R08-v7.2 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 51.6M)
L'Evoluzione Neurale Geometrica con Convoluzioni Causali 1D e 12 Hub Regionali dell'Icosaedro
Il Cuore Neurale Geometrico di SENTINEL LifeOS
-orange.svg){kind=icon}
-yellow.svg){kind=icon}
Nome Ufficiale del Modello: R08-v7.2 (Rob) 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) Modelli Correlati della Famiglia:
- 🇮🇹 Vocabolario & Tokenizer gpTommy 32k su GitHub | Hugging Face
- 🌟 Nuovo Sentinel R-08 v7.2a DA ZERO (51.6M, 82.51% BLiMP-IT, migliore tra gli R-08) su GitHub | Hugging Face
- 🌐 R08 v7 Pyramid (44.5M) su Hugging Face | GitHub
- 🔬 Controllo A/B Transformer Baseline (44.9M) su Hugging Face | GitHub
⚠️ 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 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 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-v7.2
Sentinel 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.
Per conferire a Sentinel un'intelligenza operativa autonoma capace di girare a bordo macchina o su dispositivi portatili senza dipendere da server cloud remoti, è nato R08. La release v7.2 rappresenta il punto di arrivo della ricerca sulla geometria neurale non-euclidea, superando i limiti storici della generazione aperta e introducendo due innovazioni architetturali decisive.
🌟 Le Due Grandi Innovazioni di R08-v7.2
Mentre i Large Language Model tradizionali impiegano catene dense di attenzione $O(N^2)$ (12-32 strati), R08-v7.2 mantiene l'efficienza estrema di soli 2 strati di attenzione densa, potenziando la mesh geodetica con due tecnologie proprietarie:
flowchart TD
subgraph S1["Stadio 1 (Pezzi - 1.2k)"]
A1[80 Facce Sfera 1] <--> B1[12 Hub Regionali Icosaedro]
end
subgraph Conv1["Convoluzione Causale 1D Inter-Stadio (k=4)"]
C1["Filtro Causale 1D (d=256) - Zero-Init Residual"]
end
subgraph S2["Stadio 2 (Parole - 17.9k)"]
A2[80 Facce Sfera 2] <--> B2[12 Hub Regionali Icosaedro]
end
subgraph Conv2["Convoluzione Causale 1D Inter-Stadio (k=4)"]
C2["Filtro Causale 1D (d=256) - Zero-Init Residual"]
end
subgraph S3["Stadio 3 (Unioni - 20k)"]
A3[80 Facce Sfera 3] <--> B3[12 Hub Regionali Icosaedro]
end
S1 --> Conv1 --> S2 --> Conv2 --> S3
1. Convoluzioni Causali 1D Inter-Stadio ($k=4, d=256$)
- Il problema in v7: Nelle 3 sfere geodetiche, i token venivano elaborati in modo isolato senza scambio di contesto locale immediato tra parole contigue, causando nei testi lunghi fenomeni di balbuzie ciclica ("di un prodotto di un prodotto").
- La soluzione in v7.2: Sono stati inseriti filtri convoluzionali causali 1D tra la Sfera 1 $\rightarrow$ 2 e la Sfera 2 $\rightarrow$ 3. Ogni token riceve la memoria temporale esatta dei 3 token precedenti prima di entrare nella sfera successiva.
- Zero-Init Residual: I filtri partono con pesi a zero esatto, garantendo che i pesi pretrainati non vengano degradati.
- Costo Computazionale: Solo 2.048 FLOPs per token ($< 0.001%$ del budget) con zero overhead di memoria KV-Cache.
2. 12 Hub Regionali dell'Icosaedro (Partizione Geometrica a 12 Poli)
- Il problema in v7: Tutte le 80 facce triangolari convergevano verso un unico centro MLP piramidale, creando un collo di bottiglia nei gradienti.
- La soluzione in v7.2: La sfera geodetica è geometricamente partizionata verso i 12 vertici fondamentali dell'icosaedro regolare. Ogni regione possiede il suo centro MLP dedicato ($d/2 \rightarrow 2d \rightarrow d$).
- Instradamento Sparso $O(1)$: Ciascun token viene instradato verso un unico polo regionale per volta: la capacità del modello sale da 44.5M a 51.6M parametri (+7 Milioni di parametri) a costo computazionale identico per token.
📊 Benchmark Comparativi Completi di Laboratorio — archivio
Archivio. I valori sottostanti sono mantenuti barrati per tracciabilità, ma provengono da corse con budget o protocolli non identici. Non sono una prova di prestazioni relative, RAM reale, energia, eliminazione di loop o causalità architetturale.
