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.

Groupes d'algorithmes par type de données

Aucun lieu de publication ou évaluation par les pairs revendiqué

Les documents ABMN expliquent une approche pour construire des systèmes d'IA compacts et reproductibles. Commencez par le document de famille, puis suivez la tâche qui vous intéresse. Ce sont des brouillons de travail de juillet 2026, pas des revendications de publication évaluée par les pairs. Ils existent pour montrer que le déterminisme complet est réalisable et se maintient à travers différents types de tâches, pas pour courir après les meilleurs scores. Les dépôts sont publiés avec les documents.

Six documents de travail ABMN définissent le contrat de famille, les structures de mémoire spécifiques aux tâches, les résultats mesurés et les limitations déclarées. Le registre sépare les preuves de brouillon de toute revendication d'acceptation externe. L'objectif est de démontrer que le déterminisme complet est réalisable et se généralise à travers les types de tâches, plutôt que de revendiquer des résultats de pointe. Les dépôts sont publiés avec les documents.

Recherche Dweve · Ensemble de travail ABMN

Les six brouillons de juillet 2026 décrivent le contrat de famille ABMN, quatre instanciations propres aux tâches et un test de généralisation qui applique le même contrat de construction à un apprenant logique. Chaque enregistrement contient le résumé, le plan des sections, les mesures et les limitations déclarées. L'ensemble existe pour prouver que le déterminisme complet est réalisable et se généralise à travers les types de tâches, sans divulguer le travail propriétaire qui le sous-tend. Les dépôts sont publiés avec les documents.

Chaque carte vous donne la question, le sujet et un résumé du document. Les titres restent exactement tels qu'ils apparaissent dans les documents sources. Il y en a six, tous datés de juillet 2026. Le brouillon complet est avec les réviseurs externes, donc demandez-le via le formulaire de contact et nous le publions une fois que nous approuvons la demande.

Utilisez cette étagère comme registre de revue. Elle contient l'ensemble de travail ABMN complet et actuel et ne mélange pas de brochures de produits ou de documents sectoriels non étayés. Six titres portent une date de brouillon et deux auteurs nommés, donc une revue peut commencer à partir du registre plutôt que d'une recherche. Les brouillons eux-mêmes sont publiés sur demande.

Le document de famille définit le contrat partagé. Quatre documents compagnons l'instancient pour la NER, la classification, le réordonnancement et la récupération lexicale, et un sixième demande si le même contrat de construction tient pour un apprenant structurellement différent. Tous les six portent la même date de brouillon. Le résumé reste public ; le brouillon est publié sur demande.

Un document de famille, quatre documents de tâche, un test de généralisation

Tous les six documents sources portent cette date

Vous n'avez pas besoin de lire les six. Le document de famille fournit la carte, les documents de tâche montrent comment le même modèle change pour les noms, les étiquettes et la recherche, et le dernier demande si le modèle survit à un type d'apprenant différent. L'ordre ci-dessous va du contrat aux tâches puis à la récupération, mais c'est une suggestion plutôt qu'un classement, et chaque document se suffit à lui-même. Si vous n'en lisez qu'un, lisez le document de famille, car les autres supposent la forme qu'il décrit.

Examinez le contrat de famille avant de comparer les résultats des tâches. Il évite qu'un benchmark soit confondu avec une garantie à l'échelle du système. La séquence va du contrat de famille aux documents de tâches, puis aux deux documents de recherche, et enfin au test de généralisation. Il s'agit d'un guide éditorial plutôt que d'un classement de maturité, et chacun des six documents peut être lu indépendamment une fois le contrat compris.

Lisez d'abord la définition de la famille, puis comparez comment chaque tâche gère sa mémoire, sa limite de construction et son registre de preuves. La séquence est la suivante : contrat, documents de tâches, documents de recherche, test de généralisation. Elle ordonne la lecture, pas la maturité, et chaque document précise la portée de ses propres mesures. Le document de famille est le seul dont dépendent les autres, c'est donc celui à lire en premier si vous n'en lisez qu'un.

Définitions, phases de construction et quatre organisations de mémoire

Reranking de pont et indexation adaptative au corpus

La séquence est un guide éditorial, pas un classement de maturité.

