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.

Algoritmide rühmitamine andmetüübi järgi

Puudub väide välise retsenseerimise või avaldamise kohta

ABMN-paberid selgitavad ühte lähenemist kompaktsete ja korratavate tehisintellektisüsteemide ehitamiseks. Alusta perekonnapaberist ja seejärel järgi seda ülesannet, mis sind huvitab. Need on 2026. aasta juuli töömustandid, mitte väide eelretsenseeritud avaldamise kohta. Need on loodud selleks, et näidata, et täielik determinism on saavutatav ja püsib eri tüüpi ülesannete puhul, mitte taga ajada tipptulemusi. Hoidlad avaldatakse koos paberitega.

Kuus ABMN-i tööpaberit kirjeldavad perekonna kokkulepet, ülesandespetsiifilisi mälustruktuure, mõõdetud tulemusi ja sõnastatud piiranguid. Register eraldab mustandite tõendusmaterjali välistest tunnustusväidetest. Eesmärk on näidata, et täielik determinism on saavutatav ja üldistub ülesannete tüüpide lõikes, mitte väita tipptasemel tulemusi. Hoidlad avaldatakse koos paberitega.

Kuus 2026. aasta juuli mustandit kirjeldavad ABMN-i perekonna kokkulepet, nelja ülesandeomanduses olevat instantsi ja ühte üldistustesti, mis rakendab sama ehituskokkulepet loogilisele õppijale. Iga kirje sisaldab kokkuvõtet, jaotiste ülevaadet, mõõtmisi ja sõnastatud piiranguid. Komplekt on loodud tõestama, et täielik determinism on saavutatav ja üldistub ülesannete tüüpide lõikes, ilma et avalikustataks selle taga olevat patenteeritud tööd. Hoidlad avaldatakse koos paberitega.

Iga kaart annab sulle küsimuse, teema ja paberi kokkuvõtte. Pealkirjad jäävad täpselt nii, nagu need on allikpaberites. Neid on kuus, kõik dateeritud 2026. aasta juuliga. Täielik mustand on väliste retsensentide käes, nii et küsi seda kontaktvormi kaudu ja me avaldame selle pärast taotluse heakskiitmist.

Kasuta seda riiulit retsenseerimisregistrina. See sisaldab kogu praegust ABMN-i töökomplekti ega sega sinna tootebrošüüre ega toetamata sektoripabereid. Kuuel pealkirjal on üks mustandi kuupäev ja kaks nimetatud autorit, nii et retsenseerimine saab alata registrist, mitte otsingust. Mustandid ise avaldatakse nõudmisel.

Perekonnapaber määratleb ühise kokkuleppe. Neli kaasnevat paberit rakendavad seda NER-i, klassifitseerimise, ümberjärjestamise ja leksikaalse otsingu jaoks ning kuues küsib, kas sama ehituskokkulepe kehtib struktuurilt erineva õppija puhul. Kõigil kuuel on sama mustandi kuupäev. Kokkuvõte jääb avalikuks; mustand avaldatakse nõudmisel.

Üks perekonnapaber, neli ülesandepaberit, üks üldistustest

Kõik kuus allikdokumenti kannavad seda kuupäeva

Sa ei pea lugema kõiki kuut. Perekonnapaber annab kaardi, ülesandepaberid näitavad, kuidas sama muster muutub nimede, siltide ja otsingu puhul, ning viimane küsib, kas muster püsib eri tüüpi õppija puhul. Allolev järjekord kulgeb kokkuleppest ülesanneteni ja seejärel otsinguni, kuid see on soovitus, mitte paremusjärjestus, ja iga üksik paber seisab iseseisvalt. Kui loed ainult ühte, loe perekonnapaberit, sest ülejäänud eeldavad selle kirjeldatud kuju.

