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.

Sin sede ni revisión por pares declaradas

Investigación Dweve · Documentos de trabajo

Los documentos ABMN explican un enfoque para construir sistemas de IA compactos y repetibles. Comience con el documento de la familia y luego siga la tarea que le interese. Son borradores de trabajo de julio de 2026, no afirmaciones de publicación revisada por pares. Existen para demostrar que el determinismo completo es alcanzable y se mantiene en distintos tipos de tareas, no para perseguir puntuaciones máximas. Los repositorios se publican junto con los documentos.

Seis documentos de trabajo ABMN establecen el contrato de la familia, las estructuras de memoria específicas de la tarea, los resultados medidos y las limitaciones declaradas. El registro separa la evidencia del borrador de cualquier afirmación de aceptación externa. El propósito es demostrar que el determinismo completo es alcanzable y se generaliza entre tipos de tareas, en lugar de afirmar resultados de última generación. Los repositorios se publican junto con los documentos.

Investigación Dweve · Conjunto de trabajo ABMN

Los seis borradores de julio de 2026 describen el contrato de la familia ABMN, cuatro instanciaciones propiedad de la tarea y una prueba de generalización que aplica el mismo contrato de construcción a un aprendiz lógico. Cada registro incluye el resumen, el esquema de secciones, las mediciones y las limitaciones declaradas. El conjunto existe para demostrar que el determinismo completo es alcanzable y se generaliza entre tipos de tareas, sin revelar el trabajo propietario detrás de él. Los repositorios se publican junto con los documentos.

Cada tarjeta le ofrece la pregunta, el tema y un resumen del documento. Los títulos permanecen exactamente como aparecen en los documentos fuente. Son seis, todos con fecha de julio de 2026. El borrador completo está con revisores externos, así que solicítelo a través del formulario de contacto y lo publicaremos una vez que aprobemos la solicitud.

Use este estante como registro de revisión. Contiene el conjunto de trabajo ABMN actual completo y no mezcla folletos de productos ni documentos sectoriales sin respaldo. Seis títulos llevan una fecha de borrador y dos autores nombrados, por lo que una revisión puede comenzar desde el registro en lugar de desde una búsqueda. Los borradores se publican bajo petición.

El documento de la familia define el contrato compartido. Cuatro documentos complementarios lo instancian para NER, clasificación, reranking y recuperación léxica, y un sexto pregunta si el mismo contrato de construcción se mantiene para un aprendiz estructuralmente diferente. Los seis llevan la misma fecha de borrador. El resumen permanece público; el borrador se publica bajo petición.

Un documento de familia, cuatro documentos de tarea, una prueba de generalización

Los seis documentos fuente llevan esta fecha

Publicado bajo petición para cada documento

No necesita leer los seis. El documento de la familia proporciona el mapa, los documentos de tarea muestran cómo el mismo patrón cambia para nombres, etiquetas y búsqueda, y el último pregunta si el patrón sobrevive a un tipo diferente de aprendiz. El orden siguiente va del contrato a las tareas y luego a la recuperación, pero es una sugerencia más que una clasificación, y cualquier documento individual se sostiene por sí solo. Si solo lee uno, lea el de la familia, porque el resto asumen la forma que describe.

Revisa el contrato de la familia antes de comparar los resultados de las tareas. Evita que un benchmark se confunda con una garantía a nivel de sistema. La secuencia va del contrato de la familia a los documentos de las tareas, luego a los dos documentos de recuperación y, por último, a la prueba de generalización. Es una orientación editorial, no una clasificación de madurez, y cualquiera de los seis puede leerse por separado una vez que se entiende el contrato.

Lee primero la definición de la familia y luego compara cómo cada tarea gestiona su memoria, su límite de compilación y su registro de evidencia. La secuencia es: contrato, documentos de tareas, documentos de recuperación y prueba de generalización. Ordena la lectura, no la madurez, y cada documento indica el alcance de sus propias mediciones. El documento de la familia es el único del que dependen los demás, así que es el primero que debes leer si solo vas a leer uno.

Definiciones, fases de compilación y cuatro organizaciones de memoria

Reordenación puente e indexación adaptativa al corpus

La secuencia es orientación editorial, no una clasificación de madurez.

Mira cómo encajan los seis documentos antes de elegir una tarea.

Sigue un sistema compacto que encuentra nombres y lugares con decodificación estructurada exacta.