Découvrez comment les six documents s'articulent avant de choisir une tâche.

Suivez un système compact qui trouve des noms et des lieux avec un décodage structuré exact.

Découvrez comment un classificateur de texte peut devenir une construction binaire reproductible.

Inspectez le reranking de recherche sans modèle dense dans le chemin de requête.

Inspectez la recherche lexicale avec un score déterministe.

Établissez le contrat partagé de la famille de modèles et ses limites de preuves.

Examinez ensemble la qualité rapportée, l'empreinte, le débit et les limites de la NER.

Examinez l'artefact inter-architectures et la revendication d'identité de prédiction.

Examinez le chemin de reranking de mémoire de pont mesuré sur SciFact et NF-Corpus.

Examinez le chemin de service adaptatif au corpus et ses mesures MS MARCO.

Définissez apprendre, dépouiller, exécuter et les quatre organisations de mémoire propres aux tâches.

Tracez l'étiquetage de séquence d'une construction au décodage exact.

Tracez la classification de texte jusqu'aux artefacts identiques octet pour octet sur ARM et x86.

Tracez les atomes creux typés dans les tables de pont compilées et le reranking entier.

Tracez la recherche lexicale de la construction du corpus aux résultats top-k déterministes.

Les documents partagent un mouvement de base : l'apprentissage prépare une mémoire de tâche compacte, l'état propre à la construction est supprimé, et une procédure fixe utilise le résultat. Quatre sujets couvrent le document de famille et les documents de tâches, et chacun appartient à exactement un sujet. Le test de généralisation se tient à côté, demandant si le même mouvement fonctionne sur un type d'apprenant différent.

Le contrat partagé est le point de comparaison. La qualité spécifique aux tâches et les chiffres systèmes restent locaux au document et à l'évaluation qui les rapportent. Quatre sujets couvrent le contrat de famille et les documents de tâches, et chacun se situe sous exactement un sujet. Le test de généralisation est rapporté séparément, car il teste le contrat plutôt qu'une tâche.

Le contrat de famille reste stable tandis que l'adressage, les règles de mise à jour et le décodage diffèrent selon la tâche. La carte des sujets maintient ces instanciations séparées, avec quatre sujets et exactement un sujet par document de tâche. Le test de généralisation porte le contrat vers un apprenant structurellement différent et rapporte ses preuves par hôte.

Reconnaissance d'entités nommées avec décodage structuré exact

Un artefact compilé, identique sur toutes les architectures

Deux instanciations de recherche distinctes

Vous pouvez lire ce que chaque document revendique et comment il a été testé, et demander le brouillon qui le sous-tend. Aucune de ces choses ne signifie qu'une revue, une conférence ou un évaluateur indépendant a accepté le travail.

Traitez les brouillons comme des entrées de révision. L'acceptation externe, la réplication indépendante et l'assurance de production nécessitent leurs propres preuves et ne sont pas affirmées ici.

Les méthodes et les mesures sont présentées dans les brouillons sources. Leur portée, leur environnement, leurs références et leurs limites accompagnent chaque revendication.

Les six entrées sont des documents de travail datés de juillet 2026.

La date décrit l'instantané du brouillon, pas un événement de publication.

Chaque entrée a un brouillon complet, et Dweve le publie sur demande.

Les brouillons sont avec des relecteurs externes, donc rien n'est publié ici. Demandez via le formulaire de contact et nous publions le document après approbation.

Les résultats rapportés appartiennent à la tâche, au jeu de données, à la configuration et à l'environnement nommés dans le document.

Un résultat dans un document n'est pas promu en garantie pour toute la famille.

Le dépôt n'établit pas de revue, de conférence ou de résultat d'évaluation par les pairs pour ces brouillons.

La bibliothèque utilise donc un langage de document de travail partout.

Lisez les méthodes et les limites ensemble

N'élargissez pas la portée d'un résultat

Le statut de publication ou d'évaluation par les pairs ne sera indiqué que lorsque le dépôt le soutient.

Ce registre montre d'où vient chaque titre et comment obtenir le document lui-même. Il n'y a pas de documents supplémentaires cachés derrière des noms marketing. Chaque entrée nomme un répertoire source, et le brouillon que ce répertoire contient est celui que nous envoyons lorsque vous le demandez.