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.

Δεν διεκδικείται χώρος δημοσίευσης ή αξιολόγηση από ομοτίμους

Οι εργασίες ABMN εξηγούν μία προσέγγιση για την κατασκευή συμπαγών, επαναλήψιμων συστημάτων τεχνητής νοημοσύνης. Ξεκινήστε με την εργασία της οικογένειας και στη συνέχεια ακολουθήστε το έργο που σας ενδιαφέρει. Αυτά είναι προσχέδια εργασίας του Ιουλίου 2026, όχι ισχυρισμοί δημοσίευσης με αξιολόγηση από ομοτίμους. Υπάρχουν για να δείξουν ότι ο πλήρης ντετερμινισμός είναι εφικτός και διατηρείται σε διαφορετικά είδη έργων, όχι για να κυνηγήσουν κορυφαίες βαθμολογίες. Τα αποθετήρια δημοσιεύονται μαζί με τις εργασίες.

Έξι εργασίες εργασίας ABMN παρουσιάζουν τη σύμβαση της οικογένειας, τις δομές μνήμης ανά έργο, τα μετρημένα αποτελέσματα και τους δηλωμένους περιορισμούς. Το μητρώο διαχωρίζει τα στοιχεία προσχεδίων από οποιονδήποτε ισχυρισμό εξωτερικής αποδοχής. Σκοπός είναι να αποδειχθεί ότι ο πλήρης ντετερμινισμός είναι εφικτός και γενικεύεται σε τύπους έργων, παρά να διεκδικηθούν αποτελέσματα αιχμής. Τα αποθετήρια δημοσιεύονται μαζί με τις εργασίες.

Τα έξι προσχέδια του Ιουλίου 2026 περιγράφουν τη σύμβαση της οικογένειας ABMN, τέσσερις στιγμιότυπες ανά έργο και ένα τεστ γενίκευσης που εφαρμόζει την ίδια σύμβαση κατασκευής σε έναν λογικό εκπαιδευόμενο. Κάθε εγγραφή περιέχει την περίληψη, το περίγραμμα ενοτήτων, τις μετρήσεις και τους δηλωμένους περιορισμούς. Το σύνολο υπάρχει για να αποδείξει ότι ο πλήρης ντετερμινισμός είναι εφικτός και γενικεύεται σε τύπους έργων, χωρίς να αποκαλύπτει την ιδιόκτητη εργασία πίσω από αυτό. Τα αποθετήρια δημοσιεύονται μαζί με τις εργασίες.

Κάθε κάρτα σας δίνει την ερώτηση, το θέμα και μια περίληψη της εργασίας. Οι τίτλοι παραμένουν ακριβώς όπως εμφανίζονται στις πηγαίες εργασίες. Είναι έξι, όλα με ημερομηνία Ιουλίου 2026. Το πλήρες προσχέδιο βρίσκεται σε εξωτερικούς αξιολογητές, οπότε ζητήστε το μέσω της φόρμας επικοινωνίας και το δημοσιεύουμε μόλις εγκρίνουμε το αίτημα.

Χρησιμοποιήστε αυτό το ράφι ως μητρώο ανασκόπησης. Περιέχει το πλήρες τρέχον σύνολο εργασίας ABMN και δεν αναμιγνύει φυλλάδια προϊόντων ή μη υποστηριζόμενες εργασίες τομέα. Έξι τίτλοι φέρουν μία ημερομηνία προσχεδίου και δύο ονομασμένους συγγραφείς, οπότε μια ανασκόπηση μπορεί να ξεκινήσει από το μητρώο αντί από μια αναζήτηση. Τα προσχέδια διατίθενται κατόπιν αιτήματος.

Η εργασία της οικογένειας ορίζει την κοινή σύμβαση. Τέσσερις συνοδευτικές εργασίες την εφαρμόζουν για NER, ταξινόμηση, επανακατάταξη και λεξιλογική ανάκτηση, και μια έκτη διερωτάται αν η ίδια σύμβαση κατασκευής ισχύει για έναν δομικά διαφορετικό εκπαιδευόμενο. Όλες οι έξι φέρουν την ίδια ημερομηνία προσχεδίου. Η περίληψη παραμένει δημόσια· το προσχέδιο διατίθεται κατόπιν αιτήματος.

Μία εργασία οικογένειας, τέσσερις εργασίες έργων, ένα τεστ γενίκευσης

Όλα τα έξι πηγαία έγγραφα φέρουν αυτή την ημερομηνία

Διατίθεται κατόπιν αιτήματος για κάθε εργασία

Δεν χρειάζεται να διαβάσετε και τα έξι. Η εργασία της οικογένειας παρέχει τον χάρτη, οι εργασίες έργων δείχνουν πώς το ίδιο μοτίβο αλλάζει για ονόματα, ετικέτες και αναζήτηση, και η τελευταία διερωτάται αν το μοτίβο επιβιώνει σε ένα διαφορετικό είδος εκπαιδευόμενου. Η σειρά παρακάτω ξεκινά από τη σύμβαση και προχωρά στα έργα και στη συνέχεια στην ανάκτηση, αλλά είναι πρόταση και όχι κατάταξη, και κάθε μεμονωμένη εργασία στέκεται μόνη της. Αν διαβάσετε μόνο μία, διαβάστε την εργασία της οικογένειας, γιατί οι υπόλοιπες προϋποθέτουν το σχήμα που περιγράφει.

