ODYSSEY（奧德賽）是一個基於範疇論（category theory）的框架，旨在通過組合稱為“鑄造廠”（foundries）的模塊化組件，構建可驗證的、能夠保持局部真值的基礎模型。每個鑄造廠定義了一組局部上下文、局部表示族、限制映射、膠合規則、阻塞策略、更新義務以及面向人類的視圖。從數學上看，鑄造廠就是一種有組織的知識層（sheaf of knowledge），並內嵌論證組件。具體鑄造廠可以從通用鑄造廠派生，例如證據/論證鑄造廠、操作決策鑄造廠、機構/金融鑄造廠、市場意義鑄造廠、科學挑戰鑄造廠、研究項目鑄造廠、助手構建鑄造廠和評估測試鑄造廠等。這種設計允許對不同領域定製化的知識表示和推理規則。
通用鑄造廠學習（Universal Foundry Learning, UFL）是ODYSSEY的核心算法，它利用範疇論中的左Kan擴展和右Kan擴展來形式化鑄造廠的構建過程。左Kan擴展負責將來自不同來源的局部製品滾動為候選鑄造廠，而右Kan擴展則強制執行限制、膠合、阻塞和論證條件，確保候選鑄造廠滿足晉升要求。這一雙重擴展機制保證了鑄造廠之間的一致性和局部真值的保持。
為了與現有AI模型集成，ODYSSEY提供了鑄造廠SQL（Foundry SQL, FSQL）——一種小型類型化查詢語言，用於對維護中的鑄造廠製品進行切片和查詢。FSQL使用TICKET（基於因果Kan擴展變換器的拓撲整合）認證機制，將外部或預訓練模型安全地納入持久化的ODYSSEY狀態。TICKET認證確保了外部模型與ODYSSEY內部因果聲明的一致性。
ODYSSEY已在多種具體鑄造廠上實現並測試，覆蓋證據評估、操作決策、金融市場、科學挑戰等領域。實驗表明，同樣的範疇論機制能夠支持領域構建、製品重放、層診斷、基於Toulmin模型和局部LLM的審查、殘餘阻塞分類賬以及跨異構源的優化TICKET兼容因果聲明提取。該成果對於構建更可靠、可驗證的AI系統具有重要意義。
該論文的作者是Sridhar Mahadevan，共34頁，於2026年6月25日提交至arXiv。論文將在ICML 2026上以2.5小時教程的形式呈現，教程主頁已在arXiv上公佈。