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-v7.2a
- edge-ai
- 1d-causal-conv
- icosahedron-hubs
- italian
pipeline_tag: text-generation
inference: false
🌐 Sentinel R-08 v7.2a (DA ZERO) — 51.6M Geodesic Language Model
-orange.svg){kind=icon}
Architettura Geodetica a 3 Sfere Concentriche, 12 Hub Regionali dell'Icosaedro e Convoluzioni Causali 1D. Autore & Ideatore: Thomas Seri (Sentinel) Ecosistema di Riferimento: Sentinel LifeOS Vocabolario Ufficiale Correlato: gpTommy 32k su GitHub | Hugging Face Stato di Rilascio: 🚀 Rilascio Ufficiale per Inferenza & Utilizzo (Pesi
model.safetensorse runtime di inferenza inclusi; script per replicare l'addestramento trattenuti).
⚠️ 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 |
⚡ NOTA DI RILASCIO: UTILIZZO IN INFERENZA ABILITATO (PIPELINE DI TRAINING PROPRIETARIA)
Questa repository contiene tutto il necessario per caricare e utilizzare subito in inferenza il modello Sentinel R-08 v7.2a DA ZERO (51.614.115 parametri), inclusi il runtime geodetico e i pesi ufficiali
model.safetensors(su Hugging Face e nelle Release GitHub). I file sorgente per replicare da zero l'addestramento, gli ottimizzatori e le pipeline di creazione del dataset non sono inclusi pubblicamente e restano riservati al laboratorio dell'autore.
💼 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
💻 Come Usare subito Sentinel R-08 v7.2a (Inferenza Rapida)
1. Requisiti
pip install torch safetensors huggingface_hub
2. Test Immediato con lo Script Incluso
Se hai clonato il repository da Hugging Face (git clone https://huggingface.co/SentinelHub/R-08-v7.2a) o scaricato model.safetensors dalla sezione Releases di GitHub nella cartella del progetto:
python test_inference_release.py
3. Utilizzo da Codice Python
from modeling_geodesic import R08Model, R08Tokenizer
tokenizer = R08Tokenizer.from_pretrained(".")
model = R08Model.from_pretrained(".")
risposta = model.generate(
prompt="La capitale d'Italia è",
tokenizer=tokenizer,
max_new_tokens=32,
temperature=0.7,
top_p=0.9,
repetition_penalty=1.15,
)
print(risposta)
📊 Risultati di Laboratorio di Sentinel R-08 v7.2a — archivio
Archivio. La tabella conserva le formulazioni precedenti, ma mescolava corse con budget/protocolli diversi. I valori rimangono barrati per trasparenza e non vanno usati per dedurre RAM reale, energia, eliminazione di loop o un vantaggio causale dell'architettura.
Addestrato 100% DA ZERO (Tabula Rasa, seed 1234) per 185.000 step (~740M token Chinchilla mix) e rifinito con 10.000 step di Midtraining su dataset purificato e laico (midtrain_v4_100m), Sentinel R-08 v7.2a ha ottenuto il miglior risultato tra i modelli R-08 (il Transformer di controllo a 14 strati resta più accurato):
| Benchmark / Metrica Scientifica | Sentinel R-08 v7 (44.5M · 2 strati) | Sentinel R-08 v7.2 (51.6M · Warm-Start) | 🌟 Sentinel R-08 v7.2a DA ZERO (51.6M) | Transformer Baseline (44.9M · 14 strati) | Guadagno & Bilancio R-08 v7.2a |
|---|---|---|---|---|---|
| BLiMP-IT Grammatica Italiana (3.481 coppie) | |||||
| MultiBLiMP Italiano (2.916 coppie) | |||||
| TruthfulQA Anti-Allucinazione (Zero-Shot) | |||||
| Resistenza a Loop / Balbuzie | |||||
| Memoria KV-Cache (512 ctx) | |||||
| Footprint RAM Totale in 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 sono descrittivi e non dimostrano un vantaggio causale dell'architettura; il throughput resta n.d. fino a una misura con hardware e protocollo identici.
| 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.
