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-dokumenten förklarar ett tillvägagångssätt för att bygga kompakta, repeterbara AI-system. Börja med familjedokumentet och följ sedan den uppgift som intresserar dig. Dessa är arbetsutkast från juli 2026, inte påståenden om peer-reviewed publicering. De finns för att visa att full determinism är uppnåbar och håller över olika typer av uppgifter, inte för att jaga toppresultat. Databaserna publiceras tillsammans med dokumenten.

Sex ABMN-arbetsdokument beskriver familjekontraktet, uppgiftsspecifika minnesstrukturer, uppmätta resultat och angivna begränsningar. Registret skiljer utkastbevis från eventuella påståenden om extern acceptans. Syftet är att visa att full determinism är uppnåbar och generaliserar över uppgiftstyper, snarare än att hävda toppmoderna resultat. Databaserna publiceras tillsammans med dokumenten.

De sex utkasten från juli 2026 beskriver ABMN-familjekontraktet, fyra uppgiftsägda instansieringar och ett generaliseringstest som tillämpar samma byggkontrakt på en logisk inlärare. Varje post innehåller sammanfattningen, dispositionsöversikten, mätningarna och de angivna begränsningarna. Setet finns för att bevisa att full determinism är uppnåbar och generaliserar över uppgiftstyper, utan att avslöja det proprietära arbetet bakom. Databaserna publiceras tillsammans med dokumenten.

Varje kort ger dig frågan, ämnet och en sammanfattning av dokumentet. Titlarna förblir exakt som de visas i källdokumenten. Det finns sex av dem, alla daterade juli 2026. Det fullständiga utkastet är hos externa granskare, så begär det via kontaktformuläret och vi släpper det när vi godkänner begäran.

Använd denna hylla som granskningsregister. Den innehåller hela det aktuella ABMN-arbetssetet och blandar inte in produktbroschyrer eller ostödda sektorsdokument. Sex titlar bär ett utkastdatum och två namngivna författare, så en granskning kan börja från registret snarare än från en sökning. Utkasten släpps på begäran.

Familjedokumentet definierar det gemensamma kontraktet. Fyra följedokument instansierar det för NER, klassificering, omrankning och lexikal återhämtning, och ett sjätte frågar om samma byggkontrakt gäller för en strukturellt annorlunda inlärare. Alla sex bär samma utkastdatum. Sammanfattningen förblir offentlig; utkastet släpps på begäran.

Ett familjedokument, fyra uppgiftsdokument, ett generaliseringstest

Du behöver inte läsa alla sex. Familjedokumentet ger kartan, uppgiftsdokumenten visar hur samma mönster ändras för namn, etiketter och sökning, och det sista frågar om mönstret överlever en annan typ av inlärare. Ordningen nedan går från kontraktet till uppgifterna och sedan till återhämtning, men det är ett förslag snarare än en rangordning, och varje enskilt dokument står för sig själv. Om du bara läser ett, läs familjedokumentet, eftersom resten antar den form det beskriver.

Granska familjekontraktet innan du jämför uppgiftsresultaten. Det förhindrar att ett riktmärke misstas för en systemomfattande garanti. Sekvensen går från familjekontraktet till uppgiftspapperen, sedan till de två hämtningspapperen, och sist till generaliseringstestet. Det är redaktionell vägledning snarare än en mognadsrankning, och vilket som helst av de sex kan läsas för sig när kontraktet är förstått.

Läs familjedefinitionen först, jämför sedan hur varje uppgift äger sitt minne, sin bygggräns och sin bevislogg. Sekvensen går kontrakt, uppgiftspapper, hämtningspapper, generaliseringstest. Den ordnar läsningen, inte mognaden, och varje papper anger vilken omfattning dess egna mätningar täcker. Familjepapperet är det enda som de andra är beroende av, så det är det man ska läsa först om man bara läser ett.

Definitioner, byggfaser och fyra minnesorganisationer

Bryggrerankning och korpusanpassad indexering

Sekvensen är redaktionell vägledning, inte en mognadsrankning.

Se hur de sex papperen passar ihop innan du väljer en uppgift.

Följ ett kompakt system som hittar namn och platser med exakt strukturerad avkodning.

Se hur en textklassificerare kan bli en reproducerbar binär byggprocess.

Inspektera sökrerankning utan en tät modell i sökvägen.

Inspektera lexikal hämtning med deterministisk poängsättning.

Etablera det gemensamma modellfamiljekontraktet och dess bevisgränser.

Granska rapporterad kvalitet, fotavtryck, genomströmning och NER-begränsningarna tillsammans.

Granska det korsarkitekturella artefakten och påståendet om förutsägelseidentitet.

Granska den uppmätta bryggminnesrerankningsvägen på SciFact och NF-Corpus.

Granska den korpusanpassade serveringsvägen och dess MS MARCO-mätningar.

