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.

Nessuna sede o revisione paritaria dichiarata

I paper ABMN spiegano un approccio per costruire sistemi di IA compatti e ripetibili. Inizia con il paper sulla famiglia, poi segui il compito che ti interessa. Queste sono bozze di lavoro di luglio 2026, non dichiarazioni di pubblicazione sottoposta a revisione paritaria. Esistono per mostrare che la determinismo completo è raggiungibile e si mantiene in diversi tipi di compiti, non per inseguire punteggi massimi. I repository vengono pubblicati insieme ai paper.

Sei working paper ABMN delineano il contratto di famiglia, le strutture di memoria specifiche per compito, i risultati misurati e le limitazioni dichiarate. Il registro separa le prove in bozza da qualsiasi affermazione di accettazione esterna. Lo scopo è dimostrare che il determinismo completo è raggiungibile e si generalizza tra tipi di compito, piuttosto che rivendicare risultati all'avanguardia. I repository vengono pubblicati insieme ai paper.

Le sei bozze di luglio 2026 descrivono il contratto di famiglia ABMN, quattro istanze specifiche per compito e un test di generalizzazione che applica lo stesso contratto di costruzione a un apprendente logico. Ogni record include l'abstract, lo schema delle sezioni, le misurazioni e le limitazioni dichiarate. Il set esiste per dimostrare che il determinismo completo è raggiungibile e si generalizza tra tipi di compito, senza rivelare il lavoro proprietario che lo sostiene. I repository vengono pubblicati insieme ai paper.

Ogni scheda ti dà la domanda, il soggetto e un riassunto del paper. I titoli rimangono esattamente come appaiono nei paper originali. Sono sei, tutti datati luglio 2026. La bozza completa è con i revisori esterni, quindi richiedila tramite il modulo di contatto e la rilasciamo una volta approvata la richiesta.

Usa questo scaffale come registro di revisione. Contiene l'intero set di lavoro ABMN corrente e non mescola brochure di prodotto o paper di settore non supportati. Sei titoli portano una data di bozza e due autori nominati, quindi una revisione può partire dal registro piuttosto che da una ricerca. Le bozze stesse vengono rilasciate su richiesta.

Il paper sulla famiglia definisce il contratto condiviso. Quattro paper compagni lo istanziano per NER, classificazione, riordinamento e recupero lessicale, e un sesto chiede se lo stesso contratto di costruzione vale per un apprendente strutturalmente diverso. Tutti e sei portano la stessa data di bozza. Il riassunto rimane pubblico; la bozza viene rilasciata su richiesta.

Un paper sulla famiglia, quattro paper sui compiti, un test di generalizzazione

Tutti e sei i documenti originali portano questa data

Non devi leggere tutti e sei. Il paper sulla famiglia fornisce la mappa, i paper sui compiti mostrano come lo stesso schema cambia per nomi, etichette e ricerca, e l'ultimo chiede se lo schema sopravvive a un diverso tipo di apprendente. L'ordine qui sotto va dal contratto ai compiti e poi al recupero, ma è un suggerimento piuttosto che una classifica, e ogni singolo paper sta da solo. Se ne leggi solo uno, leggi il paper sulla famiglia, perché gli altri presuppongono la forma che descrive.

Rivedi il contratto della famiglia prima di confrontare i risultati delle attività. Evita che un benchmark venga scambiato per una garanzia a livello di sistema. La sequenza va dal contratto della famiglia ai documenti delle attività, poi ai due documenti sul recupero e infine al test di generalizzazione. È una guida editoriale, non una classifica di maturità, e ciascuno dei sei documenti può essere letto autonomamente una volta compreso il contratto.

Leggi prima la definizione della famiglia, poi confronta come ogni attività gestisce la propria memoria, il proprio confine di build e il proprio registro delle evidenze. La sequenza è: contratto, documenti delle attività, documenti sul recupero, test di generalizzazione. Ordina la lettura, non la maturità, e ogni documento dichiara l'ambito coperto dalle proprie misurazioni. Il documento della famiglia è l'unico da cui dipendono gli altri, quindi è quello da leggere per primo se ne leggi solo uno.

Definizioni, fasi di build e quattro organizzazioni di memoria

Reranking ponte e indicizzazione adattiva al corpus

La sequenza è una guida editoriale, non una classifica di maturità.

Scopri come si integrano i sei documenti prima di scegliere un'attività.

Segui un sistema compatto che trova nomi e luoghi con decodifica strutturata esatta.

Scopri come un classificatore di testo può diventare una build binaria riproducibile.

