零权重图语言引擎（MSE-GLM）
MSE-GLM是一种完全确定性的、基于CPU的语言模型，不使用任何学习到的权重或神经网络。它通过图遍历和显式规则进行推理，专为需要保证、可审计性和低资源消耗的受约束领域设计。训练只需单次O(N)遍历语料库，无需GPU。
MSE图语言模型（MSE-GLM）代表了一种背离传统语言模型范式的根本性转变。与依赖大规模神经网络和数十亿浮点权重的Transformer不同，MSE-GLM完全无权重运行，其操作完全基于有向图的确定性遍历。该模型经过专门设计，适用于语法约束生成、嵌入式AI以及需要完全可审计输出的合规敏感应用等场景。
其核心架构围绕三个矩阵构建：边矩阵（E）存储所有去重的相邻标记对；桥矩阵（B）通过记录三标记上下文（源-桥-目标）将上下文扩展到三元组级别；关系矩阵（R）将每个三元组与其出现的训练句子关联起来，从而启用谱系感知推理。一个额外的聚类机制（cluster_id）将可互换的标记分组，无需嵌入即可实现象征性的分布相似性。
训练过程是一场单次O(N)的语料库遍历——没有反向传播，没有梯度，也不需要GPU。生成的模型持久化为一组紧凑的JSON文件，可在任何安装了Python的机器上加载和查询。推理通过一个四阶段管线进行：精确桥匹配、桥投票、二元组投票，最后是终止。通过关系矩阵的谱系窄化确保生成路径与训练序列保持一致，从而消除幻觉。
为了确保零幻觉的承诺，例如“the dog sat on the carpet”这样的常见短语不会因为共享三元组而错误地继承多个来源的谱系。自动测试覆盖了这种回归情况。每个生成步骤都可以通过explain_step()方法完全追踪，该方法输出阶段、规则、候选集和活跃谱系——使模型完全可审计。
MSE-GLM并非旨在与Transformer在开放域生成方面竞争。相反，它针对以下场景进行了优化：确定性、可解释性和资源效率至关重要。用例包括SQL或JSON等语法约束输出、作为架构在Transformer输出之上的结构性护栏、在树莓派等设备上的边缘AI部署，以及要求人工检查每个输出决策的合规系统。该模型的开发分为多个阶段：第一阶段建立了核心架构，第二阶段添加了关系矩阵以实现谱系感知平局打破，第三阶段引入了双轴聚类。该项目已全面测试，所有56个测试均通过。