SentinelHub/R-08

R08 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 50M)

Il Cuore Neurale Geometrico di SENTINEL LifeOS

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 (Sentinel) Organizzazione: SentinelHub Hardware di Sviluppo: Apple Silicon (Metal Performance Shaders - MPS) Versione Successiva Evoluta: 🚀 Sentinel R-08 v7.2 (51.6M) | GitHub v7.2 Nuovo modello: 🌟 Sentinel R-08 v7.2a DA ZERO (51.6M) | Hugging Face v7.2a

🚀 È Rilasciato il Nuovo Modello Sentinel R08-v7.2 (51.6M) & v7.2a DA ZERO

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: 82.02% (v7.2) e 82.51% (v7.2a DA ZERO), il migliore tra gli R-08 (Transformer di controllo a 14 strati: 85.84%)
• MultiBLiMP: 76.71% (v7.2a) (Transformer di controllo: 86.83%)
• Eliminazione totale di loop e balbuzie ciclica nei testi lunghi
• -85.7% di memoria KV-Cache rispetto al Transformer di controllo (2 strati di attenzione contro 14)
• 🌟 GitHub v7.2a: Thomasseri/R-08-v7.2a | SentinelHub/R-08-v7.2a
• 🐙 GitHub v7.2: Thomasseri/R-08-v7.2 | SentinelHub/R-08-v7.2

---

⚠️ Correzioni e Aggiornamento Tecnico (7 novembre 2026)

Abbiamo ricontrollato il codice pubblicato e le misure hardware su Apple M1 Max (float32, benchmark A6 con lettura energetica PMU isolata). Qui sotto gli errori corretti, i dati dichiarati in precedenza e quelli misurati ora:

#	Voce	Prima (dichiarato / codice precedente)	Ora (misurato / corretto)	Stato
1	Avvio moduli Python (modeling_geodesic.py, geodesic_stages*_model.py, modeling_transformer.py)	Pronti all'uso	SyntaxError all'import perché from __future__ import annotations si trovava dopo l'intestazione di licenza	Corretto in questo aggiornamento (spostata la riga di import in cima al file; licenza invariata)
2	Caricamento model.safetensors con Faccia di Veglia (watchman.*)	load_state_dict(strict=True) e rotazione finale non accoppiata	Falliva per 8 buffer deterministici watchman.* non inclusi nel file .safetensors, e inject_geodesic_nonlinear_entanglement non applicava la pre-rotazione ortogonale q_0^T abbinata a q_lic	Corretto in modeling_geodesic.py e watchman_keystone_r08.py; corretto anche l'URL di fallback verso SentinelHub/R-08-v7.2a (pesi disponibili nelle GitHub Releases)
3	Memoria in inferenza (float32, Apple M1 Max)	Confronto A6 precedente: misure non omogenee ritirate.	Confronto A6 aggiornato (modelli pubblici) — Memoria GPU MPS di picco: 261,4 MB (Transformer, 58,9M param), 375,8 MB (R-08 3 sfere, 57,1M param). RAM processo (RSS) dopo caricamento mmap=True: 401–461 MB	Aggiornato: il dato storico resta visibile ma barrato; il confronto corrente include solo modelli pubblicati
4	Velocità ed energia per token generato (decodifica continua 64→192 token su M1 Max float32)	Confronto A6 precedente: misure non omogenee ritirate.	Confronto A6 aggiornato (modelli pubblici) — Velocità: 19,2 ± 1,5 tok/s (R-08 3 sfere), 83,2 ± 1,1 tok/s (Transformer). Energia netta: 342 ± 50 mJ/tok (Transformer), 521 ± 85 mJ/tok (R-08 3 sfere, potenza istantanea +9,8 W)	Aggiornato: il dato storico resta visibile ma barrato; il confronto corrente include solo modelli pubblicati

---

💼 Investment, Compute Grants & Enterprise Licensing (Investimenti & Partnership Industriali)

🇬🇧 Sentinel is scaling the Geodesic Pyramidal Sphere Architecture (R-08) from 50M to 110M–1B+ parameters, with a patent application filed at the Italian Patent and Trademark Office (UIBM).
Open to Seed / Deep-Tech Investment, GPU/TPU Compute Grants, and Enterprise R&D Partnerships.
🇮🇹 Aperto a Investimenti Seed / Deep-Tech, Grant Computazionali GPU/TPU e Licenze Industriali Enterprise.
📩 Contact Founder & Inventor Thomas Seri: 🌐 www.sentinelhub.eu | 🐙 GitHub (@Thomasseri) | 🤗 Hugging Face (@SentinelHub) | 💬 Open an Inquiry / Issue

🧭 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:

1. 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.

2. 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.

3. 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.

4. 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).

