0.875
PhysioNet AUC
Modelle · Forschungsvorschau
Zeit ist eine Eingabe,
keine Annahme.
Zeitkontinuierliches Modell für unregelmäßige Signale — klein, schnell und zeitbewusst.
≈5×
Kleiner
8.2×
Schnellerer Kernel
Kategorie
Zeitkontinuierlich · Generation 1
Liest
Unregelmäßige, zeitgestempelte Signale
Optimal für
Klinisch, Sensoren, Streaming & Edge
Status
Forschungsvorschau · Gate-validiert
Was RL-L1 ist
Ein Modell, das Zeit als erstklassige Eingabe behandelt
Die meisten Sequenzmodelle gehen davon aus, dass ein Schritt einem Takt entspricht. Reale Signale — Vitalwerte, Sensoren, Marktereignisse, Telemetrie — treffen nicht auf einem Takt ein. RL-L1 ist ein zeitkontinuierliches Modell: Das Timing ist Teil der Eingabe, keine Nachbetrachtung, sodass sich das Modell korrekt über unregelmäßige Abstände, fehlende Samples und Live-Streams verhält. Das Wie ist unser eigenes — was wir hier zeigen, ist das Verhalten und die Zahlen.
Warum es anders ist
Drei strukturelle Entscheidungen
RL-L1 ist kein Transformer und kein Punkt-ODE-Netzwerk. Es setzt drei bewusste Wetten ein, die sich an echten, unregelmäßigen Daten auszahlen.
L1
Zeit steckt in der Mathematik
Das Modell entwickelt sich in kontinuierlicher Zeit, sodass das Intervall zwischen zwei Beobachtungen die Berechnung verändert. Nullt man das Timing aus, bricht die Genauigkeit ein — Beweis dafür, dass das Zeitsignal die Arbeit leistet.
L2
Klein und stabil
Ein kompakter, wohlgeordneter Zustand bedeutet starke Ergebnisse bei winzigen Parameteranzahlen mit begrenzter, vorhersehbarer Dynamik. Die Interna sind unsere; die Stabilität ist gemessen.
L3
Für die Edge gebaut
Entwickelt, um schnell und klein auf echter Hardware zu laufen, und gemeinsam mit unserer dissipativen Siliziumlinie konzipiert, sodass Modell und Substrat auf derselben Physik konvergieren.
Gemessen, nicht behauptet
Die Zahlen — auch dort, wo wir verlieren
RL-L1 wins on irregular, small-to-medium-scale signals and on the edge. It does not win at frontier scale or at language — the table says so on purpose.
Benchmark RL-L1 Baseline Hinweis
PhysioNet 2012 Sterblichkeit 0.875 AUC 0.874 (GRU-D) 18-Seed-Ensemble · KI [0,868; 0,883]
Zeitgebundener assoziativer Abruf 0.004 MSE 0.68 MSE vs. Punkt-ODE; 9,61 bei Zeitblindheit
Mackey-Glass (≤50k Parameter) 0.052 MSE 0.094 MSE 1,2–1,8× besser im Kleinmodell-Regime
Mackey-Glass (≥214k Parameter) 0.087 MSE 0.046 MSE Transformer gewinnt bei Skalierung
Edge-Footprint (int8) 24 KB · 0.40 ms 65 KB · 0.44 ms schneller und 2,7× kleiner
PhysioNet 2012 · set-a → held-out set-b · leakage-safe · multi-seed
Wo er gewinnt
- Unregelmäßige & gestreamte Zeitreihen — das Timing trägt das Signal.
- Energie- und speicherbeschränkte Edge-Inferenz.
- Online-Adaptation ohne vollständiges Neutraining.
Wo er nicht gewinnt
- Frontier-Sprachmodellierung — Transformer gewinnen, und wir sagen es.
- Große Parameterregimes, in denen der Effizienzvorsprung schwindet.
Gemessen
Kleiner und zeitbewusst
0,875
AUC auf PhysioNet 2012
Sterblichkeit im Krankenhaus aus unregelmäßigen Intensivstations-Vitalwerten — 18-Seed-Ensemble, 95%-KI [0,868; 0,883].
≈ 5×
Weniger Parameter als die Baseline
Das klinische Ergebnis wird bei einem Bruchteil der Parameteranzahl des Baseline-Transformers erreicht.
8,2×
Schnellerer Laufzeit-Kernel
Parallele Feldauswertung vs. Referenzschleife (0,23 ms vs. 1,90 ms), bei exakter numerischer Parität.
Status
Eine gate-validierte Referenz
- Gates
Zehn falsifizierbare Gates bestanden
Zeitkontinuierlicher Vorteil, Stabilität, Bindung, lebenslanges Behalten und substratbezogenes Co-Design haben jeweils einen Bestehen/Nichtbestehen-Test. Sie bestehen — und wo das Modell verlieren sollte, verliert es ehrlich.
- Klinisch
Validiert auf echten Intensivstationsdaten
Benchmarkt auf PhysioNet 2012 Krankenhaussterblichkeit — echte, unregelmäßige Vitalwerte — mit einem leckagefreien Trainings-/Testschnitt.
- Heute
Forschungsvorschau
Die Referenzimplementierung ist produktionsgetestet auf Apple Silicon. Wir öffnen sie für ausgewählte Forschungspartner.
Wo RL-L1 passt
Gebaut für Signale mit einer Uhr
Unregelmäßige Vitalwerte & Monitoring
Intensivstations-Streams, Wearables und klinische Zeitreihen, bei denen Samples spärlich, ungleichmäßig und das Timing das Signal sind.
On-Device & Streaming
Kleiner Footprint und schnelle Inferenz machen RL-L1 geeignet für Sensoren und eingebettete Systeme, die sich kein großes Modell leisten können.
Ehrliche zeitkontinuierliche Evaluierungen
Eine Referenz für die Untersuchung, wo zeitkontinuierliche Modelle Transformer wirklich schlagen — und wo nicht.
“Er gewinnt, wo das Timing zählt. Wo nicht, sagen wir es.”
— RL-L1 Design-Notiz
