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.

Ei väitetty julkaisufoorumia tai vertaisarvioitua julkaisua

ABMN-paperit selittävät yhden lähestymistavan kompaktien, toistettavien tekoälyjärjestelmien rakentamiseen. Aloita perhepaperista ja seuraa sitten sinua kiinnostavaa tehtävää. Nämä ovat heinäkuun 2026 työluonnoksia, eivät väitteitä vertaisarvioituista julkaisuista. Ne ovat olemassa osoittaakseen, että täysi determinismi on saavutettavissa ja pätee erityyppisiin tehtäviin, eivätkä ne tavoittele huippupisteitä. Repositoriot julkaistaan papereiden kanssa.

Kuusi ABMN-työpaperia esittävät perhekohtaisen sopimuksen, tehtäväkohtaiset muistirakenteet, mitatut tulokset ja ilmoitetut rajoitteet. Rekisteri erottaa luonnosaineiston mahdollisista ulkoisen hyväksynnän väitteistä. Tarkoituksena on osoittaa, että täysi determinismi on saavutettavissa ja yleistyy tehtävätyyppien välillä, eikä väittää huipputuloksia. Repositoriot julkaistaan papereiden kanssa.

Kuusi heinäkuun 2026 luonnosta kuvaavat ABMN-perhekohtaisen sopimuksen, neljä tehtäväkohtaista instanssia ja yhden yleistystestin, joka soveltaa samaa rakennussopimusta loogiseen oppijaan. Jokainen tietue sisältää abstraktin, osioiden hahmotelman, mittaukset ja ilmoitetut rajoitteet. Setin tarkoitus on todistaa, että täysi determinismi on saavutettavissa ja yleistyy tehtävätyyppien välillä, paljastamatta sen taustalla olevaa omaa työtä. Repositoriot julkaistaan papereiden kanssa.

Jokainen kortti kertoo kysymyksen, aiheen ja yhteenvedon paperista. Otsikot pysyvät täsmälleen sellaisina kuin ne ovat lähdepapereissa. Niitä on kuusi, kaikki päivätty heinäkuulle 2026. Täydellinen luonnos on ulkopuolisilla arvioijilla, joten pyydä sitä yhteydenottolomakkeen kautta, ja julkaisemme sen, kun hyväksymme pyynnön.

Käytä tätä hyllyä arviointirekisterinä. Se sisältää täydellisen nykyisen ABMN-työsetin eikä sekoita siihen tuote-esitteitä tai perusteettomia alan papereita. Kuudella otsikolla on yksi luonnospäivämäärä ja kaksi nimettyä kirjoittajaa, joten arviointi voi alkaa rekisteristä hakemisen sijaan. Luonnokset julkaistaan pyynnöstä.

Perhepaperi määrittelee yhteisen sopimuksen. Neljä rinnakkaispaperia soveltavat sitä NER:ään, luokitteluun, uudelleenjärjestykseen ja leksikaaliseen hakuun, ja kuudes kysyy, päteekö sama rakennussopimus rakenteellisesti erilaiseen oppijaan. Kaikilla on sama luonnospäivämäärä. Yhteenveto pysyy julkisena; luonnos julkaistaan pyynnöstä.

Yksi perhepaperi, neljä tehtäväpaperia, yksi yleistystesti

Kaikki kuusi lähdeasiakirjaa kantavat tämän päivämäärän

Julkaistaan pyynnöstä jokaiselle paperille

Sinun ei tarvitse lukea kaikkia kuutta. Perhepaperi tarjoaa kartan, tehtäväpaperit osoittavat, miten sama kaava muuttuu nimien, tunnisteiden ja haun kohdalla, ja viimeinen kysyy, selviääkö kaava erilaisen oppijan kanssa. Alla oleva järjestys kulkee sopimuksesta tehtäviin ja sitten hakuun, mutta se on ehdotus eikä paremmuusjärjestys, ja mikä tahansa yksittäinen paperi toimii itsenäisesti. Jos luet vain yhden, lue perhepaperi, koska muut olettavat sen kuvaaman muodon.

