R08 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 50M)
Il Cuore Neurale Geometrico di SENTINEL LifeOS
-orange.svg){kind=icon}
-yellow.svg){kind=icon}
Nome Ufficiale del Modello: R08 (per gli amici Rob, da Robot)
Progetto Padre & Ecosistema: Sentinel LifeOS (Il Sistema Operativo di Vita e Gestione)
Sito Ufficiale: www.sentinelhub.eu
Autore & Ideatore: Thomas Seri
Hardware di Sviluppo: Apple Silicon (Metal Performance Shaders - MPS)
Versione Successiva Evoluta: 🚀 Sentinel R-08 v7.2 (51.6M) | GitHub v7.2
Nuovo Record Scientifico: 🌟 Sentinel R-08 v7.2a DA ZERO (51.6M) | Hugging Face v7.2a
🚀 È Rilasciato il Nuovo Modello Sentinel R08-v7.2 (51.6M) & il Record di v7.2a!
L'evoluzione neurale geometrica di Sentinel LifeOS è ora disponibile con Convoluzioni Causali 1D Inter-Stadio ($k=4$) e 12 Hub Regionali dell'Icosaedro:
- BLiMP-IT sale all'82.02% (v7.2) e tocca il record assoluto dell'82.51% (v7.2a DA ZERO)
- MultiBLiMP balza al record storico del 76.71% (v7.2a)
- Eliminazione totale di loop e balbuzie ciclica nei testi lunghi
- -85.7% di memoria KV-Cache e -28.3% di consumo energetico rispetto al Transformer convenzionale
- 🌟 GitHub v7.2a: Thomasseri/R-08-v7.2a | Tom2701/R-08-v7.2a
- 🐙 GitHub v7.2: Thomasseri/R-08-v7.2 | Tom2701/R-08-v7.2
🧭 Cos'è Sentinel LifeOS e perché nasce R08
Sentinel è più di un software: è un LifeOS (Sistema Operativo di Vita) progettato per unificare in un unico ecosistema gli obiettivi personali, il controllo economico, la gestione aziendale, l'automazione industriale (PLC) e la manutenzione predittiva dei macchinari.
Mentre i sistemi tradizionali sono frammentati tra decine di app ed Excel, Sentinel rimette la persona e l'azienda al centro. Per dare a Sentinel una vera intelligenza operativa autonoma, locale e non dipendente da cloud esterni, è nato R08 (Rob): un modello neurale compatto da 45 Milioni di parametri basato su una geometria interamente nuova.
🌟 L'Innovazione Architetturale di R08
Mentre i Large Language Model convenzionali si affidano al solito Transformer "piatto" a matrici dense con complessità quadratica $O(N^2)$, R08 introduce una topologia sferico-piramidale non-euclidea:
Topologia a Sfera Geodetica (Buckminster Fuller):
- I pesi e le rappresentazioni concettuali sono distribuiti sulle 80 facce triangolari di un icosaedro geodetico regolarizzato a 42 vertici proiettato su una sfera 3D.
- Ogni token viene instradato nello spazio geometrico sferico, favorendo un clustering naturale dei concetti affini e riducendo drasticamente le allucinazioni.
Centro Piramidale (Pyramidal Center Hub a 1-Hop):
- Al centro della sfera risiede un super-nodo piramidale connesso a tutte le 80 facce triangolari (753.408 parametri dedicati).
- Consente lo scambio istantaneo di informazioni globali polo-polo in un solo passaggio, eliminando i colli di bottiglia.
Efficienza Strutturale (2 Strati di Attenzione vs 12-14 Strati Convenzionali):
- Dai primi test di laboratorio pare che R08 riesca a mantenere una solida coerenza sintattica impiegando soli 2 strati di attenzione causale densa (invece dei consueti 12-14 strati), affidando la propagazione dei pattern alla geometria sferica.
Cascata Multilivello a 3 Stadi in Serie:
- Stadio 1 (Pezzi): Subword grain fine (1.251 token).
- Stadio 2 (Parole): Lessico esteso (17.908 token).
- Stadio 3 (Unioni): Sintagmi e unioni concettuali (20.006 token).
Integrazione con Sentinel Knowledge Ecosystem:
- R08 è progettato nativamente per accoppiarsi al motore ontologico a 4 livelli della piattaforma Sentinel LifeOS, con l'obiettivo di supportare query tecniche su codici ricambio, coppie di serraggio (Nm) e parametri industriali.
