README.md · SentinelHub/R-08-v7.2 at main

Thomas

docs: remove obsolete Cristallo references

6078efe 3 days ago

17.4 kB

---
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
---
<p align="center">
 <img src="assets/r08_logo.jpg" width="320" alt="Sentinel R08 — Pocket Core" style="border-radius: 16px;" />
</p>

# 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](https://img.shields.io/badge/Model-R08--v7.2%20(Rob)-orange.svg)](https://github.com/Thomasseri/R-08-v7.2)
[![Official Site](https://img.shields.io/badge/Official%20Site-sentinelhub.eu-007acc.svg)](https://www.sentinelhub.eu)
[![Ecosystem](https://img.shields.io/badge/Ecosystem-Sentinel%20LifeOS-purple.svg)](https://www.sentinelhub.eu)
[![Parameters](https://img.shields.io/badge/Parameters-51.6M-blue.svg)](https://github.com/Thomasseri/R-08-v7.2)
[![Architecture](https://img.shields.io/badge/Architecture-Geodesic%20Mesh%20%2B%2012%20Hubs%20%2B%201D%20Conv-brightgreen.svg)](https://github.com/Thomasseri/R-08-v7.2)
[![Language](https://img.shields.io/badge/Language-Italian%20(IT)-yellow.svg)](https://github.com/Thomasseri/R-08-v7.2)
[![License](https://img.shields.io/badge/License-Non--Commercial%20Research-lightgrey.svg)](LICENSE.md)

**Nome Ufficiale del Modello:** **R08-v7.2** *(Rob)* 
**Progetto Padre & Ecosistema:** **[Sentinel LifeOS](https://www.sentinelhub.eu)** *(Il Sistema Operativo di Vita e Gestione)* 
**Sito Ufficiale:** **[www.sentinelhub.eu](https://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](https://github.com/Thomasseri/gpTommy-32k) | [Hugging Face](https://huggingface.co/SentinelHub/gpTommy-32k)
- 🌟 [Nuovo Sentinel R-08 v7.2a DA ZERO (51.6M, 82.51% BLiMP-IT, migliore tra gli R-08) su GitHub](https://github.com/Thomasseri/R-08-v7.2a) | [Hugging Face](https://huggingface.co/SentinelHub/R-08-v7.2a)
- 🌐 [R08 v7 Pyramid (44.5M) su Hugging Face](https://huggingface.co/SentinelHub/R-08) | [GitHub](https://github.com/Thomasseri/R-08)
- 🔬 [Controllo A/B Transformer Baseline (44.9M) su Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline) | [GitHub](https://github.com/Thomasseri/R-08-Transformer-Baseline)

---

## ⚠️ 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](https://www.sentinelhub.eu)** | 🐙 **[GitHub (@Thomasseri)](https://github.com/Thomasseri)** | 🤗 **[Hugging Face (@SentinelHub)](https://huggingface.co/SentinelHub)** | 💬 **[Open an Inquiry / Issue](https://github.com/Thomasseri/R-08/issues/new)**


## 🧭 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:

```mermaid
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](./assets/lineage_v7_v72_v72a_loss_curve.svg)
### 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](./assets/lineage_accuracy_blimp.svg)
### 3. Curva di Efficienza dei Token (Loss vs Token Visti)
![Curva di Efficienza Token](./assets/efficiency_loss_curve.svg)
### 4. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto
![Curva di Efficienza RAM KV-Cache](./assets/kv_cache_ram_curve.svg)
## 🔋 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:
```python
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](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](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](https://www.sentinelhub.eu)).

	---
	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
	---

	<p align="center">
	<img src="assets/r08_logo.jpg" width="320" alt="Sentinel R08 — Pocket Core" style="border-radius: 16px;" />
	</p>

	# 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](https://img.shields.io/badge/Model-R08--v7.2%20(Rob)-orange.svg)](https://github.com/Thomasseri/R-08-v7.2)
	[![Official Site](https://img.shields.io/badge/Official%20Site-sentinelhub.eu-007acc.svg)](https://www.sentinelhub.eu)
	[![Ecosystem](https://img.shields.io/badge/Ecosystem-Sentinel%20LifeOS-purple.svg)](https://www.sentinelhub.eu)
	[![Parameters](https://img.shields.io/badge/Parameters-51.6M-blue.svg)](https://github.com/Thomasseri/R-08-v7.2)
	[![Architecture](https://img.shields.io/badge/Architecture-Geodesic%20Mesh%20%2B%2012%20Hubs%20%2B%201D%20Conv-brightgreen.svg)](https://github.com/Thomasseri/R-08-v7.2)
	[![Language](https://img.shields.io/badge/Language-Italian%20(IT)-yellow.svg)](https://github.com/Thomasseri/R-08-v7.2)
	[![License](https://img.shields.io/badge/License-Non--Commercial%20Research-lightgrey.svg)](LICENSE.md)

	Nome Ufficiale del Modello: R08-v7.2 (Rob)
	Progetto Padre & Ecosistema: [Sentinel LifeOS](https://www.sentinelhub.eu) (Il Sistema Operativo di Vita e Gestione)
	Sito Ufficiale: [www.sentinelhub.eu](https://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](https://github.com/Thomasseri/gpTommy-32k) \| [Hugging Face](https://huggingface.co/SentinelHub/gpTommy-32k)
	- 🌟 [Nuovo Sentinel R-08 v7.2a DA ZERO (51.6M, 82.51% BLiMP-IT, migliore tra gli R-08) su GitHub](https://github.com/Thomasseri/R-08-v7.2a) \| [Hugging Face](https://huggingface.co/SentinelHub/R-08-v7.2a)
	- 🌐 [R08 v7 Pyramid (44.5M) su Hugging Face](https://huggingface.co/SentinelHub/R-08) \| [GitHub](https://github.com/Thomasseri/R-08)
	- 🔬 [Controllo A/B Transformer Baseline (44.9M) su Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline) \| [GitHub](https://github.com/Thomasseri/R-08-Transformer-Baseline)

	---

	## ⚠️ 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](https://www.sentinelhub.eu) \| 🐙 [GitHub (@Thomasseri)](https://github.com/Thomasseri) \| 🤗 [Hugging Face (@SentinelHub)](https://huggingface.co/SentinelHub) \| 💬 [Open an Inquiry / Issue](https://github.com/Thomasseri/R-08/issues/new)


	## 🧭 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:

	```mermaid
	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](./assets/lineage_v7_v72_v72a_loss_curve.svg)

	### 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](./assets/lineage_accuracy_blimp.svg)

	### 3. Curva di Efficienza dei Token (Loss vs Token Visti)
	![Curva di Efficienza Token](./assets/efficiency_loss_curve.svg)

	### 4. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto
	![Curva di Efficienza RAM KV-Cache](./assets/kv_cache_ram_curve.svg)


	## 🔋 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:

	```python
	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](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](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](https://www.sentinelhub.eu)).