Links e acesso
O pensamento
Modelos de fronteira em setores regulados não podem ser re-treinados. WINNEX pergunta: o que dá para melhorar na inferência usando apenas a geometria que o modelo já aprendeu? A resposta é a composição determinística — com o certificado de exclusão por documento como produto.
Por que importa
É a especificação pré-patente do método WINNEX como um todo — a composição (claims 4+5) é avaliada como o núcleo patenteável mais forte, maior que qualquer componente isolado. A v3 (2026-08-13) é a composição unificada.
Metodologia
Composição dos 3 operadores publicados: (1) tokenizer espectral → (2) projeção manifold via X-Factor → (3) forward nativo + bound engine madhava; benchmarks reproduzíveis no Kaggle instalando os packages do PyPI
Resultados principais
- Spectral round-trip CER = 0 em 10 línguas
- Projetor idempotente P²=P; X-Factor 0.042s a D=128
- RAG espectral determinístico com 0 bound violations
- Fusão de pesos preserva comportamento (cos > 0.99)
- Bound engine: 99.6% do R@10 exato, 0 violações, build ~77× mais rápido que HNSW
- Streaming: 100M vetores em 342.6s, 0 violações
Por que esta branch importa
Três packages PyPI com núcleos C++20: winnex-nano, winnex-xfactor, winnex-madhava — um caminho de inferência composto.