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.

L-algoritmi jiggruppaw skont it-tip ta' data

Matriċi ta' kapaċitajiet li tista' tiskrollja

L-ebda venue jew reviżjoni bejn il-pari mhix iddikjarata

Id-dokumenti tal-ABMN jispjegaw approċċ wieħed biex jinbnew sistemi AI kompatti u ripetibbli. Ibda bid-dokument tal-familja, imbagħad segwi l-kompitu li jinteressak. Dawn huma abbozzi tax-xogħol ta' Lulju 2026, mhux pretensjonijiet ta' pubblikazzjoni riveduta bejn il-pari. Jeżistu biex juru li d-determiniżmu sħiħ huwa possibbli u jżomm f'tipi differenti ta' kompiti, mhux biex jiġru wara l-aqwa punteġġi. Ir-repożitorji jiġu ppubblikati mad-dokumenti.

Sitt dokumenti tax-xogħol tal-ABMN jistabbilixxu l-kuntratt tal-familja, l-istrutturi tal-memorja speċifiċi għall-kompitu, ir-riżultati mkejla, u l-limitazzjonijiet iddikjarati. Ir-reġistru jifred l-evidenza tal-abbozz minn kwalunkwe pretensjoni ta' aċċettazzjoni esterna. L-għan huwa li juri li d-determiniżmu sħiħ huwa possibbli u jġeneralizza bejn tipi ta' kompiti, aktar milli jippretendi riżultati tal-istat tal-arti. Ir-repożitorji jiġu ppubblikati mad-dokumenti.

Is-sitt abbozzi ta' Lulju 2026 jiddeskrivu l-kuntratt tal-familja ABMN, erba' istanzjazzjonijiet proprjetà tal-kompitu u test ta' ġeneralizzazzjoni wieħed li japplika l-istess kuntratt ta' bini lil tagħlim loġiku. Kull rekord iġorr l-astratt, il-pjan tas-sezzjonijiet, il-kejl u l-limitazzjonijiet iddikjarati. Is-sett jeżisti biex jipprova li d-determiniżmu sħiħ huwa possibbli u jġeneralizza bejn tipi ta' kompiti, mingħajr ma jiżvela x-xogħol proprjetarju warajh. Ir-repożitorji jiġu ppubblikati mad-dokumenti.

Kull karta tagħtik il-mistoqsija, is-suġġett, u sommarju tad-dokument. It-titli jibqgħu eżatt kif jidhru fid-dokumenti tas-sors. Hemm sitt minnhom, kollha datati Lulju 2026. L-abbozz sħiħ jinsab għand reviżuri esterni, għalhekk itlobha permezz tal-formola ta' kuntatt u noħorġuha ladarba napprovaw it-talba.

Uża din l-ixkaffa bħala r-reġistru tar-reviżjoni. Fiha s-sett tax-xogħol ABMN attwali sħiħ u ma tħallatx fuljetti tal-prodotti jew dokumenti ta' setturi mhux sostnuti. Sitt titli iġorru data waħda tal-abbozz u żewġ awturi msemmija, għalhekk reviżjoni tista' tibda mir-reġistru aktar milli minn tfittxija. L-abbozzi nfushom jinħarġu fuq talba.

Id-dokument tal-familja jiddefinixxi l-kuntratt kondiviż. Erba' dokumenti ta' kompitu jistanzjawh għal NER, klassifikazzjoni, reranking, u rkupru lessikali, u s-sitt wieħed jistaqsi jekk l-istess kuntratt ta' bini jżommx għal tagħlim strutturalment differenti. Is-sitt kollha jġorru l-istess data tal-abbozz. Is-sommarju jibqa' pubbliku; l-abbozz jinħareġ fuq talba.

Dokument wieħed tal-familja, erba' dokumenti tal-kompitu, test ta' ġeneralizzazzjoni wieħed

Is-sitt dokumenti tas-sors kollha jġorru din id-data

M'għandekx bżonn taqra s-sitt kollha. Id-dokument tal-familja jipprovdi l-mappa, id-dokumenti tal-kompitu juru kif l-istess mudell jinbidel għal ismijiet, tikketti u tfittxija, u l-aħħar wieħed jistaqsi jekk il-mudell jibqax ħaj b'tip differenti ta' tagħlim. L-ordni hawn taħt tmur mill-kuntratt għall-kompiti u mbagħad għall-irkupru, iżda hija suġġeriment aktar milli klassifikazzjoni, u kwalunkwe dokument wieħed jibqa' waħdu. Jekk taqra wieħed biss, aqra d-dokument tal-familja, għax il-bqija jassumu l-għamla li jiddeskrivi.

