0.875
AUC su PhysioNet
Modelli · Anteprima di ricerca
Il tempo è un input,
non un presupposto.
Modello a tempo continuo per segnali irregolari: compatto, veloce e consapevole del tempo.
≈5×
Più compatto
8.2×
Kernel più veloce
Categoria
Tempo continuo · generazione 1
Legge
Segnali irregolari con timestamp
Ideale per
Clinico, sensori, streaming ed edge
Stato
Anteprima di ricerca · gate validati
Cos'è RL-L1
Un modello che tratta il tempo come un input di prima classe
La maggior parte dei modelli sequenziali assume che ogni passo corrisponda a un tick. I segnali del mondo reale — parametri vitali, sensori, eventi di mercato, telemetria — non arrivano a cadenza regolare. RL-L1 è un modello a tempo continuo: il timing fa parte dell'input, non è un ripensamento, quindi il modello si comporta correttamente su intervalli irregolari, campioni mancanti e stream in diretta. Il come è nostro — quello che mostriamo qui è il comportamento e i numeri.
Perché è diverso
Tre scelte strutturali
RL-L1 non è un transformer e non è una rete ODE puntuale. Fa tre scommesse deliberate che pagano su dati reali e irregolari.
L1
Il tempo è nella matematica
Il modello evolve in tempo continuo, quindi l'intervallo tra due osservazioni cambia il calcolo. Azzera il segnale temporale e l'accuratezza crolla — prova che il segnale di tempo sta facendo il lavoro.
L2
Compatto e stabile
Uno stato compatto e ben controllato garantisce risultati solidi a conteggi di parametri ridottissimi, con dinamiche limitate e prevedibili. Le strutture interne sono nostre; la stabilità è misurata.
L3
Progettato per l'edge
Pensato per girare veloce e leggero su hardware reale, co-progettato con la nostra linea di silicon dissipativo affinché il modello e il substrato convergano sulla stessa fisica.
Misurato, non dichiarato
I numeri, inclusi quelli dove perdiamo
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 Nota
Mortalità ospedaliera PhysioNet 2012 0.875 AUC 0.874 (GRU-D) Ensemble 18 seed · CI [0.868, 0.883]
Richiamo associativo temporizzato 0.004 MSE 0.68 MSE vs ODE puntuale; 9.61 se privo di tempo
Mackey-Glass (≤50k parametri) 0.052 MSE 0.094 MSE 1.2–1.8× meglio, regime modelli compatti
Mackey-Glass (≥214k parametri) 0.087 MSE 0.046 MSE il transformer vince a scala
Footprint edge (int8) 24 KB · 0.40 ms 65 KB · 0.44 ms più veloce e 2.7× più compatto
PhysioNet 2012 · set-a → held-out set-b · leakage-safe · multi-seed
Dove vince
- Serie temporali irregolari e in streaming — il timing porta il segnale.
- Inferenza edge con vincoli di energia e memoria.
- Adattamento online senza un re-addestramento completo.
Dove non vince
- Linguaggio su larga scala — i transformer vincono, e lo diciamo.
- Regimi con molti parametri dove il vantaggio di efficienza si riduce.
Misurato
Più compatto e consapevole del tempo
0.875
AUC su PhysioNet 2012
Mortalità ospedaliera da parametri vitali ICU irregolari — ensemble 18 seed, CI 95% [0.868, 0.883].
≈ 5×
Meno parametri rispetto alla baseline
Il risultato clinico viene raggiunto con una frazione dei parametri del Transformer di riferimento.
8.2×
Kernel di runtime più veloce
Valutazione del campo in parallelo vs il loop di riferimento (0.23 ms vs 1.90 ms), a parità numerica esatta.
Stato
Un riferimento validato con gate
- Gate
Dieci gate falsificabili superati
Il vantaggio a tempo continuo, la stabilità, il binding, la ritenzione a vita e la co-progettazione con il substrato hanno ciascuno un test pass/fail. Li superano — e dove il modello deve perdere, perde onestamente.
- Clinico
Validato su dati ICU reali
Valutato su PhysioNet 2012 in-hospital mortality — parametri vitali reali e irregolari — con una suddivisione train/test sicura da leakage.
- Oggi
Anteprima di ricerca
L'implementazione di riferimento è testata in produzione su Apple Silicon. La stiamo aprendo a partner di ricerca selezionati.
Dove si inserisce RL-L1
Costruito per segnali con un orologio
Parametri vitali irregolari e monitoraggio
Stream ICU, dispositivi indossabili e serie temporali cliniche dove i campioni sono radi, non uniformi e il timing è il segnale.
On-device e streaming
Il footprint ridotto e l'inferenza rapida rendono RL-L1 adatto a sensori e sistemi embedded che non possono permettersi un modello di grandi dimensioni.
Valutazioni oneste a tempo continuo
Un riferimento per studiare dove i modelli a tempo continuo battono genuinamente i transformer — e dove non lo fanno.
“Vince dove il timing conta. Lo diciamo dove non è così.”
— Nota di design RL-L1