📋 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 e Confronto di Lineage
1. Confronto Lineare di Famiglia: Sentinel R-08 v7 vs v7.2 vs v7.2a
Andamento della Loss durante il Pretraining su Chinchilla Mix. 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: Convergenza Pretrain vs Modelli di Riferimento
Sentinel R-08 v7.2a scende con straordinaria rapidità con soli 740M token, estraendo pattern geometrici con un'efficienza superiore ai modelli densi standard:
4. Efficienza Hardware: Footprint Memoria KV-Cache vs Lunghezza Contesto
Grazie all'impiego di soli 2 strati di attenzione densa integrati dalla tassellatura geodetica e dai 12 hub regionali, Sentinel R-08 abbatte il traffico RAM dell'85.7% (0.8 MB contro 5.6 MB a contesto 512, e 3.2 MB contro 22.4 MB a contesto 2048):
🔬 L'Innovazione Architetturale di v7.2a
A differenza dei Transformer standard che accumulano strati densi identici (es. 14 strati nel modello di controllo), Sentinel R-08 v7.2a suddivide il carico cognitivo nello spazio geometrico:
[Sequenza Token Iniziale]
│
▼
┌──────────────────────────────────────┐
│ Attenzione Causale Iniziale (Layer 1)│
└──────────────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ SFERA 1: Morfologia & Rappresentazione Lessicale │
│ - 80 Facce Geodetiche Icosaedriche Specializzate │
│ - 12 Hub Regionali dell'Icosaedro (Partizione Spaziale)│
└────────────────────────────────────────────────────────┘
│
▼
═══════╡ Convoluzione Causale 1D (k=4, d=256) ╞═══════ (Zero Balbuzie)
│
▼
┌────────────────────────────────────────────────────────┐
│ SFERA 2: Sintassi Regionale & Dipendenze Locali │
│ - 80 Facce Geodetiche Icosaedriche Specializzate │
│ - 12 Hub Regionali dell'Icosaedro │
└────────────────────────────────────────────────────────┘
│
▼
═══════╡ Convoluzione Causale 1D (k=4, d=256) ╞═══════ (Zero Balbuzie)
│
▼
┌────────────────────────────────────────────────────────┐
│ SFERA 3: Semantica ad Alto Livello & Ragionamento │
│ - 80 Facce Geodetiche Icosaedriche Specializzate │
│ - 12 Hub Regionali dell'Icosaedro │
└────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Integrazione Multi-Scala Residuale │ LN(h1) + LN(h2) + LN(h3)
└──────────────────────────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Attenzione Causale Finale (Layer 2) │
└──────────────────────────────────────┘
│
▼
[Logits con Tanh Soft-Capping a 30.0]
Le Due Risoluzioni Chiave di v7.2a:
- I 12 Hub Regionali dell'Icosaedro: Nelle versioni v1–v7, un singolo hub centrale generava un collo di bottiglia informativo. Partizionando le 80 facce sui 12 vertici dell'icosaedro, ciascun polo gestisce in parallelo la propria sub-regione corticale.
- Convoluzioni Causali 1D ($k=4$): Collocano un filtro temporale causale tra i passaggi di sfera. Questo previene matematicamente l'instaurarsi di risonanze cicliche (loop di ripetizione e balbuzie).
⚖️ Licenza e Clausole Etiche Obbligatorie
L'utilizzo dell'architettura e della documentazione di Sentinel R-08 v7.2a è regolato dalla licenza etico-legale contenuta in LICENSE.md.
È SEVERAMENTE E TASSATIVAMENTE VIETATO l'uso diretto o indiretto per:
- Applicazioni Belliche e Militari: Sistemi d'arma, targeting autonomo, droni offensivi o pianificazione strategica di difesa/offesa bellica.
- Campagne Politiche e Astroturfing: Propaganda di partito, influenza elettorale, profili bot su social media e manipolazione dell'opinione pubblica.
- Indottrinamento e Dogmi Religiosi: Proselitismo settario o diffusione forzata di precetti confessionali.
- Pornografia, Abuso e Materiale per Adulti: Qualsiasi forma di pornografia, sfruttamento minorile o contenuti degradanti.
- Dipendenze e Sostanze Nocive: Gioco d'azzardo, casinò online, darknet market per stupefacenti o armi.
- Cyber-Attacchi e Malware: Sviluppo di exploit, ransomware, phishing automatico o scansione non autorizzata di reti.
Qualsiasi violazione comporta la decadenza immediata ed automatica di qualsiasi diritto di utilizzo con rivalsa legale per violazione dei termini di licenza.
📌 Repository Correlati
- 🌐 Sentinel R-08 v7 (Repository Principale) | Hugging Face
- 🚀 Sentinel R-08 v7.2 Warm-Start | Hugging Face
- 🔬 Controllo A/B Transformer Baseline | Hugging Face
Creato con passione da Thomas Seri (Sentinel) — 2026.