Διάβασε το οικογενειακό συμβόλαιο πριν συγκρίνεις τα αποτελέσματα των εργασιών. Αποτρέπει το να εκληφθεί ένα σημείο αναφοράς ως εγγύηση για ολόκληρο το σύστημα. Η σειρά ξεκινά από το οικογενειακό συμβόλαιο, συνεχίζει με τις εργασίες, έπειτα με τα δύο έγγραφα ανάκτησης και τελειώνει με το τεστ γενίκευσης. Πρόκειται για συντακτική καθοδήγηση και όχι για κατάταξη ωριμότητας, και οποιοδήποτε από τα έξι μπορεί να διαβαστεί αυτόνομα, εφόσον το συμβόλαιο είναι κατανοητό.

Διάβασε πρώτα τον ορισμό της οικογένειας και έπειτα σύγκρινε πώς κάθε εργασία διαχειρίζεται τη μνήμη της, τα όρια κατασκευής της και το αρχείο αποδεικτικών στοιχείων της. Η σειρά είναι: συμβόλαιο, έγγραφα εργασιών, έγγραφα ανάκτησης, τεστ γενίκευσης. Αυτή η σειρά καθορίζει την ανάγνωση, όχι την ωριμότητα, και κάθε έγγραφο αναφέρει το εύρος που καλύπτουν οι δικές του μετρήσεις. Το οικογενειακό έγγραφο είναι το μόνο από το οποίο εξαρτώνται τα υπόλοιπα, οπότε είναι αυτό που πρέπει να διαβάσεις πρώτο, αν διαβάσεις μόνο ένα.

Ορισμοί, φάσεις κατασκευής και τέσσερις οργανώσεις μνήμης

Επανακατάταξη με γέφυρα και ευρετηρίαση προσαρμοστική στο σώμα κειμένων

Η σειρά είναι συντακτική καθοδήγηση, όχι κατάταξη ωριμότητας.

Δες πώς συνδέονται τα έξι έγγραφα πριν επιλέξεις μια εργασία.

Ακολούθησε ένα συμπαγές σύστημα που βρίσκει ονόματα και τοποθεσίες με ακριβή δομημένη αποκωδικοποίηση.

Δες πώς ένας ταξινομητής κειμένου μπορεί να γίνει μια αναπαράξιμη δυαδική κατασκευή.

Εξέτασε την επανακατάταξη αναζήτησης χωρίς πυκνό μοντέλο στη διαδρομή ερωτήματος.

Εξέτασε τη λεξική ανάκτηση με ντετερμινιστική βαθμολόγηση.

Καθιέρωσε το κοινό συμβόλαιο της οικογένειας μοντέλων και τα όρια των αποδεικτικών στοιχείων του.

Εξέτασε μαζί την αναφερόμενη ποιότητα, το αποτύπωμα, την απόδοση και τους περιορισμούς του NER.

Εξέτασε τον ισχυρισμό για το δια-αρχιτεκτονικό τεχνούργημα και την ταυτότητα πρόβλεψης.

Εξέτασε τη μετρημένη διαδρομή επανακατάταξης με μνήμη-γέφυρα στα SciFact και NF-Corpus.

Εξέτασε τη διαδρομή εξυπηρέτησης προσαρμοστική στο σώμα κειμένων και τις μετρήσεις της στο MS MARCO.

Όρισε τα learn, strip, execute και τις τέσσερις οργανώσεις μνήμης που ανήκουν στις εργασίες.

Ιχνηλάτησε την επισήμανση ακολουθίας από μία κατασκευή έως την ακριβή αποκωδικοποίηση.

Ιχνηλάτησε την ταξινόμηση κειμένου έως τα byte-πανομοιότυπα τεχνουργήματα σε ARM και x86.

Ιχνηλάτησε τα τυποποιημένα αραιά άτομα σε μεταγλωττισμένους πίνακες-γέφυρες και επανακατάταξη με ακέραιους.

Ιχνηλάτησε τη λεξική ανάκτηση από την κατασκευή του σώματος έως τα ντετερμινιστικά top-k αποτελέσματα.

Τα έγγραφα μοιράζονται μια βασική κίνηση: η μάθηση προετοιμάζει συμπαγή μνήμη εργασίας, η κατάσταση που υπάρχει μόνο κατά την κατασκευή αφαιρείται και μια σταθερή διαδικασία χρησιμοποιεί το αποτέλεσμα. Τέσσερα θέματα καλύπτουν το οικογενειακό έγγραφο και τα έγγραφα εργασιών, και καθένα από αυτά ανήκει σε ακριβώς ένα θέμα. Το τεστ γενίκευσης βρίσκεται δίπλα τους, θέτοντας το ερώτημα αν η ίδια κίνηση λειτουργεί σε ένα διαφορετικό είδος μαθητή.

