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
- italian
pipeline_tag: text-generation
inference: false
R08 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 50M)
Il Cuore Neurale Geometrico di SENTINEL LifeOS
-orange.svg){kind=icon}
-yellow.svg){kind=icon}
Nome Ufficiale del Modello: R08 (per gli amici Rob, da Robot) Progetto Padre & Ecosistema: Sentinel LifeOS (Il Sistema Operativo di Vita e Gestione) Sito Ufficiale: www.sentinelhub.eu Autore & Ideatore: Thomas Seri (Sentinel) Organizzazione: SentinelHub Hardware di Sviluppo: Apple Silicon (Metal Performance Shaders - MPS) Versione Successiva Evoluta: 🚀 Sentinel R-08 v7.2 (51.6M) | GitHub v7.2 Nuovo modello: 🌟 Sentinel R-08 v7.2a DA ZERO (51.6M) | Hugging Face v7.2a
🚀 È Rilasciato il Nuovo Modello Sentinel R08-v7.2 (51.6M) & v7.2a DA ZERO
L'evoluzione neurale geometrica di Sentinel LifeOS è ora disponibile con Convoluzioni Causali 1D Inter-Stadio ($k=4$) e 12 Hub Regionali dell'Icosaedro:
- BLiMP-IT: 82.02% (v7.2) e 82.51% (v7.2a DA ZERO), il migliore tra gli R-08 (Transformer di controllo a 14 strati: 85.84%)
- MultiBLiMP: 76.71% (v7.2a) (Transformer di controllo: 86.83%)
- Eliminazione totale di loop e balbuzie ciclica nei testi lunghi
- -85.7% di memoria KV-Cache rispetto al Transformer di controllo (2 strati di attenzione contro 14)
- 🌟 GitHub v7.2a: Thomasseri/R-08-v7.2a | SentinelHub/R-08-v7.2a
- 🐙 GitHub v7.2: Thomasseri/R-08-v7.2 | SentinelHub/R-08-v7.2
⚠️ Correzioni e Aggiornamento Tecnico (7 novembre 2026)
Abbiamo ricontrollato il codice pubblicato e le misure hardware su Apple M1 Max (float32, benchmark A6 con lettura energetica PMU isolata). Qui sotto gli errori corretti, i dati dichiarati in precedenza e quelli misurati ora:
| # | Voce | Prima (dichiarato / codice precedente) | Ora (misurato / corretto) | Stato |
|---|---|---|---|---|
| 1 | Avvio moduli Python (modeling_geodesic.py, geodesic_stages*_model.py, modeling_transformer.py) |
Pronti all'uso | SyntaxError all'import perché from __future__ import annotations si trovava dopo l'intestazione di licenza |
Corretto in questo aggiornamento (spostata la riga di import in cima al file; licenza invariata) |
| 2 | Caricamento model.safetensors con Faccia di Veglia (watchman.*) |
load_state_dict(strict=True) e rotazione finale non accoppiata |
Falliva per 8 buffer deterministici watchman.* non inclusi nel file .safetensors, e inject_geodesic_nonlinear_entanglement non applicava la pre-rotazione ortogonale q_0^T abbinata a q_lic |
Corretto in modeling_geodesic.py e watchman_keystone_r08.py; corretto anche l'URL di fallback verso SentinelHub/R-08-v7.2a (pesi disponibili nelle GitHub Releases) |
| 3 | Memoria in inferenza (float32, Apple M1 Max) |
Confronto A6 aggiornato (modelli pubblici) — Memoria GPU MPS di picco: 261,4 MB (Transformer, 58,9M param), 375,8 MB (R-08 3 sfere, 57,1M param). RAM processo (RSS) dopo caricamento mmap=True: 401–461 MB |
Aggiornato: il dato storico resta visibile ma barrato; il confronto corrente include solo modelli pubblicati | |
| 4 | Velocità ed energia per token generato (decodifica continua 64→192 token su M1 Max float32) |
Confronto A6 aggiornato (modelli pubblici) — Velocità: 19,2 ± 1,5 tok/s (R-08 3 sfere), 83,2 ± 1,1 tok/s (Transformer). Energia netta: 342 ± 50 mJ/tok (Transformer), 521 ± 85 mJ/tok (R-08 3 sfere, potenza istantanea +9,8 W) |
Aggiornato: il dato storico resta visibile ma barrato; il confronto corrente include solo modelli pubblicati |
💼 Investment, Compute Grants & Enterprise Licensing (Investimenti & Partnership Industriali)
🇬🇧 Sentinel is scaling the Geodesic Pyramidal Sphere Architecture (
R-08) from 50M to 110M–1B+ parameters, with a patent application filed at the Italian Patent and Trademark Office (UIBM).
