Eldric pubblica ingegneria, ma l'architettura poggia sulla ricerca. xLSTM dal laboratorio di Sepp Hochreiter. Il modulo sperimentale NOVA per agenti che si auto-migliorano. Matrix memory ispirata a mLSTM. Consolidamento della memoria a cicli di sonno nel motore dei sogni. Distillazione da grandi transformer in piccoli modelli mirati. Ogni pezzo è ispirato al cervello in software — e ogni pezzo è un passo verso l'esecuzione sui chip neuromorfici che Intel e IBM hanno messo in produzione quest'anno.
L'era della "forza bruta" dell'IA si scontra con i propri limiti. La potenza dei datacenter è il nuovo collo di bottiglia. Intel Loihi 3 (4 nm, 8 milioni di neuroni, 64 miliardi di sinapsi, 1,2 W) è stato spedito a inizio 2026. IBM NorthPole è entrato in produzione su workload aziendali ad alto contenuto visivo con un'efficienza energetica circa 25 volte superiore a un H100. L'era neuromorfica è qui nell'hardware; il software deve mettersi al passo.
Eldric è stato progettato su principi ispirati al cervello molto prima che quell'hardware fosse disponibile. La matrix memory utilizza aggiornamenti a prodotto esterno in stile hebbiano — la stessa operazione con cui le sinapsi biologiche si rafforzano. Il motore dei sogni consolida la memoria su cadenze di sonno, riflettendo come la memoria episodica umana si consolida durante la notte. NOVA suddivide la memoria in episodica, semantica e procedurale — la tassonomia delle neuroscienze cognitive. xLSTM porta avanti la linea LSTM che ha plasmato la comprensione di sequenze per trent'anni.
Oggi tutto questo gira su GPU standard — le stesse schede RTX che la vostra infrastruttura esistente possiede. Domani punta a Loihi 3, NorthPole, e a qualunque cosa verrà dopo. Stesso Eldric, stessi workload, potenza drasticamente inferiore. Stiamo preparando il runtime per quel passaggio adesso.
Per essere chiari: Eldric oggi non esegue una rete neurale a impulsi su un chip Loihi. Non c'è un percorso di esecuzione SNN nel codice. Non rivendichiamo un supporto hardware neuromorfico che non esiste. Ciò che rivendichiamo è:
8884) per un futuro daemon eldric-xlstmd, con l'opzione di aggiungere un fratello eldric-spikingd per un backend SNN / Loihi quando la domanda dei clienti e la disponibilità hardware si allineeranno.Sepp Hochreiter ha co-inventato LSTM nel 1997. Nel 2024 il suo laboratorio alla JKU Linz ha pubblicato xLSTM (arXiv:2405.04517) — un'estensione di LSTM che supera le finestre di contesto dei transformer su diversi benchmark, con complessità di memoria e tempo lineare nella lunghezza della sequenza.
Eldric integra il runtime xLSTM: supporto della pipeline di addestramento, inferenza nativa tramite eldric-inferenced e un daemon dedicato pianificato (eldric-xlstmd) per i workload di policy / forecast / encode / retrieve in cui xLSTM domina. Siamo una piattaforma indipendente che esegue modelli xLSTM accanto a transformer, mixture-of-experts e tutto il resto. Quando citiamo un paper, citiamo la versione pubblica su arXiv.
L'ambito onesto: i checkpoint xLSTM pre-addestrati per la visione (pLSTM, l'estensione percettiva) sono ancora in distillazione. La pipeline di addestramento è pubblicata; i pesi pubblici non sono ancora definitivi. Pubblicheremo le date quando le conosceremo.
— Sulla domanda "Posso scaricare un xLSTM oggi?"NOVA è un modulo sperimentale opzionale che si appoggia sopra a Eldric. Implementa quattro componenti modulari, ciascuno una direzione di ricerca diversa:
NOVA è di livello ricerca. Lo pubblichiamo perché il lavoro matura più rapidamente quando il codice viene usato davvero che quando resta in un notebook. Se volete sperimentare con agenti guidati da obiettivi su infrastruttura privata, NOVA è il punto da cui partire.
Il data worker mantiene una memoria associativa gerarchica costruita da aggiornamenti a prodotto esterno: M = decay·M + importance·(v⊗k). Livelli Dominio → Progetto → Run. Il richiamo compresso e generalizzante sta accanto al vector store esatto. Il formato è .emm: header di 128 byte, blocchi da 64 KB, CRC32 per blocco, log write-ahead più checkpoint per la sicurezza dai crash. Ispirato alla regola di aggiornamento mLSTM; reso pronto per la produzione così che possa essere oggetto di backup, replica e verifica.
Il flusso di distillazione modello-a-EMM prende un corpus, chiede a un LLM di generare coppie domanda/risposta sul corpus, fa l'embedding di entrambi i lati e scrive la coppia come un'associazione a prodotto esterno nella matrix memory. Il risultato è una rappresentazione compatta e interrogabile del corpus che non richiede di rieseguire l'LLM per ogni query. Utile quando avete una grande base di conoscenza fissa e desiderate un richiamo veloce a una frazione del costo di inferenza.
Siamo a Vienna. Seguiamo il lavoro che esce dal laboratorio di Linz tramite i suoi paper e rilasci pubblici. Partecipiamo agli incontri di IA bavaresi / austriaci e ai forum di conformità EuroSPI / GDPR. Se siete ricercatori e desiderate usare Eldric per ospitare un modello in modo conforme alla legge europea sui dati senza rinunciare a capacità moderne, scrivete a office@eldric.ai — licenze accademiche e di ricerca sono disponibili a condizioni amichevoli.