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.

Fără revendicare de publicare în revistă sau evaluare inter pares

Documentele ABMN explică o abordare pentru construirea unor sisteme AI compacte și reproductibile. Începeți cu documentul despre familie, apoi urmați sarcina care vă interesează. Acestea sunt ciorne de lucru din iulie 2026, nu revendicări de publicare în reviste cu evaluare inter pares. Ele există pentru a demonstra că determinismul complet este realizabil și se menține în diferite tipuri de sarcini, nu pentru a urmări scoruri maxime. Repozitoriile sunt publicate împreună cu documentele.

Șase documente de lucru ABMN stabilesc contractul familiei, structurile de memorie specifice sarcinilor, rezultatele măsurate și limitările declarate. Registrul separă dovezile din ciorne de orice afirmație de acceptare externă. Scopul este de a demonstra că determinismul complet este realizabil și se generalizează în diferite tipuri de sarcini, mai degrabă decât de a pretinde rezultate de ultimă generație. Repozitoriile sunt publicate împreună cu documentele.

Cele șase ciorne din iulie 2026 descriu contractul familiei ABMN, patru instanțieri specifice sarcinilor și un test de generalizare care aplică același contract de construcție unui învățător logic. Fiecare înregistrare include rezumatul, schița secțiunilor, măsurătorile și limitările declarate. Setul există pentru a demonstra că determinismul complet este realizabil și se generalizează în diferite tipuri de sarcini, fără a dezvălui munca proprietară din spatele său. Repozitoriile sunt publicate împreună cu documentele.

Fiecare card vă oferă întrebarea, subiectul și un rezumat al documentului. Titlurile rămân exact așa cum apar în documentele sursă. Sunt șase, toate datate iulie 2026. Ciorna completă este la recenzori externi, așa că solicitați-o prin formularul de contact și o eliberăm după ce aprobăm cererea.

Folosiți acest raft ca registru de revizuire. Conține setul complet curent de lucru ABMN și nu amestecă broșuri de produse sau documente nesprijinite din domeniu. Șase titluri au o singură dată de ciornă și doi autori numiți, astfel încât o revizuire poate începe de la registru, nu de la o căutare. Ciornele în sine sunt eliberate la cerere.

Documentul despre familie definește contractul comun. Patru documente însoțitoare îl instanțiază pentru NER, clasificare, reordonare și recuperare lexicală, iar al șaselea întreabă dacă același contract de construcție se menține pentru un învățător structural diferit. Toate șase au aceeași dată de ciornă. Rezumatul rămâne public; ciorna este eliberată la cerere.

Un document despre familie, patru documente despre sarcini, un test de generalizare

Toate cele șase documente sursă poartă această dată

Eliberată la cerere pentru fiecare document

Nu trebuie să citiți toate cele șase. Documentul despre familie oferă harta, documentele despre sarcini arată cum se schimbă același model pentru nume, etichete și căutare, iar ultimul întreabă dacă modelul supraviețuiește unui alt tip de învățător. Ordinea de mai jos merge de la contract la sarcini și apoi la recuperare, dar este o sugestie, nu o ierarhie, iar orice document poate fi citit independent. Dacă citiți doar unul, citiți documentul despre familie, pentru că restul presupun forma descrisă de acesta.

Revizuiește contractul familiei înainte de a compara rezultatele sarcinilor. Acesta previne confundarea unui benchmark cu o garanție la nivel de sistem. Secvența pornește de la contractul familiei către lucrările sarcinilor, apoi către cele două lucrări de regăsire și, în final, către testul de generalizare. Este o orientare editorială, nu o ierarhie de maturitate, iar oricare dintre cele șase poate fi citită independent odată ce contractul este înțeles.

Citește mai întâi definiția familiei, apoi compară modul în care fiecare sarcină își gestionează memoria, granița de construcție și registrul de dovezi. Secvența este contract, lucrările sarcinilor, lucrările de regăsire, testul de generalizare. Aceasta ordonează lectura, nu maturitatea, iar fiecare lucrare precizează domeniul acoperit de propriile măsurători. Lucrarea familiei este singura de care depind celelalte, deci este cea care trebuie citită prima dacă citești doar una.

Definiții, faze de construcție și patru organizări ale memoriei

Rerankare punte și indexare adaptivă la corpus

Secvența este orientare editorială, nu o ierarhie de maturitate.

Vezi cum se leagă cele șase lucrări înainte de a alege o sarcină.

Urmează un sistem compact care găsește nume și locuri cu decodare structurată exactă.

Vezi cum un clasificator de text poate deveni o construcție binară reproductibilă.

