Hugging Face's logo

SentinelHub
/
R-08-v7.2

Text Generation
PyTorch
Italian
geodesic_mesh_pyramid_v7_2
causal-lm
geodesic-neural-network
sentinel-lifeos
rob
r08
r08-v7.2
edge-ai
1d-causal-conv
icosahedron-hubs
italian
Model card Files
xet
 Community
R-08-v7.2 / README.md
Thomas
docs: remove obsolete Cristallo references
6078efe
preview code
|
Raw History Blame Contribute Delete
17.4 kB
metadata 
language:
  - it
license: other
license_name: sentinel-r08-research-license
license_link: LICENSE.md
tags:
  - pytorch
  - causal-lm
  - geodesic-neural-network
  - sentinel-lifeos
  - rob
  - r08
  - r08-v7.2
  - edge-ai
  - 1d-causal-conv
  - icosahedron-hubs
  - italian
pipeline_tag: text-generation
inference: false

Sentinel R08 — Pocket Core

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

Model Name Official Site Ecosystem Parameters Architecture Language License

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:

⚠️ 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-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 51,6M 44,5M 44,9M confronto storico
Strati di Attenzione Densa 2 2 14 confronto storico
BLiMP-IT (Accuratezza Linguistica IT) 82,02% 80,95% 85,84% protocolli diversi
MultiBLiMP (Ragionamento Logico IT) 73,46% 73,46% 86,83% protocolli diversi
Resistenza Allucinazioni (Truth Rate) 56,2% 62,5% 68,8% n=16: non conclusivo
BLiMP Standard Inglese (Cross-Lingua) 55,00% 52,80% 54,00% ritirato
Stuttering / Balbuzie nei Test Aperti completamente eliminata presente assente non benchmarkizzato
Traffico RAM KV-Cache (a 512 token) 0,8 MB 0,8 MB 5,6 MB solo stima strutturale
RAM Totale Necessaria per Inferenza 120–150 MB 110–130 MB 190–250 MB ritirato

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:

Confronto Lineare di Famiglia Sentinel R-08

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:

Benchmark Sintattici BLiMP-IT e MultiBLiMP

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

Curva di Efficienza Token

4. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto

Curva di Efficienza RAM KV-Cache

🔋 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:

  1. Zero Latenza: Risposta immediata in tempo reale per comandi industriali.
  2. Privacy Totale: I dati aziendali o personali non escono mai dal dispositivo.
  3. 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).
  4. 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).