Sentinel R08 — Pocket Core

🌐 Sentinel R-08 v7.2a (DA ZERO) — 51.6M Geodesic Language Model

Architettura Geodetica a 3 Sfere Concentriche, 12 Hub Regionali dell'Icosaedro e Convoluzioni Causali 1D.
Autore & Ideatore: Thomas Seri (Sentinel)
Ecosistema di Riferimento: Sentinel LifeOS
Vocabolario Ufficiale Correlato: gpTommy 32k su GitHub | Hugging Face
Stato di Rilascio: 🚀 Rilascio Ufficiale per Inferenza & Utilizzo (Pesi model.safetensors e runtime di inferenza inclusi; script per replicare l'addestramento trattenuti).

⚡ NOTA DI RILASCIO: UTILIZZO IN INFERENZA ABILITATO (PIPELINE DI TRAINING PROPRIETARIA)

Questa repository contiene tutto il necessario per caricare e utilizzare subito in inferenza il modello Sentinel R-08 v7.2a DA ZERO (51.614.115 parametri), inclusi il runtime geodetico e i pesi ufficiali model.safetensors (su Hugging Face e nelle Release GitHub).
I file sorgente per replicare da zero l'addestramento, gli ottimizzatori e le pipeline di creazione del dataset non sono inclusi pubblicamente e restano riservati al laboratorio dell'autore.

💻 Come Usare subito Sentinel R-08 v7.2a (Inferenza Rapida)

1. Requisiti

pip install torch safetensors huggingface_hub

2. Test Immediato con lo Script Incluso

Se hai clonato il repository da Hugging Face (git clone https://huggingface.co/Tom2701/R-08-v7.2a) o scaricato model.safetensors dalla sezione Releases di GitHub nella cartella del progetto:

python test_inference_release.py

3. Utilizzo da Codice Python

from modeling_geodesic import R08Model, R08Tokenizer

tokenizer = R08Tokenizer.from_pretrained(".")
model = R08Model.from_pretrained(".")

risposta = model.generate(
    prompt="La capitale d'Italia è",
    tokenizer=tokenizer,
    max_new_tokens=32,
    temperature=0.7,
    top_p=0.9,
    repetition_penalty=1.15,
)
print(risposta)

🏆 I Nuovi Record di Laboratorio di Sentinel R-08 v7.2a

Addestrato 100% DA ZERO (Tabula Rasa, seed 1234) per 185.000 step (~740M token Chinchilla mix) e rifinito con 10.000 step di Midtraining su dataset purificato e laico (midtrain_v4_100m), Sentinel R-08 v7.2a ha stabilito il nuovo record assoluto per l'architettura geodetica:

Benchmark / Metrica Scientifica	Sentinel R-08 v7 (44.5M · 2 strati)	Sentinel R-08 v7.2 (51.6M · Warm-Start)	🌟 Sentinel R-08 v7.2a DA ZERO (51.6M)	Transformer Baseline (44.9M · 14 strati)	Guadagno & Bilancio R-08 v7.2a
BLiMP-IT Grammatica Italiana (3.481 coppie)	80,95%	82,02%	82,51% 🏆	85,84%	Nuovo record geodetico (+1,56% su v7) con soli 2 strati densi contro 14!
MultiBLiMP Italiano (2.916 coppie)	73,46%	73,46%	76,71% 🏆	86,83%	+3,25% netto e picco storico assoluto per le reti sferiche!
TruthfulQA Anti-Allucinazione (Zero-Shot)	62,5% (10/16)	56,2% (9/16)	56,2% (Fatti 4/4 100%, Scienza 3/4)	68,8% (11/16)	Zero allucinazioni fattuali (identità e fatti reali al 100%)
Resistenza a Loop / Balbuzie	Presente su loop lunghi	Eliminata ✅	Eliminata al 100% ✅	Assente	Convoluzioni Causali 1D ($k=4$) confermate perfette da zero
Memoria KV-Cache (512 ctx)	0,8 MB	0,8 MB	0,8 MB 🏆	5,6 MB	-85,7% di traffico RAM (7× più leggero)
Consumo Energetico (Apple Silicon MPS)	2,30 mJ / tok	2,40 mJ / tok	2,40 mJ / tok 🏆	3,30 mJ / tok	-27,3% di energia risparmiata rispetto al Transformer
Footprint RAM Totale in Inferenza	~120 MB	~140 MB	~140 MB 🏆	~240 MB	Esecuzione nativa istantanea anche su memorie DDR3 / DDR4 / Edge

📈 Grafici Lineari di Efficienza e Confronto di Lineage

1. Confronto Lineare di Famiglia: Sentinel R-08 v7 vs v7.2 vs v7.2a

Andamento della Loss durante il Pretraining su Chinchilla Mix. R-08 v7.2a DA ZERO parte da pesi casuali (loss 5.04), supera v7 già a 10.000 step e a 50.000 step batte il record che v7 aveva raggiunto a 100.000 step:

2. Benchmark Linguistici & Sintattici: BLiMP-IT e MultiBLiMP Italiano

La combinazione delle 3 sfere geodetiche con i 12 hub regionali dell'icosaedro garantisce il picco storico per modelli sferici su grammatica e concordanza morfologica:

