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.

ABMN dokumenti izskaidro vienu pieeju kompaktu, atkārtojamu AI sistēmu veidošanai. Sāciet ar saimes dokumentu, pēc tam sekojiet uzdevumam, kas jūs interesē. Tie ir 2026. gada jūlija darba melnraksti, nevis apgalvojumi par recenzētu publikāciju. Tie pastāv, lai parādītu, ka pilnīga determinētība ir sasniedzama un saglabājas dažādos uzdevumu veidos, nevis lai sasniegtu augstākos rezultātus. Repozitoriji tiek publicēti kopā ar dokumentiem.

Sešos ABMN darba dokumentos ir izklāstīts saimes līgums, uzdevumam specifiskās atmiņas struktūras, izmērītie rezultāti un norādītie ierobežojumi. Reģistrs nošķir melnrakstu pierādījumus no jebkāda apgalvojuma par ārēju atzīšanu. Mērķis ir parādīt, ka pilnīga determinētība ir sasniedzama un vispārināma dažādos uzdevumu veidos, nevis apgalvot jaunākos rezultātus. Repozitoriji tiek publicēti kopā ar dokumentiem.

Sešos 2026. gada jūlija melnrakstos ir aprakstīts ABMN saimes līgums, četras uzdevumam piederošas instanciācijas un viens vispārināšanas tests, kas piemēro to pašu būvēšanas līgumu loģiskam mācīšanās algoritmam. Katrs ieraksts satur kopsavilkumu, sadaļu izklāstu, mērījumus un norādītos ierobežojumus. Komplekts pastāv, lai pierādītu, ka pilnīga determinētība ir sasniedzama un vispārināma dažādos uzdevumu veidos, neatklājot aiz tā esošo patentēto darbu. Repozitoriji tiek publicēti kopā ar dokumentiem.

Katra kartīte sniedz jautājumu, tēmu un dokumenta kopsavilkumu. Nosaukumi paliek tieši tādi, kādi tie ir avota dokumentos. To ir seši, visi datēti ar 2026. gada jūliju. Pilnais melnraksts ir pie ārējiem recenzentiem, tāpēc pieprasiet to, izmantojot kontaktformu, un mēs to izdosim, tiklīdz apstiprināsim pieprasījumu.

Izmantojiet šo plauktu kā pārskatīšanas reģistru. Tajā ir viss pašreizējais ABMN darba komplekts, un tajā nav sajaukti produktu bukleti vai nepamatoti nozares dokumenti. Sešiem nosaukumiem ir viens melnraksta datums un divi nosaukti autori, tāpēc pārskatīšanu var sākt no reģistra, nevis no meklēšanas. Paši melnraksti tiek izdoti pēc pieprasījuma.

Saimes dokuments definē kopīgo līgumu. Četri pavaddokumenti to instancē NER, klasifikācijas, pārkārtošanas un leksiskās izguves uzdevumiem, bet sestais jautā, vai tas pats būvēšanas līgums attiecas uz strukturāli atšķirīgu mācīšanās algoritmu. Visiem sešiem ir viens un tas pats melnraksta datums. Kopsavilkums paliek publisks; melnraksts tiek izdots pēc pieprasījuma.

Viens saimes dokuments, četri uzdevumu dokumenti, viens vispārināšanas tests

Visi seši avota dokumenti satur šo datumu

Izdots pēc pieprasījuma katram dokumentam

Jums nav jāizlasa visi seši. Saimes dokuments sniedz karti, uzdevumu dokumenti parāda, kā tas pats modelis mainās nosaukumiem, etiķetēm un meklēšanai, un pēdējais jautā, vai modelis saglabājas citāda veida mācīšanās algoritmā. Zemāk esošā secība virzās no līguma uz uzdevumiem un pēc tam uz izguvi, taču tā ir ieteikums, nevis vērtējums, un katrs dokuments ir patstāvīgs. Ja lasāt tikai vienu, lasiet saimes dokumentu, jo pārējie pieņem tā aprakstīto formu.