Irrevedi l-kuntratt tal-familja qabel ma tqabbel ir-riżultati tal-kompiti. Dan jipprevjeni li benchmark jittieħed bħala garanzija għas-sistema kollha. Is-sekwenza tmur mill-kuntratt tal-familja għall-karti tal-kompiti, imbagħad għaż-żewġ karti tal-irkupru, u fl-aħħar għat-test tal-ġeneralizzazzjoni. Din hija gwida editorjali aktar milli klassifikazzjoni ta' maturità, u kull waħda mis-sitt karti tista' tinqara waħedha ladarba l-kuntratt jinftiehem.

Aqra d-definizzjoni tal-familja l-ewwel, imbagħad qabbel kif kull kompitu għandu l-memorja tiegħu, il-konfini tal-bini tiegħu, u r-reġistru tal-evidenza tiegħu. Is-sekwenza tmur kuntratt, karti tal-kompiti, karti tal-irkupru, test tal-ġeneralizzazzjoni. Din tordna l-qari, mhux il-maturità, u kull karta tiddikjara l-ambitu li l-kejl tagħha jkopri. Il-karta tal-familja hija l-unika waħda li l-oħrajn jiddependu fuqha, għalhekk hija dik li għandha tinqara l-ewwel jekk taqra waħda biss.

Definizzjonijiet, fażijiet tal-bini, u erba' organizzazzjonijiet tal-memorja

Reranking tal-pont u indiċjar adattiv għall-korpus

Is-sekwenza hija gwida editorjali, mhux klassifikazzjoni ta' maturità.

Ara kif is-sitt karti jitwaħħlu flimkien qabel ma tagħżel kompitu.

Segwi sistema kompatta li ssib ismijiet u postijiet b'dekodifikazzjoni strutturata eżatta.

Ara kif klassifikatur tat-test jista' jsir bini binarju riproduċibbli.

Ispjega r-reranking tat-tiftix mingħajr mudell dens fil-mogħdija tal-mistoqsija.

Ispjega l-irkupru lessikali b'punteġġ deterministiku.

Stabbilixxi l-kuntratt kondiviż tal-familja tal-mudelli u l-konfini tal-evidenza tiegħu.

Irrevedi l-kwalità rrappurtata, l-impronta, it-throughput, u l-limitazzjonijiet tan-NER flimkien.

Irrevedi l-artefatt bejn l-arkitetturi u t-talba tal-identità tat-tbassir.

Irrevedi l-mogħdija mkejla tar-reranking tal-memorja tal-pont fuq SciFact u NF-Corpus.

Irrevedi l-mogħdija tas-servizz adattiv għall-korpus u l-kejl tagħha fuq MS MARCO.

Iddefinixxi learn, strip, execute, u l-erba' organizzazzjonijiet tal-memorja proprjetà tal-kompitu.

Segwi t-tikkettar tas-sekwenza minn bini wieħed għal dekodifikazzjoni eżatta.

Segwi l-klassifikazzjoni tat-test għal artefatti identiċi byte-byte fuq ARM u x86.

Segwi l-atomi sparsi ttajpjati f'tabelli tal-pont ikkumpilati u reranking b'numri sħaħ.

Segwi l-irkupru lessikali mill-bini tal-korpus għal riżultati top-k deterministiċi.

Il-karti jaqsmu moviment bażiku: it-tagħlim iħejji memorja kompatta tal-kompitu, l-istat tal-bini biss jitneħħa, u proċedura fissa tuża r-riżultat. Erba' suġġetti jkopru l-karta tal-familja u l-karti tal-kompiti, u kull waħda minnhom tappartjeni eżattament għal suġġett wieħed. It-test tal-ġeneralizzazzjoni joqgħod maġenbhom, u jistaqsi jekk l-istess moviment jaħdimx fuq tip differenti ta' tagħlim.

Il-kuntratt kondiviż huwa l-punt ta' tqabbil. Il-kwalità speċifika għall-kompitu u n-numri tas-sistemi jibqgħu lokali għall-karta u l-evalwazzjoni li tirrapportahom. Erba' suġġetti jkopru l-kuntratt tal-familja u l-karti tal-kompiti, u kull waħda minnhom toqgħod taħt suġġett wieħed eżattament. It-test tal-ġeneralizzazzjoni huwa rrappurtat separatament, għax jittestja l-kuntratt aktar milli kompitu.

