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

Thomas

docs: remove obsolete Cristallo references

038daf6 3 days ago

17 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-v7.2a
- 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

[![Official Site](https://img.shields.io/badge/Sito%20Ufficiale-sentinelhub.eu-007acc.svg)](https://www.sentinelhub.eu)
[![Ecosystem](https://img.shields.io/badge/Ecosistema-Sentinel%20LifeOS-purple.svg)](https://www.sentinelhub.eu)
[![Tokenizer](https://img.shields.io/badge/Tokenizer-gpTommy%2032k-blue.svg)](https://github.com/Thomasseri/gpTommy-32k)
[![Autore](https://img.shields.io/badge/Autore-Thomas%20Seri%20(Sentinel)-orange.svg)](https://www.sentinelhub.eu)

> **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](https://www.sentinelhub.eu) 
> **Vocabolario Ufficiale Correlato:** [gpTommy 32k su GitHub](https://github.com/Thomasseri/gpTommy-32k) | [Hugging Face](https://huggingface.co/SentinelHub/gpTommy-32k) 
> **Stato di Rilascio:** 🚀 **Rilascio Ufficiale per Inferenza & Utilizzo** (Pesi `model.safetensors` e 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 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 |

---

> [!IMPORTANT]
> ### ⚡ 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](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)**


## 💻 Come Usare subito Sentinel R-08 v7.2a (Inferenza Rapida)

### 1. Requisiti
```bash
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:
```bash
python test_inference_release.py
```

### 3. Utilizzo da Codice Python
```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) | ~~80,95%~~ | ~~82,02%~~ | ~~82,51%~~ | ~~85,84%~~ | ~~tabella storica~~ |
| **MultiBLiMP Italiano** (2.916 coppie) | ~~73,46%~~ | ~~73,46%~~ | ~~76,71%~~ | ~~86,83%~~ | ~~tabella storica~~ |
| **TruthfulQA Anti-Allucinazione** (Zero-Shot) | ~~62,5% (10/16)~~ | ~~56,2% (9/16)~~ | ~~56,2% (9/16)~~ | ~~68,8% (11/16)~~ | ~~n=16: non conclusivo~~ |
| **Resistenza a Loop / Balbuzie** | ~~presente~~ | ~~eliminata~~ | ~~eliminata al 100%~~ | ~~assente~~ | ~~non benchmarkizzato~~ |
| **Memoria KV-Cache (512 ctx)** | ~~0,8 MB~~ | ~~0,8 MB~~ | ~~0,8 MB~~ | ~~5,6 MB~~ | ~~solo stima strutturale~~ |
| **Footprint RAM Totale in Inferenza** | ~~120 MB~~ | ~~140 MB~~ | ~~140 MB~~ | ~~240 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 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:*
![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: 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:*
![Curva di Efficienza Token](./assets/efficiency_loss_curve.svg)
### 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):*
![Curva di Efficienza RAM KV-Cache](./assets/kv_cache_ram_curve.svg)
## 🔬 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:
1. **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.
2. **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`](./LICENSE.md).
È **SEVERAMENTE E TASSATIVAMENTE VIETATO** l'uso diretto o indiretto per:
1. **Applicazioni Belliche e Militari**: Sistemi d'arma, targeting autonomo, droni offensivi o pianificazione strategica di difesa/offesa bellica.
2. **Campagne Politiche e Astroturfing**: Propaganda di partito, influenza elettorale, profili bot su social media e manipolazione dell'opinione pubblica.
3. **Indottrinamento e Dogmi Religiosi**: Proselitismo settario o diffusione forzata di precetti confessionali.
4. **Pornografia, Abuso e Materiale per Adulti**: Qualsiasi forma di pornografia, sfruttamento minorile o contenuti degradanti.
5. **Dipendenze e Sostanze Nocive**: Gioco d'azzardo, casinò online, darknet market per stupefacenti o armi.
6. **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)](https://github.com/Thomasseri/R-08) | [Hugging Face](https://huggingface.co/SentinelHub/R-08)
- 🚀 [Sentinel R-08 v7.2 Warm-Start](https://github.com/Thomasseri/R-08-v7.2) | [Hugging Face](https://huggingface.co/SentinelHub/R-08-v7.2)
- 🔬 [Controllo A/B Transformer Baseline](https://github.com/Thomasseri/R-08-Transformer-Baseline) | [Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline)
*Creato con passione da Thomas Seri (Sentinel) — 2026.*