Definiera learn, strip, execute och de fyra uppgiftsägda minnesorganisationerna.

Spåra sekvensetikettering från en byggprocess till exakt avkodning.

Spåra textklassificering till byteidentiska artefakter på ARM och x86.

Spåra typade glesa atomer till kompilerade bryggtabeller och heltalsrerankning.

Spåra lexikal hämtning från korpusbyggandet till deterministiska top-k-resultat.

Papperen delar ett grundläggande drag: inlärning förbereder kompakt uppgiftsminne, byggnadsstatus tas bort, och en fast procedur använder resultatet. Fyra ämnen täcker familjepapperet och uppgiftspapperen, och var och en av dem hör till exakt ett ämne. Generaliseringstestet ligger bredvid dem och frågar om samma drag fungerar på en annan typ av lärande system.

Det gemensamma kontraktet är jämförelsepunkten. Uppgiftsspecifik kvalitet och systemnummer förblir lokala för det papper och den utvärdering som rapporterar dem. Fyra ämnen täcker familjekontraktet och uppgiftspapperen, och var och en av dem ligger under exakt ett ämne. Generaliseringstestet rapporteras separat, eftersom det testar kontraktet snarare än en uppgift.

Familjekontraktet förblir stabilt medan adressering, uppdateringsregler och avkodning skiljer sig mellan uppgifterna. Ämneskartan håller dessa instansieringar åtskilda, med fyra ämnen och exakt ett ämne per uppgiftspapper. Generaliseringstestet för kontraktet till en strukturellt annorlunda lärande modell och rapporterar dess bevis per värd.

Namnentitetsigenkänning med exakt strukturerad avkodning

En kompilerad artefakt, identisk på varje arkitektur

Du kan läsa vad varje papper påstår och hur det testades, och begära utkastet bakom det. Inget av det innebär att en tidskrift, konferens eller oberoende granskare har accepterat arbetet.

Behandla utkasten som granskningsunderlag. Extern acceptans, oberoende replikering och produktionssäkerhet kräver sin egen bevisning och hävdas inte här.

Metoder och mätningar presenteras i källutkasten. Deras omfattning, miljö, baslinjer och begränsningar följer med varje påstående.

Alla sex bidrag är arbetsdokument daterade juli 2026.

Datumet beskriver ögonblicksbilden av utkastet, inte en publiceringshändelse.

Varje bidrag har ett fullständigt utkast, och Dweve släpper det på begäran.

Utkasten finns hos externa granskare, så ingenting publiceras här. Fråga via kontaktformuläret så släpper vi dokumentet efter godkännande.

Rapporterade resultat hör till uppgiften, datasetet, konfigurationen och miljön som anges i dokumentet.

Ett resultat i ett dokument upphöjs inte till en garanti för hela familjen.

Arkivet fastställer inte något utfall för tidskrift, konferens eller peer review för dessa utkast.

Biblioteket använder därför genomgående språk för arbetsdokument.

Identifiera ögonblicksbilden från juli 2026

Läs metoder och begränsningar tillsammans

Bredda inte omfattningen av ett resultat

Publicerings- eller peer review-status anges endast när arkivet stödjer det.

05 · Register över källor och tillgångar

Detta register visar var varje titel kommer ifrån och hur du får själva dokumentet. Det finns inga extra dokument gömda bakom marknadsföringsnamn. Varje bidrag namnger en källkatalog, och det utkast som katalogen innehåller är det vi skickar när du ber om det.

Använd registret för att verifiera att biblioteksposten, detaljvägen och det utkast vi släpper alla hänvisar till samma arbetsdokument. Varje titel namnger en auktoritativ källkatalog, så ett påstående på denna sida kan spåras till dokumentet som stödjer det.

Registret binder varje kanonisk slug till dess auktoritativa källkatalog. Detaljsidor innehåller sammanfattning, dispositionsöversikt och angiven status; det fullständiga utkastet finns hos externa granskare och släpps på begäran. Inget bidrag visas här utan en källkatalog bakom sig, vilket gör registret kontrollerbart snarare än påstått.

Varje listat dokument namnger sin auktoritativa källkatalog, och dess utkast släpps på begäran.

Sammanfattningarna hjälper dig att välja. Det fullständiga utkastet innehåller metoder, resultat, begränsningar och referenser, och vi släpper det när du ber om det.

Gå från familjekontraktet till uppgiftsdokumentet och ta sedan den angivna bevisgränsen med i due diligence.

Biblioteket håller familjedefinitionen, task-instansieringarna, generaliseringstestet och deras källsökvägar i en granskningsbar sekvens.

De sex titlarna och datumen kommer från de auktoritativa papperskällorna. Hyllan döper inte om gammalt marknadsföringsmaterial eller skapar papper kring produktpåståenden. Det som listas här är hela det aktuella arbetssetet, och ingenting ligger i det som källkatalogen inte bär.