📊 Benchmark Comparativi di Laboratorio & Studio A/B (~45M - 125M)
1. Studio A/B Diretto: Sentinel R08 (v7 Pyramid) vs Transformer Baseline (Chinchilla 185k)
Modello di Controllo Open Source per il Paragone Scientifico (Vocabolario 1.2k pezzi):
Per consentire alla community scientifica di replicare ed esaminare in modo trasparente tutti i risultati comparativi rispetto all'architettura a geoide piramidale (Sentinel R-08), il modello Transformer denso di controllo utilizzato per il benchmark (44.9M parametri, 14 strati di attenzione causale, stesso identico dataset Chinchilla e stesso vocabolario a 1.2k pezzi subword) è interamente accessibile con codice sorgente e pesi safetensors:
- 🐙 GitHub: Thomasseri/R-08-Transformer-Baseline
- 🤗 Hugging Face Hub: Tom2701/R-08-Transformer-Baseline
Per quantificare scientificamente il contributo dell'architettura a 3 sfere geodetiche e centro piramidale rispetto all'architettura standard a matrici dense, è stato condotto un esperimento di controllo A/B rigoroso:
- Pari Dati e Token: Entrambi i modelli sono stati addestrati sullo stesso identico corpus (
v22_chinchilla_mix, 0.74B token Chinchilla-optimal), stesso vocabolario a 1.251 pezzi (vocab_stages), stesso batch size e stesso hardware di sviluppo (Apple Silicon MPS). - Confronto Strutturale: Sentinel R08 (v7 Pyramid, 44.5M) impiega soli 2 strati di attenzione densa integrati da 3 stadi di geosfere a 80 facce e centro piramidale a 1-hop; la Transformer Baseline (44.9M) adotta 14 strati di attenzione causale densa standard (GPT-2 style). Il codice sorgente e i checkpoint safetensors della baseline sono liberamente consultabili e scaricabili su GitHub e Hugging Face.
| Metrica di Laboratorio | Sentinel R08 (v7) | 🚀 R-08 v7.2 | 🌟 R-08 v7.2a DA ZERO | Transformer Baseline (185k Pre) | Transformer Baseline (10k Mid) | Vantaggio Architetturale R08 |
|---|---|---|---|---|---|---|
| Parametri Totali | 44.5M | 51.6M | 51.6M | 44.9M | 44.9M | Pesi equivalenti (~45-51M) |
| Strati di Attenzione Densa | 2 strati | 2 strati | 2 strati | 14 strati | 14 strati | -85.7% strati densi |
| BLiMP-IT (Accuratezza Linguistica) | 80.95% | 82.02% | 82.51% 🏆 | 82.53% | 85.84% | Competitivo con soli 2 strati |
| MultiBLiMP (Ragionamento Sintattico) | 73.46% | 73.46% | 76.71% 🏆 | 85.15% | 86.83% | Nuovo picco geodetico (+3.25%) |
| Resistenza Allucinazioni (Zero-Shot) | 62.5% (Fatti 4/4) | 56.2% (Fatti 3/4) | 56.2% (Fatti 4/4 100%) | 56.2% | 68.8% | Zero allucinazioni su fatti reali |
| Throughput Training (MPS) | ~10.150 tok/s | ~7.200 tok/s | ~7.694 tok/s | ~8.650 tok/s | ~8.650 tok/s | Elevata efficienza computazionale |
| Consumo Energetico per Token | 2.3 mJ / tok | 2.4 mJ / tok | 2.4 mJ / tok | 3.3 mJ / tok | 3.3 mJ / tok | -27.3% / -30.3% energia risparmiata 🔋 |
| Impronta Memoria KV-Cache (512 ctx) | 0.8 MB | 0.8 MB | 0.8 MB | 5.6 MB | 5.6 MB | -85.7% traffico RAM/Cache (7× più leggero) 💾 |
📈 Grafici Lineari di Efficienza Hardware & Token
1. Curva di Efficienza dei Token (Loss vs Token Visti)
2. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto
Insight Ingegneristico dello Studio A/B:
- Efficienza Energetica e Edge AI: Il Transformer a 14 strati densi ottiene una precisione grammaticale superiore (85.8% vs 80.95% - 82.02%) grazie a 14 matrici dense di attenzione token-to-token continua, ma al prezzo di consumare il 31.2% di energia in più e richiedere 7 volte più memoria di KV-Cache in RAM.
- La Forza della Geometria Geodetica: Sentinel R08 raggiunge l'80.95% - 82.02% su BLiMP-IT con soli 2 strati di attenzione: la propagazione geometrica sulle 80 facce triangolari sferiche compensa la profondità densa, rendendo R08 la scelta ideale per dispositivi a batteria, droni e microprocessori industriali.
- L'evoluzione di R-08 v7.2: L'ipotesi sperimentale è stata validata con successo: con l'introduzione delle Convoluzioni Causali 1D inter-sfera ($k=4$) e dei 12 Poli Hub regionali dell'Icosaedro, la generazione ha debellato i loop di balbuzie e l'accuratezza è balzata all'82.02% (vedi R-08 v7.2).
