CHERRY：具有循环代表性产量的压缩层次专家

前沿语言能力通常是通过前沿计算来购买的； CHERRY展示了不同的贸易方式。它是一个主权韩国模型系列，建立在一个原则之上：监督决定答案的词元，并让共享权重承担其余部分。在匹配计算下，这暴露了一种尖锐的、可重复的分离——选定的词元监督保留了保留的歧视，但破坏了自由生成，而全序列锚仅恢复了部分间隙。相同的信号驱动一个合并后修复循环表征产量循环，该循环将 48 层折叠为 6 个独特的块，以接近密集的奇偶性（227M 损失为 2.934，566M 密集模型为 2.926），并通过 MoEE 融合（2.789）将它们组成——这是一个由并发前沿循环 MoE 工作独立追求的循环压缩方向，我们项目（尚未）测量）到前沿尺度。它还安装了来自两个词元监督的元认知（200 个保留的 KO 提示/类型，kappa>0.82，+/-6.9pp）：自我纠正 12->47% 和越狱 23->4%，1.2B 上的丢失保留率为 97.6%，预先注册的 1B->13.7B 消融将操作数绑定限制本地化为容量（1B）查找与 13.7B H-PRESERVE）；它专门使用 1.8B 模型来报告 Cyber​​Metric 上的人类专家水平（75.0% vs 30 名专家的平均水平 72.24%）。发布的 1.8B 分词器的韩语效率比 Gemma-4 高 9.2%；从头开始 12B 添加了一个主权韩语分词器（词汇 131,037）。在政府运营的 K-AI Korean-LLM 排行榜上，发布的 1.8B 领先于 HLE(Ko) 列（0.123 vs 0.077；总体 51/78）。在前沿，我们在一个 120GB 加速器（83GB 测量峰值）上微调并提供改编的 122B 模型。出处因成员而异，我们会准确说明；架构和配方自始至终都是我们的，每项声明都必须与已发布的策划测量结果绑定。