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.

Nincs állított helyszín vagy szakmai bírálat

Az ABMN-dokumentumok egyetlen megközelítést mutatnak be a kompakt, megismételhető MI-rendszerek építésére. Kezdje a családi dokumentummal, majd kövesse az Önt érdeklő feladatot. Ezek 2026. júliusi munkatervezetek, nem pedig lektorált publikációs igények. Azért léteznek, hogy megmutassák, a teljes determinizmus elérhető és különböző feladattípusokon is megmarad, nem pedig azért, hogy a legjobb pontszámokat hajszolják. A repozitóriumok a dokumentumokkal együtt jelennek meg.

Hat ABMN-munkadokumentum ismerteti a családi szerződést, a feladatspecifikus memóriastruktúrákat, a mért eredményeket és a megfogalmazott korlátokat. A nyilvántartás elkülöníti a tervezet bizonyítékait a külső elfogadás bármely igényétől. A cél annak bemutatása, hogy a teljes determinizmus elérhető és általánosítható a feladattípusok között, nem pedig a legmodernebb eredmények igénylése. A repozitóriumok a dokumentumokkal együtt jelennek meg.

A hat 2026. júliusi tervezet ismerteti az ABMN családi szerződést, négy feladattulajdonú példányt és egy általánosítási tesztet, amely ugyanazt az építési szerződést alkalmazza egy logikai tanulóra. Minden rekord tartalmazza az összefoglalót, a fejezetvázlatot, a méréseket és a megfogalmazott korlátokat. A készlet azért létezik, hogy bizonyítsa, a teljes determinizmus elérhető és általánosítható a feladattípusok között, anélkül hogy felfedné a mögötte álló védett munkát. A repozitóriumok a dokumentumokkal együtt jelennek meg.

Minden kártya megadja a kérdést, a témát és a dokumentum összefoglalóját. A címek pontosan úgy szerepelnek, ahogy a forrásdokumentumokban. Hat van belőlük, mindegyik 2026. júliusra datált. A teljes tervezet külső bírálóknál van, ezért kérje a kapcsolati űrlapon keresztül, és mi kiadjuk, amint jóváhagyjuk a kérést.

Használja ezt a polcot áttekintési nyilvántartásként. Ez tartalmazza a teljes aktuális ABMN munkakészletet, és nem keveri bele a termékbrosúrákat vagy a nem támogatott ágazati dokumentumokat. Hat cím egyetlen tervezetdátumot és két megnevezett szerzőt visel, így az áttekintés a nyilvántartásból indulhat, nem pedig keresésből. A tervezeteket kérésre adják ki.

A családi dokumentum határozza meg a közös szerződést. Négy kísérő dokumentum példányosítja azt NER-hez, osztályozáshoz, újrarangsoroláshoz és lexikális kereséshez, a hatodik pedig azt kérdezi, hogy ugyanaz az építési szerződés érvényes-e egy szerkezetileg eltérő tanulóra. Mind a hat ugyanazt a tervezetdátumot viseli. Az összefoglaló nyilvános marad; a tervezetet kérésre adják ki.

Egy családi dokumentum, négy feladatdokumentum, egy általánosítási teszt

Mind a hat forrásdokumentum ezt a dátumot viseli

Nem kell mind a hatot elolvasnia. A családi dokumentum adja a térképet, a feladatdokumentumok megmutatják, hogyan változik ugyanaz a minta a nevek, címkék és keresés esetén, az utolsó pedig azt kérdezi, hogy a minta fennmarad-e egy másfajta tanulónál. Az alábbi sorrend a szerződéstől a feladatokig, majd a keresésig halad, de ez javaslat, nem rangsor, és bármelyik dokumentum önállóan is megáll. Ha csak egyet olvas el, olvassa el a családi dokumentumot, mert a többi feltételezi az általa leírt formát.

Tekintse át a családi szerződést, mielőtt összehasonlítja a feladatok eredményeit. Ez megakadályozza, hogy egy benchmarkot tévedésből rendszerszintű garanciának tekintsenek. A sorrend a családi szerződéstől a feladatdokumentumokig tart, majd a két keresési dokumentumhoz, végül az általánosítási teszthez. Ez szerkesztői útmutatás, nem pedig érettségi rangsor, és mind a hat dokumentum önállóan is olvasható, ha a szerződést megértettük.

Először olvassa el a családi definíciót, majd hasonlítsa össze, hogyan kezeli minden feladat a saját memóriáját, build határait és bizonyíték-naplóját. A sorrend: szerződés, feladatdokumentumok, keresési dokumentumok, általánosítási teszt. Ez az olvasási sorrendet határozza meg, nem az érettséget, és minden dokumentum megadja, hogy a saját mérései milyen körre vonatkoznak. A családi dokumentum az egyetlen, amelytől a többi függ, ezért ezt érdemes először elolvasni, ha csak egyet olvas el.

Definíciók, build fázisok és négy memóriaszervezés

Híd-reranking és korpusz-adaptív indexelés

A sorrend szerkesztői útmutatás, nem érettségi rangsor.

Nézze meg, hogyan illeszkedik egymáshoz a hat dokumentum, mielőtt feladatot választ.

Kövessen egy kompakt rendszert, amely pontos strukturált dekódolással találja meg a neveket és helyeket.

Nézze meg, hogyan válhat egy szöveg-osztályozó reprodukálható bináris builddé.

Vizsgálja meg a keresési rerankingot sűrű modell nélkül a lekérdezési útvonalban.

