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.

Skupine algoritmov glede na vrsto podatkov

Ni navedenega prostora objave ali strokovnega pregleda

Dokumenti ABMN pojasnjujejo en pristop k gradnji kompaktnih, ponovljivih sistemov umetne inteligence. Začnite z družinskim dokumentom, nato sledite nalogi, ki vas zanima. To so delovni osnutki iz julija 2026, ne trditve o strokovno pregledani objavi. Namenjeni so dokazovanju, da je polna determinističnost dosegljiva in se ohranja pri različnih vrstah nalog, ne pa lovljenju najvišjih rezultatov. Skladišča kode so objavljena skupaj z dokumenti.

Šest delovnih dokumentov ABMN določa družinsko pogodbo, strukture spomina za posamezne naloge, izmerjene rezultate in navedene omejitve. Register ločuje dokaze iz osnutkov od morebitnih trditev o zunanjem sprejetju. Namen je dokazati, da je polna determinističnost dosegljiva in se posplošuje na različne vrste nalog, ne pa trditi vrhunskih rezultatov. Skladišča kode so objavljena skupaj z dokumenti.

Šest osnutkov iz julija 2026 opisuje družinsko pogodbo ABMN, štiri izvedbe za posamezne naloge in en test posploševanja, ki uporabi isto gradbeno pogodbo za logični učni algoritem. Vsak zapis vsebuje povzetek, oris poglavij, meritve in navedene omejitve. Niz obstaja, da dokaže, da je polna determinističnost dosegljiva in se posplošuje na različne vrste nalog, ne da bi razkril lastniško delo v ozadju. Skladišča kode so objavljena skupaj z dokumenti.

Vsaka kartica vam pokaže vprašanje, temo in povzetek dokumenta. Naslovi ostanejo natanko takšni, kot so v izvornih dokumentih. Teh je šest, vsi z datumom julij 2026. Celoten osnutek je pri zunanjih recenzentih, zato ga zahtevajte prek kontaktnega obrazca in ga bomo objavili, ko odobrimo zahtevo.

Uporabite to polico kot register za pregled. Vsebuje celoten trenutni delovni niz ABMN in ne meša izdelčnih brošur ali nepodprtih sektorskih dokumentov. Šest naslovov nosi en datum osnutka in dva imenovana avtorja, zato lahko pregled začnete iz registra namesto iz iskanja. Sami osnutki so objavljeni na zahtevo.

Družinski dokument opredeljuje skupno pogodbo. Štirje spremljevalni dokumenti jo izvajajo za NER, klasifikacijo, ponovno razvrščanje in leksikalno iskanje, šesti pa preverja, ali ista gradbena pogodba velja za strukturno drugačen učni algoritem. Vseh šest nosi isti datum osnutka. Povzetek ostane javen; osnutek je objavljen na zahtevo.

En družinski dokument, štirje dokumenti o nalogah, en test posploševanja

Vseh šest izvornih dokumentov nosi ta datum

Ni vam treba prebrati vseh šestih. Družinski dokument ponuja zemljevid, dokumenti o nalogah pokažejo, kako se isti vzorec spremeni za imena, oznake in iskanje, zadnji pa preverja, ali vzorec preživi drugačno vrsto učnega algoritma. Spodnji vrstni red poteka od pogodbe k nalogam in nato k iskanju, vendar je predlog in ne razvrstitev, vsak posamezni dokument pa stoji samostojno. Če preberete le enega, preberite družinskega, ker ostali predpostavljajo obliko, ki jo ta opisuje.

Preglejte družinsko pogodbo, preden primerjate rezultate nalog. Preprečuje, da bi se merilo uspešnosti zamenjalo za splošno zagotovilo sistema. Zaporedje poteka od družinske pogodbe do dokumentov nalog, nato do dveh dokumentov o iskanju in nazadnje do testa posploševanja. Gre za uredniško usmeritev in ne za razvrstitev zrelosti; katero koli od šestih del je mogoče prebrati samostojno, ko je pogodba razumljena.

Najprej preberite definicijo družine, nato primerjajte, kako vsaka naloga upravlja svoj spomin, mejo gradnje in evidenco dokazov. Zaporedje poteka: pogodba, dokumenti nalog, dokumenta o iskanju, test posploševanja. Ureja branje, ne zrelosti, in vsak dokument navaja obseg, ki ga pokrivajo njegove lastne meritve. Družinski dokument je edini, od katerega so odvisni drugi, zato ga preberite prvega, če preberete le enega.

Definicije, faze gradnje in štiri organizacije spomina

Mostno ponovno razvrščanje in indeksiranje, prilagojeno korpusu

Zaporedje je uredniška usmeritev, ne razvrstitev zrelosti.

Oglejte si, kako se šest dokumentov povezuje, preden izberete nalogo.

Spremljajte kompakten sistem, ki poišče imena in kraje z natančnim strukturiranim dekodiranjem.

Oglejte si, kako lahko klasifikator besedil postane ponovljiva binarna gradnja.

Preverite ponovno razvrščanje iskanja brez gostega modela v poti poizvedbe.

Preverite leksikalno iskanje z determinističnim točkovanjem.

Vzpostavite skupno pogodbo družine modelov in njene meje dokazov.

Skupaj preglejte prijavljeno kakovost, velikost, prepustnost in omejitve NER.

Preglejte trditev o arhitekturno neodvisnem artefaktu in identiteti napovedi.

Preglejte izmerjeno pot ponovnega razvrščanja z mostnim spominom na SciFact in NF-Corpus.