Esamina il reranking di ricerca senza un modello denso nel percorso di query.

Esamina il recupero lessicale con punteggio deterministico.

Stabilisci il contratto condiviso della famiglia di modelli e i suoi confini di evidenza.

Rivedi insieme qualità dichiarata, footprint, throughput e limitazioni NER.

Rivedi l'artefatto cross-architettura e l'affermazione di identità delle previsioni.

Rivedi il percorso di reranking con memoria ponte misurato su SciFact e NF-Corpus.

Rivedi il percorso di servizio adattivo al corpus e le sue misurazioni su MS MARCO.

Definisci learn, strip, execute e le quattro organizzazioni di memoria di proprietà delle attività.

Traccia l'etichettatura di sequenze da una singola build alla decodifica esatta.

Traccia la classificazione del testo fino ad artefatti byte-identici su ARM e x86.

Traccia gli atomi sparsi tipizzati nelle tabelle ponte compilate e nel reranking intero.

Traccia il recupero lessicale dalla build del corpus ai risultati top-k deterministici.

I documenti condividono una mossa di base: l'apprendimento prepara una memoria di attività compatta, lo stato di sola build viene rimosso e una procedura fissa usa il risultato. Quattro soggetti coprono il documento della famiglia e i documenti delle attività, e ciascuno di essi appartiene a esattamente un soggetto. Il test di generalizzazione si colloca accanto a loro, chiedendosi se la stessa mossa funziona su un tipo diverso di learner.

Il contratto condiviso è il punto di confronto. Qualità specifica dell'attività e numeri di sistema restano locali al documento e alla valutazione che li riporta. Quattro soggetti coprono il contratto della famiglia e i documenti delle attività, e ciascuno di essi si colloca sotto esattamente un soggetto. Il test di generalizzazione è riportato separatamente, perché testa il contratto piuttosto che un'attività.

Il contratto della famiglia resta stabile mentre indirizzamento, regole di aggiornamento e decodifica variano per attività. La mappa dei soggetti mantiene separate queste istanziazioni, con quattro soggetti e esattamente un soggetto per documento di attività. Il test di generalizzazione porta il contratto a un learner strutturalmente diverso e riporta le sue evidenze per host.

Riconoscimento di entità nominate con decodifica strutturata esatta

Un artefatto compilato, identico su ogni architettura

Puoi leggere cosa afferma ogni documento e come è stato testato, e richiedere la bozza dietro di esso. Nessuna di queste cose significa che una rivista, una conferenza o un revisore indipendente ha accettato il lavoro.

Tratta le bozze come input di revisione. Accettazione esterna, replicazione indipendente e garanzia di produzione richiedono le proprie evidenze e non sono affermate qui.

Metodi e misurazioni sono presentati nelle bozze di origine. Il loro ambito, ambiente, baseline e limitazioni viaggiano con ogni affermazione.

Tutte e sei le voci sono working paper datati luglio 2026.

La data descrive lo snapshot della bozza, non un evento di pubblicazione.

Ogni voce ha una bozza completa, e Dweve la rilascia su richiesta.

Le bozze sono presso revisori esterni, quindi qui non è pubblicato nulla. Chiedi tramite il modulo di contatto e rilasciamo il paper previa approvazione.

I risultati riportati appartengono al task, al dataset, alla configurazione e all'ambiente indicati nel paper.

Un risultato in un paper non viene promosso a garanzia per l'intera famiglia.

Il repository non stabilisce un esito di rivista, conferenza o peer review per queste bozze.

La libreria usa quindi un linguaggio da working paper in tutto il testo.

Lo stato di pubblicazione o peer review sarà dichiarato solo quando il repository lo supporta.

Questo registro mostra da dove proviene ogni titolo e come ottenere il paper stesso. Non ci sono paper extra nascosti dietro nomi di marketing. Ogni voce indica una directory di origine, e la bozza che quella directory contiene è quella che inviamo quando la richiedi.

Usa il registro per verificare che la voce della libreria, la rotta di dettaglio e la bozza che rilasciamo si riferiscano allo stesso working paper. Ogni titolo indica una directory di origine autorevole, quindi un'affermazione su questa pagina può essere ricondotta al documento che la supporta.

Il registro lega ogni slug canonico alla sua directory di origine autorevole. Le pagine di dettaglio riportano l'abstract, lo schema delle sezioni e lo stato dichiarato; la bozza completa resta presso revisori esterni e viene rilasciata su richiesta. Nessuna voce appare qui senza una directory di origine dietro, ed è ciò che rende il registro verificabile piuttosto che affermato.