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.

Nije navedeno mjesto objave niti recenzija

Radovi o ABMN-u objašnjavaju jedan pristup izgradnji kompaktnih, ponovljivih AI sustava. Počnite s obiteljskim radom, a zatim slijedite zadatak koji vas zanima. Riječ je o radnim nacrtima iz srpnja 2026., a ne o tvrdnjama o recenziranoj objavi. Postoje kako bi pokazali da je puna determinističnost ostvariva i da vrijedi za različite vrste zadataka, a ne da bi se jurili najbolji rezultati. Repozitoriji se objavljuju zajedno s radovima.

Šest ABMN radnih materijala iznosi obiteljski ugovor, strukture memorije specifične za zadatak, izmjerene rezultate i navedena ograničenja. Registar odvaja nacrte dokaza od bilo kakve tvrdnje o vanjskom prihvaćanju. Svrha je pokazati da je puna determinističnost ostvariva i da se generalizira na različite vrste zadataka, a ne tvrditi vrhunske rezultate. Repozitoriji se objavljuju zajedno s radovima.

Šest nacrta iz srpnja 2026. opisuje obiteljski ugovor ABMN-a, četiri instance specifične za zadatak i jedan test generalizacije koji primjenjuje isti ugovor izgradnje na logički učitelj. Svaki zapis sadrži sažetak, nacrt poglavlja, mjerenja i navedena ograničenja. Skup postoji kako bi dokazao da je puna determinističnost ostvariva i da se generalizira na različite vrste zadataka, bez otkrivanja vlasničkog rada iza njega. Repozitoriji se objavljuju zajedno s radovima.

Svaka kartica daje vam pitanje, temu i sažetak rada. Naslovi ostaju točno onakvi kakvi se pojavljuju u izvornim radovima. Ima ih šest, svi datirani srpnjem 2026. Potpuni nacrt je kod vanjskih recenzenata, pa ga zatražite putem kontaktnog obrasca i objavit ćemo ga nakon što odobrimo zahtjev.

Koristite ovu policu kao registar za pregled. Sadrži cijeli trenutačni ABMN radni skup i ne miješa proizvodne brošure ili nepotkrijepljene sektorske radove. Šest naslova nosi jedan datum nacrta i dva imenovana autora, pa pregled može krenuti od registra umjesto od pretraživanja. Nacrti se objavljuju na zahtjev.

Obiteljski rad definira zajednički ugovor. Četiri prateća rada instanciraju ga za NER, klasifikaciju, reranking i leksičko pretraživanje, a šesti pita vrijedi li isti ugovor izgradnje za strukturno drugačiji učitelj. Svih šest nosi isti datum nacrta. Sažetak ostaje javan; nacrt se objavljuje na zahtjev.

Jedan obiteljski rad, četiri rada o zadacima, jedan test generalizacije

Svih šest izvornih dokumenata nosi ovaj datum

Ne morate pročitati svih šest. Obiteljski rad pruža kartu, radovi o zadacima pokazuju kako se isti obrazac mijenja za imena, oznake i pretraživanje, a posljednji pita preživljava li obrazac drugačiju vrstu učitelja. Redoslijed u nastavku ide od ugovora prema zadacima i zatim prema pretraživanju, ali to je prijedlog, a ne rangiranje, i svaki pojedinačni rad stoji sam za sebe. Ako ćete pročitati samo jedan, pročitajte obiteljski rad jer ostali pretpostavljaju oblik koji on opisuje.

Pregledajte obiteljski ugovor prije usporedbe rezultata zadataka. On sprječava da se benchmark zamijeni za jamstvo na razini sustava. Redoslijed ide od obiteljskog ugovora do radova o zadacima, zatim do dva rada o pretraživanju i na kraju do testa generalizacije. To je urednička smjernica, a ne ljestvica zrelosti, a bilo koji od šest radova može se čitati samostalno nakon što se ugovor razumije.

Prvo pročitajte definiciju obitelji, a zatim usporedite kako svaki zadatak upravlja svojom memorijom, granicom izgradnje i evidencijom dokaza. Redoslijed je ugovor, radovi o zadacima, radovi o pretraživanju, test generalizacije. On određuje redoslijed čitanja, ne zrelost, a svaki rad navodi opseg koji njegova vlastita mjerenja pokrivaju. Obiteljski je rad jedini o kojem drugi ovise, pa ga treba pročitati prvog ako čitate samo jedan.

Definicije, faze izgradnje i četiri organizacije memorije

Ponovno rangiranje mosta i indeksiranje prilagođeno korpusu

Redoslijed je urednička smjernica, ne ljestvica zrelosti.

Pogledajte kako se šest radova uklapa prije odabira zadatka.

Slijedite kompaktan sustav koji pronalazi imena i mjesta s preciznim strukturiranim dekodiranjem.

Pogledajte kako klasifikator teksta može postati ponovljiva binarna izgradnja.

Ispitajte ponovno rangiranje pretraživanja bez gustog modela u putanji upita.

Ispitajte leksičko pretraživanje s determinističkim bodovanjem.

Uspostavite zajednički ugovor obitelji modela i njegove granice dokaza.

Pregledajte zajedno prijavljenu kvalitetu, otisak, propusnost i ograničenja NER-a.

Pregledajte tvrdnju o unakrsnoj arhitekturi artefakta i identitetu predikcije.

Pregledajte izmjereni put ponovnog rangiranja memorije mosta na SciFact i NF-Corpus.

