What question did this study set out to answer?

This work aims to reconstruct the ANIMUS system to enhance the accuracy and integrity of its knowledge graph.

June 15, 20260 citationsOpen Access

ANIMUS v4.0: Reconstrucción Honesta de un Sistema de Conocimiento Autónomo — Migración de Motor, Auditoría de Memoria Fantasma e Ingeniería de Honestidad Epistémica en GPU de Consumo

Key Points

This work aims to reconstruct the ANIMUS system to enhance the accuracy and integrity of its knowledge graph.
Conducted a thorough audit of the knowledge graph, reducing duplicate nodes from 1,892 to 911 unique verified nodes.
Migrated the inference engine from various systems to Gemma 4 E2B on consumer-grade GPU, achieving a performance improvement of 4x.
Implemented a four-layer architecture for epistemic honesty to prevent the inclusion of confabulated or truncated content.
Successfully reduced the number of nodes in the knowledge graph by identifying and removing duplicates.
Achieved a processing speed of 76.83 tokens/second on RTX 3050, significantly enhancing inference performance.
Found that the new engine confabulates at an expert level, presenting potential risks of misinformation.

Abstract

ANIMUS (Autonomous Network for Intelligence, Memory, and Understanding Systems) es una arquitectura de conocimiento autónomo que construye y mantiene un grafo de memoria episódica mediante operación continua sin supervisión humana. Esta versión (v4. 0) constituye una reconstrucción honesta del sistema: documenta y corrige afirmaciones incorrectas de versiones anteriores, reporta los hallazgos de una auditoría que reveló que el 52% de los nodos del grafo eran duplicados no detectados, y presenta una migración completa del motor de inferencia a Gemma 4 E2B en GPU de consumo. Las contribuciones centrales de v4. 0 son: (1) una auditoría del grafo que redujo 1, 892 nodos reportados a 911 nodos únicos verificados, con metodología y scripts reproducibles documentados; (2) una migración de motor desde Llama 3. 2 3B ajustado finamente (3. 5 tok/s, solo CPU) pasando por BitNet b1. 58-2B (19 tok/s, solo CPU) hasta Gemma 4 E2B UD-Q4KXL en RTX 3050 (76. 83 tok/s, mejora de 4×) ; y (3) una arquitectura de honestidad epistémica de cuatro capas — template manual sin canal de razonamiento, contrato de marcadores estructurales, extracción con rfind (), y guardia de validación — que hace estructuralmente imposible que contenido confabulado o truncado ingrese al grafo. El sistema incluye un Ciclo de Valor que genera hipótesis de oportunidades de negocio cada 25 ciclos autónomos, con siete propuestas documentadas que evolucionan desde genéricas hasta específicas al dominio del autor (validación de mensajería ISO 8583 en sistemas financieros). Se documentan cuatro sondas de calibración conductual que caracterizan el envelope de comportamiento del modelo, incluyendo el hallazgo de que Gemma 4 E2B confabula con fluidez de experto — más peligroso que la alucinación obvia de modelos anteriores. Implementado en Rust con fetcher Python. Operación verificada en Dell Precision 7610, i7-11800H, RTX 3050 4GB, Windows 11. Desarrollado de manera independiente en Santo Domingo, República Dominicana, junio 2026. Sustituye a v3. 0 (DOI: 10. 5281/zenodo. 18932137).

Ask AI

Helpful

Bookmark

View Full Paper