Inspectează rerankarea căutării fără un model dens în calea interogării.

Inspectează regăsirea lexicală cu scorare deterministă.

Stabilește contractul partajat al familiei de modele și granițele sale de dovezi.

Revizuiește împreună calitatea raportată, amprenta, debitul și limitările NER.

Revizuiește artefactul cross-arhitectură și afirmația de identitate a predicțiilor.

Revizuiește calea de rerankare cu memorie punte măsurată pe SciFact și NF-Corpus.

Revizuiește calea de servire adaptivă la corpus și măsurătorile sale MS MARCO.

Definește learn, strip, execute și cele patru organizări ale memoriei deținute de sarcini.

Urmează etichetarea secvențială de la o singură construcție la decodare exactă.

Urmează clasificarea textului până la artefacte identice byte cu byte pe ARM și x86.

Urmează atomii sparși tipați în tabele punte compilate și rerankare cu numere întregi.

Urmează regăsirea lexicală de la construcția corpusului la rezultate top-k deterministe.

Lucrările împărtășesc o mișcare de bază: învățarea pregătește memoria compactă a sarcinii, starea doar de construcție este eliminată, iar o procedură fixă folosește rezultatul. Patru subiecte acoperă lucrarea familiei și lucrările sarcinilor, iar fiecare dintre acestea aparține exact unui subiect. Testul de generalizare stă alături, întrebând dacă aceeași mișcare funcționează pe un alt tip de învățare.

Contractul partajat este punctul de comparație. Calitatea specifică sarcinii și cifrele sistemelor rămân locale lucrării și evaluării care le raportează. Patru subiecte acoperă contractul familiei și lucrările sarcinilor, iar fiecare dintre ele se află sub exact un subiect. Testul de generalizare este raportat separat, deoarece testează contractul, nu o sarcină.

Contractul familiei rămâne stabil, în timp ce adresarea, regulile de actualizare și decodarea diferă în funcție de sarcină. Harta subiectelor menține aceste instanțieri separate, cu patru subiecte și exact un subiect per lucrare de sarcină. Testul de generalizare duce contractul la un învățare structural diferită și raportează dovezile sale per gazdă.

Recunoașterea entităților numite cu decodare structurată exactă

Un artefact compilat, identic pe fiecare arhitectură

Poți citi ce afirmă fiecare lucrare și cum a fost testată și poți solicita draftul din spatele ei. Niciuna dintre acestea nu înseamnă că o revistă, o conferință sau un recenzent independent a acceptat lucrarea.

Tratează drafturile ca intrări pentru revizuire. Acceptarea externă, replicarea independentă și asigurarea producției necesită propriile dovezi și nu sunt afirmate aici.

Metodele și măsurătorile sunt prezentate în drafturile sursă. Domeniul lor, mediul, liniile de bază și limitările însoțesc fiecare afirmație.

Toate cele șase intrări sunt documente de lucru datate iulie 2026.

Data descrie captura proiectului, nu un eveniment de publicare.

Fiecare intrare are un proiect complet, iar Dweve îl publică la cerere.

Proiectele sunt la recenzori externi, deci nimic nu este publicat aici. Întrebați prin formularul de contact și publicăm documentul după aprobare.

Rezultatele raportate aparțin sarcinii, setului de date, configurației și mediului numite în document.

Un rezultat dintr-un document nu este promovat la o garanție la nivel de familie.

Depozitul nu stabilește un jurnal, o conferință sau un rezultat al evaluării inter pares pentru aceste proiecte.

Prin urmare, biblioteca folosește un limbaj de document de lucru pe tot parcursul.

Statutul de publicare sau evaluare inter pares va fi menționat doar când depozitul îl susține.

Acest registru arată de unde provine fiecare titlu și cum să obțineți documentul în sine. Nu există documente suplimentare ascunse în spatele numelor de marketing. Fiecare intrare numește un director sursă, iar proiectul din acel director este cel pe care îl trimitem când îl solicitați.

Folosiți registrul pentru a verifica că intrarea din bibliotecă, ruta de detalii și proiectul pe care îl publicăm se referă toate la același document de lucru. Fiecare titlu numește un director sursă autoritar, astfel încât o afirmație de pe această pagină poate fi urmărită până la documentul care o susține.

Registrul leagă fiecare slug canonic de directorul său sursă autoritar. Paginile de detalii conțin rezumatul, schița secțiunilor și statutul declarat; proiectul complet rămâne la recenzori externi și este publicat la cerere. Nicio intrare nu apare aici fără un director sursă în spate, ceea ce face registrul verificabil, nu doar afirmat.