ATANT: Een Evaluatiekader voor AI-continuïteit

ATANT: An Evaluation Framework for AI Continuity

April 8, 2026

Auteurs: Samuel Sameer Tanguturi

cs.AI

Samenvatting

Wij presenteren ATANT (Automated Test for Acceptance of Narrative Truth), een open evaluatieraamwerk voor het meten van continuïteit in AI-systemen: het vermogen om zinvolle context in de tijd te behouden, bij te werken, te disambigueren en te reconstrueren. Hoewel de AI-industrie geheugencomponenten heeft ontwikkeld (RAG-pipelines, vectordatabases, lange contextvensters, profiellagen), bestaat er geen gepubliceerd raamwerk dat formeel definieert of meet of deze componenten daadwerkelijke continuïteit opleveren. Wij definiëren continuïteit als een systeemeigenschap met 7 vereiste kenmerken, introduceren een evaluatiemethodologie met 10 checkpoints die functioneert zonder een LLM in de evaluatielus, en presenteren een narratieve testcorpus van 250 verhalen bestaande uit 1.835 verifikatievragen binnen 6 levensdomeinen. Wij evalueren een referentie-implementatie over 5 iteraties van de testsuite, met een vooruitgang van 58% (verouderde architectuur) naar 100% in geïsoleerde modus (250 verhalen) en 100% in cumulatieve modus met 50 verhalen, waarbij 96% wordt behaald op cumulatieve schaal met 250 verhalen. Het cumulatieve resultaat is de primaire maatstaf: wanneer 250 verschillende levensverhalen naast elkaar bestaan in dezelfde database, moet het systeem het correcte feit voor de juiste context kunnen ophalen zonder kruisbesmetting. ATANT is systeemonafhankelijk, model-onafhankelijk en ontworpen als een gestructureerde methodologie voor het bouwen en valideren van continuïteitssystemen. De raamwerkspecificatie, voorbeeldverhalen en evaluatieprotocollen zijn beschikbaar op https://github.com/Kenotic-Labs/ATANT. De volledige corpus van 250 verhalen wordt stapsgewijs vrijgegeven.

English

We present ATANT (Automated Test for Acceptance of Narrative Truth), an open evaluation framework for measuring continuity in AI systems: the ability to persist, update, disambiguate, and reconstruct meaningful context across time. While the AI industry has produced memory components (RAG pipelines, vector databases, long context windows, profile layers), no published framework formally defines or measures whether these components produce genuine continuity. We define continuity as a system property with 7 required properties, introduce a 10-checkpoint evaluation methodology that operates without an LLM in the evaluation loop, and present a narrative test corpus of 250 stories comprising 1,835 verification questions across 6 life domains. We evaluate a reference implementation across 5 test suite iterations, progressing from 58% (legacy architecture) to 100% in isolated mode (250 stories) and 100% in 50-story cumulative mode, with 96% at 250-story cumulative scale. The cumulative result is the primary measure: when 250 distinct life narratives coexist in the same database, the system must retrieve the correct fact for the correct context without cross-contamination. ATANT is system-agnostic, model-independent, and designed as a sequenced methodology for building and validating continuity systems. The framework specification, example stories, and evaluation protocol are available at https://github.com/Kenotic-Labs/ATANT. The full 250-story corpus will be released incrementally.