Il-kuntratt tal-familja jibqa' stabbli filwaqt li l-indirizzar, ir-regoli tal-aġġornament u d-dekodifikazzjoni jvarjaw skont il-kompitu. Il-mappa tas-suġġetti żżomm dawk l-istanzazzjonijiet separati, b'erba' suġġetti u eżattament suġġett wieħed għal kull karta tal-kompitu. It-test tal-ġeneralizzazzjoni jġorr il-kuntratt għal tagħlim strutturalment differenti u jirrapporta l-evidenza tiegħu għal kull ospitanti.

Rikonoxximent ta' entitajiet imsemmija b'dekodifikazzjoni strutturata eżatta

Artefatt wieħed ikkumpilat, identiku fuq kull arkitettura

Żewġ istanzjazzjonijiet distinti tal-irkupru

Tista' taqra dak li kull karta titlob u kif ġiet ittestjata, u titlob l-abbozz warajha. La waħda minn dawn ma tfisser li ġurnal, konferenza, jew reviżur indipendenti aċċetta x-xogħol.

Ittratta l-abbozzi bħala inputs għar-reviżjoni. Aċċettazzjoni esterna, replikazzjoni indipendenti, u assigurazzjoni tal-produzzjoni jeħtieġu l-evidenza tagħhom stess u mhumiex affermati hawn.

Il-metodi u l-kejl huma ppreżentati fl-abbozzi tas-sors. L-ambitu tagħhom, l-ambjent, il-bażi ta' tqabbil, u l-limitazzjonijiet jivvjaġġaw ma' kull talba.

Is-sitt entrati kollha huma dokumenti ta' ħidma datati Lulju 2026.

Id-data tiddeskrivi l-istat tal-abbozz, mhux avveniment ta' pubblikazzjoni.

Kull entrata għandha abbozz sħiħ, u Dweve joħroġu fuq talba.

L-abbozzi jinsabu għand reviżuri esterni, għalhekk xejn mhu ppubblikat hawn. Staqsi permezz tal-formola ta' kuntatt u noħorġu l-karta wara l-approvazzjoni.

Ir-riżultati rrappurtati jappartjenu lill-kompitu, id-dataset, il-konfigurazzjoni, u l-ambjent imsemmija fil-karta.

Riżultat f'karta waħda ma jitteħidx bħala garanzija għall-familja kollha.

Ir-repożitorju ma jistabbilixxi l-ebda eżitu ta' rivista, konferenza, jew reviżjoni bejn il-pari għal dawn l-abbozzi.

Għalhekk il-librerija tuża lingwaġġ ta' dokument ta' ħidma matul kollox.

Aqra l-metodi u l-limitazzjonijiet flimkien

L-istatus ta' pubblikazzjoni jew reviżjoni bejn il-pari jissemma biss meta r-repożitorju jappoġġah.

Dan ir-reġistru juri minn fejn ġej kull titlu u kif tikseb il-karta nnifisha. M'hemm l-ebda karti żejda moħbija wara ismijiet ta' kummerċjalizzazzjoni. Kull entrata ssemmi direttorju wieħed tas-sors, u l-abbozz li jinsab f'dak id-direttorju huwa dak li nibagħtulek meta titlobh.

Uża r-reġistru biex tivverifika li l-entrata tal-librerija, ir-rotta tad-dettalji, u l-abbozz li noħorġu kollha jirreferu għall-istess dokument ta' ħidma. Kull titlu jismem direttorju wieħed awtoritattiv tas-sors, għalhekk dikjarazzjoni fuq din il-paġna tista' tiġi rintraċċata għad-dokument li jappoġġaha.

Ir-reġistru jorbot kull slug kanoniku mad-direttorju awtoritattiv tiegħu tas-sors. Il-paġni tad-dettalji iġorru l-astratt, il-ħarsa ġenerali tas-sezzjonijiet, u l-istatus iddikjarat; l-abbozz sħiħ jibqa' għand reviżuri esterni u jinħareġ fuq talba. L-ebda entrata ma tidher hawn mingħajr direttorju tas-sors warajha, li huwa dak li jagħmel ir-reġistru verifikabbli minflok sempliċi dikjarazzjoni.