	---
	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

	[![Official Site](https://img.shields.io/badge/Sito%20Ufficiale-sentinelhub.eu-007acc.svg)](https://www.sentinelhub.eu)
	[![Ecosystem](https://img.shields.io/badge/Ecosistema-Sentinel%20LifeOS-purple.svg)](https://www.sentinelhub.eu)
	[![Tokenizer](https://img.shields.io/badge/Tokenizer-gpTommy%2032k-blue.svg)](https://github.com/Thomasseri/gpTommy-32k)
	[![Autore](https://img.shields.io/badge/Autore-Thomas%20Seri%20(Sentinel)-orange.svg)](https://www.sentinelhub.eu)

	> 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](https://www.sentinelhub.eu)
	> Vocabolario Ufficiale Correlato: [gpTommy 32k su GitHub](https://github.com/Thomasseri/gpTommy-32k) \| [Hugging Face](https://huggingface.co/SentinelHub/gpTommy-32k)
	> Stato di Rilascio: 🚀 Rilascio Ufficiale per Inferenza & Utilizzo (Pesi `model.safetensors` e 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 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 \|

	---

	> [!IMPORTANT]
	> ### ⚡ 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](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)


	## 💻 Come Usare subito Sentinel R-08 v7.2a (Inferenza Rapida)

	### 1. Requisiti
	```bash
	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:
	```bash
	python test_inference_release.py
	```

	### 3. Utilizzo da Codice Python
	```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) \| ~~80,95%~~ \| ~~82,02%~~ \| ~~82,51%~~ \| ~~85,84%~~ \| ~~tabella storica~~ \|
	\| MultiBLiMP Italiano (2.916 coppie) \| ~~73,46%~~ \| ~~73,46%~~ \| ~~76,71%~~ \| ~~86,83%~~ \| ~~tabella storica~~ \|
	\| TruthfulQA Anti-Allucinazione (Zero-Shot) \| ~~62,5% (10/16)~~ \| ~~56,2% (9/16)~~ \| ~~56,2% (9/16)~~ \| ~~68,8% (11/16)~~ \| ~~n=16: non conclusivo~~ \|
	\| Resistenza a Loop / Balbuzie \| ~~presente~~ \| ~~eliminata~~ \| ~~eliminata al 100%~~ \| ~~assente~~ \| ~~non benchmarkizzato~~ \|
	\| Memoria KV-Cache (512 ctx) \| ~~0,8 MB~~ \| ~~0,8 MB~~ \| ~~0,8 MB~~ \| ~~5,6 MB~~ \| ~~solo stima strutturale~~ \|
	\| Footprint RAM Totale in Inferenza \| ~~120 MB~~ \| ~~140 MB~~ \| ~~140 MB~~ \| ~~240 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 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:

	![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: 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:

	![Curva di Efficienza Token](./assets/efficiency_loss_curve.svg)

	### 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):

	![Curva di Efficienza RAM KV-Cache](./assets/kv_cache_ram_curve.svg)


	## 🔬 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:
	1. 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.
	2. 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`](./LICENSE.md).

	È SEVERAMENTE E TASSATIVAMENTE VIETATO l'uso diretto o indiretto per:
	1. Applicazioni Belliche e Militari: Sistemi d'arma, targeting autonomo, droni offensivi o pianificazione strategica di difesa/offesa bellica.
	2. Campagne Politiche e Astroturfing: Propaganda di partito, influenza elettorale, profili bot su social media e manipolazione dell'opinione pubblica.
	3. Indottrinamento e Dogmi Religiosi: Proselitismo settario o diffusione forzata di precetti confessionali.
	4. Pornografia, Abuso e Materiale per Adulti: Qualsiasi forma di pornografia, sfruttamento minorile o contenuti degradanti.
	5. Dipendenze e Sostanze Nocive: Gioco d'azzardo, casinò online, darknet market per stupefacenti o armi.
	6. 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)](https://github.com/Thomasseri/R-08) \| [Hugging Face](https://huggingface.co/SentinelHub/R-08)
	- 🚀 [Sentinel R-08 v7.2 Warm-Start](https://github.com/Thomasseri/R-08-v7.2) \| [Hugging Face](https://huggingface.co/SentinelHub/R-08-v7.2)
	- 🔬 [Controllo A/B Transformer Baseline](https://github.com/Thomasseri/R-08-Transformer-Baseline) \| [Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline)

	Creato con passione da Thomas Seri (Sentinel) — 2026.