Vaata pereleping üle enne tulemuste võrdlemist. See hoiab ära olukorra, kus võrdlusuuringut peetakse süsteemiüleseks garantiiks. Järjestus kulgeb perelepingust ülesannete paberiteni, seejärel kahe otsingupaberini ja lõpuks üldistustestini. Tegemist on toimetusliku juhendiga, mitte küpsusjärjestusega, ja kõiki kuut saab lugeda iseseisvalt, kui leping on mõistetud.

Loe kõigepealt perekonna definitsioon, seejärel võrdle, kuidas iga ülesanne oma mälu, ehituse piiri ja tõendusraamatut haldab. Järjestus on leping, ülesannete paberid, otsingupaberid, üldistustest. See määrab lugemise järjekorra, mitte küpsuse, ja iga paber määratleb, milliseid mõõtmisi see hõlmab. Perekonnapaber on ainus, millest teised sõltuvad, seega loe seda esimesena, kui loed ainult ühte.

Definitsioonid, ehituse etapid ja neli mälukorraldust

Silla ümberjärjestus ja korpuse kohanduv indekseerimine

Järjestus on toimetuslik juhend, mitte küpsusjärjestus.

Vaata, kuidas kuus paberit omavahel sobivad, enne kui ülesande valid.

Järgi kompaktset süsteemi, mis leiab nimed ja kohad täpse struktureeritud dekodeerimisega.

Vaata, kuidas tekstiklassifikaatorist saab reprodutseeritav binaarne ehitus.

Uuri otsingu ümberjärjestust ilma tiheda mudelita päringuteel.

Uuri leksikaalset otsingut deterministliku skoorimisega.

Kehtesta ühine mudeliperekonna leping ja selle tõenduspiirid.

Vaata koos üle teatatud kvaliteet, jalajälg, läbilaskevõime ja NER-i piirangud.

Vaata üle arhitektuurideülene artefakt ja ennustuse identiteedi väide.

Vaata üle mõõdetud silla-mälu ümberjärjestuse tee SciFacti ja NF-Corpuse puhul.

Vaata üle korpuse kohanduv teenindustee ja selle MS MARCO mõõtmised.

Defineeri õppimine, eemaldamine, täitmine ja neli ülesande omanduses olevat mälukorraldust.

Jälgi järjestuse märgendamist ühest ehitusest täpse dekodeerimiseni.

Jälgi tekstiklassifitseerimist baitidentse artefaktini ARM-i ja x86 vahel.

Jälgi tüpiseeritud hõredaid aatomeid kompileeritud silla tabelite ja täisarvulise ümberjärjestuseni.

Jälgi leksikaalset otsingut korpuse ehitusest deterministlike top-k tulemusteni.

Paberid jagavad põhiliigutust: õppimine valmistab ette kompaktse ülesande mälu, ainult ehituse ajal kasutatav olek eemaldatakse ja fikseeritud protseduur kasutab tulemust. Neli teemat hõlmavad perekonnapaberit ja ülesannete pabereid ning igaüks neist kuulub täpselt ühte teemasse. Üldistustest seisab nende kõrval, küsides, kas sama liigutus toimib teistsuguse õppija puhul.

Ühine leping on võrdluspunkt. Ülesandepõhine kvaliteet ja süsteeminumbrid jäävad paberi ja hindamise kohalikuks, mis neist teatab. Neli teemat hõlmavad perekonnapaberit ja ülesannete pabereid ning igaüks neist kuulub täpselt ühte teemasse. Üldistustest teatatakse eraldi, sest see testib lepingut, mitte ülesannet.

Pereleping püsib stabiilsena, samas kui aadressimine, uuendusreeglid ja dekodeerimine erinevad ülesandeti. Teemakaart hoiab need instantsiatsioonid lahus, nelja teemaga ja täpselt ühe teemaga ülesandepaberi kohta. Üldistustest kannab lepingu struktuurilt teistsugusele õppijale ja teatab oma tõendid peremehe kaupa.