Open to Seed / Deep-Tech Investment, GPU/TPU Compute Grants, and Enterprise R&D Partnerships.
🇮🇹 Aperto a Investimenti Seed / Deep-Tech, Grant Computazionali GPU/TPU e Licenze Industriali Enterprise.
📩 Contact Founder & Inventor Thomas Seri: 🌐 www.sentinelhub.eu | 🐙 GitHub (@Thomasseri) | 🤗 Hugging Face (@SentinelHub) | 💬 Open an Inquiry / Issue
🧭 Cos'è Sentinel LifeOS e perché nasce R08
Sentinel è più di un software: 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.
Mentre i sistemi tradizionali sono frammentati tra decine di app ed Excel, Sentinel rimette la persona e l'azienda al centro. Per dare a Sentinel una vera intelligenza operativa autonoma, locale e non dipendente da cloud esterni, è nato R08 (Rob): un modello neurale compatto da 45 Milioni di parametri basato su una geometria interamente nuova.
🌟 L'Innovazione Architetturale di R08
Mentre i Large Language Model convenzionali si affidano al solito Transformer "piatto" a matrici dense con complessità quadratica $O(N^2)$, R08 introduce una topologia sferico-piramidale non-euclidea:
- Topologia a Sfera Geodetica (Buckminster Fuller):
- I pesi e le rappresentazioni concettuali sono distribuiti sulle 80 facce triangolari di un icosaedro geodetico regolarizzato a 42 vertici proiettato su una sfera 3D.
- Ogni token viene instradato nello spazio geometrico sferico, favorendo un clustering naturale dei concetti affini e riducendo drasticamente le allucinazioni.
- Centro Piramidale (Pyramidal Center Hub a 1-Hop):
- Al centro della sfera risiede un super-nodo piramidale connesso a tutte le 80 facce triangolari (753.408 parametri dedicati).
- Consente lo scambio istantaneo di informazioni globali polo-polo in un solo passaggio, eliminando i colli di bottiglia.
- Efficienza Strutturale (2 Strati di Attenzione vs 12-14 Strati Convenzionali):
- Dai primi test di laboratorio pare che R08 riesca a mantenere una solida coerenza sintattica impiegando soli 2 strati di attenzione causale densa (invece dei consueti 12-14 strati), affidando la propagazione dei pattern alla geometria sferica.
- Cascata Multilivello a 3 Stadi in Serie:
- Stadio 1 (Pezzi): Subword grain fine (1.251 token).
- Stadio 2 (Parole): Lessico esteso (17.908 token).
- Stadio 3 (Unioni): Sintagmi e unioni concettuali (20.006 token).
- Integrazione con Sentinel Knowledge Ecosystem:
- R08 è progettato nativamente per accoppiarsi al motore ontologico a 4 livelli della piattaforma Sentinel LifeOS, con l'obiettivo di supportare query tecniche su codici ricambio, coppie di serraggio (Nm) e parametri industriali.
