Themenkarte hält diese Instanzen getrennt, mit vier Themen und genau einem Thema pro Aufgabenpapier. Der Generalisierungstest überträgt den Vertrag auf einen strukturell anderen Lernenden und berichtet seine Evidenz pro Host.

Erkennung benannter Entitäten mit exakter strukturierter Dekodierung

Ein kompiliertes Artefakt, identisch auf jeder Architektur

Du kannst lesen, was jedes Papier behauptet und wie es getestet wurde, und den dahinterliegenden Entwurf anfordern. Weder das eine noch das andere bedeutet, dass eine Zeitschrift, eine Konferenz oder ein unabhängiger Gutachter die Arbeit angenommen hat.

Behandle die Entwürfe als Prüfungsinputs. Externe Annahme, unabhängige Replikation und Produktionssicherheit erfordern eigene Evidenz und werden hier nicht behauptet.

Methoden und Messungen werden in den Quellentwürfen dargestellt. Ihr Umfang, ihre Umgebung, ihre Baselines und ihre Einschränkungen reisen mit jedem Anspruch.

Alle sechs Einträge sind Arbeitspapiere mit Datum Juli 2026.

Das Datum beschreibt den Entwurfs-Snapshot, kein Veröffentlichungsereignis.

Jeder Eintrag hat einen vollständigen Entwurf, und Dweve gibt ihn auf Anfrage heraus.

Die Entwürfe liegen bei externen Gutachtern, daher ist hier nichts veröffentlicht. Fragen Sie über das Kontaktformular an, und wir geben das Papier nach Freigabe heraus.

Berichtete Ergebnisse gehören zu der im Papier genannten Aufgabe, dem Datensatz, der Konfiguration und der Umgebung.

Ein Ergebnis in einem Papier wird nicht zu einer familienweiten Garantie hochgestuft.

Das Repository begründet kein Journal-, Konferenz- oder Peer-Review-Ergebnis für diese Entwürfe.

Die Bibliothek verwendet daher durchgängig Arbeitspapier-Sprache.

Exaktes Papier und exakte Aufgabe verwenden

Den Snapshot vom Juli 2026 identifizieren

Methoden und Einschränkungen gemeinsam lesen

Den Geltungsbereich eines Ergebnisses nicht erweitern

Ein Veröffentlichungs- oder Peer-Review-Status wird nur angegeben, wenn das Repository ihn stützt.

Dieses Register zeigt, woher jeder Titel stammt und wie Sie das Papier selbst erhalten. Es gibt keine zusätzlichen Papiere hinter Marketingnamen. Jeder Eintrag nennt ein Quellverzeichnis, und der Entwurf, den dieses Verzeichnis enthält, ist der, den wir senden, wenn Sie danach fragen.

Nutzen Sie das Register, um zu überprüfen, dass der Bibliothekseintrag, die Detailroute und der von uns herausgegebene Entwurf sich auf dasselbe Arbeitspapier beziehen. Jeder Titel nennt ein maßgebliches Quellverzeichnis, sodass eine Behauptung auf dieser Seite bis zu dem Dokument zurückverfolgt werden kann, das sie stützt.