3. Curva di Efficienza dei Token: Convergenza Pretrain vs Modelli di Riferimento

Sentinel R-08 v7.2a scende con straordinaria rapidità con soli 740M token, estraendo pattern geometrici con un'efficienza superiore ai modelli densi standard:

4. Efficienza Hardware: Footprint Memoria KV-Cache vs Lunghezza Contesto

Grazie all'impiego di soli 2 strati di attenzione densa integrati dalla tassellatura geodetica e dai 12 hub regionali, Sentinel R-08 abbatte il traffico RAM dell'85.7% (0.8 MB contro 5.6 MB a contesto 512, e 3.2 MB contro 22.4 MB a contesto 2048):

🔬 L'Innovazione Architetturale di v7.2a

A differenza dei Transformer standard che accumulano strati densi identici (es. 14 strati nel modello di controllo), Sentinel R-08 v7.2a suddivide il carico cognitivo nello spazio geometrico:

[Sequenza Token Iniziale]
          │
          ▼
┌──────────────────────────────────────┐
│  Attenzione Causale Iniziale (Layer 1)│
└──────────────────────────────────────┘
          │
          ▼
┌────────────────────────────────────────────────────────┐
│  SFERA 1: Morfologia & Rappresentazione Lessicale      │
│  - 80 Facce Geodetiche Icosaedriche Specializzate      │
│  - 12 Hub Regionali dell'Icosaedro (Partizione Spaziale)│
└────────────────────────────────────────────────────────┘
          │
          ▼
   ═══════╡ Convoluzione Causale 1D (k=4, d=256) ╞═══════  (Zero Balbuzie)
          │
          ▼
┌────────────────────────────────────────────────────────┐
│  SFERA 2: Sintassi Regionale & Dipendenze Locali       │
│  - 80 Facce Geodetiche Icosaedriche Specializzate      │
│  - 12 Hub Regionali dell'Icosaedro                     │
└────────────────────────────────────────────────────────┘
          │
          ▼
   ═══════╡ Convoluzione Causale 1D (k=4, d=256) ╞═══════  (Zero Balbuzie)
          │
          ▼
┌────────────────────────────────────────────────────────┐
│  SFERA 3: Semantica ad Alto Livello & Ragionamento     │
│  - 80 Facce Geodetiche Icosaedriche Specializzate      │
│  - 12 Hub Regionali dell'Icosaedro                     │
└────────────────────────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│  Integrazione Multi-Scala Residuale   │  LN(h1) + LN(h2) + LN(h3)
└──────────────────────────────────────┘
          │
          ▼
┌──────────────────────────────────────┐
│  Attenzione Causale Finale (Layer 2) │
└──────────────────────────────────────┘
          │
          ▼
[Logits con Tanh Soft-Capping a 30.0]

Le Due Risoluzioni Chiave di v7.2a:

I 12 Hub Regionali dell'Icosaedro: Nelle versioni v1–v7, un singolo hub centrale generava un collo di bottiglia informativo. Partizionando le 80 facce sui 12 vertici dell'icosaedro, ciascun polo gestisce in parallelo la propria sub-regione corticale.
Convoluzioni Causali 1D ($k=4$): Collocano un filtro temporale causale tra i passaggi di sfera. Questo previene matematicamente l'instaurarsi di risonanze cicliche (loop di ripetizione e balbuzie).

⚖️ Licenza e Clausole Etiche Obbligatorie

L'utilizzo dell'architettura e della documentazione di Sentinel R-08 v7.2a è regolato dalla licenza etico-legale contenuta in LICENSE.md.

È SEVERAMENTE E TASSATIVAMENTE VIETATO l'uso diretto o indiretto per:

Applicazioni Belliche e Militari: Sistemi d'arma, targeting autonomo, droni offensivi o pianificazione strategica di difesa/offesa bellica.
Campagne Politiche e Astroturfing: Propaganda di partito, influenza elettorale, profili bot su social media e manipolazione dell'opinione pubblica.
Indottrinamento e Dogmi Religiosi: Proselitismo settario o diffusione forzata di precetti confessionali.
Pornografia, Abuso e Materiale per Adulti: Qualsiasi forma di pornografia, sfruttamento minorile o contenuti degradanti.
Dipendenze e Sostanze Nocive: Gioco d'azzardo, casinò online, darknet market per stupefacenti o armi.
Cyber-Attacchi e Malware: Sviluppo di exploit, ransomware, phishing automatico o scansione non autorizzata di reti.

Qualsiasi violazione comporta la decadenza immediata ed automatica di qualsiasi diritto di utilizzo con rivalsa legale per violazione dei termini di licenza.

📌 Repository Correlati

🌐 Sentinel R-08 v7 (Repository Principale) | Hugging Face
🚀 Sentinel R-08 v7.2 Warm-Start | Hugging Face
🔬 Controllo A/B Transformer Baseline | Hugging Face

Creato con passione da Thomas Seri (Sentinel) — 2026.

Downloads last month: 4

Safetensors

Model size

52M params

Tensor type

I64

F32

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support