📊 Benchmark Comparativi di Laboratorio & Studio A/B (~45M - 125M) — archivio
Archivio. La tabella seguente conserva i numeri pubblicati in precedenza, ma combina budget e protocolli diversi; perciò non costituisce un A/B rigoroso e non va usata per dedurre velocità, RAM reale, energia o causalità architetturale. I valori sono mantenuti barrati per tracciabilità.
1. Studio A/B Diretto: Sentinel R08 (v7 Pyramid) vs Transformer Baseline (Chinchilla 185k)
Modello di Controllo Open Source per il Paragone Scientifico (Vocabolario 1.2k pezzi): Per consentire alla community scientifica di replicare ed esaminare in modo trasparente tutti i risultati comparativi rispetto all'architettura a geoide piramidale (Sentinel R-08), il modello Transformer denso di controllo utilizzato per il benchmark (44.9M parametri, 14 strati di attenzione causale, stesso identico dataset Chinchilla e stesso vocabolario a 1.2k pezzi subword) è interamente accessibile con codice sorgente e pesi safetensors:
- 🐙 GitHub: Thomasseri/R-08-Transformer-Baseline
- 🤗 Hugging Face Hub: SentinelHub/R-08-Transformer-Baseline
Per quantificare scientificamente il contributo dell'architettura a 3 sfere geodetiche e centro piramidale rispetto all'architettura standard a matrici dense, è stato condotto un esperimento di controllo A/B rigoroso:
- Pari Dati e Token: Entrambi i modelli sono stati addestrati sullo stesso identico corpus (
v22_chinchilla_mix, 0.74B token Chinchilla-optimal), stesso vocabolario a 1.251 pezzi (vocab_stages), stesso batch size e stesso hardware di sviluppo (Apple Silicon MPS). - Confronto Strutturale: Sentinel R08 (v7 Pyramid, 44.5M) impiega soli 2 strati di attenzione densa integrati da 3 stadi di geosfere a 80 facce e centro piramidale a 1-hop; la Transformer Baseline (44.9M) adotta 14 strati di attenzione causale densa standard (GPT-2 style). Il codice sorgente e i checkpoint safetensors della baseline sono liberamente consultabili e scaricabili su GitHub e Hugging Face.
| Metrica di Laboratorio | Sentinel R08 (v7) | 🚀 R-08 v7.2 | 🌟 R-08 v7.2a DA ZERO | Transformer Baseline (185k Pre) | Transformer Baseline (10k Mid) | Vantaggio Architetturale R08 |
|---|---|---|---|---|---|---|
| Parametri Totali | ||||||
| Strati di Attenzione Densa | ||||||
| BLiMP-IT (Accuratezza Linguistica) | ||||||
| MultiBLiMP (Ragionamento Sintattico) | ||||||
| Resistenza Allucinazioni (Zero-Shot) | ||||||
| Throughput Training (MPS) | ||||||
| Impronta Memoria KV-Cache (512 ctx) |
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 descrivono qualità linguistica; non dimostrano un vantaggio causale dell'architettura. Il throughput è riportato come n.d. finché non sarà rimisurato con protocollo 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.
📈 Grafici Lineari di Efficienza Hardware & Token
1. Curva di Efficienza dei Token (Loss vs Token Visti)
2. Footprint Memoria RAM KV-Cache vs Lunghezza Contesto
Insight Ingegneristico dello Studio A/B:
- Compromesso qualità / memoria: Il Transformer a 14 strati densi ottiene una precisione grammaticale superiore (85.84% contro 80.95% – 82.51% su BLiMP-IT, 86.83% contro 73.46% – 76.71% su MultiBLiMP), ma richiede 7 volte più memoria di KV-Cache in RAM (5.6 MB contro 0.8 MB a 512 token).
- Geometria Geodetica: Sentinel R08 raggiunge l'80.95% – 82.51% su BLiMP-IT con soli 2 strati di attenzione, a circa 3–5 punti dal Transformer a 14 strati: un compromesso interessante per dispositivi con poca memoria.
