🌀 G-SSM XOR 奇偶校验求解器（官方检查点）

本仓库包含专为 XOR 逻辑设计的测地状态空间模型（G-SSM） 的权重与配置。

🚀 亮点

架构：测地状态空间模型（G-SSM）。
参数：3,164（PyTorch 验证）。
内存扩展：显存占用为恒定 $O(1)$ ，与序列长度无关。
时间扩展：总体呈线性 $O(L)$ ，每令牌步为恒定 $O(1)$ 。
零样本逻辑：对长比特流（100 万+ 比特）实现无限泛化。

💻 技术使用（推理）

要在本地运行推理，需安装GFN 框架。

1. 安装 GFN 框架

pip install gfn

2. 克隆此仓库

git lfs install
git clone https://huggingface.co/DepthMuun/gfn-gssm-xor-parity
cd gfn-gssm-xor-parity

3. 运行推理脚本

使用附带的 inference.py 脚本进行交互式测试：

python inference.py

Python API 示例

如经过审核的 inference.py 所示，加载 G-SSM 模型的官方方法如下：

import torch
from gfn import gssm

# Load model (automatically handles config.json in the same dir)
model = gssm.load("xor_best_model.bin", device="cpu")
model.eval()

# Inference
bits = torch.randint(0, 2, (1, 1000000))
with torch.no_grad():
    logits, state, info = model(bits)
    # Geometrical decoding logic is detailed in inference.py

📜 引用说明

如果您使用了本研究成果，请引用：

@article{sturtz2026geometry,
  title={Geometric Flow Networks: A Physics-Informed Paradigm for Sequential Intelligence},
  author={Stürtz, Joaquín},
  journal={Zenodo Preprints},
  year={2026},
  doi={10.5281/zenodo.19141133},
  url={https://doi.org/10.5281/zenodo.19141133}
}

🔗 资源

交互式演示：Hugging Face Space
框架源代码：GitHub: DepthMuun/gfn
官方论文：Zenodo

🚀 亮点

架构：测地状态空间模型（G-SSM）。

参数：3,164（PyTorch 验证）。

内存扩展：显存占用为恒定

O(1)

，与序列长度无关。

时间扩展：总体呈线性

O(L)

，每令牌步为恒定

O(1)

。

零样本逻辑：对长比特流（100 万+ 比特）实现无限泛化。