Odyssey_PyPro_10M

Небольшая CPU-нейросеть с номинально 9,8 млн параметров и 2 880 бинарными рекуррентными юнитами: по запросу на ограниченном английском она выдаёт готовую Python-функцию для list[int]. Веса не обучали градиентами — символьный learner вывел интерфейс из 1 024 примеров, а компилятор на этапе сборки превратил правила в числа фиксированной сети. Это не pretrained LLM и не общий кодер: модель работает только в своём узком домене и помечает неподдерживаемые запросы как # UNSUPPORTED.

💻 Ключевые особенности

• 💻 Работает на одном CPU-ядре: около 40 мс на запрос, без матричных умножений, attention и GPU.
• 📚 Понимает ограниченный ASCII-английский до 512 байт; имя функции и аргумента — в двойных кавычках; вход всегда list[int].
• ✨ Поддерживает 21 семейство операций: фильтры, map-операции, сортировки, reverse, stable de-duplication, take first n и reductions sum/count/min/max.
• ✅ На свежей confirmation-выборке панели A–D дали по 256/256 exact source и 256/256 корректных запусков.
• ❌ Отклонение неподдерживаемых запросов не дотянуло до порога: 110/128 корректных отказов (85,9%) при preregistered gate ≥95%.
• ❗ Новые синонимы понимает плохо: в панели E только 7/128 exact source и 11/128 корректных запусков.

📚 Пример

python odyssey_pypro.py 'Write a function named "top" with parameter "xs". Keep numbers at least 3, then sort them from largest to smallest.'

Подробнее

Панели A–D: по 256/256 exact source и корректных запусков; панель E: 7/128 exact source; панель F: 110/128 отказов (85,9%).
Архитектура rsat-v1: 2 880 бинарных рекуррентных юнитов, 260 символов, связи в {−1, 0, +1}; 9 823 940 номинальных слотов параметров.
Инференс: около 40 мс на запрос на одном CPU-ядре; GPU не нужен. Файл model.safetensors — 9,8 МБ.
Ограничения: домен list[int], 1–2 операции, максимум 512 байт; сгенерированный код недоверенный, запускать в sandbox.
Веса не тренировали: 1 024 положительных и 64 rejection-примера от LLM-учителя; symbolic learner + neural compiler.