ODYSSEY（奧德賽）是一個基於範疇論（category theory）的框架，旨在透過組合稱為“鑄造廠”（foundries）的模組化元件，構建可驗證的、能夠保持區域性真值的基礎模型。每個鑄造廠定義了一組區域性上下文、區域性表示族、限制對映、膠合規則、阻塞策略、更新義務以及面向人類的檢視。從數學上看，鑄造廠就是一種有組織的知識層（sheaf of knowledge），並內嵌論證元件。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、研究專案鑄造廠、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的核心演算法，它利用範疇論中的左Kan擴充套件和右Kan擴充套件來形式化鑄造廠的構建過程。左Kan擴充套件負責將來自不同來源的區域性製品滾動為候選鑄造廠，而右Kan擴充套件則強制執行限制、膠合、阻塞和論證條件，確保候選鑄造廠滿足晉升要求。這一雙重擴充套件機制保證了鑄造廠之間的一致性和區域性真值的保持。
為了與現有AI模型整合，ODYSSEY提供了鑄造廠SQL（Foundry SQL, FSQL）——一種小型型別化查詢語言，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擴充套件變換器的拓撲整合）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內部因果宣告的一致性。
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援領域構建、製品重放、層診斷、基於Toulmin模型和區域性LLM的審查、殘餘阻塞分類賬以及跨異構源的最佳化TICKET相容因果宣告提取。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。