5. 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) — archivio

Archivio. La tabella seguente conserva i numeri pubblicati in precedenza, ma combina budget e protocolli diversi; perciò non costituisce un A/B rigoroso e non va usata per dedurre velocità, RAM reale, energia o causalità architetturale. I valori sono mantenuti barrati per tracciabilità.

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: SentinelHub/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%	confronto non omogeneo
MultiBLiMP (Ragionamento Sintattico)	73,46%	73,46%	76,71%	85,15%	86,83%	confronto non omogeneo
Resistenza Allucinazioni (Zero-Shot)	62,5%	56,2%	56,2%	56,2%	68,8%	n=16: non conclusivo
Throughput Training (MPS)	circa 10.150 tok/s	circa 7.200 tok/s	circa 7.694 tok/s	circa 8.650 tok/s	circa 8.650 tok/s	ritirato: setup non omogeneo
Impronta Memoria KV-Cache (512 ctx)	0,8 MB	0,8 MB	0,8 MB	5,6 MB	5,6 MB	stima strutturale, non RAM/energia misurata

Confronto aggiornato e verificato (post-midtraining, 10k step)

Stesso set di valutazione per tutte le colonne: BLiMP-IT n=3.481, MultiBLiMP n=2.916 e 16 prompt zero-shot. I punteggi descrivono qualità linguistica; non dimostrano un vantaggio causale dell'architettura. Il throughput è riportato come n.d. finché non sarà rimisurato con protocollo identico.

Metrica	R-08 v7	R-08 v7.2	R-08 v7.2a	Transformer baseline
Parametri	44,6M	51,6M	51,6M	44,906M
Strati di attenzione densa	2	2	2	14
Vocabolario	1.251	1.251	1.251	1.251
BLiMP-IT	80,95%	82,02%	82,51%	85,84%
MultiBLiMP	73,46%	73,46%	76,71%	86,83%
Zero-shot (16 prompt)	10/16	9/16	9/16	11/16
Throughput training	n.d.	n.d.	n.d.	n.d.
KV-cache a 512 token	~0,8 MB*	~0,8 MB*	~0,8 MB*	~5,6 MB*

* Stima strutturale della cache, non misura di RAM di picco, batteria o consumo energetico.

📈 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:

1. Compromesso qualità / memoria: Il Transformer a 14 strati densi ottiene una precisione grammaticale superiore (85.84% contro 80.95% – 82.51% su BLiMP-IT, 86.83% contro 73.46% – 76.71% su MultiBLiMP), ma richiede 7 volte più memoria di KV-Cache in RAM (5.6 MB contro 0.8 MB a 512 token).
2. Geometria Geodetica: Sentinel R08 raggiunge l'80.95% – 82.51% su BLiMP-IT con soli 2 strati di attenzione, a circa 3–5 punti dal Transformer a 14 strati: un compromesso interessante per dispositivi con poca memoria.
3. 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 con modelli esterni

Un confronto con modelli open esterni (Pythia-70M, GPT-2, OPT, GPT-Neo) sugli stessi benchmark italiani non è ancora stato eseguito con uno script riproducibile. Le versioni precedenti di questa pagina riportavano numeri per questi modelli che non erano verificati: sono stati rimossi il 6/11/2026 e verranno ripubblicati solo dopo una misura reale.

• 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("SentinelHub/R-08")
model = R08Model.from_pretrained("SentinelHub/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).

📋 Specifiche Tecniche Ufficiali & Architettura Hardware

Parametro Tecnico	Valore Certificato (Sentinel R-08 v7.0)
Architettura Neurale	Geodesic Pyramidal Mesh Network (3 Sfere Concentriche a 80 facce icosaedriche + Super-Nodo Piramidale Centrale, soli 2 strati di attenzione densa)
Parametri Totali in model.safetensors	44.936.996 tensori totali salvati (composti da 44.575.667 parametri neurali attivi + 361.329 buffer topologici e indici di adiacenza dell'icosaedro geodetico)
Runtime di Esecuzione	Motore Geometrico Nativo modeling_geodesic.py (trust_remote_code=True). Essendo una topologia sferico-piramidale non-Transformer, utilizza obbligatoriamente il proprio runtime nativo invece di wrapper nati solo per Transformer piatti.
Finestra di Contesto Operativa	256 – 512 token nativi (valutata fino a 2.048 token in inferenza con soli 0,8 MB – 3,2 MB di KV-Cache).
Benchmark	80,95% su BLiMP-IT (3.481 coppie) e 73,46% su MultiBLiMP Italiano (2.916 coppie). TruthfulQA ridotto: 62,5% (10/16 domande, campione troppo piccolo per confronti). Footprint RAM ~120 MB.
Lingua & Licenza	Italiano (it) · R08 Non-Commercial Research & Ethical License v2.0 (Foro Esclusivo di Milano)