MMLA：用于预测双状态适应的记忆介导学习架构

记忆中介学习架构 (MMLA) 将慢速基本参数 theta、有界数值策略载体 Phi 和有界权威记忆 M 分开。预测双态适应 (PDSA) 允许反馈在一个问题保持活动状态时更新 Phi，并让受信任的生命周期原子地提交一个类型行或精确的 NULL。稍后的推理可能会读取这两种状态，但它们的编写者、重置、回滚域和分类帐仍然不同。仅在训练时实现期货监管值；部署是因果性的、面向未来的。我们给出了推理时间更新、完整片段整合、预测承认、权威记忆和双状态归因的条件理论和可证伪契约。假设、反例、容量和成本分类账、回收职责和识别实验都是明确的；这些不是实施保证。对照研究表明，对三个种子中的每一个种子的 300/300 个保留记录进行了精确的生命周期执行，在冷冻隐藏密集和 BM25 基线上校准了检索增益，以及对每个种子的 240/240 个保留记录进行了精确类型的锚填充传输。这些验证受限组件，而不是自然语言内存管理或完整的 PDSA。 后训练 研究保留了正面和负面证据。后来的协议获得了受限的读出进度，但九轨迹比较发现匹配的潜在读出、全宽桥和桥加冻结文本-教师对齐在两个任务系列中都未能通过连续事件资格。单独改编的文本参考和恢复检查通过。在 2026 年 9 月 13 日的证据截止日期，没有建立严格的纯策略推理时间训练效应、预测准入预言机裕度、学习的未来盲准入策略或记忆策略阶乘优势。