Pregledajte put posluživanja prilagođen korpusu i njegova mjerenja na MS MARCO.

Definirajte learn, strip, execute i četiri organizacije memorije u vlasništvu zadataka.

Pratite označavanje sekvenci od jedne izgradnje do točnog dekodiranja.

Pratite klasifikaciju teksta do bajt-identičnih artefakata na ARM i x86.

Pratite tipizirane rijetke atome u kompilirane tablice mosta i cjelobrojno ponovno rangiranje.

Pratite leksičko pretraživanje od izgradnje korpusa do determinističkih top-k rezultata.

Radovi dijele osnovni potez: učenje priprema kompaktnu memoriju zadatka, stanje samo za izgradnju se uklanja, a fiksni postupak koristi rezultat. Četiri teme pokrivaju obiteljski rad i radove o zadacima, a svaki od njih pripada točno jednoj temi. Test generalizacije stoji pokraj njih, pitajući radi li isti potez na drugoj vrsti učenika.

Zajednički ugovor je referentna točka. Kvaliteta specifična za zadatak i brojke sustava ostaju lokalne za rad i evaluaciju koja ih izvještava. Četiri teme pokrivaju obiteljski ugovor i radove o zadacima, a svaki od njih nalazi se pod točno jednom temom. Test generalizacije izvještava se zasebno jer testira ugovor, a ne zadatak.

Obiteljski ugovor ostaje stabilan dok se adresiranje, pravila ažuriranja i dekodiranje razlikuju po zadatku. Karta tema drži te instance odvojenima, s četiri teme i točno jednom temom po radu o zadatku. Test generalizacije prenosi ugovor na strukturno drugačijeg učenika i izvještava svoje dokaze po domaćinu.

Prepoznavanje imenovanih entiteta s preciznim strukturiranim dekodiranjem

Jedan kompilirani artefakt, identičan na svakoj arhitekturi

Ponovno rangiranje i leksičko pretraživanje

Možete pročitati što svaki rad tvrdi i kako je testiran te zatražiti nacrt iza njega. Ni jedno od toga ne znači da je časopis, konferencija ili neovisni recenzent prihvatio rad.

Tretirajte nacrte kao ulaze za recenziju. Vanjsko prihvaćanje, neovisna replikacija i proizvodno jamstvo zahtijevaju vlastite dokaze i ovdje se ne tvrde.

Metode i mjerenja prikazani su u izvornim nacrtima. Njihov opseg, okruženje, osnovne vrijednosti i ograničenja prate svaku tvrdnju.

Svih šest unosa radni su dokumenti od srpnja 2026.

Datum opisuje snimku nacrta, a ne događaj objave.

Svaki unos ima cjeloviti nacrt, a Dweve ga objavljuje na zahtjev.

Nacrti su kod vanjskih recenzenata, pa ovdje ništa nije objavljeno. Pošaljite upit putem kontakt obrasca i objavit ćemo dokument nakon odobrenja.

Prijavljeni rezultati pripadaju zadatku, skupu podataka, konfiguraciji i okruženju navedenima u dokumentu.

Rezultat u jednom dokumentu ne postaje jamstvo za cijelu obitelj.

Repozitorij ne utvrđuje ishod časopisa, konferencije ili recenzije za te nacrte.

Knjižnica stoga kroz cijeli tekst koristi jezik radnih dokumenata.

Status objave ili recenzije navest će se samo kada ga repozitorij podržava.

Ovaj registar pokazuje odakle dolazi svaki naslov i kako doći do samog dokumenta. Nema dodatnih dokumenata skrivenih iza marketinških naziva. Svaki unos imenuje jedan izvorni direktorij, a nacrt koji taj direktorij sadrži jest onaj koji šaljemo kada ga zatražite.

Koristite registar kako biste provjerili da se unos u knjižnici, put do detalja i nacrt koji objavljujemo odnose na isti radni dokument. Svaki naslov imenuje jedan autoritativni izvorni direktorij, pa se tvrdnja na ovoj stranici može pratiti do dokumenta koji je podržava.

Registar povezuje svaki kanonski slug s njegovim autoritativnim izvornim direktorijem. Stranice s detaljima nose sažetak, okvir poglavlja i navedeni status; cjeloviti nacrt ostaje kod vanjskih recenzenata i objavljuje se na zahtjev. Ovdje se ne pojavljuje nijedan unos bez izvornog direktorija iza njega, što registar čini provjerljivim, a ne samo deklarativnim.

Jedan autoritativni direktorij po dokumentu

Jedan nacrt po izvoru, objavljen na zahtjev

Svaki navedeni dokument imenuje svoj autoritativni izvorni direktorij, a njegov se nacrt objavljuje na zahtjev.

Sažeci vam pomažu pri odabiru. Cjeloviti nacrt nosi metode, rezultate, ograničenja i reference, a objavljujemo ga kada ga zatražite.

Prijeđite s ugovora o obitelji na dokument o zadatku, a zatim unesite navedenu granicu dokaza u dubinsku analizu.

Slijedite učenje, raščlanjivanje i izvršavanje

Knjižnica čuva definiciju obitelji, instance zadataka, test generalizacije i njihove putanje izvora u jednom preglednom slijedu.

Šest naslova i datuma dolazi iz autoritativnih izvora radova. Polica ne preimenuje stari marketinški materijal niti stvara radove oko tvrdnji o proizvodu. Ovdje je naveden cijeli trenutni radni skup i ništa u njemu nije ono što izvorna mapa ne sadrži.