Mira cómo un clasificador de texto puede convertirse en una compilación binaria reproducible.

Inspecciona la reordenación de búsquedas sin un modelo denso en la ruta de consulta.

Inspecciona la recuperación léxica con puntuación determinista.

Establece el contrato compartido de la familia de modelos y sus límites de evidencia.

Revisa juntos la calidad reportada, la huella, el rendimiento y las limitaciones de NER.

Revisa la afirmación de identidad de predicción y del artefacto entre arquitecturas.

Revisa la ruta de reordenación con memoria puente medida en SciFact y NF-Corpus.

Revisa la ruta de servicio adaptativa al corpus y sus mediciones en MS MARCO.

Define aprender, extraer, ejecutar y las cuatro organizaciones de memoria propias de las tareas.

Traza el etiquetado de secuencias desde una compilación hasta la decodificación exacta.

Traza la clasificación de texto hasta artefactos idénticos byte a byte en ARM y x86.

Traza átomos dispersos tipados hasta tablas puente compiladas y reordenación con enteros.

Traza la recuperación léxica desde la compilación del corpus hasta resultados top-k deterministas.

Los documentos comparten un movimiento básico: el aprendizaje prepara una memoria de tarea compacta, el estado exclusivo de compilación se elimina y un procedimiento fijo usa el resultado. Cuatro temas cubren el documento de la familia y los documentos de tareas, y cada uno pertenece exactamente a un tema. La prueba de generalización se sitúa junto a ellos y pregunta si el mismo movimiento funciona con un tipo de aprendiz diferente.

El contrato compartido es el punto de comparación. La calidad específica de cada tarea y los números de sistemas siguen siendo locales al documento y a la evaluación que los reporta. Cuatro temas cubren el contrato de la familia y los documentos de tareas, y cada uno se sitúa exactamente bajo un tema. La prueba de generalización se reporta por separado, porque prueba el contrato, no una tarea.

El contrato de la familia se mantiene estable mientras que el direccionamiento, las reglas de actualización y la decodificación difieren según la tarea. El mapa de temas mantiene separadas esas instanciaciones, con cuatro temas y exactamente un tema por documento de tarea. La prueba de generalización lleva el contrato a un aprendiz estructuralmente diferente y reporta su evidencia por host.

Reconocimiento de entidades nombradas con decodificación estructurada exacta

Un artefacto compilado, idéntico en todas las arquitecturas

Dos instanciaciones de recuperación distintas

Puedes leer lo que afirma cada documento y cómo se probó, y solicitar el borrador que hay detrás. Ninguna de esas cosas significa que una revista, una conferencia o un revisor independiente haya aceptado el trabajo.

Trata los borradores como insumos de revisión. La aceptación externa, la replicación independiente y la garantía de producción requieren su propia evidencia y no se afirman aquí.

Los métodos y las mediciones se presentan en los borradores fuente. Su alcance, entorno, líneas base y limitaciones viajan con cada afirmación.

Las seis entradas son documentos de trabajo con fecha de julio de 2026.

La fecha describe la instantánea del borrador, no un evento de publicación.

Cada entrada tiene un borrador completo, y Dweve lo publica bajo petición.

Los borradores están con revisores externos, así que aquí no se publica nada. Pide a través del formulario de contacto y publicamos el documento tras la aprobación.

Los resultados reportados pertenecen a la tarea, el conjunto de datos, la configuración y el entorno nombrados en el documento.

Un resultado en un documento no se promueve a una garantía para toda la familia.

El repositorio no establece un resultado de revista, conferencia o revisión por pares para estos borradores.

Por lo tanto, la biblioteca utiliza lenguaje de documento de trabajo en todo momento.

Identifica la instantánea de julio de 2026

Lee los métodos y las limitaciones juntos

El estado de publicación o revisión por pares solo se indicará cuando el repositorio lo respalde.

Este registro muestra de dónde viene cada título y cómo obtener el documento en sí. No hay documentos adicionales ocultos tras nombres de marketing. Cada entrada nombra un directorio de origen, y el borrador que contiene ese directorio es el que enviamos cuando lo pides.

Usa el registro para verificar que la entrada de la biblioteca, la ruta de detalle y el borrador que publicamos se refieren al mismo documento de trabajo. Cada título nombra un directorio de origen autoritativo, por lo que una afirmación en esta página se puede rastrear hasta el documento que la respalda.