We want one core, trained from scratch, to recognise relationships and reuse what it learns in unfamiliar situations. Programs, processes and simulated worlds can provide that experience.

A shared interface is not enough. The learned rules themselves must transfer.

An object’s state, its relationships, earlier events and the observer’s available information all matter. Two similar observations may conceal different causes.

Iskra’s internal model should retain what helps distinguish those situations, anticipate their changes and express uncertainty where the evidence is incomplete.

Record the information available before an action. Predict its consequences. Run it in a controlled environment and compare the result with that prediction.

Where a world can be copied, test alternative actions from the same starting point. The difference between predicted and observed outcomes provides the learning signal. A model’s own forecast never counts as confirmation.

The new core is being designed to learn and operate independently of large language models. Its training data, predictions and evaluation must not depend on an LLM’s answers or judgements.

We control the code, data and weights. Remote training supplies compute; it does not supply the model’s understanding.

We will measure whether Iskra predicts better than simpler methods, distinguishes the effects of different actions and uses earlier experience in a new environment. Failures and uncertainty belong in that assessment.

This is a research direction, not a claim of consciousness or a finished universal model. Broader capability must be demonstrated in new situations.

Chcemy jednego rdzenia uczonego od podstaw, który rozpoznaje zależności i wykorzystuje doświadczenie w nieznanych sytuacjach. Doświadczeń mogą mu dostarczać programy, procesy i symulowane światy.

Wspólny interfejs nie wystarczy. Przenosić muszą się same wyuczone reguły.

Liczą się stany elementów, ich relacje, wcześniejsze zdarzenia i informacje dostępne obserwatorowi. Dwie podobne obserwacje mogą skrywać różne przyczyny.

Wewnętrzny model Iskry ma zachowywać to, co pomaga rozróżniać takie sytuacje, przewidywać ich przemiany i określać niepewność tam, gdzie brakuje danych.

Zapisujemy informacje dostępne przed działaniem. Przewidujemy konsekwencje. Wykonujemy działanie w kontrolowanym środowisku i porównujemy wynik z prognozą.

Tam, gdzie można skopiować świat, sprawdzamy różne działania z tego samego początku. Różnica między przewidywanym a rzeczywistym skutkiem daje sygnał do uczenia. Własna prognoza modelu nigdy nie jest jej potwierdzeniem.

Projektujemy nowy rdzeń tak, żeby uczył się i działał niezależnie od dużych modeli językowych. Dane treningowe, prognozy i ocena nie mogą zależeć od odpowiedzi ani osądów LLM.

Kontrolujemy kod, dane i wagi. Zdalny trening dostarcza mocy obliczeniowej; rozumienie ma powstać przez uczenie.

Sprawdzimy, czy Iskra przewiduje trafniej niż prostsze metody, rozróżnia skutki alternatywnych działań i korzysta z wcześniejszego doświadczenia w nowym środowisku. Błędy i niepewność są częścią tej oceny.

To kierunek badawczy, a nie deklaracja świadomości ani gotowego uniwersalnego modelu. Szersze zdolności trzeba wykazać w nowych sytuacjach.

Wir wollen einen einzigen, von Grund auf trainierten Kern, der Zusammenhänge erkennt und das Gelernte in unbekannten Situationen wiederverwendet. Programme, Prozesse und simulierte Welten können diese Erfahrung liefern.

Eine gemeinsame Schnittstelle genügt nicht. Übertragen müssen sich die gelernten Regeln selbst.

Der Zustand eines Objekts, seine Beziehungen, frühere Ereignisse und die Informationen, die dem Beobachter zur Verfügung stehen — all das zählt. Zwei ähnliche Beobachtungen können unterschiedliche Ursachen verbergen.

Iskras inneres Modell soll bewahren, was hilft, solche Situationen zu unterscheiden, ihre Veränderungen vorherzusehen und Unsicherheit auszudrücken, wo die Belege unvollständig sind.

Die vor einer Handlung verfügbaren Informationen festhalten. Ihre Folgen vorhersagen. Sie in einer kontrollierten Umgebung ausführen und das Ergebnis mit der Vorhersage vergleichen.

Wo sich eine Welt kopieren lässt, alternative Handlungen vom selben Ausgangspunkt aus testen. Der Unterschied zwischen vorhergesagtem und beobachtetem Ergebnis liefert das Lernsignal. Die eigene Prognose eines Modells gilt nie als Bestätigung.

Der neue Kern wird so entworfen, dass er unabhängig von großen Sprachmodellen lernt und arbeitet. Seine Trainingsdaten, Vorhersagen und seine Bewertung dürfen nicht von den Antworten oder Urteilen eines LLM abhängen.

Wir kontrollieren Code, Daten und Gewichte. Externes Training liefert Rechenleistung; das Verständnis des Modells liefert es nicht.

Wir werden messen, ob Iskra besser vorhersagt als einfachere Methoden, die Wirkungen verschiedener Handlungen unterscheidet und frühere Erfahrung in einer neuen Umgebung nutzt. Fehlschläge und Unsicherheit gehören zu dieser Bewertung.

Dies ist eine Forschungsrichtung, keine Behauptung von Bewusstsein und kein fertiges universelles Modell. Breitere Fähigkeiten müssen in neuen Situationen nachgewiesen werden.

Nous voulons un seul noyau, entraîné à partir de zéro, capable de reconnaître des relations et de réutiliser ce qu’il apprend dans des situations inconnues. Des programmes, des processus et des mondes simulés peuvent apporter cette expérience.

Une interface commune ne suffit pas. Ce sont les règles apprises elles-mêmes qui doivent se transférer.

L’état d’un objet, ses relations, les événements passés et les informations dont dispose l’observateur comptent tous. Deux observations semblables peuvent cacher des causes différentes.

Le modèle interne d’Iskra doit conserver ce qui aide à distinguer ces situations, anticiper leurs évolutions et exprimer l’incertitude lorsque les éléments sont incomplets.

Consigner les informations disponibles avant une action. Prédire ses conséquences. L’exécuter dans un environnement contrôlé et comparer le résultat à cette prédiction.

Lorsqu’un monde peut être copié, tester d’autres actions à partir du même point de départ. L’écart entre le résultat prédit et le résultat observé fournit le signal d’apprentissage. La prévision d’un modèle ne vaut jamais confirmation.

Le nouveau noyau est conçu pour apprendre et fonctionner indépendamment des grands modèles de langage. Ses données d’entraînement, ses prédictions et son évaluation ne doivent pas dépendre des réponses ou des jugements d’un LLM.

Nous maîtrisons le code, les données et les poids. L’entraînement à distance fournit la puissance de calcul ; il ne fournit pas la compréhension du modèle.

Nous mesurerons si Iskra prédit mieux que des méthodes plus simples, distingue les effets de différentes actions et exploite une expérience antérieure dans un nouvel environnement. Les échecs et l’incertitude font partie de cette évaluation.

Il s’agit d’une direction de recherche, non d’une revendication de conscience ni d’un modèle universel achevé. Une capacité plus large devra être démontrée dans de nouvelles situations.