Pirms uzdevumu rezultātu salīdzināšanas izlasiet ģimenes līgumu. Tas neļauj etalonu kļūdaini uzskatīt par sistēmas mēroga garantiju. Secība ir no ģimenes līguma uz uzdevumu dokumentiem, pēc tam uz abiem izguves dokumentiem un visbeidzot uz vispārināšanas testu. Tas ir redakcionāls norādījums, nevis brieduma vērtējums, un jebkuru no sešiem dokumentiem var lasīt atsevišķi, tiklīdz līgums ir saprasts.

Vispirms izlasiet ģimenes definīciju, pēc tam salīdziniet, kā katrs uzdevums pārvalda savu atmiņu, būvējuma robežu un pierādījumu žurnālu. Secība ir līgums, uzdevumu dokumenti, izguves dokumenti, vispārināšanas tests. Tā nosaka lasīšanas kārtību, nevis briedumu, un katrs dokuments norāda, kādu jomu aptver tā mērījumi. Ģimenes dokuments ir vienīgais, no kura atkarīgi pārējie, tāpēc tas ir jālasa pirmais, ja lasāt tikai vienu.

Definīcijas, būvējuma fāzes un četras atmiņas organizācijas

Tilta pārkārtošana un korpusam pielāgota indeksēšana

Secība ir redakcionāls norādījums, nevis brieduma vērtējums.

Pirms uzdevuma izvēles apskatiet, kā seši dokumenti sader kopā.

Izpildiet kompaktu sistēmu, kas atrod nosaukumus un vietas ar precīzu strukturētu dekodēšanu.

Apskatiet, kā teksta klasifikators var kļūt par atkārtojamu bināru būvējumu.

Pārbaudiet meklēšanas pārkārtošanu bez blīva modeļa vaicājuma ceļā.

Pārbaudiet leksisko izguvi ar deterministisku vērtēšanu.

Izveidojiet kopīgo modeļu ģimenes līgumu un tā pierādījumu robežas.

Kopā izskatiet ziņoto kvalitāti, nospiedumu, caurlaidspēju un NER ierobežojumus.

Izskatiet starparhitektūras artefakta un prognozes identitātes apgalvojumu.

Izskatiet izmērīto tilta atmiņas pārkārtošanas ceļu uz SciFact un NF-Corpus.

Izskatiet korpusam pielāgoto apkalpošanas ceļu un tā MS MARCO mērījumus.

Definējiet mācīšanos, noņemšanu, izpildi un četras uzdevumam piederošās atmiņas organizācijas.

Izsekojiet secību iezīmēšanu no viena būvējuma līdz precīzai dekodēšanai.

Izsekojiet teksta klasifikāciju līdz baitu identiskiem artefaktiem ARM un x86 platformās.

Izsekojiet tipizētus retus atomus līdz kompilētām tilta tabulām un veselu skaitļu pārkārtošanai.

Izsekojiet leksisko izguvi no korpusa būvējuma līdz deterministiskiem top-k rezultātiem.

Dokumentiem ir kopīgs pamata solis: mācīšanās sagatavo kompaktu uzdevuma atmiņu, būvējuma stāvoklis tiek noņemts, un fiksēta procedūra izmanto rezultātu. Četri temati aptver ģimenes dokumentu un uzdevumu dokumentus, un katrs no tiem pieder tieši vienam tematam. Vispārināšanas tests atrodas tiem blakus un jautā, vai tas pats solis darbojas ar cita veida mācīšanās sistēmu.

Kopīgais līgums ir salīdzināšanas punkts. Uzdevumam specifiskā kvalitāte un sistēmas skaitļi paliek lokāli dokumentam un novērtējumam, kas tos ziņo. Četri temati aptver ģimenes līgumu un uzdevumu dokumentus, un katrs no tiem atrodas tieši viena temata ietvaros. Vispārināšanas tests tiek ziņots atsevišķi, jo tas pārbauda līgumu, nevis uzdevumu.

Ģimenes līgums paliek stabils, kamēr adresēšana, atjaunināšanas noteikumi un dekodēšana atšķiras atkarībā no uzdevuma. Tematu karte saglabā šīs instanciācijas atsevišķi, ar četriem tematiem un tieši vienu tematu katram uzdevuma dokumentam. Vispārināšanas tests pārnes līgumu uz strukturāli atšķirīgu mācīšanās sistēmu un ziņo tā pierādījumus katram resursdatoram.