Preglejte servisno pot, prilagojeno korpusu, in njene meritve MS MARCO.

Opredelite učenje, odstranjevanje, izvajanje in štiri organizacije spomina, ki so v lasti nalog.

Sledite označevanju zaporedij od ene gradnje do natančnega dekodiranja.

Sledite klasifikaciji besedil do bajtno enakih artefaktov na ARM in x86.

Sledite tipiziranim redkim atomom do prevedenih mostnih tabel in celoštevilskega ponovnega razvrščanja.

Sledite leksikalnemu iskanju od gradnje korpusa do determinističnih rezultatov top-k.

Dokumenti si delijo osnovni premik: učenje pripravi kompakten spomin naloge, stanje, ki obstaja le med gradnjo, se odstrani, fiksni postopek pa uporabi rezultat. Štiri teme pokrivajo družinski dokument in dokumente nalog, vsaka od njih pa sodi v natanko eno temo. Test posploševanja stoji ob strani in sprašuje, ali isti premik deluje pri drugačni vrsti učnega algoritma.

Skupna pogodba je primerjalna točka. Kakovost, značilna za nalogo, in sistemske številke ostajajo lokalne za dokument in evalvacijo, ki ju poroča. Štiri teme pokrivajo družinsko pogodbo in dokumente nalog, vsaka od njih pa sodi pod natanko eno temo. Test posploševanja je poročan ločeno, ker preizkuša pogodbo in ne naloge.

Družinska pogodba ostaja stabilna, medtem ko se naslavljanje, pravila posodabljanja in dekodiranje razlikujejo po nalogah. Zemljevid tem ohranja te izvedbe ločene, s štirimi temami in natanko eno temo na dokument naloge. Test posploševanja prenese pogodbo na strukturno drugačen učni algoritem in poroča njegove dokaze po gostitelju.

Prepoznavanje imenovanih entitet z natančnim strukturiranim dekodiranjem

En preveden artefakt, enak na vsaki arhitekturi

Ponovno razvrščanje in leksikalno iskanje

Preberete lahko, kaj vsak dokument trdi in kako je bil preizkušen, ter zahtevate osnutek za njim. Nobeno od tega ne pomeni, da so delo sprejeli revija, konferenca ali neodvisni recenzent.

Obravnavajte osnutke kot gradivo za pregled. Zunanja sprejetost, neodvisna ponovitev in zagotovilo za produkcijo zahtevajo lastne dokaze in tukaj niso zatrjeni.

Metode in meritve so predstavljene v izvornih osnutkih. Njihov obseg, okolje, izhodišča in omejitve spremljajo vsako trditev.

Vseh šest vnosov so delovni dokumenti z datumom julij 2026.

Datum opisuje posnetek osnutka, ne dogodka objave.

Vsak vnos ima celoten osnutek, Dweve pa ga na zahtevo objavi.

Osnutki so pri zunanjih recenzentih, zato tukaj ni nič objavljenega. Vprašajte prek kontaktnega obrazca in dokument bomo objavili po odobritvi.

Prijavljeni rezultati pripadajo nalogi, naboru podatkov, konfiguraciji in okolju, navedenim v dokumentu.

Rezultat v enem dokumentu ni povišan v družinsko jamstvo.

Repozitorij ne določa izida revije, konference ali strokovnega pregleda za te osnutke.

Knjižnica zato vseskozi uporablja jezik delovnih dokumentov.

Status objave ali strokovnega pregleda bo naveden le, če ga repozitorij podpira.

Ta register prikazuje, od kod prihaja vsak naslov in kako dobiti sam dokument. Za tržnimi imeni se ne skrivajo dodatni dokumenti. Vsak vnos imenuje en imenik vira, osnutek, ki ga ta imenik vsebuje, pa je tisti, ki ga pošljemo, ko ga zahtevate.

Register uporabite za preverjanje, da se vnos v knjižnici, pot podrobnosti in osnutek, ki ga objavimo, nanašajo na isti delovni dokument. Vsak naslov imenuje en avtoritativni imenik vira, zato je mogoče trditev na tej strani izslediti do dokumenta, ki jo podpira.

Register povezuje vsak kanonični slug z njegovim avtoritativnim imenikom vira. Strani s podrobnostmi nosijo povzetek, oris poglavij in naveden status; celoten osnutek ostane pri zunanjih recenzentih in se objavi na zahtevo. Noben vnos se tukaj ne pojavi brez imenika vira za njim, zaradi česar je register preverljiv in ne le zatrjen.

Vsak navedeni dokument imenuje svoj avtoritativni imenik vira, njegov osnutek pa se objavi na zahtevo.

Povzetki vam pomagajo pri izbiri. Celoten osnutek nosi metode, rezultate, omejitve in reference, objavimo pa ga, ko ga zahtevate.

Premaknite se od družinske pogodbe k dokumentu o nalogi, nato vzemite navedeno mejo dokazov v skrbni pregled.

Sledi učenju, odstranjevanju in izvajanju

Knjižnica hrani definicijo družine, instance nalog, test posploševanja in njihove poti do izvora v enem preglednem zaporedju.

Šest naslovov in datumov izhaja iz verodostojnih virov člankov. Polica ne preimenuje starega marketinškega gradiva niti ne ustvarja člankov na podlagi trditev o izdelkih. Tu je naveden celoten trenutni delovni niz in v njem ni ničesar, česar izvorna mapa ne vsebuje.