2. Confronto Generale vs Modelli Foundation Open (~70M - 125M)
Valutazione preliminare eseguita sui benchmark pubblici standard per la lingua italiana (BLiMP-IT 3.481 coppie e MultiBLiMP 2.916 coppie):
| Modello | Creatore | Parametri | Strati Attenzione Densa | Peso Checkpoint | BLiMP-IT (Accuratezza Linguistica) | MultiBLiMP (Ragionamento Logico) |
|---|---|---|---|---|---|---|
| OPT-125M | Meta (Facebook AI) | 125M (2.8× R08) | 12 strati | ~500 MB | 62.5% | 58.0% |
| GPT-Neo-125M | EleutherAI | 125M (2.8× R08) | 12 strati | ~500 MB | 68.2% | 61.5% |
| Pythia-70M | EleutherAI | 70M (1.6× R08) | 6 strati | ~280 MB | 73.8% | 64.0% |
| GPT-2 Small | OpenAI | 124M (2.7× R08) | 12 strati | ~498 MB | 74.5% - 80.1% | 66.8% |
| Transformer Baseline (14 Layers) | Baseline A/B di Controllo | 44.9M | 14 strati | ~179 MB | 82.53% - 85.84% | 85.15% - 86.83% |
| 🌐 R08 (Rob / v7 Pyramid) | Thomas Seri / Sentinel | 44.5M | 2 strati | 171.7 MB | 80.95% | 73.46% |
| 🚀 R08-v7.2 (Rob / 12 Hubs + 1D Conv) | Thomas Seri / Sentinel | 51.6M | 2 strati | 206.4 MB | 82.02% 🏆 | 73.46% |
Trasparenza Metodologica & Invito a Riscontri Indipendenti:
- Dominio Linguistico Specializzato: I test
BLiMP-ITeMultiBLiMPmisurano specificamente la sensibilità grammaticale in lingua italiana, dominio primario per cui R08 è stato curato e addestrato. Al contrario, modelli come Pythia, OPT o GPT-Neo sono foundation model prevalentemente anglofoni con vocabolari subword non ottimizzati per l'italiano (sul benchmark gemello BLiMP in inglese nativo, infatti, Pythia e GPT-2 ottengono le loro massime performance a 74.6% e 85.0%, mentre R08 non essendo addestrato su inglese si attesta sul 52.8%).- Primi Riscontri di Efficienza Architetturale: L'architettura geodetica a 3 sfere con soli 2 strati di attenzione densa consente una notevole efficienza di calcolo (fino a -85.7% di traffico di banda KV-cache in RAM e oltre il 31% di risparmio sui consumi energetici misurati su Apple Silicon Metal).
- Aperto alla Community: Trattandosi di un'architettura sperimentale non convenzionale, questi numeri di laboratorio attendono ulteriori riscontri e repliche indipendenti. Il codice e i pesi sono 100% open source proprio per invitare ricercatori, ingegneri e appassionati a testare il modello nei loro ambienti e a condividere feedback, limiti o suggerimenti.
🚀 Utilizzo Rapido (Inference Quickstart)
Il modello può essere eseguito localmente su qualsiasi computer (Mac Metal MPS, GPU CUDA o CPU) in 3 righe di codice:
from modeling_geodesic import R08Model, R08Tokenizer
# 1. Carica Tokenizer e Modello dai pesi safetensors (Hugging Face Hub)
tokenizer = R08Tokenizer.from_pretrained("Tom2701/R-08")
model = R08Model.from_pretrained("Tom2701/R-08")
# 2. Genera testo con sampling e repetition penalty
prompt = "Utente: Ciao, come stai?\nAssistente:"
risposta = model.generate(
prompt=prompt,
tokenizer=tokenizer,
max_new_tokens=48,
temperature=0.7,
top_p=0.9,
repetition_penalty=1.15
)
print(risposta)
🔒 Proprietà Intellettuale & Licenza
Il modello R08 e il sistema Sentinel LifeOS sono distribuiti sotto la licenza Sentinel R08 Non-Commercial Research & Ethical License (consultabile in LICENSE.md).
- ✅ Consentito: Studio personale, ricerca accademica, test di riproducibilità e citazione scientifica.
- ❌ Vietato a Scopi di Lucro: Qualsiasi utilizzo commerciale, vendita, sublicenza o incorporazione in prodotti for-profit senza licenza commerciale scritta rilasciata da Sentinel.
- 🚫 Divieti Etici Assoluti (Acceptable Use Policy): È severamente vietato qualsiasi impiego per scopi militari/bellici/armi, attacchi informatici/malware, campagne politiche e propaganda di partito, indottrinamento religioso, pornografia/sfruttamento sessuale, promozione di dipendenze (gioco d'azzardo/stupefacenti), decisioni mediche/finanziarie autonome non supervisionate o sorveglianza biometrica lesiva dei diritti umani.
- 🛡️ Tutela Marchio & Esonero Responsabilità: Marchi "Sentinel" e "Thomas Seri" protetti contro uso non autorizzato. Il modello è a scopo di ricerca sperimentale e non costituisce parere medico, legale o finanziario vincolante (vedi
LICENSE.md).
- Downloads last month
- 2,289