1
连续轴
模型 · 研究预览
多数模型只能选定一种架构。
而它能沿着架构连续移动。
单一架构，连续轴调节——从完美记忆到精准注意力，按输入自适应。
2
融合坐标
0.000
端点一致性
类别
统一双轴模型 · 第一代
架构
可学习的坐标，而非固定设计
包含
Marrow 与 Loom 作为精确端点
由……培育
Atelier 发育式训练循环
Loominum 1 是什么
架构是模型可移动的坐标
Loominum 基于一个核心理念：架构的选择不应在训练前一次性确定并冻结。其核心读出机制拥有单一的衰减坐标。在一端，它精确还原为快速权重召回规则——Marrow，完美记忆；随着坐标增大，它演变为耗散型连续时间场——Loom，倾向于近期信号，令陈旧信息自然消退。第二个坐标控制注意力的锐利程度，从柔和均值到单点精准选取。模型跨越整个参数空间，其优势在于能够落在任务所需的恰当位置，而非事先猜测。
量化结果
数字，而非形容词
基于具身、跨随机种子取平均且可复现。这条轴是被证明的，而非仅凭断言。
0 → 94%
开放词汇命名准确率，从零起步
基于每个概念约300个接地样例。全新未训练模型得分为0%——因此这是真正的学习，而非记忆背诵。
+0.044
双轴融合相较单轴最优方案的提升
融合头达到0.94，相较最强单坐标的0.90，跨五个随机种子均有提升。
精确吻合
端点与已知架构精确匹配
在极端值处，该轴线将快速权重与池化规则精确还原至数值误差为零（奇偶性0.000e+00）。
工作原理
三项结构性设计
Loominum 既不是更大的Transformer，也不是外挂路由器。多态性内嵌于方程本身。
C1
单一轴线，多种架构
场读出机制拥有单一衰减坐标。一端精确还原快速权重召回规则；另一端为连续时间耗散场。同一方程，坐标移动——而非两个模型拼接在一起。
C2
双坐标融合
第二个坐标控制注意力的锐利程度，从柔和均值到近似argmax的精准选取。两路读出融合为一个头——一路提供稳定性，另一路提供选择性——两者合力优于任意单路。
C3
培育，而非仅仅训练
Atelier 在接地的训练片段中培育 Loominum。模型从每个概念数百个样例中学会命名世界，且所学知识在清空快速记忆后依然留存——这是巩固的知识，而非查找表。
拿证据，不靠形容词
我们何以能面不改色地说出这一切
连续轴是一个易于宣称、却难以支撑的论断。以下便是它背后的支撑。
端点精确无误
把坐标滑到一端，模型逐比特复现快权重召回规则；滑到另一端，它便成为耗散式连续时间场。两端与已知设计吻合至数值零——不是近似，而是精确。
融合胜过任一单独坐标
两个坐标融合为单一头——一个带来稳定，另一个带来选择。在我们运行的每个种子上，融合模型都超越最强的单一坐标，而不仅是均值占优。
学得，而非查表
清空模型的快速记忆后，它仍能命名在该设置下从未见过的、带噪声的留出实例。它所学已巩固为持久结构——查找表做不到这一点。
养成，而非蒸馏
Atelier 以具身片段养育 Loominum——每个概念仅用少量示例，辅以类睡眠巩固——而非复制更大模型的文本。它的知识是自己挣得的。
Loominum 的适用场景
一个模型，替代一整排模型
架构之间的调节旋钮
无需在训练前锁定一种设计，而是沿轴线移动并测量任务真正适合落在哪里。架构由此成为可调参数，而非需要猜测的预设。
按输入自适应
Loominum 能从信号的形状推断自身的召回坐标——根据输入需要倾向于记忆或近期性——几乎捕获手动设定坐标所能带来的全部收益。
与芯片系列共享引擎
基于与 RL-L1 和 Obsidian 芯片相同的耗散场构建，使模型与基底收敛于同一套物理原理，而非两套独立体系。