1. Studio A/B Diretto: Sentinel R-08 v7.2 vs v7 vs Transformer Baseline
| Metrica di Laboratorio | 🚀 Sentinel R-08 v7.2 (51.6M) | Sentinel R-08 v7 (44.5M) | Transformer Baseline (44.9M) | Vantaggio Architetturale R-08 v7.2 |
|---|---|---|---|---|
| Parametri Totali | ||||
| Strati di Attenzione Densa | ||||
| BLiMP-IT (Accuratezza Linguistica IT) | ||||
| MultiBLiMP (Ragionamento Logico IT) | ||||
| Resistenza Allucinazioni (Truth Rate) | ||||
| BLiMP Standard Inglese (Cross-Lingua) | ||||
| Stuttering / Balbuzie nei Test Aperti | ||||
| Traffico RAM KV-Cache (a 512 token) | ||||
| RAM Totale Necessaria per Inferenza |
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 non dimostrano un vantaggio causale dell'architettura; n.d. significa non misurato con un protocollo hardware 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.
2. Confronto tra modelli Sentinel e Transformer di controllo — archivio
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.
La tabella precedente includeva BLiMP inglese e RAM non ottenuti con un protocollo riproducibile comune; è stata ritirata. Il confronto verificato è la tabella immediatamente sopra.
📋 Specifiche Tecniche Ufficiali & Architettura Hardware
| Parametro Tecnico | Valore Certificato (Sentinel R-08 v7.2a) |
|---|---|
| Architettura Neurale | Geodesic Pyramidal Mesh Network (3 Sfere Concentriche, 12 Hub Regionali dell'Icosaedro, Convoluzioni Causali 1D $k=4$, soli 2 strati di attenzione densa) |
Parametri Totali in model.safetensors |
51.975.444 tensori totali salvati (composti da 51.614.115 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 (vLLM/Ollama). |
| Finestra di Contesto Operativa | 256 – 512 token nativi (scalabile fino a 2.048 token in inferenza con soli 0,8 MB – 3,2 MB di KV-Cache). |
| Throughput & Efficienza Energetica | ~2.850 – 3.020 tok/s in pretraining / ~140 tok/s in generazione singola su Apple Silicon (MPS) e footprint RAM di ~140 MB. |
| Lingua & Licenza | Italiano (it) · R08 Non-Commercial Research & Ethical License v2.0 (Foro Esclusivo di Milano) |
📈 Grafici Lineari di Efficienza Hardware & Lineage
1. Confronto Lineare di Famiglia: Sentinel R-08 v7 vs v7.2 vs v7.2a
Andamento della Loss di Pretraining: 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 (Loss vs Token Visti)
4. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto
🔋 Perché R08-v7.2 è il Modello Perfetto per l'Edge AI
Edge AI significa far girare l'intelligenza artificiale direttamente all'interno del dispositivo locale (Mac, micro-PC industriale, centralina PLC, drone, smartphone) senza connessione a internet:
- Zero Latenza: Risposta immediata in tempo reale per comandi industriali.
- Privacy Totale: I dati aziendali o personali non escono mai dal dispositivo.
- Poca memoria: con 2 soli strati di attenzione la KV-Cache è 7 volte più piccola del Transformer di controllo (0.8 MB contro 5.6 MB a 512 token).
- Footprint di appena ~130 MB di RAM: Può essere eseguito in background continuo su un Raspberry Pi o su computer con memoria ridotta senza impattare minimamente le altre applicazioni.
🚀 Utilizzo Rapido (Inference Quickstart)
Il modello può essere eseguito localmente su qualsiasi architettura (Apple Silicon Metal MPS, GPU CUDA o CPU) in poche righe di codice:
from modeling_geodesic import R08Model, R08Tokenizer
# 1. Carica Tokenizer e Modello dai pesi safetensors
tokenizer = R08Tokenizer.from_pretrained("SentinelHub/R-08-v7.2")
model = R08Model.from_pretrained("SentinelHub/R-08-v7.2")
# 2. Generazione di testo con sampling e context control
prompt = "Utente: Ciao, come posso ottimizzare la manutenzione del macchinario?\nAssistente:"
risposta = model.generate(
prompt=prompt,
tokenizer=tokenizer,
max_new_tokens=64,
temperature=0.7,
top_p=0.9,
repetition_penalty=1.15
)
print(risposta)
📜 Licenza, Etica e Proprietà Intellettuale
Il codice architetturale e i pesi del modello neurale sono rilasciati con licenza di ricerca non commerciale Sentinel R-08 Research License (consultabile nel file LICENSE.md).
- ✅ Uso Accademico e Studio: Consentito liberamente per ricerca scientifica, riproducibilità e valutazione.
- ❌ Uso Commerciale For-Profit: Richiede apposita 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/sostanze stupefacenti), decisioni mediche/finanziarie autonome non supervisionate o sorveglianza biometrica lesiva dei diritti umani.
- 🛡️ Tutela Marchio & Esonero Responsabilità: I marchi "Sentinel", "Sentinel LifeOS" 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).
- ⚖️ Copyright & Marchio: Tutti i diritti sul brand Sentinel LifeOS, sui motori ontologici proprietari e sull'ecosistema industriale appartengono a Thomas Seri (www.sentinelhub.eu).
- Downloads last month
- 2,629