R-08 / README.md

Thomas

docs: remove obsolete Cristallo references

bdb0b04 3 days ago

18.9 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
- 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 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 50M)
### *Il Cuore Neurale Geometrico di SENTINEL LifeOS*

[![Model Name](https://img.shields.io/badge/Model-R08%20(Rob)-orange.svg)](https://github.com/Thomasseri/R-08)
[![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-45M-blue.svg)](https://github.com/Thomasseri/R-08)
[![Architecture](https://img.shields.io/badge/Architecture-Geodesic%20Pyramidal%20Sphere-brightgreen.svg)](https://github.com/Thomasseri/R-08)
[![Language](https://img.shields.io/badge/Language-Italian%20(IT)-yellow.svg)](https://github.com/Thomasseri/R-08)
[![License](https://img.shields.io/badge/License-Non--Commercial%20Research-lightgrey.svg)](LICENSE.md)

**Nome Ufficiale del Modello:** **R08** *(per gli amici **Rob**, da Robot)* 
**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 (Sentinel) 
**Organizzazione:** SentinelHub 
**Hardware di Sviluppo:** Apple Silicon (Metal Performance Shaders - MPS) 
**Versione Successiva Evoluta:** 🚀 [**Sentinel R-08 v7.2 (51.6M)**](https://huggingface.co/SentinelHub/R-08-v7.2) | [GitHub v7.2](https://github.com/Thomasseri/R-08-v7.2) 
**Nuovo modello:** 🌟 [**Sentinel R-08 v7.2a DA ZERO (51.6M)**](https://github.com/Thomasseri/R-08-v7.2a) | [Hugging Face v7.2a](https://huggingface.co/SentinelHub/R-08-v7.2a)

> [!TIP]
> ### 🚀 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](https://github.com/Thomasseri/R-08-v7.2a) | [SentinelHub/R-08-v7.2a](https://huggingface.co/SentinelHub/R-08-v7.2a)
> - 🐙 **GitHub v7.2:** [Thomasseri/R-08-v7.2](https://github.com/Thomasseri/R-08-v7.2) | [SentinelHub/R-08-v7.2](https://huggingface.co/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 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

**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:

1. **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.

2. **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.

3. **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.

4. **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).

5. **Integrazione con Sentinel Knowledge Ecosystem**:
  - R08 è progettato nativamente per accoppiarsi al motore ontologico a 4 livelli della piattaforma [Sentinel LifeOS](https://www.sentinelhub.eu), 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)~~

> [!IMPORTANT]
> **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](https://github.com/Thomasseri/R-08-Transformer-Baseline)
> - 🤗 **Hugging Face Hub:** [SentinelHub/R-08-Transformer-Baseline](https://huggingface.co/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](https://huggingface.co/SentinelHub/R-08-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](https://github.com/Thomasseri/R-08-Transformer-Baseline) e [Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline).

| Metrica di Laboratorio | Sentinel R08 (v7) | 🚀 [**R-08 v7.2**](https://huggingface.co/SentinelHub/R-08-v7.2) | 🌟 [**R-08 v7.2a DA ZERO**](https://github.com/Thomasseri/R-08-v7.2a) | Transformer Baseline (185k Pre) | Transformer Baseline (10k Mid) | Vantaggio Architetturale R08 |
| :--- | :---: | :---: | :---: | :---: | :---: | :---: |
| **Parametri Totali** | ~~44.5M~~ | ~~51.6M~~ | ~~51.6M~~ | ~~44.9M~~ | ~~44.9M~~ | ~~Pesi equivalenti (~45-51M)~~ |
| **Strati di Attenzione Densa** | ~~2 strati~~ | ~~2 strati~~ | ~~2 strati~~ | ~~14 strati~~ | ~~14 strati~~ | ~~−85,7% strati densi~~ |
| **BLiMP-IT (Accuratezza Linguistica)** | ~~80,95%~~ | ~~82,02%~~ | ~~82,51%~~ | ~~82,53%~~ | ~~85,84%~~ | ~~confronto non omogeneo~~ |
| **MultiBLiMP (Ragionamento Sintattico)** | ~~73,46%~~ | ~~73,46%~~ | ~~76,71%~~ | ~~85,15%~~ | ~~86,83%~~ | ~~confronto non omogeneo~~ |
| **Resistenza Allucinazioni (Zero-Shot)** | ~~62,5%~~ | ~~56,2%~~ | ~~56,2%~~ | ~~56,2%~~ | ~~68,8%~~ | ~~n=16: non conclusivo~~ |
| **Throughput Training (MPS)** | ~~circa 10.150 tok/s~~ | ~~circa 7.200 tok/s~~ | ~~circa 7.694 tok/s~~ | ~~circa 8.650 tok/s~~ | ~~circa 8.650 tok/s~~ | ~~ritirato: setup non omogeneo~~ |
| **Impronta Memoria KV-Cache (512 ctx)** | ~~0,8 MB~~ | ~~0,8 MB~~ | ~~0,8 MB~~ | ~~5,6 MB~~ | ~~5,6 MB~~ | ~~stima strutturale, non RAM/energia misurata~~ |

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

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

#### Insight Ingegneristico dello Studio A/B:
1. **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).
2. **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.
3. **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](https://huggingface.co/SentinelHub/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.