Nosaukto entītiju atpazīšana ar precīzu strukturētu dekodēšanu

Viens kompilēts artefakts, identisks visās arhitektūrās

Varat izlasīt, ko katrs dokuments apgalvo un kā tas tika pārbaudīts, un pieprasīt tā pamatā esošo melnrakstu. Neviens no tiem nenozīmē, ka žurnāls, konference vai neatkarīgs recenzents ir pieņēmis darbu.

Uztveriet melnrakstus kā pārskata ievades. Ārēja pieņemšana, neatkarīga atkārtošana un ražošanas nodrošinājums prasa savus pierādījumus, un tie šeit netiek apgalvoti.

Metodes un mērījumi ir izklāstīti avota melnrakstos. To darbības joma, vide, bāzes līnijas un ierobežojumi tiek pārnesti kopā ar katru apgalvojumu.

Visi seši ieraksti ir darba dokumenti, kas datēti ar 2026. gada jūliju.

Datums apraksta melnraksta momentuzņēmumu, nevis publicēšanas notikumu.

Katram ierakstam ir pilns melnraksts, un Dweve to izsniedz pēc pieprasījuma.

Melnraksti ir pie ārējiem recenzentiem, tāpēc šeit nekas nav publicēts. Jautājiet, izmantojot kontaktformu, un mēs izsniedzam dokumentu pēc apstiprināšanas.

Ziņotie rezultāti attiecas uz uzdevumu, datu kopu, konfigurāciju un vidi, kas nosaukta dokumentā.

Rezultāts vienā dokumentā netiek paaugstināts par garantiju visai saimei.

Repozitorijs nenosaka žurnāla, konferences vai salīdzinošās recenzijas iznākumu šiem melnrakstiem.

Tāpēc bibliotēka visā garumā lieto darba dokumentu valodu.

Izmantojiet precīzu dokumentu un uzdevumu

Identificējiet 2026. gada jūlija momentuzņēmumu

MELNRAKSTS · PĒC PIEPRASĪJUMA · IEROBEŽOTS

Publicēšanas vai salīdzinošās recenzijas statuss tiks norādīts tikai tad, ja repozitorijs to atbalsta.

Šis reģistrs parāda, no kurienes nāk katrs nosaukums un kā iegūt pašu dokumentu. Aiz mārketinga nosaukumiem nav paslēpti papildu dokumenti. Katrs ieraksts nosauc vienu avota direktoriju, un melnraksts, ko šis direktorijs satur, ir tas, ko mēs nosūtām, kad jūs to pieprasāt.

Izmantojiet reģistru, lai pārbaudītu, vai bibliotēkas ieraksts, detaļu ceļš un melnraksts, ko mēs izsniedzam, attiecas uz vienu un to pašu darba dokumentu. Katrs nosaukums nosauc vienu autoritatīvu avota direktoriju, tāpēc apgalvojumu šajā lapā var izsekot līdz dokumentam, kas to atbalsta.

Reģistrs saista katru kanonisko saīsinājumu ar tā autoritatīvo avota direktoriju. Detalu lapās ir kopsavilkums, sadaļu izklāsts un norādītais statuss; pilns melnraksts paliek pie ārējiem recenzentiem un tiek izsniegts pēc pieprasījuma. Šeit neparādās neviens ieraksts bez avota direktorija aiz tā, kas padara reģistru pārbaudāmu, nevis tikai apgalvotu.

Viens autoritatīvs direktorijs katram dokumentam

Viens melnraksts katram avotam, izsniegts pēc pieprasījuma

Katrs uzskaitītais dokuments nosauc savu autoritatīvo avota direktoriju, un tā melnraksts tiek izsniegts pēc pieprasījuma.

Kopsavilkumi palīdz jums izvēlēties. Pilns melnraksts satur metodes, rezultātus, ierobežojumus un atsauces, un mēs to izsniedzam, kad jūs to pieprasāt.