- L'evoluzione di R-08 v7.2: L'ipotesi sperimentale è stata validata con successo: con l'introduzione delle Convoluzioni Causali 1D inter-sfera ($k=4$) e dei 12 Poli Hub regionali dell'Icosaedro, la generazione ha debellato i loop di balbuzie e l'accuratezza è balzata all'82.02% (vedi R-08 v7.2).
2. Confronto con modelli esterni
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.
- Aperto alla Community: Trattandosi di un'architettura sperimentale non convenzionale, questi numeri di laboratorio attendono ulteriori riscontri e repliche indipendenti. Il codice e i pesi sono 100% open source proprio per invitare ricercatori, ingegneri e appassionati a testare il modello nei loro ambienti e a condividere feedback, limiti o suggerimenti.
🚀 Utilizzo Rapido (Inference Quickstart)
Il modello può essere eseguito localmente su qualsiasi computer (Mac Metal MPS, GPU CUDA o CPU) in 3 righe di codice:
from modeling_geodesic import R08Model, R08Tokenizer
# 1. Carica Tokenizer e Modello dai pesi safetensors (Hugging Face Hub)
tokenizer = R08Tokenizer.from_pretrained("SentinelHub/R-08")
model = R08Model.from_pretrained("SentinelHub/R-08")
# 2. Genera testo con sampling e repetition penalty
prompt = "Utente: Ciao, come stai?\nAssistente:"
risposta = model.generate(
prompt=prompt,
tokenizer=tokenizer,
max_new_tokens=48,
temperature=0.7,
top_p=0.9,
repetition_penalty=1.15
)
print(risposta)
🔒 Proprietà Intellettuale & Licenza
Il modello R08 e il sistema Sentinel LifeOS sono distribuiti sotto la licenza Sentinel R08 Non-Commercial Research & Ethical License (consultabile in LICENSE.md).
- ✅ Consentito: Studio personale, ricerca accademica, test di riproducibilità e citazione scientifica.
- ❌ Vietato a Scopi di Lucro: Qualsiasi utilizzo commerciale, vendita, sublicenza o incorporazione in prodotti for-profit senza licenza commerciale scritta rilasciata da Sentinel.
- 🚫 Divieti Etici Assoluti (Acceptable Use Policy): È severamente 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/stupefacenti), decisioni mediche/finanziarie autonome non supervisionate o sorveglianza biometrica lesiva dei diritti umani.
- 🛡️ Tutela Marchio & Esonero Responsabilità: Marchi "Sentinel" e "Thomas Seri" protetti contro uso non autorizzato. Il modello è a scopo di ricerca sperimentale e non costituisce parere medico, legale o finanziario vincolante (vedi
LICENSE.md).
📋 Specifiche Tecniche Ufficiali & Architettura Hardware
| Parametro Tecnico | Valore Certificato (Sentinel R-08 v7.0) |
|---|---|
| Architettura Neurale | Geodesic Pyramidal Mesh Network (3 Sfere Concentriche a 80 facce icosaedriche + Super-Nodo Piramidale Centrale, soli 2 strati di attenzione densa) |
Parametri Totali in model.safetensors |
44.936.996 tensori totali salvati (composti da 44.575.667 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. |
| Finestra di Contesto Operativa | 256 – 512 token nativi (valutata fino a 2.048 token in inferenza con soli 0,8 MB – 3,2 MB di KV-Cache). |
| Benchmark | 80,95% su BLiMP-IT (3.481 coppie) e 73,46% su MultiBLiMP Italiano (2.916 coppie). TruthfulQA ridotto: 62,5% (10/16 domande, campione troppo piccolo per confronti). Footprint RAM ~120 MB. |
| Lingua & Licenza | Italiano (it) · R08 Non-Commercial Research & Ethical License v2.0 (Foro Esclusivo di Milano) |