Το κοινό συμβόλαιο είναι το σημείο σύγκρισης. Η ποιότητα ανά εργασία και τα συστημικά νούμερα παραμένουν τοπικά στο έγγραφο και στην αξιολόγηση που τα αναφέρει. Τέσσερα θέματα καλύπτουν το οικογενειακό συμβόλαιο και τα έγγραφα εργασιών, και καθένα ανήκει σε ακριβώς ένα θέμα. Το τεστ γενίκευσης αναφέρεται ξεχωριστά, επειδή δοκιμάζει το συμβόλαιο και όχι μια εργασία.

Το οικογενειακό συμβόλαιο παραμένει σταθερό, ενώ η διευθυνσιοδότηση, οι κανόνες ενημέρωσης και η αποκωδικοποίηση διαφέρουν ανά εργασία. Ο χάρτης θεμάτων κρατά αυτές τις υλοποιήσεις ξεχωριστές, με τέσσερα θέματα και ακριβώς ένα θέμα ανά έγγραφο εργασίας. Το τεστ γενίκευσης μεταφέρει το συμβόλαιο σε ένα δομικά διαφορετικό είδος μαθητή και αναφέρει τα αποδεικτικά στοιχεία του ανά υποδοχή.

Αναγνώριση ονομαστικών οντοτήτων με ακριβή δομημένη αποκωδικοποίηση

Ένα μεταγλωττισμένο τεχνούργημα, πανομοιότυπο σε κάθε αρχιτεκτονική

Μπορείς να διαβάσεις τι ισχυρίζεται κάθε έγγραφο και πώς δοκιμάστηκε, και να ζητήσεις το προσχέδιο πίσω από αυτό. Τίποτα από αυτά δεν σημαίνει ότι το έργο έχει γίνει αποδεκτό από περιοδικό, συνέδριο ή ανεξάρτητο κριτή.

Αντιμετώπισε τα προσχέδια ως υλικό για αναθεώρηση. Η εξωτερική αποδοχή, η ανεξάρτητη αναπαραγωγή και η διασφάλιση παραγωγής απαιτούν δικά τους αποδεικτικά στοιχεία και δεν διατυπώνονται εδώ.

Οι μέθοδοι και οι μετρήσεις παρουσιάζονται στα πηγαία προσχέδια. Το εύρος τους, το περιβάλλον, οι βάσεις σύγκρισης και οι περιορισμοί συνοδεύουν κάθε ισχυρισμό.

Και οι έξι καταχωρίσεις είναι έγγραφα εργασίας με ημερομηνία Ιουλίου 2026.

Η ημερομηνία περιγράφει το στιγμιότυπο του προσχεδίου, όχι ένα γεγονός δημοσίευσης.

Κάθε καταχώριση έχει πλήρες προσχέδιο και η Dweve το διαθέτει κατόπιν αιτήματος.

Τα προσχέδια βρίσκονται σε εξωτερικούς αξιολογητές, οπότε τίποτα δεν δημοσιεύεται εδώ. Ζητήστε το μέσω της φόρμας επικοινωνίας και θα δημοσιεύσουμε το έγγραφο μετά την έγκριση.

Οι μετρήσεις παραμένουν στο πλαίσιό τους

Τα αναφερόμενα αποτελέσματα ανήκουν στην εργασία, στο σύνολο δεδομένων, στη διαμόρφωση και στο περιβάλλον που αναφέρονται στο έγγραφο.

Ένα αποτέλεσμα σε ένα έγγραφο δεν προάγεται σε εγγύηση για ολόκληρη την οικογένεια.

Το αποθετήριο δεν τεκμηριώνει αποτέλεσμα περιοδικού, συνεδρίου ή αξιολόγησης από ομοτίμους για αυτά τα προσχέδια.

Η βιβλιοθήκη χρησιμοποιεί επομένως γλώσσα εγγράφων εργασίας σε όλο το περιεχόμενο.

Χρησιμοποιήστε το ακριβές έγγραφο και την εργασία

Προσδιορίστε το στιγμιότυπο του Ιουλίου 2026

Διαβάστε μαζί τις μεθόδους και τους περιορισμούς

Μην διευρύνετε το πεδίο ενός αποτελέσματος

ΠΡΟΣΧΕΔΙΟ · ΚΑΤΟΠΙΝ ΑΙΤΗΜΑΤΟΣ · ΟΡΙΟΘΕΤΗΜΕΝΟ

Η κατάσταση δημοσίευσης ή αξιολόγησης από ομοτίμους θα αναφέρεται μόνο όταν το αποθετήριο την υποστηρίζει.

Αυτό το μητρώο δείχνει από πού προέρχεται κάθε τίτλος και πώς να αποκτήσετε το ίδιο το έγγραφο. Δεν υπάρχουν επιπλέον έγγραφα κρυμμένα πίσω από ονόματα μάρκετινγκ. Κάθε καταχώριση ονομάζει έναν κατάλογο πηγών και το προσχέδιο που περιέχει αυτός ο κατάλογος είναι αυτό που στέλνουμε όταν το ζητήσετε.