范式碾压，不是渐进改良

神经网络的幻觉来自概率采样：softmax 输出一个分布，从中"抽"一个结果，就有概率抽到错的。Nexus 从根本上不走这条路——推理过程中不存在概率采样这个环节，同输入永远同输出，不确定性从源头就被消除了。

关键区别：神经网络的"低幻觉率"是把错误概率往下压，比如从 15% 压到 2%。Nexus 的"零幻觉"不是压概率，是整个推理路径上就没有"猜"这个动作。这不是优化到极限的接近零，是从设计上就没有产生幻觉的机制。

AxonCog 底座的 HV 向量只有 1256 字节（10048 维双极向量，157 个 u64）。MCU 模式通过三级裁剪——模板缩减到 8 个、节点缩减到 8 个、动态记忆 4 条，总计约 27KB，在 32KB RAM 的 STM32F103 上还有 5KB 余量。

对比：TensorFlow Lite Micro 部署一个 MNIST 分类模型，量化后仍需约 100KB Flash + 20KB RAM，而且只是一个分类任务。AxonCog 这 27KB 里装的是完整的通用智能引擎——感知、记忆、决策、协同全都有。已在 STM32F4（168MHz/192KB RAM）和 RP2040（133MHz/264KB RAM）上完成编译和运行验证。

HV 代数运算本质是 XOR 和 majority 门操作，纯位运算。10048 维向量的相似度计算在 Cortex-M4 上实测约 180μs，在桌面 CPU 上约 12μs。没有矩阵乘法，没有 GPU 调度，没有网络往返。

从传感器读到 HV 编码到决策输出，整个链路在 MCU 上不超过 800μs。单次绑定（XOR）约 1-2μs @168MHz，单次叠加（逐字多数表决）约 60μs。这些都是硬件原生指令，不需要 FPU、SIMD 或 GPU 加速。

Nexus 的上下文处理方式跟神经网络完全不同——不依赖注意力机制，没有 O(n²) 的计算瓶颈。每条记忆的存储开销恒定，检索复杂度 O(1)，存十万条和存一条的开销一样。上下文长度从架构上就没有上限，不是窗口更大，是没有窗口这个概念。

神经网络那边：GPT-5.5 把上下文窗口撑到 1M tokens 已经是极限，而且越撑越贵，超出窗口的内容直接丢掉。Nexus 这边：对话记住全部历史，传感器数据从开机到当前完整保留，不存在"早期内容被截断"的问题。至于怎么做到的——这是 Nexus 的核心能力之一。

Nexus 本身就是本地引擎——通过 AXM 格式加载在设备本地运行，调用链路是「应用程序 → 本地 AXM 模块 → 应用程序」，全程零网络。断不断网对 Nexus 没有影响，因为它从来就不走网络。云端大模型断网就瘫痪，AxonCog 断网照常推理、照常学习、照常协同。

FallbackEngine 是另一个层面的设计：当设备上没有安装 Nexus 模块（比如成本敏感的 MCU 部署），底座的 7 大原生模块协同提供「身体本能」级别的智能。这不是「断网降级」，是「没有 Nexus 也有本能」——传感器数据照常处理，异常检测照常工作，技能传递照常进行。

Nexus 在运行过程中持续学习——遇到新信息即时吸收，融入已有知识体系，旧知识完全不受影响。单次学习约 60 微秒，不需要停机、不需要收集数据集、不需要重训。设备越用越聪明，而不是出厂即巅峰。

神经网络那边：训练完权重就冻了，学新东西必须全量重训，还会灾难性遗忘——学了新的忘了旧的。Nexus 这边：知识只增不减，工厂学到的故障模式、家庭学到的生活习惯、医院学到的病例特征，每个设备都进化出独特的专业能力，而且全在本地完成。