GRAM的灵感来自于Kolmogorov-Arnold网络（KAN）的替代品，如TorchKAN和ChebyKAN。GRAM引入了一种KAN模型的简化版本，但利用了Gram多项式变换的简洁性。它与其他替代品的不同之处在于其独特的离散性特征。与其他在连续区间上定义的多项式不同，Gram多项式因其在一组离散点上定义而脱颖而出。GRAM的这种离散性为处理离散化数据集（如图像和文本数据）提供了一种新颖的方法。
测试结果
YOLOv8l summary: 388 layers, 91843560 parameters, 0 gradientsClass Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5all 230 1412 0.968 0.967 0.988 0.747c17 230 131 0.993 0.992 0.995 0.833c5 230 68 0.957 0.979 0.992 0.831helicopter 230 43 0.969 0.953 0.982 0.593c130 230 85 1 0.97 0.995 0.673f16 230 57 0.976 0.965 0.973 0.669b2 230 2 0.904 1 0.995 0.748other 230 86 0.978 0.942 0.975 0.554b52 230 70 0.983 0.971 0.979 0.828kc10 230 62 0.995 0.968 0.988 0.821command 230 40 0.985 1 0.995 0.835f15 230 123 0.93 0.965 0.991 0.69kc135 230 91 0.982 0.989 0.992 0.7a10 230 27 1 0.559 0.89 0.484b1 230 20 1 0.976 0.995 0.713aew 230 25 0.955 1 0.992 0.785f22 230 17 0.981 1 0.995 0.751p3 230 105 1 0.983 0.995 0.804p8 230 1 0.856 1 0.995 0.796f35 230 32 1 0.917 0.995 0.568f18 230 125 0.984 0.984 0.992 0.827v22 230 41 0.991 1 0.995 0.744su-27 230 31 0.991 1 0.995 0.868il-38 230 27 0.987 1 0.995 0.854tu-134 230 1 0.837 1 0.995 0.895su-33 230 2 1 1 0.995 0.659an-70 230 2 0.904 1 0.995 0.796tu-22 230 98 0.997 1 0.995 0.838
（Python）)