Nimega üksuse tuvastamine täpse struktureeritud dekodeerimisega

Üks kompileeritud artefakt, identne igal arhitektuuril

Saad lugeda, mida iga paber väidab ja kuidas seda testiti, ning küsida selle taga olevat mustandit. Kumbki neist ei tähenda, et ajakiri, konverents või sõltumatu retsensent on töö vastu võtnud.

Käsitle mustandeid retsenseerimise sisendina. Väline vastuvõtt, sõltumatu reprodutseerimine ja tootmiskindlus nõuavad oma tõendusmaterjali ja neid siin ei väideta.

Meetodid ja mõõtmised on esitatud lähtemustandites. Nende ulatus, keskkond, algtasemed ja piirangud liiguvad iga väitega kaasas.

Kõik kuus kirjet on 2026. aasta juuli töödokumendid.

Kuupäev kirjeldab mustandi hetktõmmist, mitte avaldamissündmust.

Igal kirjel on täielik mustand ja Dweve teeb selle taotluse korral kättesaadavaks.

Mustandid on väliste retsensentide juures, seega pole siin midagi avaldatud. Küsi kontaktvormi kaudu ja me avaldame paberi pärast kinnitust.

Teadustatud tulemused kuuluvad paberis nimetatud ülesandele, andmestikule, konfiguratsioonile ja keskkonnale.

Ühe paberi tulemust ei laiendata perekonnaüleseks garantiiks.

Hoidla ei kehtesta nende mustandite jaoks ajakirja, konverentsi ega eelretsenseerimise tulemust.

Seetõttu kasutab teek kogu ulatuses töödokumendi keelt.

Avaldamise või eelretsenseerimise staatust märgitakse ainult siis, kui hoidla seda toetab.

See register näitab, kust iga pealkiri pärineb ja kuidas paberit ise saada. Turundusnimede taga pole peidetud lisapabereid. Iga kirje nimetab ühe allikakataloogi ja selle kataloogi mustand on see, mille me saadame, kui sa seda küsid.

Kasuta registrit, et kontrollida, et teegi kirje, üksikasjade tee ja välja antav mustand viitavad kõik samale töödokumendile. Iga pealkiri nimetab ühe autoriteetse allikakataloogi, nii et sellel lehel oleva väite saab jälgida seda toetava dokumendini.

Register seob iga kanoonilise nime oma autoriteetse allikakataloogiga. Üksikasjade lehed kannavad kokkuvõtet, jaotiste ülevaadet ja märgitud staatust; täielik mustand on väliste retsensentide juures ja antakse välja taotluse korral. Ükski kirje ei ilmu siin ilma allikakataloogita, mis teeb registri kontrollitavaks, mitte pelgalt väidetavaks.

Üks autoriteetne kataloog iga paberi kohta

Üks mustand allika kohta, antakse välja taotluse korral

Iga loetletud paber nimetab oma autoriteetse allikakataloogi ja selle mustand antakse välja taotluse korral.

Kokkuvõtted aitavad sul valida. Täielik mustand sisaldab meetodeid, tulemusi, piiranguid ja viiteid ning me anname selle välja, kui sa seda küsid.

Liigu perekonna lepingult ülesande paberini ja võta märgitud tõendite piir hoolsuskohustusse.

Raamatukogu hoiab perekonna definitsiooni, ülesannete instantsiatsioone, üldistustesti ja nende lähtepathsid ühes ülevaatatavas järjestuses.

Kuus pealkirja ja kuupäeva pärinevad autoriteetsetest artikli allikatest. Riiul ei nimeta ümber vana turundusmaterjali ega loo artikleid tooteväidete ümber. Siin loetletu on täielik praegune töökomplekt ja selles pole midagi, mida lähteandmestik ei sisalda.

Iga detailirada pakub lühikest ülevaadet. Mustand jääb meetodite, mõõdetud tulemuste, piirangute, jooniste ja viidete täielikuks ülevaateks, nii et kokkuvõte on sissejuhatus, mitte artikli asendaja.