用途
ARC-Neuron-LLMBuilder 是一个受治理的本地 AI 构建与记忆系统，核心目标是为小型语言模型的训练与改进提供一套可审计、可回滚、证据驱动的生命周期管理。它不只是一个训练仓库，而是一个证据保留的构建循环，用于开发更好的本地 AI 系统。该系统将语言模型视为受治理生命周期中的一个工件：你训练一个候选模型，测量它，与当前生产模型比较，只有在没有在受保护能力上出现回归的情况下才提升它。每个决策都留下凭证，每个候选模型都可恢复，每个归档都通过索引二进制账本关联回源真相。
主要能力
- 训练小型模型：内置可工作的 Transformer 家族（ARC-Neuron Tiny 和 Small），以及基于检索的示例适配器、规范对话管道、草稿→批评→修订反思流程、从对话中自动吸收术语。
- 基准测试与评分：提供 168 个任务的评分器扩展基准清单，覆盖推理、规划、批评、修复、连续性、反思、指令遵循、校准、压缩、域外行为、复述稳定性、量化保留、归档/运行时/状态证据、确定性合规、记忆连续性等维度。
- 门控提升：使用 Gate v2 回归感知门控，只有在候选模型确实改进且不会在受保护能力上回归时才提升为生产模型。
- 证据与归档：所有决策都生成基准凭证，保留可回滚谱系，归档包含 SHA-256 哈希和索引二进制账本。
- 独立审计与验证：提供 136 项公开验证测试套件、9 步证明工作流，以及独立审计报告（v10 审计修正了 4 个结构性缺陷，经过 4 次受治理提升，分数从 0.6836 提升至 0.9237，增幅 35.1%）。
- 实时部署与持续学习：ARC GitHub AI Operator 通过 Cloudflare Workers AI 每日处理代码审查问题，将每次生产审查作为监督训练示例写入仓库种子示例模式，夜间工作流摄取这些工件并去重、提升人工修正记录的置信度。
- 便携记忆层：Omnibinary Runtime 与 Arc-RAR 提供设备可移植的通信、重放、恢复和源脊柱连续性。
- 视觉/视频记忆插件：ARC-StreamMemory 是正在积极构建的视觉/视频记忆插件，为 ARC 风格系统和其他 LLM 栈提供视觉记忆能力。
使用方式
项目提供一键操作命令，具体安装与运行步骤需参考仓库中的文档。操作包括训练候选模型、运行基准测试、通过 Gate v2 门控、归档证据和回滚。实时部署需要配置 OPERATOR_READ_TOKEN 秘密（具有 GareBear99/gh-ai-operator 的 Actions: Read 权限的 PAT）。当前可复现的生产模型为 arc_governed_v10_wave4，在审计后的 v10 基准上得分为 0.9237。v11.3 / wave5 仅作为候选/暂存状态，直到提升证据通过 Gate v2 干净复现。
适用场景
适用于希望在不依赖 GPU 服务器、仅云 API 或不可验证黑盒工作流的情况下改进模型的研究者、开发者和团队。特别适合本地优先的 AI 治理、候选评估、模型溯源、评分器演进和可回滚认知实验室工具等场景。该项目在 2012 年 Intel Mac 上完成构建、测试和验证，证明其可在老旧消费级硬件上运行。
限制
- 外部开源数据集仅为获取目标，尚未捆绑、摄取或提升到生产权重中。
- 当前知识权重由自整理 ARC 材料和 ARC Language Module 承担，Tiny/Small 模型权重是循环证明参考模型，不是完整大脑。
- 项目明确不是前沿模型的原始替代品（如 Gemma、Llama、Claude、GPT）。
- 公共比较必须基于同一锁定的评分器版本、基准清单、能力表面、适配器、提示配置和候选工件，否则旧分数与新分数不可直接比较。
- 部分功能（如 ARC-StreamMemory、Synth 路线图）仍在积极构建中，尚未完成。
- 赞助计划不保证 AGI、投资回报或定制软件交付，定制软件交付需要单独书面协议。
- 关于收费、价格等具体信息，资料中暂未提供。
