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.

Dokumenty ABMN vysvetľujú jeden prístup k budovaniu kompaktných, opakovateľných AI systémov. Začnite rodinným dokumentom a potom pokračujte úlohou, ktorá vás zaujíma. Sú to pracovné koncepty z júla 2026, nie tvrdenia o publikovaní s peer review. Existujú preto, aby ukázali, že plná determinovanosť je dosiahnuteľná a platí naprieč rôznymi druhmi úloh, nie aby sa naháňali najvyššie skóre. Repozitáre sa publikujú spolu s dokumentmi.

Šesť pracovných dokumentov ABMN stanovuje rodinnú zmluvu, pamäťové štruktúry špecifické pre úlohy, namerané výsledky a uvedené obmedzenia. Registratúra oddeľuje dôkazy z konceptov od akéhokoľvek tvrdenia o externom prijatí. Účelom je demonštrovať, že plná determinovanosť je dosiahnuteľná a zovšeobecňuje sa naprieč typmi úloh, a nie tvrdiť najmodernejšie výsledky. Repozitáre sa publikujú spolu s dokumentmi.

Šesť konceptov z júla 2026 opisuje rodinnú zmluvu ABMN, štyri inštancie vlastnené úlohami a jeden test zovšeobecnenia, ktorý aplikuje rovnakú stavebnú zmluvu na logický učiac sa model. Každý záznam obsahuje abstrakt, osnovu sekcií, merania a uvedené obmedzenia. Súbor existuje, aby dokázal, že plná determinovanosť je dosiahnuteľná a zovšeobecňuje sa naprieč typmi úloh, bez zverejnenia proprietárnej práce, ktorá za ním stojí. Repozitáre sa publikujú spolu s dokumentmi.

Každá karta vám dá otázku, predmet a zhrnutie dokumentu. Názvy zostávajú presne také, ako sú v zdrojových dokumentoch. Je ich šesť, všetky datované júlom 2026. Úplný koncept je u externých recenzentov, takže si ho vyžiadajte cez kontaktný formulár a my ho uvoľníme, keď žiadosť schválime.

Použite túto policu ako registratúru na kontrolu. Obsahuje úplný aktuálny pracovný súbor ABMN a nemieša doň produktové brožúry ani nepodložené sektorové dokumenty. Šesť titulov nesie jeden dátum konceptu a dvoch menovaných autorov, takže kontrola môže začať od registratúry, nie od vyhľadávania. Samotné koncepty sa uvoľňujú na požiadanie.

Rodinný dokument definuje spoločnú zmluvu. Štyri sprievodné dokumenty ju inštanciujú pre NER, klasifikáciu, reranking a lexikálne vyhľadávanie, a šiesty sa pýta, či rovnaká stavebná zmluva platí pre štrukturálne odlišný učiac sa model. Všetkých šesť nesie rovnaký dátum konceptu. Zhrnutie zostáva verejné; koncept sa uvoľňuje na požiadanie.

Jeden rodinný dokument, štyri dokumenty k úlohám, jeden test zovšeobecnenia

Všetkých šesť zdrojových dokumentov nesie tento dátum

Uvoľňuje sa na požiadanie pre každý dokument

Nemusíte čítať všetkých šesť. Rodinný dokument poskytuje mapu, dokumenty k úlohám ukazujú, ako sa rovnaký vzor mení pre mená, štítky a vyhľadávanie, a posledný sa pýta, či vzor prežije iný druh učiaceho sa modelu. Poradie nižšie vedie od zmluvy k úlohám a potom k vyhľadávaniu, ale je to návrh, nie poradie, a každý jednotlivý dokument stojí sám o sebe. Ak čítate len jeden, prečítajte rodinný dokument, pretože ostatné predpokladajú tvar, ktorý opisuje.

Pred porovnaním výsledkov úloh si prečítajte rodinnú zmluvu. Zabráni tomu, aby sa benchmark zamieňal so zárukou na úrovni celého systému. Postupnosť začína rodinnou zmluvou, pokračuje dokumentmi k úlohám, potom dvoma dokumentmi o vyhľadávaní a nakoniec testom zovšeobecnenia. Ide o redakčné usmernenie, nie hodnotenie vyspelosti, a každý zo šiestich dokumentov možno čítať samostatne, akonáhle pochopíte zmluvu.

Najprv si prečítajte definíciu rodiny a potom porovnajte, ako každá úloha spravuje svoju pamäť, hranicu zostavenia a register dôkazov. Postupnosť je zmluva, dokumenty k úlohám, dokumenty o vyhľadávaní, test zovšeobecnenia. Určuje poradie čítania, nie vyspelosť, a každý dokument uvádza rozsah, ktorý pokrývajú jeho vlastné merania. Rodinný dokument je jediný, od ktorého závisia ostatné, preto by ste si ho mali prečítať ako prvý, ak si prečítate len jeden.

Definície, fázy zostavenia a štyri organizácie pamäte

Premostenie rerankingu a indexovanie prispôsobené korpusu

Postupnosť je redakčné usmernenie, nie hodnotenie vyspelosti.

Pozrite sa, ako do seba šesť dokumentov zapadá, predtým než si vyberiete úlohu.

Preskúmajte kompaktný systém, ktorý nachádza mená a miesta pomocou presného štruktúrovaného dekódovania.

Pozrite sa, ako sa klasifikátor textu môže stať reprodukovateľným binárnym zostavením.

Preskúmajte reranking vyhľadávania bez hustého modelu v ceste dotazu.

Preskúmajte lexikálne vyhľadávanie s deterministickým skórovaním.

Stanovte spoločnú zmluvu rodiny modelov a jej hranice dôkazov.

