H1
bind(g, e) → p
绑定
概念以接地张量与实体张量的积的形式存储。绑定是结构化记忆的最小单元——也是跨任务传输时得以保留的单元。
基质 · 积极研究中
记忆，能够组合，
而非滚动翻阅。
具备组合绑定能力的后语言结构化记忆系统。
grounding × entity. The bind is the unit.
Heddle 是什么
记忆，能够组合，而非滚动翻阅
Heddle 将记忆视为结构化对象，而非 token 流。每个知识单元是「事物本身」与「被要求扮演的角色」的绑定积，因此同一表示可以被重新绑定、重新赋役、重新查询，无需重新推导。多跳推理链与反事实推理成为结构上的操作，而非在缓冲区上进行的语言游戏。
类别
结构化后语言记忆
基础元语
接地向量 × 实体向量的绑定积
最适用于
类比、反事实与多跳推理
阶段
多跳基准测试已在规模化场景下完成
如何组合
三个基础元语，一个基底
Heddle 有意保持极简的接口。三个基础元语承载了我们所关注的全部行为能力。
H2
swap(p, r′) → p′
角色互换
绑定可在不丢失身份的前提下重新赋役。「狗追猫」与「猫追狗」是不同的结构，而非同一结构的不同措辞。
H3
walk(p, k) → ...
多跳召回
检索是对结构的遍历，而非对窗口的搜索。两跳、五跳或十跳推理链保持可处理性，因为代价随结构增长，而非随 token 长度增长。
具体示例
角色互换不是改写。
同样的实体，两种不同的绑定，两种真正不同的结构——而非同一结构的两种视角。
结构 A
dog chases → cat
pA = gchases ⊗ (dog: subj, cat: obj)
结构 B
cat chases → dog
pB = gchases ⊗ (cat: subj, dog: obj)
A 与 B 被作为不同的事物检索。在留出的角色互换测试中，槽位绑定精度保持在 1.00；字节级方法则下降至 0.60。
实测数据
多跳精度始终在天花板。
P@5 across three index sizes. Held-out evaluation, no leakage between training and retrieval.
1.0 0.75 0.5 0.25 0.0
N = 50k
50,000 条目
N = 200k
200,000 条目
N = 1M
1,000,000 条目
Closing the prior −12.5 pp gap left by the attention-style baseline at the same scale.
进展历程
Heddle 的演进之路
-
v0.1 绑定基础元语上线
接地 × 实体绑定作为一等基础元语落地代码库，配备简洁的读取／写入／角色互换 API。
-
v0.2 小规模多跳基准测试完成
在 50k 与 200k 条目规模下，多跳检索与 Transformer 风格基线进行对比评测。Heddle 在注意力机制出现模糊的地方保持清晰。
-
v0.3 八项门控测试全部完成
v0.3 的全部科学门控测试均已完成，包括留出的角色互换与对抗性多跳测试。作为核心技术栈内的库发布。
-
当前 百万条目规模下的多跳召回
在百万条目规模下测量多跳召回，核心检索得分达到天花板。在相同任务上，与基于注意力机制的基线相比，各规模下均保持正向差距。
Heddle 所释放的能力
真正物有所值的记忆
类比与反事实推理
绑定可重新赋役以评估「如果……会怎样」，无需重新提示。支持类比的结构与支持反事实的结构是同一套结构。
具备真实记忆的长期运行智能体
需要在数天或数周内记住对话、计划与约束的智能体，将这些记忆以结构形式保存，而非以不断膨胀的上下文保存。
规模化科学推理
Heddle 随领域的关系复杂度扩展，而非随文献篇幅扩展。多跳科学查询保持可处理性。
Heddle is what you build when you stop pretending a context window is memory.
相关研究
Heddle 背后的研究工作。
获取渠道