Hugging Face's logo

SentinelHub
/
R-08-Transformer-Baseline

Text Generation
PyTorch
Italian
gpt2
transformer
baseline
benchmark
chinchilla
causal-lm
custom_code
Model card Files
xet
 Community

Sentinel R08 — Pocket Core

🤖 R-08 Transformer Baseline 45M (Dense GPT-2 Control Model)

Modello di Controllo per il Paragone con l'Architettura Geodetica Sentinel R-08:
Questo modello Transformer denso da 44.9M parametri e 14 strati di attenzione con vocabolario a 1.2k pezzi è stato addestrato da Thomas Seri appositamente come modello di controllo per confrontare in modo scientifico, a parità di token e vocabolario, le prestazioni con la famiglia Sentinel R-08:

Modello Dense Transformer di Controllo Diretto (~45M parametri, 14 strati di attenzione causale, Vocabolario 1.2k pezzi) addestrato per lo studio comparativo A/B di Sentinel R-08 e Sentinel R-08 v7.2.

  • 👤 Autore: Thomas Seri (Sentinel LifeOS)
  • 🏛️ Architettura: Transformer Decoder-Only standard (GPT-2 style), Pre-LayerNorm, Weight Tying
  • 📏 Dimensione Parametri: 44.905.984 parametri unici (~44.9M)
  • 🔤 Vocabolario: 1.251 pezzi subword (vocab_stages, 1.2k), identico a Sentinel R-08
  • 📚 Dataset di Pretraining: v22_chinchilla_mix (740M token, Chinchilla-optimal per ~45M parametri)
  • 🏋️ Addestramento: 185.000 step di Pretraining + 10.000 step di Midtraining
  • 🔗 Modello Target Comparato: Sentinel R-08 (v7 Pyramid 3-Spheres Mesh)

⚠️ 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

🎯 Obiettivo Scientifico dello Studio A/B

Per valutare in modo rigoroso, indipendente e scientificamente riproducibile le proprietà della nuova architettura neurale a 3 sfere geodetiche e centro piramidale (Sentinel R-08) rispetto alle reti transformer convenzionali, è stato progettato e addestrato questo modello di baseline:

  1. Parità di Dati e Token: Stesso dataset (v22_chinchilla_mix, 740M token), stesso vocabolario (1.251 pezzi subword), stesso contesto (256 token), stessa pipeline di caricamento e stesso hardware di sviluppo (Apple Silicon MPS).
  2. Parità di Parametri: 44.9M parametri densi vs 44.5M parametri geodetici.
  3. Differenza Architetturale Unica:
    • Transformer Baseline: 14 strati di attenzione densa continua token-to-token ($d_{\text{model}}=512$, 8 teste).
    • Sentinel R-08 (v7 Pyramid): Soli 2 strati di attenzione densa assistiti da 3 geosfere triangolari a 80 facce e centro piramidale a 1-hop.

📊 Benchmark Comparativi A/B (archivio)

La tabella seguente è mantenuta per trasparenza, ma è superata: mescolava checkpoint a 185k e 10k step, chiamava “A/B” condizioni non omogenee e trattava come misure di laboratorio throughput MPS e memoria KV che non erano misure complete e comparabili. I valori storici sono quindi barrati e non vanno usati per dichiarare un vincitore architetturale.

Metrica di Laboratorio Sentinel R08 (v7) R-08 v7.2 R-08 v7.2a Transformer (185k Pre) Transformer (10k Mid) Lettura storica ritirata
Parametri Totali 44.5M 51.6M 51.6M 44.9M 44.9M Pesi equivalenti
Strati di Attenzione Densa 2 2 2 14 14 −85.7% strati densi
Vocabolario Subword 1.251 1.251 1.251 1.251 1.251 Identico
BLiMP-IT 80.95% 82.02% 82.51% 82.53% 85.84% Vincitore R-08
MultiBLiMP 73.46% 73.46% 76.71% 85.15% 86.83% Base logica
Zero-shot 62.5% 56.2% 56.2% 56.2% 68.8% Nessuna allucinazione
Throughput training MPS 10,150 tok/s 7,200 tok/s 7,694 tok/s 8,650 tok/s 8,650 tok/s Efficienza computazionale
KV-cache a 512 token 0.8 MB 0.8 MB 0.8 MB 5.6 MB 5.6 MB −85.7% traffico RAM

📊 Confronto aggiornato — checkpoint documentati

Protocollo e limiti. I quattro checkpoint qui sotto usano il vocabolario da 1.251 pezzi e sono valutazioni post-midtrain a 10k step riportate nei rispettivi summary.json. BLiMP-IT conta 3.481 coppie e MultiBLiMP-ITA 2.916. Il confronto descrive questi checkpoint, non dimostra che una topologia sia la causa del risultato: le ricette e le storie di addestramento restano specifiche di ciascuna release.

