静态声明
FormulaProgram / ProgramGraph命名轴、操作数类型、运算、端口与声明好的执行结构。程序指纹标识这份计算契约。
ARTI 运行时
用程序， 表达神经计算。
三个不同的生命周期
计算拥有声明， 数值拥有归属。
可学习值
Bank operands / parameters从任务目标接收梯度信号的数值操作数。参数归属决定哪个优化器域能够更新每个值。
前向状态
Resources / carry / Bank revisions执行期间读取或产生的值。函数式后继状态单独返回；持久写入遵循声明的提交协议。
普通运算，神经结构。
组合， 每一步计算。
门控递推由 Add、Scale、sigmoid 与 tanh 组成，具有命名输入与 Bank 值。FormulaScan 沿有界序列传递隐藏状态。同一个声明在 PyTorch 与原生 JAX 中执行。
阅读可运行程序 ↓xₜ序列输入
hₜ₋₁传入状态
Bank operandsgain · retention
σ门控
tanh候选值
hₜ下一状态
Σ h累计状态
共享声明
15 条类型化指令。同一个有界递推，由 PyTorch 与原生 JAX 执行。
计算基础
从明确的原语， 构建计算结构。
Formula 结构保持为普通类型化程序。图层为连接这些程序的资源与关系命名。
沿图组织学习
定义梯度信号， 沿哪里传递。
前向图与学习连接具有独立契约。局部反向传播规则、图区域与明确参数归属，让受支持配置能够组织学习，并保持可检查。
学习边界指南 →局部梯度信号，明确优化器状态。
注册图节点可暴露局部 VJP。固定图信用计划沿声明的发布顺序遍历，并在稳定标识下累积共享参数余切。
优化器域对参数所有者分组，保留各自的矩与时钟。结构决策可在完成的训练窗口提交，状态迁移由声明好的计划管理。
高级图构建、搜索与部分机制保留明确 alpha 生命周期。公开指南区分固定图执行、更广泛动态搜索与吞吐声明。
应用绑定
把程序， 接入你的模型。
选择原生程序、配置好的模型挂载或受支持的预训练 recipe。数据与目标由应用提供。
layer = arti.ARTILayer(
graph=graph,
graph_program_id="forward",
graph_input_resource_id="input",
graph_output_resource_id="output",
)
model = arti.ARTI.attach(model, layer, layers="model.layers.*")
session = model.arti.trainer(objective="model_loss")公开集成契约片段：调用方提供配置好的图与兼容宿主边界。空 ARTILayer 为精确恒等。
以资产延续执行
把声明， 与完成的工作一起保留。
受支持资产保留张量值、图和组件元数据，以及内容寻址来源。宿主权重与自定义重建代码，作为所选配置的明确依赖。