Kategorie
Flaggschiff domänenübergreifend · Generation 1
Modelle · Generation 1
Ein Flaggschiff-Modell
mit dem Substrat darunter.
Flaggschiff-Post-transformer-Modell, trainiert auf dem ReasonLoom-Substrat.
- Modell-ID
RL-X1.G1.2026- Substrat
- Stamen-Runtime · Heddle-Gedächtnis
- Training
- Atelier-Entwicklungsloop · typisierter Verifizierer im Loop
- Kontextlimit
- keines vorhanden
Substrat
Stamen + Heddle
Trainiert mit
Atelier-Entwicklungsloop
Optimal für
Langfristiges Reasoning ohne Kontextlimits
Was RL-X1 ist
Ein Modell mit dem Substrat darunter
RL-X1 ist die erste Generation unserer Flaggschiff-Linie für domänenübergreifende Aufgaben. Es lebt nicht innerhalb eines Kontextfensters. Es liest, bindet und komponiert über Heddle, läuft auf Stamen und wird von Atelier aufgezogen. Das Ergebnis ist Reasoning-Qualität bei langfristigen Aufgaben, die aus der Architektur stammt – nicht aus Prompt-Engineering.
Der strukturelle Wandel
Warum der Unterschied kein „größeres Fenster“ ist
Conventional models scale by extending an attention buffer. RL-X1 does not have one to extend. The work that the window used to do is done by the substrate instead.
Konventionell
Token-Fenster
- × Memory ceiling = buffer length.
- × Recall is a scan of attention.
- × Composition re-derived per turn.
- × Provenance lives in prose.
RL-X1
Strukturiertes Substrat
- + No buffer to overflow.
- + Recall is a substrate primitive.
- + Composition is bind/walk, not re-read.
- + Provenance is structural.
Was sich gegenüber einem Transformer verändert
Drei strukturelle Unterschiede
RL-X1 ist interessant durch das, was es nicht ist – kein größeres Attention-Modell, kein reines Tokens-ein-Tokens-aus-Modell, kein One-Shot-Decoder.
X1
Kein Kontextfenster-Limit
Das Gedächtnis lebt in strukturierter Bindung, nicht in einem Puffer, über den der Decoder scrollen muss. Langfristige Aufgaben hören auf, ein Token-Budget-Problem zu sein.
X2
Komposition ist ein Grundelement
Das Reasoning über Analogie, Kontrafaktizität und Multi-Hop-Ketten nutzt dieselbe Bind/Recall-Oberfläche. Das Modell muss die Struktur nicht bei jedem Schritt neu aus Sprache ableiten.
X3
Durch Training verankert
Das Modell wird von Atelier aufgezogen, mit einem typisierten Verifizierer im Loop. Was es weiß, kann es verteidigen; was es nicht weiß, stellt es zurück.
Wo es steht
Interne Evaluation
Numbers are internal — the suites and conditions are documented in the evaluation programme. The pattern, not any single value, is what we report.
| Aufgabenfamilie | RL-X1 | Konventionelle Baseline | Δ |
|---|---|---|---|
| Langfristiger Multi-Hop | P@5 1.00 | P@5 ~0.62 | +0.38 |
| Dokumentenübergreifende Bindung | 0.94 | 0.71 | +0.23 |
| Kompositionelle Analogie | 0.88 | 0.56 | +0.32 |
| Zurückstellen bei Unbekanntem | 0.96 | 0.41 | +0.55 |
| Kontextfenster-Überlauf | 0 | häufig | n/a |
P@5 1.00
Multi-Hop-Abruf durch den Stack
End-to-End-Abruf durch das Modell und die Gedächtnisbrücke.
+0.65
Langfristige Retention vs. amnestischer Kontrollwert
Übernommen aus dem Atelier-Entwicklungsloop.
0
Kontextfenster-Fehlerquellen
Es gibt kein Kontextfenster, das überlaufen könnte.
Ein Reasoning-Trace
Wie eine Multi-Hop-Frage aussieht
A question that would force a conventional model to scroll its window becomes a sequence of substrate operations.
rl-x1 · trace · multi-hop
- 01 READ
perceive(corpus)Eingaben werden als strukturierte Belege verarbeitet — nicht als Token-Puffer.
- 02 BIND
bind(claim_a, source_a)Die Behauptung ist mit ihrer Quelle verknüpft. Herkunft ist strukturell, nicht nachträglich angehängt.
- 03 BIND
bind(claim_b, source_b)Ein zweiter Beleg wird gebunden. Keine erneute Ableitung aus Prosa.
- 04 WALK
walk(claim_a → claim_b)Multi-Hop ist eine Substrat-Operation. Der Decoder muss nicht scrollen.
- 05 COMP
compose(answer | evidence)Die Antwort wird aus gebundenen Belegen zusammengesetzt. Was behauptet wird, ist verteidigbar.
- 06 EMIT
emit(answer, audit_trail)Die Ausgabe enthält den beigefügten Prüfpfad. Über Mnemo ist dies unternehmenstauglich.
Die X-Linie
Wo RL-X1 in der Generationen-Roadmap steht
G1
RL-X1
ausgeliefert
Flaggschiff domänenübergreifend · langfristiges Reasoning ohne Kontextlimits.
G2
RL-X2
geplant
Multimodales Substrat nativ. Wahrnehmung und Bindung teilen dieselbe Oberfläche.
G3
RL-X3
Forschung
Selbstüberarbeitendes Recall. Das Modell bearbeitet sein eigenes Gedächtnis unter typisierter Verifikation.
Wo RL-X1 eingesetzt wird
Domänenübergreifendes Reasoning
Langfristige Analyse
Aufgaben, die Hunderte von Eingaben umspannen und strukturierten Abruf über alle erfordern. Das Modell wird nicht gebeten, sie in ein Fenster zu quetschen.
Wissenschaftliches Lesen im großen Maßstab
RL-X1 liest Sammlungen, bindet Behauptungen und komponiert daraus Schlussfolgerungen. Das Arbeitsergebnis ist strukturiert, nicht narrativ.
Gedächtnisgestützte Entscheidungsunterstützung
Über Mnemo eingesetzt, schlussfolgert RL-X1 über mandantenfähiges Gedächtnis mit beigefügtem Prüfpfad.