> [!NOTE]
> - **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:

```python
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`](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`](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) |

	---
	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
	---

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

	# R08 (Rob) — Geodesic Mesh Neural Network (Pyramidal Sphere 50M)
	### Il Cuore Neurale Geometrico di SENTINEL LifeOS

	[![Model Name](https://img.shields.io/badge/Model-R08%20(Rob)-orange.svg)](https://github.com/Thomasseri/R-08)
	[![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-45M-blue.svg)](https://github.com/Thomasseri/R-08)
	[![Architecture](https://img.shields.io/badge/Architecture-Geodesic%20Pyramidal%20Sphere-brightgreen.svg)](https://github.com/Thomasseri/R-08)
	[![Language](https://img.shields.io/badge/Language-Italian%20(IT)-yellow.svg)](https://github.com/Thomasseri/R-08)
	[![License](https://img.shields.io/badge/License-Non--Commercial%20Research-lightgrey.svg)](LICENSE.md)

	Nome Ufficiale del Modello: R08 (per gli amici Rob, da Robot)
	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 (Sentinel)
	Organizzazione: SentinelHub
	Hardware di Sviluppo: Apple Silicon (Metal Performance Shaders - MPS)
	Versione Successiva Evoluta: 🚀 [Sentinel R-08 v7.2 (51.6M)](https://huggingface.co/SentinelHub/R-08-v7.2) \| [GitHub v7.2](https://github.com/Thomasseri/R-08-v7.2)
	Nuovo modello: 🌟 [Sentinel R-08 v7.2a DA ZERO (51.6M)](https://github.com/Thomasseri/R-08-v7.2a) \| [Hugging Face v7.2a](https://huggingface.co/SentinelHub/R-08-v7.2a)

	> [!TIP]
	> ### 🚀 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](https://github.com/Thomasseri/R-08-v7.2a) \| [SentinelHub/R-08-v7.2a](https://huggingface.co/SentinelHub/R-08-v7.2a)
	> - 🐙 GitHub v7.2: [Thomasseri/R-08-v7.2](https://github.com/Thomasseri/R-08-v7.2) \| [SentinelHub/R-08-v7.2](https://huggingface.co/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 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

	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:

	1. 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.

	2. 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.

	3. 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.

	4. 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).

	5. Integrazione con Sentinel Knowledge Ecosystem:
	- R08 è progettato nativamente per accoppiarsi al motore ontologico a 4 livelli della piattaforma [Sentinel LifeOS](https://www.sentinelhub.eu), 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)~~

	> [!IMPORTANT]
	> 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](https://github.com/Thomasseri/R-08-Transformer-Baseline)
	> - 🤗 Hugging Face Hub: [SentinelHub/R-08-Transformer-Baseline](https://huggingface.co/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](https://huggingface.co/SentinelHub/R-08-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](https://github.com/Thomasseri/R-08-Transformer-Baseline) e [Hugging Face](https://huggingface.co/SentinelHub/R-08-Transformer-Baseline).

	\| Metrica di Laboratorio \| Sentinel R08 (v7) \| 🚀 [R-08 v7.2](https://huggingface.co/SentinelHub/R-08-v7.2) \| 🌟 [R-08 v7.2a DA ZERO](https://github.com/Thomasseri/R-08-v7.2a) \| Transformer Baseline (185k Pre) \| Transformer Baseline (10k Mid) \| Vantaggio Architetturale R08 \|
	\| :--- \| :---: \| :---: \| :---: \| :---: \| :---: \| :---: \|
	\| Parametri Totali \| ~~44.5M~~ \| ~~51.6M~~ \| ~~51.6M~~ \| ~~44.9M~~ \| ~~44.9M~~ \| ~~Pesi equivalenti (~45-51M)~~ \|
	\| Strati di Attenzione Densa \| ~~2 strati~~ \| ~~2 strati~~ \| ~~2 strati~~ \| ~~14 strati~~ \| ~~14 strati~~ \| ~~−85,7% strati densi~~ \|
	\| BLiMP-IT (Accuratezza Linguistica) \| ~~80,95%~~ \| ~~82,02%~~ \| ~~82,51%~~ \| ~~82,53%~~ \| ~~85,84%~~ \| ~~confronto non omogeneo~~ \|
	\| MultiBLiMP (Ragionamento Sintattico) \| ~~73,46%~~ \| ~~73,46%~~ \| ~~76,71%~~ \| ~~85,15%~~ \| ~~86,83%~~ \| ~~confronto non omogeneo~~ \|
	\| Resistenza Allucinazioni (Zero-Shot) \| ~~62,5%~~ \| ~~56,2%~~ \| ~~56,2%~~ \| ~~56,2%~~ \| ~~68,8%~~ \| ~~n=16: non conclusivo~~ \|
	\| Throughput Training (MPS) \| ~~circa 10.150 tok/s~~ \| ~~circa 7.200 tok/s~~ \| ~~circa 7.694 tok/s~~ \| ~~circa 8.650 tok/s~~ \| ~~circa 8.650 tok/s~~ \| ~~ritirato: setup non omogeneo~~ \|
	\| Impronta Memoria KV-Cache (512 ctx) \| ~~0,8 MB~~ \| ~~0,8 MB~~ \| ~~0,8 MB~~ \| ~~5,6 MB~~ \| ~~5,6 MB~~ \| ~~stima strutturale, non RAM/energia misurata~~ \|

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

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

	#### Insight Ingegneristico dello Studio A/B:
	1. 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).
	2. 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.
	3. 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](https://huggingface.co/SentinelHub/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.

	> [!NOTE]
	> - 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:

	```python
	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`](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`](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) \|