S1
Sparsame Populationscodes
Konzepte existieren als sparsame, verteilte Aktivität über ein Substrat — nicht als Einbettungen in einer dichten Matrix. Interferenz ist begrenzt; Komposition ist geometrisch.
Substrat · Aktive Forschung
Architektur, kein größeres Modell.
Ein biologisch orientiertes Rechensubstrat für post-transformer-Kognition.
Was Stamen ist
Architektur, kein größeres Modell
Stamen basiert auf der Prämisse, dass der nächste Schritt in der maschinellen Kognition nicht mehr Parameter, sondern ein anderes Substrat erfordert. Wir behandeln Repräsentation, Komposition und Abruf als erstklassige Operationen des Hardware-Software-Stacks — nicht als emergente Nebeneffekte von Attention. Das Ergebnis ist ein funktionsfähiges Substrat, in dem das Wissen des Systems strukturiert ist, die Berechnungen lokal und energiebewusst ablaufen und neues Wissen hinzugefügt werden kann, ohne das Vorhandene zu überschreiben.
Substratprinzipien
Vier Ideen, die den Stack organisieren
Stamen ist meinungsstark. Jede Schicht verpflichtet sich auf eine kleine Menge organisatorischer Prinzipien, die aus kortikaler Neurowissenschaft und substratausgerichtetem Rechnen abgeleitet sind.
S2
Lokal rekurrente Schleifen
Die Berechnung wird in kurze Schleifen zerlegt, die mit Nachbarn kommunizieren — nicht in lange Attention-Spans über alles. Die Latenz bleibt flach, während das Substrat wächst.
S3
Energiebewusstes Routing
Pfade werden mit expliziter Berücksichtigung der Rechenkosten geplant. Inaktives Substrat ist wirklich inaktiv, sodass Workloads mit der Relevanz skalieren — nicht mit der Parameteranzahl.
S4
Substrat-natives Gedächtnis
Gedächtnis ist Teil des Substrats — kein externer Speicher, der nachträglich angehängt wird. Lesen, Schreiben und Binden sind native Operationen.
Eine andere Form
Dichte Attention vs. sparsames Substrat.
Both compute. Only one is organized.
Alles spricht mit allem.
Lokalität plus sparsame Codes.
Kompositionskosten
Quadratisch in Tokens
Lokal im Substrat
Interferenz
Katastrophal bei Aktualisierung
Durch Sparsität begrenzt
Inaktives Rechnen
Zahlt trotzdem
Wirklich inaktiv
Gedächtnis
Extern, nachträglich angehängt
Native Substrat-Operation
Latenzwachstum
Wächst mit dem Kontext
Konstant mit dem Substrat
Fortschritt
Wie Stamen hierher gelangte
- 01
Phase 1
Substrat-Machbarkeitsnachweis
Erste funktionierende Version des Substrats, mit sparsamen Populationscodes, die in eine nutzbare Repräsentationsschnittstelle eingebunden sind. Interne Benchmarks wurden etabliert.
- 02
Phase 2
Ehrliches Negativ bei einer Hardware-Brücke
Eine vorgeschlagene Beschleuniger-Brücke wurde bei großem Maßstab gegen hochoptimierte dichte Baselines falsifiziert. Das Ergebnis hat die Silizium-Roadmap neu gestaltet und ist als veröffentlichtes Negativ dokumentiert.
- 03
Phase 3
Alle Gating-Tests abgeschlossen
Substrat-seitige Gating-Tests — einschließlich Strict-Max-Verhalten unter kontrollierter Perturbation — wurden alle innerhalb der Zielgrenze abgeschlossen.
- 04
Phase 4
Mit Heddle und Atelier kombiniert
Stamen wurde mit dem strukturierten Gedächtnis und dem Entwicklungstrainer verbunden und produzierte die ersten End-to-End-Läufe des kognitiven Stacks auf echten Daten.
Measured
5/5
Phase-3-Substrat-Gating-Tests abgeschlossen
Strict-max ceiling contained at 1.32%. Zero outstanding red gates at last review.
Wo Stamen auftaucht
Unterhalb des Substrats
Stamen-Substrat
Domänenübergreifendes Flagship-Reasoning
Stamen ist das Rechensubstrat unter unserer Flaggschiff-Modelllinie RL-X1. Reasoning-Qualität bei langfristigen Aufgaben ist eine Eigenschaft des Substrats — kein Kontextfenster-Trick.
Komponierbares strukturiertes Gedächtnis
Heddle bindet und ruft über Stamen-native Repräsentationen ab. Komposition bleibt kompositional; der Abruf skaliert mit der Struktur — nicht mit der Token-Anzahl.
Substratausgerichtetes Silizium
Obsidian-Generationen sind gegen dieselben Grundelemente entworfen, die Stamen verwendet — sodass die Physik des Chips und die Geometrie der Kognition ein gemeinsames Organisationsprinzip teilen.
“We optimised the substrate the way you would optimise a microcircuit: locality, energy, and structure first. The model is what falls out.”
Verwandte Forschung
Die Arbeit hinter Stamen.
Verfügbar über