Vizsgálja meg a lexikális keresést determinisztikus pontozással.

Határozza meg a közös modellcsalád-szerződést és annak bizonyíték-határait.

Tekintse át együtt a jelentett minőséget, erőforrásigényt, átviteli sebességet és a NER korlátait.

Tekintse át a keresztarchitektúrás artefaktumot és az előrejelzés-azonossági állítást.

Tekintse át a mért híd-memória reranking útvonalat a SciFact és NF-Corpus adatbázisokon.

Tekintse át a korpusz-adaptív kiszolgálási útvonalat és annak MS MARCO méréseit.

Határozza meg a tanulás, leválasztás, végrehajtás fogalmakat és a négy feladathoz tartozó memóriaszervezést.

Kövesse nyomon a szekvenciacímkézést egy buildtől a pontos dekódolásig.

Kövesse nyomon a szöveg-osztályozást a bájtra azonos artefaktumokig ARM és x86 architektúrán.

Kövesse nyomon a típusos ritka atomokat a lefordított hídtáblákig és az egész számokkal végzett rerankingig.

Kövesse nyomon a lexikális keresést a korpusz buildjétől a determinisztikus top-k eredményekig.

A dokumentumok közös alapmozdulatot osztanak: a tanulás kompakt feladatmemóriát készít elő, a build-only állapot eltávolításra kerül, és egy rögzített eljárás használja az eredményt. Négy téma fedi le a családi dokumentumot és a feladatdokumentumokat, és mindegyik pontosan egy témához tartozik. Az általánosítási teszt mellettük áll, és azt kérdezi, hogy ugyanez az alapmozdulat működik-e egy másfajta tanulónál.

A közös szerződés az összehasonlítási pont. A feladatspecifikus minőségi és rendszerszámok a dokumentumhoz és az értékeléshez kötöttek, amelyekben szerepelnek. Négy téma fedi le a családi szerződést és a feladatdokumentumokat, és mindegyik pontosan egy témához tartozik. Az általánosítási tesztet külön jelentik, mert a szerződést teszteli, nem pedig egy feladatot.

A családi szerződés stabil marad, miközben a címzés, a frissítési szabályok és a dekódolás feladatonként eltér. A témakör-térkép elkülöníti ezeket a példányokat, négy témával és feladatdokumentumonként pontosan egy témával. Az általánosítási teszt egy szerkezetileg eltérő tanulóra viszi át a szerződést, és gazdagépenként jelenti a bizonyítékait.

Névtípus-felismerés pontos strukturált dekódolással

Egy lefordított artefaktum, minden architektúrán azonos

Elolvashatja, hogy mit állít minden dokumentum, és hogyan tesztelték, és kérheti a mögötte álló vázlatot. Egyik sem jelenti azt, hogy egy folyóirat, konferencia vagy független bíráló elfogadta a munkát.

Kezelje a vázlatokat áttekintési anyagként. A külső elfogadás, a független reprodukció és a termelési garancia saját bizonyítékot igényel, és itt nem állítjuk őket.

A módszerek és mérések a forrásvázlatokban szerepelnek. Hatókörük, környezetük, alapvonalaik és korlátaik minden állítással együtt járnak.

Mind a hat bejegyzés 2026. júliusi munkadokumentum.

A dátum a tervezet pillanatképét írja le, nem publikációs eseményt.

Minden bejegyzéshez van teljes tervezet, és a Dweve kérésre kiadja.

A tervezetek külső bírálóknál vannak, így itt semmi nem került publikálásra. Kérje a kapcsolati űrlapon keresztül, és jóváhagyás után kiadjuk a dokumentumot.

A közölt eredmények ahhoz a feladathoz, adatkészlethez, konfigurációhoz és környezethez tartoznak, amelyet a dokumentum megnevez.

Az egyik dokumentumban szereplő eredmény nem emelhető családi szintű garanciává.

A tárhely nem állapít meg folyóirat-, konferencia- vagy szakmai bírálati eredményt ezekre a tervezetekre.

A könyvtár ezért végig munkadokumentum-nyelvezetet használ.

Használja a pontos dokumentumot és feladatot

Azonosítsa a 2026. júliusi pillanatképet

Olvassa együtt a módszereket és a korlátokat

A publikációs vagy szakmai bírálati státuszt csak akkor tüntetjük fel, ha a tárhely alátámasztja.

Ez a regiszter megmutatja, honnan származik minden cím, és hogyan juthat hozzá a dokumentumhoz. Nincsenek marketingnevek mögé rejtett további dokumentumok. Minden bejegyzés egy forráskönyvtárat nevez meg, és az abban található tervezetet küldjük el, amikor kéri.

Használja a regisztert annak ellenőrzésére, hogy a könyvtári bejegyzés, a részletútvonal és a kiadott tervezet ugyanarra a munkadokumentumra vonatkozik. Minden cím egy hiteles forráskönyvtárat jelöl meg, így az ezen az oldalon szereplő állítás visszakövethető az azt alátámasztó dokumentumra.

A regiszter minden kanonikus azonosítót a hozzá tartozó hiteles forráskönyvtárhoz köt. A részletoldalak tartalmazzák az összefoglalót, a fejezetvázlatot és a megadott státuszt; a teljes tervezet külső bírálóknál marad, és kérésre kerül kiadásra. Itt nem jelenik meg bejegyzés forráskönyvtár nélkül, ez teszi a regisztert ellenőrizhetővé, nem pedig puszta kijelentéssé.