Metrica verificata Sentinel R-08 v7 Sentinel R-08 v7.2 Sentinel R-08 v7.2a Transformer Baseline Lettura corretta
Parametri dichiarati 44.6M 51.6M 51.6M 44.906M Architetture di scala simile, non identiche
Strati di attenzione densa 2 2 2 14 Differenza strutturale, non una misura di qualità
Vocabolario 1.251 pezzi 1.251 pezzi 1.251 pezzi 1.251 pezzi Uguale vocabolario
BLiMP-IT (3.481 coppie) 80.95% 82.02% 82.51% 85.84% Il Transformer è avanti di 3.33 punti sul miglior R-08
MultiBLiMP-ITA (2.916 coppie) 73.46% 73.46% 76.71% 86.83% Il Transformer è avanti di 10.12 punti sul miglior R-08
Risposte zero-shot (16 domande) 10/16 9/16 9/16 11/16 Campione troppo piccolo: nessuna classifica o affermazione sulle allucinazioni
Throughput di training MPS n.d. n.d. n.d. n.d. Nessun test omogeneo su modello completo pubblicato: i vecchi numeri sono ritirati
KV-cache a 512 token stima 0.8 MB stima 0.8 MB stima 0.8 MB stima 5.6 MB Stima strutturale, non RAM di picco misurata né prova di velocità/energia

📈 Grafici Lineari di Efficienza Hardware & Token

1. Curva di Efficienza dei Token (Loss vs Token Visti)

Curva di Efficienza Token

2. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto

Curva di Efficienza RAM KV-Cache

🔬 Considerazioni e Riscontri Scientifici

  1. Risultato osservato, non causalità: nel set documentato il Transformer ottiene 85.84% su BLiMP-IT e 86.83% su MultiBLiMP-ITA; il migliore R-08 è v7.2a con 82.51% e 76.71%. Il confronto non isola la sola architettura, quindi non attribuisce causalmente il divario agli strati densi.
  2. Memoria e velocità: 0.8 MB contro 5.6 MB è una stima strutturale della KV-cache a 512 token. Non sostituisce una misura di RAM di picco, energia o throughput sull'intero modello; tali risultati richiedono un protocollo comune e una nuova pubblicazione.

🚀 Utilizzo Rapido (Inference Quickstart)

Il modello può essere caricato ed eseguito localmente su qualsiasi architettura (Apple Silicon MPS, GPU CUDA o CPU):

from modeling_transformer import TransformerModel, TransformerTokenizer

# 1. Carica Tokenizer e Modello (Midtrain 10k di default)
tokenizer = TransformerTokenizer.from_pretrained("SentinelHub/R-08-Transformer-Baseline")
model = TransformerModel.from_pretrained("SentinelHub/R-08-Transformer-Baseline")

# (Opzionale: per caricare il checkpoint di Pretraining 185k)
# model_pre = TransformerModel.from_pretrained(
#     "SentinelHub/R-08-Transformer-Baseline", 
#     weights_file="model_pretrain_185k.safetensors"
# )

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

print(prompt + risposta)

📦 Checkpoint & File Inclusi

Nel repository sono inclusi tutti i formati per ricerca e inferenza mobile:

  • transformer-baseline-45m-f16.gguf (87.1 MB): File binario quantizzato nativo per Pocket AI, PocketPal AI, LM Studio e llama.cpp. Può essere trascinato direttamente nell'app su iPhone, iPad o Mac!
  • model.safetensors (174 MB): Checkpoint finale PyTorch dopo 10.000 step di midtraining (85.84% BLiMP-IT).
  • model_pretrain_185k.safetensors (174 MB): Checkpoint dopo 185.000 step di pretraining Chinchilla puro (82.53% BLiMP-IT).
  • tokenizer.json & tokenizer_config.json: Compatibilità standard Hugging Face AutoTokenizer.

📜 Licenza, Etica e Citazione

Il modello baseline di controllo è rilasciato per ricerca non commerciale e riproducibilità scientifica comparativa sotto Sentinel Research License (vedi LICENSE.md).

  • ✅ Uso Accademico e Valutazione: Consentito per confronto scientifico, replicabilità dei benchmark e studio.
  • ❌ Uso Commerciale For-Profit: Richiede autorizzazione e licenza commerciale scritta da parte di Sentinel.
  • 🚫 Divieti Etici Assoluti (Acceptable Use Policy): È severamente e globalmente 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: I marchi "Sentinel", "Sentinel LifeOS", "R-08" e "Thomas Seri" sono riservati. Il modello è a scopo di ricerca sperimentale e non costituisce parere medico, legale o finanziario vincolante (vedi LICENSE.md).
@misc{seri2026transformerbaseline,
  author = {Seri, Thomas},
  title = {R-08 Transformer Baseline 45M: Dense GPT-2 Control Benchmark for Geodesic Mesh Networks},
  year = {2026},
  publisher = {Hugging Face / GitHub},
  howpublished = {\url{https://huggingface.co/SentinelHub/R-08-Transformer-Baseline}}
}

🔗 Progetto Principale Sentinel R-08: https://github.com/Thomasseri/R-08 | https://huggingface.co/SentinelHub/R-08

Downloads last month
1,998
Inference Providers NEW
Text Generation
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support