Tarkista perhekohtainen sopimus ennen kuin vertaat tehtävien tuloksia. Se estää vertailuarvon sekoittamisen järjestelmänlaajuiseksi takeeksi. Järjestys kulkee perhekohtaisesta sopimuksesta tehtäväpapereihin, sitten kahteen hakupaperiin ja viimeisenä yleistystestiin. Se on toimituksellista ohjausta eikä kypsyysjärjestys, ja mikä tahansa kuudesta voidaan lukea itsenäisesti, kunhan sopimus on ymmärretty.

Lue ensin perheen määritelmä ja vertaa sitten, miten kukin tehtävä omistaa muistinsa, rakennusrajansa ja todistepäiväkirjansa. Järjestys kulkee sopimuksesta tehtäväpapereihin, hakupapereihin ja yleistystestiin. Se järjestää lukemisen, ei kypsyyttä, ja jokainen paperi ilmoittaa, minkä alueen sen omat mittaukset kattavat. Perhepaperi on ainoa, josta muut ovat riippuvaisia, joten se kannattaa lukea ensin, jos luet vain yhden.

Määritelmät, rakennusvaiheet ja neljä muistiorganisaatiota

Silta-uudelleenjärjestys ja korpusadaptiivinen indeksointi

Järjestys on toimituksellista ohjausta, ei kypsyysjärjestys.

Katso, miten kuusi paperia sopivat yhteen ennen kuin valitset tehtävän.

Tutustu kompaktiin järjestelmään, joka löytää nimet ja paikat tarkalla rakenteellisella dekoodauksella.

Katso, miten tekstiluokittelijasta voi tulla toistettava binäärirakennus.

Tarkastele haun uudelleenjärjestystä ilman tiheää mallia kyselypolussa.

Tarkastele leksikaalista hakua deterministisellä pisteytyksellä.

Vahvista yhteinen malliperheen sopimus ja sen todisteiden rajat.

Arvioi raportoitu laatu, jalanjälki, suorituskyky ja NER-rajoitteet yhdessä.

Arvioi arkkitehtuurien välinen artefakti ja ennusteen identiteettiväite.

Arvioi mitattu silta-muisti-uudelleenjärjestyspolku SciFact- ja NF-Corpus-aineistoilla.

Arvioi korpusadaptiivinen palvelupolku ja sen MS MARCO -mittaukset.

Määrittele oppia, strippaa, suorita ja neljä tehtävän omistamaa muistiorganisaatiota.

Jäljitä sekvenssiluokittelu yhdestä rakennuksesta tarkkaan dekoodaukseen.

Jäljitä tekstiluokittelu bittitarkkoihin artefakteihin ARM- ja x86-arkkitehtuureilla.

Jäljitä tyypitetyt harvat atomit käännettyihin siltataulukoihin ja kokonaisluku-uudelleenjärjestykseen.

Jäljitä leksikaalinen haku korpusrakennuksesta deterministisiin top-k-tuloksiin.

Paperit jakavat perusliikkeen: oppiminen valmistelee kompaktin tehtävämuistin, rakennusvaiheen tila poistetaan ja kiinteä menettely käyttää tulosta. Neljä aihetta kattavat perhepaperin ja tehtäväpaperit, ja jokainen niistä kuuluu täsmälleen yhteen aiheeseen. Yleistystesti on niiden rinnalla ja kysyy, toimiiko sama liike erilaisella oppijalla.

Yhteinen sopimus on vertailukohta. Tehtäväkohtaiset laatu- ja järjestelmäluvut pysyvät paikallisina paperissa ja arvioinnissa, joka ne raportoi. Neljä aihetta kattavat perhesopimuksen ja tehtäväpaperit, ja jokainen niistä kuuluu täsmälleen yhteen aiheeseen. Yleistystesti raportoidaan erikseen, koska se testaa sopimusta eikä tehtävää.