Preskúmajte spolu uvádzanú kvalitu, stopu, priepustnosť a obmedzenia NER.

Preskúmajte tvrdenie o artefakte nezávislom od architektúry a identite predikcií.

Preskúmajte nameranú cestu premostenia pamäte a rerankingu na SciFact a NF-Corpus.

Preskúmajte cestu obsluhy prispôsobenú korpusu a jej merania na MS MARCO.

Definujte learn, strip, execute a štyri organizácie pamäte vlastnené úlohami.

Sledujte označovanie sekvencií od jedného zostavenia k presnému dekódovaniu.

Sledujte klasifikáciu textu až po bitovo identické artefakty na ARM a x86.

Sledujte typované riedke atómy až po skompilované mostové tabuľky a celočíselný reranking.

Sledujte lexikálne vyhľadávanie od zostavenia korpusu po deterministické top-k výsledky.

Dokumenty zdieľajú základný postup: učenie pripraví kompaktnú pamäť úlohy, stav existujúci len pri zostavení sa odstráni a pevný postup použije výsledok. Štyri témy pokrývajú rodinný dokument a dokumenty k úlohám a každý z nich patrí presne do jednej témy. Test zovšeobecnenia stojí vedľa nich a pýta sa, či rovnaký postup funguje na inom druhu učiaceho sa modelu.

Spoločná zmluva je porovnávacím bodom. Kvalita špecifická pre úlohu a systémové čísla zostávajú lokálne pre dokument a vyhodnotenie, ktoré ich uvádza. Štyri témy pokrývajú rodinnú zmluvu a dokumenty k úlohám a každá z nich patrí presne do jednej témy. Test zovšeobecnenia sa uvádza samostatne, pretože testuje zmluvu, nie úlohu.

Rodinná zmluva zostáva stabilná, zatiaľ čo adresovanie, pravidlá aktualizácie a dekódovanie sa líšia podľa úlohy. Mapa tém udržiava tieto inštancie oddelené, so štyrmi témami a presne jednou témou pre každý dokument k úlohe. Test zovšeobecnenia prenáša zmluvu na štrukturálne odlišný učiacich sa model a uvádza jeho dôkazy pre každého hostiteľa.

Rozpoznávanie pomenovaných entít s presným štruktúrovaným dekódovaním

Jeden skompilovaný artefakt, identický na každej architektúre

Môžete si prečítať, čo každý dokument tvrdí a ako bol testovaný, a požiadať o návrh, ktorý za ním stojí. Ani jedno z toho neznamená, že prácu prijal časopis, konferencia alebo nezávislý recenzent.

S návrhmi zaobchádzajte ako so vstupmi na recenziu. Externé prijatie, nezávislá replikácia a produkčné zabezpečenie vyžadujú vlastné dôkazy a nie sú tu tvrdené.

Metódy a merania sú uvedené v zdrojových návrhoch. Ich rozsah, prostredie, základné línie a obmedzenia sa prenášajú s každým tvrdením.

Všetkých šesť záznamov sú pracovné dokumenty z júla 2026.

Dátum opisuje snímok návrhu, nie udalosť publikovania.

Každý záznam má kompletný návrh a Dweve ho na požiadanie sprístupní.

Návrhy sú u externých recenzentov, takže tu nie je nič publikované. Opýtajte sa cez kontaktný formulár a dokument vám po schválení sprístupníme.

Uvedené výsledky patria k úlohe, dátovému súboru, konfigurácii a prostrediu, ktoré sú v dokumente pomenované.

Výsledok z jedného dokumentu sa nepovyšuje na záruku pre celú rodinu.

Repozitár nezakladá výsledok recenzného konania v časopise, na konferencii ani v rámci peer review pre tieto návrhy.

Knižnica preto v celom texte používa jazyk pracovných dokumentov.

Status publikovania alebo peer review sa uvedie len vtedy, keď to repozitár podporuje.

Tento register ukazuje, odkiaľ pochádza každý názov a ako získať samotný dokument. Neexistujú žiadne ďalšie dokumenty skryté za marketingovými názvami. Každý záznam uvádza jeden zdrojový adresár a návrh, ktorý tento adresár obsahuje, je ten, ktorý vám pošleme, keď oň požiadate.

Register použite na overenie, že záznam v knižnici, cesta k detailom a návrh, ktorý sprístupňujeme, sa vzťahujú na rovnaký pracovný dokument. Každý názov uvádza jeden autoritatívny zdrojový adresár, takže tvrdenie na tejto stránke možno vysledovať k dokumentu, ktorý ho podporuje.

Register spája každý kanonický slug s jeho autoritatívnym zdrojovým adresárom. Detailné stránky obsahujú abstrakt, prehľad sekcií a uvedený status; kompletný návrh zostáva u externých recenzentov a na požiadanie sa sprístupní. Žiadny záznam sa tu neobjaví bez zdrojového adresára, vďaka čomu je register overiteľný, nie len tvrdený.

Jeden návrh na zdroj, sprístupnený na požiadanie

Každý uvedený dokument pomenúva svoj autoritatívny zdrojový adresár a jeho návrh sa na požiadanie sprístupní.

Súhrny vám pomôžu vybrať. Kompletný návrh obsahuje metódy, výsledky, obmedzenia a referencie a sprístupníme ho, keď oň požiadate.

Prejdite od rodinnej zmluvy k dokumentu o úlohe a potom zohľadnite uvedenú hranicu dôkazov pri due diligence.

Postupovať podľa učenia, extrakcie a vykonania

Knižnica uchováva definíciu rodiny, inštancie úloh, test generalizácie a ich zdrojové cesty v jednej prehľadnej postupnosti.