类别
旗舰跨领域模型 · 第一代
模型 · 第一代
一款旗舰模型，
底层基底，一体而生。
基于 ReasonLoom 底层架构训练的旗舰后Transformer模型。
- 模型编号
RL-X1.G1.2026- 基底
- Stamen 运行时 · Heddle 记忆
- 训练方式
- Atelier 发育式训练循环 · 类型化验证器全程在环
- 上下文上限
- 不设上限
基底
Stamen + Heddle
训练方式
Atelier 发育式训练循环
最适用于
无上下文限制的长视野推理
RL-X1 是什么
底层基底之上的模型
RL-X1 是我们旗舰跨领域系列的第一代。它不依赖上下文窗口，而是通过 Heddle 完成读取、绑定与组合，在 Stamen 上运行，并由 Atelier 培育。其结果是，长视野任务上的推理质量来源于架构本身，而非提示词工程。
结构性转变
为何差异并非「更大的窗口」
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.
传统方式
Token 窗口
- × Memory ceiling = buffer length.
- × Recall is a scan of attention.
- × Composition re-derived per turn.
- × Provenance lives in prose.
RL-X1
结构化基底
- + No buffer to overflow.
- + Recall is a substrate primitive.
- + Composition is bind/walk, not re-read.
- + Provenance is structural.
与Transformer相比的变化
三项结构性差异
RL-X1 的价值在于它不是什么——不是更大的注意力模型，不是 token 输入输出模型，也不是单次解码器。
X1
无上下文窗口上限
记忆存储于结构化绑定中，而非解码器需要滚动的缓冲区。长视野任务不再是 token 预算问题。
X2
组合是原生操作
基于类比、反事实与多跳推理链的推理，使用同一套绑定/召回接口。模型无需在每轮对话中从语言重新推导结构。
X3
由训练接地
模型由 Atelier 培育，类型化验证器全程在环。它所知晓的，均可据以辩护；它不知晓的，会主动延迟作答。
当前位置
内部评测结果
Numbers are internal — the suites and conditions are documented in the evaluation programme. The pattern, not any single value, is what we report.
| 任务类型 | RL-X1 | 传统基线 | Δ |
|---|---|---|---|
| 长视野多跳推理 | P@5 1.00 | P@5 ~0.62 | +0.38 |
| 跨文档绑定 | 0.94 | 0.71 | +0.23 |
| 组合类比 | 0.88 | 0.56 | +0.32 |
| 未知时主动延迟 | 0.96 | 0.41 | +0.55 |
| 上下文窗口溢出 | 0 | 频繁 | n/a |
P@5 1.00
端到端技术栈多跳检索精度
通过模型与记忆桥接的端到端检索。
+0.65
与遗忘型对照相比的终身留存优势
继承自 Atelier 发育式训练循环。
0
上下文窗口失效模式
不存在可溢出的上下文窗口。
推理追踪
多跳问题的处理过程
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)输入以结构化证据形式落地——而非进入 token 缓冲区。
- 02 BIND
bind(claim_a, source_a)论断与其来源绑定。溯源是结构性的，而非事后附加。
- 03 BIND
bind(claim_b, source_b)第二条证据完成绑定。无需从文本重新推导。
- 04 WALK
walk(claim_a → claim_b)多跳推理是基底的原生操作。解码器无需滚动上下文。
- 05 COMP
compose(answer | evidence)答案由绑定证据组合而成。所有断言均可据以辩护。
- 06 EMIT
emit(answer, audit_trail)输出随附审计追踪。通过 Mnemo，可直接用于企业场景。
X 系列路线图
RL-X1 在代际路线图中的位置
G1
RL-X1
已发布
旗舰跨领域模型 · 无上下文限制的长视野推理。
G2
RL-X2
已规划
原生多模态基底。感知与绑定共享同一底层。
G3
RL-X3
研究中
自修正式记忆召回。模型在类型化验证下自主编辑记忆。
RL-X1 的应用场景
跨领域推理
长视野分析
跨越数百条输入、需要结构化召回的任务。模型不被要求将其压入窗口。
规模化科学文献阅读
RL-X1 读取文献集合，绑定论断，并在其间组合推理。工作成果是结构化的，而非叙事性的。
具备记忆感知的决策支持
通过 Mnemo 使用时，RL-X1 在多租户记忆上进行推理，并随附审计追踪。
