SentinelHub
/

R-08-Transformer-Baseline

@@ -20,12 +20,12 @@ widget:
 # 🤖 R-08 Transformer Baseline 45M (Dense GPT-2 Control Model)
 > [!NOTE]
-> **Modello di Controllo per il Paragone con il Geoide Piramidale:**
-> 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 il nuovo **Geoide Piramidale (Sentinel R-08)**:
-> - 🐙 **GitHub Geoide Piramidale:** [Thomasseri/R-08](https://github.com/Thomasseri/R-08)
-> - 🤗 **Hugging Face Geoide Piramidale:** [Tom2701/R-08](https://huggingface.co/Tom2701/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](https://huggingface.co/Tom2701/R-08).**
 - 👤 **Autore:** Thomas Seri ([Sentinel LifeOS](https://github.com/Thomasseri/R-08))
 - 🏛️ **Architettura:** Transformer Decoder-Only standard (GPT-2 style), Pre-LayerNorm, Weight Tying
@@ -51,17 +51,17 @@ Per valutare in modo rigoroso, indipendente e scientificamente riproducibile le
 ## 📊 Benchmark Comparativi A/B (Risultati di Laboratorio)
-| Metrica di Laboratorio | Sentinel R08 (v7 Pyramid) | Transformer Baseline (185k Pretrain) | Transformer Baseline (10k Midtrain) | Vantaggio Architetturale R08 |
-| :--- | :---: | :---: | :---: | :---: |
-| **Parametri Totali** | **44.5M** | 44.9M | 44.9M | Pesi equivalenti (~45M) |
-| **Strati di Attenzione Densa** | **2 strati** | 14 strati | 14 strati | **-85.7% strati densi** |
-| **Vocabolario Subword** | **1.251 pezzi** | 1.251 pezzi | 1.251 pezzi | Identico (1.2k) |
-| **BLiMP-IT (Accuratezza Grammaticale)** | **80.95%** | 82.53% | **85.84%** | Competitivo con soli 2 strati |
-| **MultiBLiMP (Ragionamento Sintattico)** | **73.46%** | 85.15% | **86.83%** | Solida base logica |
-| **Resistenza Allucinazioni (Zero-Shot Truth Rate)** | **62.5%** *(Fatti IT 4/4)* | 56.2% | **68.8%** *(Fatti IT 4/4)* | R08 superiore al Pretrain 185k |
-| **Throughput Training (MPS Apple Silicon)** | **~10.150 tok/s** | ~8.650 tok/s | ~8.650 tok/s | **+17.3% più veloce** ⚡ |
-| **Consumo Energetico per Token** | **2.3 mJ / token** | 3.3 mJ / token | 3.3 mJ / token | **-31.2% consumo energetico** 🔋 |
-| **Impronta Memoria KV-Cache (a 512 token)** | **0.8 MB** *(2.1 MB/seq)* | 5.6 MB *(14.7 MB/seq)* | 5.6 MB *(14.7 MB/seq)* | **-85.7% traffico RAM/Cache** 💾 |
 ---

 # 🤖 R-08 Transformer Baseline 45M (Dense GPT-2 Control Model)
 > [!NOTE]
+> **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**:
+> - 🚀 **Nuovo Sentinel R-08 v7.2 (51.6M, 12 Hubs + 1D Conv):** [Tom2701/R-08-v7.2 su Hugging Face](https://huggingface.co/Tom2701/R-08-v7.2) | [GitHub v7.2](https://github.com/Thomasseri/R-08-v7.2)
+> - 🌐 **Sentinel R-08 v7 Pyramid (44.5M):** [Tom2701/R-08 su Hugging Face](https://huggingface.co/Tom2701/R-08) | [GitHub](https://github.com/Thomasseri/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](https://huggingface.co/Tom2701/R-08) e [Sentinel R-08 v7.2](https://huggingface.co/Tom2701/R-08-v7.2).**
 - 👤 **Autore:** Thomas Seri ([Sentinel LifeOS](https://github.com/Thomasseri/R-08))
 - 🏛️ **Architettura:** Transformer Decoder-Only standard (GPT-2 style), Pre-LayerNorm, Weight Tying
 ## 📊 Benchmark Comparativi A/B (Risultati di Laboratorio)
+| Metrica di Laboratorio | Sentinel R08 (v7 Pyramid) | 🚀 [**Sentinel R-08 v7.2**](https://huggingface.co/Tom2701/R-08-v7.2) | Transformer Baseline (185k Pretrain) | Transformer Baseline (10k Midtrain) | Vantaggio Architetturale Famiglia R08 |
+| :--- | :---: | :---: | :---: | :---: | :---: |
+| **Parametri Totali** | **44.5M** | **51.6M** | 44.9M | 44.9M | Pesi equivalenti (~45-50M) |
+| **Strati di Attenzione Densa** | **2 strati** | **2 strati** | 14 strati | 14 strati | **-85.7% strati densi** |
+| **Vocabolario Subword** | **1.251 pezzi** | **1.251 pezzi** | 1.251 pezzi | 1.251 pezzi | Identico (1.2k) |
+| **BLiMP-IT (Accuratezza Grammaticale)** | **80.95%** | **82.02%** 🏆 | 82.53% | **85.84%** | Competitivo con soli 2 strati |
+| **MultiBLiMP (Ragionamento Sintattico)** | **73.46%** | **73.46%** | 85.15% | **86.83%** | Solida base logica |
+| **Resistenza Allucinazioni (Zero-Shot Truth Rate)** | **62.5%** *(Fatti IT 4/4)* | **56.2%** *(Fatti 3/4)* | 56.2% | **68.8%** *(Fatti IT 4/4)* | R08 competitivo al Pretrain 185k |
+| **Throughput Training (MPS Apple Silicon)** | **~10.150 tok/s** | **~7.200 tok/s** | ~8.650 tok/s | ~8.650 tok/s | Elevata efficienza computazionale |
+| **Consumo Energetico per Token** | **2.3 mJ / token** | **2.4 mJ / token** | 3.3 mJ / token | 3.3 mJ / token | **-28.3% / -31.2% consumo energetico** 🔋 |
+| **Impronta Memoria KV-Cache (a 512 token)** | **0.8 MB** *(2.1 MB/seq)* | **0.8 MB** *(2.1 MB/seq)* | 5.6 MB *(14.7 MB/seq)* | 5.6 MB *(14.7 MB/seq)* | **-85.7% traffico RAM/Cache** 💾 |
 ---