Pulse训练权重 · ONNX · WASM
用四份不完整观测恢复一个可读字形
真实训练的 VisualScan + Pulse 模型。移除互补观测、重复相位或破坏坐标关系，直接比较重建结果和固定容量工作区。
运行 Pulse 演示ARTI 1.7.0 · PyTorch · Tensor in / Tensor out
面向 PyTorch 的结构化隐空间计算。
ARTI 让模型在选择、组合、压缩和展开张量时，继续显式保留位置、来源、可见性与调用时输出空间。它可以接入现有 tokenizer，也可以构建直接读取字形 tensor 的 tokenizer-free 模型。
pip install arti-fitimport torch
import arti.nn as ann
x = torch.randn(4, 128, 64) # [B, N, D]
mask = torch.ones(4, 128, dtype=torch.bool)
q = torch.rand(4, 128)
pulse = ann.Pulse(k=8, dim=64, hidden_dim=128)
workspace, info = pulse(x, q=q, mask=mask, return_info=True)
assert workspace.shape == (4, 8, 64)LIVE MODELS
不要只看架构图。直接运行机制。
下面的页面都在浏览器里执行导出的真实模型或状态图。任务结果、模型边界和运行设备会分开说明。Runtime vocabulary训练权重 · 动态 K · 本地推理
在运行时更换输出字母表
输入一段带可见音标的文字，重排或移除本次输出词表。模型输出局部 slot，再组合成重建字符串。
运行动态词表演示Recall引导式状态实验 · WASM
让会话记住一个信号，再辨认它的近似形态
先测空状态，再提交参考 trace。真实 read/update 图会让近似输入获得高响应，而陌生输入保持低响应；分叉与重置证明记忆属于会话。
运行记忆实验FusionPulseA/B 机制实验 · WebGPU / WASM · Alpha
只改变一路证据，测量融合结果如何响应
一键运行参考 A 与变化 B。先比较固定 K=3 输出、Half 和路由差异，再展开真实 workspace；明确区分机制响应与任务性能。
运行证据对照PUBLIC API
核心机制，以及它们实际改变什么。
这些名称全部来自 ARTI 的公开 Python API。成熟度按接口标注；Alpha 不等于不可用，但仍可能变化。Half按幅度连续衰减弱特征，shape 不变。Core→Fold把可变 N 个槽压缩为固定 K 个槽。Core→Pulselearned projection → Half → Fold，形成固定容量 workspace。Core→Recall读取和更新显式、固定容量的推理期状态。Core→UnFold查询新值并学习布局，同时保留原输入实例值。Core→FusionPulse融合多个已经形成的 Pulse workspace。Alpha→Runtime vocabulary每次调用以 tensor 提供新的局部输出空间。Alpha→Membrane分别控制 token 的可读范围、模型上下文与公开输出。Alpha→Phase frames显式提供观察者坐标与成对旋转算子。Mixed→INTEGRATION
两种接入方式，同一套张量接口。
接入现有模型
保留 tokenizer 和主干网络，把 ARTI 接到 hidden tensor 上，用 Pulse、Recall、坐标与可见性处理结构。
tokens → hidden tensor → ARTI → model headTokenizer-free / Literal
把字形、布局和本次调用的输出字母表作为 tensor 交给模型。输入词表与输出词表不必相同，但模型仍需要针对目标任务训练。
glyph tensor + layout + runtime vocabulary → local slotsRELEASE STATUS
1.7.0 Stable Candidate
Half、Fold、Pulse、UnFold 与受支持的 1.x 核心进入兼容性验证。FusionPulse、Web 检查与 literal/runtime-vocabulary 模型接口仍为 Alpha。
阅读文档 →START BUILDING