查看 PDF 摘要：改善语言模型意味着重新训练它：巨大的计算需求，每个周期生成一个新的不透明模型，非确定性输出。我们采取了相反的路径：模型保持不变，经过验证的解决方案的持久记忆在其旁边不断增长。一旦一个问题家族被解决并通过独立验证步骤（从不咨询答案钥匙）通过，每个该家族的新实例在零生成 token 的情况下被准确回答，结果是比特上完全相同，确定性。跨越九个问题家族的 180 个新实例，来自四个供应商的四种架构——密集型和混合专家——在每个答案的生成 token 方面均以 180/180 的成绩结束：执行限制能力与参数扩展解耦。负控制完全归因于记忆能力：一旦清空，它什么也解决不了。相同的验证后存储合同也适用于开放式推理：在所有四个模型中，88/88 一致性门控接受，机器检查的形式证明，以及 77/80 的推理方法转移。记忆选择耗时 1.4 微秒；完整重用在 6-23 毫秒内完成，耗电 36 毫瓦时。在一个有 4,500 项验证库的情况下，近似相似性检索错误选择物品的概率为 94.3%，而精确寻址则没有错误。该库还充当工作上下文，其规模没有任何已经发布的引擎匹配：在单个 46GB GPU 上的 6,000,000-token 可移动窗口，保持平稳内存，而 vLLM 在 30,399 token 处停止，SGLang 在超过 32,000 时静默截断。在已发布基准测试中，前沿模型在从零基础推理方面远远领先于任何 12B；而对于这个系统已经解决和验证的所有内容，比较则反转：一次前沿 API 调用在每个查询上进行一次全新的生成传递，永远如此，而经过验证的重用则不需要 token，并在每次返回相同的比特。此报告伴随有一个公共测试平台，提供免费的限速访问：这个 https URL。评论：行业经验报告，共 14 页，包含 8 个图表。公共测试平台：这个 https URL；伴随的仓库带有 SHA-256 来源清单：这个 https URL。主题：计算与语言 (cs.CL)；人工智能 (cs.AI)；信息检索 (cs.IR)；机器学习 (cs.LG)；性能 (cs.PF)。引用：arXiv:2607.23806 [cs.CL]（或 arXiv:2607.23806v1 [cs.CL] 针对此版本） https://doi.org/10.48550/arXiv.2607.23806 arXiv 发布的 DOI 通过 DataCite（待注册中）。提交历史：来自：Sietse Schelpe [查看电子邮件] [v1] 2026年7月26日星期日 19:08:33 UTC（1,421 KB）