Perhesopimus pysyy vakaana, kun osoitus, päivityssäännöt ja dekoodaus vaihtelevat tehtävän mukaan. Aihekartta pitää nämä ilmentymät erillään, neljällä aiheella ja täsmälleen yhdellä aiheella tehtäväpaperia kohden. Yleistystesti vie sopimuksen rakenteellisesti erilaiseen oppijaan ja raportoi sen todisteet isäntäkohtaisesti.

Nimettyjen entiteettien tunnistus tarkalla rakenteellisella dekoodauksella

Yksi käännetty artefakti, identtinen jokaisella arkkitehtuurilla

Uudelleenjärjestys ja leksikaalinen haku

Voit lukea, mitä kukin paperi väittää ja miten se testattiin, ja pyytää sen taustalla olevaa luonnosta. Kumpikaan näistä ei tarkoita, että lehti, konferenssi tai riippumaton arvioija olisi hyväksynyt työn.

Käsittele luonnoksia arviointimateriaalina. Ulkoinen hyväksyntä, riippumaton toisto ja tuotannon varmistus vaativat oman todisteensa, eikä niitä väitetä tässä.

Menetelmät ja mittaukset esitetään lähdeluonnoksissa. Niiden laajuus, ympäristö, perustasot ja rajoitteet kulkevat jokaisen väitteen mukana.

Kaikki kuusi kirjoitusta ovat työpapereita, jotka on päivätty heinäkuulle 2026.

Päivämäärä kuvaa luonnosversiota, ei julkaisutapahtumaa.

Jokaisesta kirjoituksesta on täydellinen luonnos, ja Dweve luovuttaa sen pyynnöstä.

Luonnokset ovat ulkopuolisilla arvioijilla, joten tänne ei ole julkaistu mitään. Pyydä paperia yhteydenottolomakkeella, ja luovutamme sen hyväksynnän jälkeen.

Raportoidut tulokset kuuluvat paperissa nimettyyn tehtävään, aineistoon, kokoonpanoon ja ympäristöön.

Yhden paperin tulosta ei nosteta koko perheen kattavaksi takuuksi.

Arkisto ei vahvista näille luonnoksille lehden, konferenssin tai vertaisarvioitua lopputulosta.

Kirjasto käyttää siksi kauttaaltaan työpaperikieltä.

Julkaisu- tai vertaisarviointitila mainitaan vain, jos arkisto tukee sitä.

Tämä rekisteri näyttää, mistä kukin otsikko on peräisin ja miten paperin saa. Markkinointinimien takana ei ole piilotettuja lisäpapereita. Jokainen merkintä nimeää yhden lähdekansion, ja sen sisältämä luonnos on se, jonka lähetämme, kun pyydät sitä.

Käytä rekisteriä varmistaaksesi, että kirjastomerkintä, tiedot-reitti ja luovuttamamme luonnos viittaavat samaan työpaperiin. Jokainen otsikko nimeää yhden auktoritatiivisen lähdekansion, joten tämän sivun väite voidaan jäljittää sitä tukevaan asiakirjaan.

Rekisteri sitoo jokaisen kanonisen tunnisteen auktoritatiiviseen lähdekansioonsa. Tietosivut sisältävät tiivistelmän, osiohahmotelman ja ilmoitetun tilan; täydellinen luonnos on ulkopuolisilla arvioijilla ja luovutetaan pyynnöstä. Tässä ei ole yhtään merkintää ilman taustalla olevaa lähdekansiota, mikä tekee rekisteristä tarkistettavan eikä vain väitetyn.

Yksi auktoritatiivinen kansio per paperi

Yksi luonnos per lähde, luovutetaan pyynnöstä

Jokainen listattu paperi nimeää auktoritatiivisen lähdekansion, ja sen luonnos luovutetaan pyynnöstä.

Tiivistelmät auttavat valinnassa. Täydellinen luonnos sisältää menetelmät, tulokset, rajoitukset ja viitteet, ja luovutamme sen, kun pyydät sitä.

Käytä papereita teknisinä lähtöaineistoina

Siirry perhesopimuksesta tehtäväpaperiin ja ota ilmoitettu näytön raja mukaan due diligence -tarkasteluun.

Noudata oppimisen, purkamisen ja suorittamisen vaiheita