Modelpublic

7dsolv/Konaet-Core-Oliveira-v2-Lab

sourceHugging Faceotherupdated 20d agoView on Hugging Face

0likes499downloads

Model Card

<img src="https://huggingface.co/7dsolv/Konaet-Core-Oliveira-v2-Lab/resolve/main/assets/oliveira-v2/cover.png" alt="Arte conceitual da memória causal: filamentos de cobre e ciano atravessam planos de vidro escuro." width="100%"> Memory Weave · interpretação visual da arquitetura, gerada por IA.

Um núcleo Konaet para pesquisar linguagem, memória e otimização em português.

<a href="#arquitetura">Arquitetura</a> · <a href="#resultados">Resultados</a> · <a href="#respostas-observadas">Respostas</a> · <a href="#uso-local">Uso local</a> · <a href="#artefatos-e-procedencia">Artefatos</a>

Identidade do experimento

Konaet Core Oliveira v2 Lab reúne 50.545.736 parâmetros densos, memória causal em três escalas e o otimizador experimental Oliveira. O código foi desenvolvido no projeto Konaet; esta linhagem começou com pesos aleatórios e prosseguiu por checkpoints próprios, conforme o manifest de procedência.

Esta página apresenta uma fotografia da revisão `06b277613e61bf71da670408800bff0d691a8475`. Os resultados e exemplos abaixo vêm dos arquivos dessa revisão; a edição visual não representa uma rodada nova de treino.

Núcleo	Representação	Treinamento registrado	Formato dos pesos
Memory Weave v1	bytes UTF-8 · 261 IDs	619 passos acumulados	Safetensors · F32 · 202,20 MB

Arquitetura

O texto é convertido em bytes e projetado em vetores de largura 512. Cada um dos 12 blocos combina convolução causal, memórias com janelas 16, 64 e 192, portas de leitura/escrita e uma rede densa. A saída prevê o próximo ID e compartilha seus pesos com o embedding de entrada.

![Diagrama do núcleo: bytes, embedding, doze blocos causais com três escalas de memória, FFN e projeção final.](https://huggingface.co/7dsolv/Konaet-Core-Oliveira-v2-Lab/resolve/main/assets/oliveira-v2/architecture.svg)

Clique no diagrama para abrir o SVG em tamanho original.

O decaimento de cada escala e a mistura entre escalas são aprendidos. As janelas descrevem o mecanismo de memória, não um resultado medido de compreensão de contexto longo. Nesta configuração, experts: 1 seleciona o caminho FFN denso.

<details> <summary>Ficha técnica e implementação</summary>

Elemento	Configuração publicada
Identificador arquitetural	`konaet-memory-weave-v1`
Parâmetros	50.545.736, confirmados pelo inventário Safetensors e pela procedência
Profundidade / largura	12 blocos / 512 canais
FFN	expansão 4 · largura intermediária 2.048 · porta SiLU
Convolução	depthwise causal · kernel 5 · dilatações 1, 2, 4, 8, 16, 32, repetidas
Normalização	RMSNorm
Memória	médias causais ponderadas, decaimento aprendido e mistura de três escalas
Vocabulário	256 valores de byte + 5 IDs especiais
Saída	projeção compartilhada com o embedding
Dropout	0,0 na configuração publicada
Otimizador	`oliveira-causal-conflict-v2` · candidato experimental

Fontes: config.json, tokenizer.json, código público do runtime.

</details>

Resultados

Os relatórios registram três tipos de medição, com escopos diferentes:

Medição	Resultado	O que foi medido
Chat funcional assistido pelo runtime	3/3	identidade, conta com calculadora e conceito de software
Acurácia guiada por byte	77,07%	próximo byte com prefixo correto fornecido
Sequências exatas guiadas	7,50%	acerto de toda a sequência sob esse mesmo protocolo
Perda guiada de teste	0,7557	média no conjunto de 40 exemplos avaliados
Tensores que receberam gradiente	194/194	cobertura do grafo durante o ciclo registrado

O teste guiado selecionou 40 de 2.807 exemplos disponíveis, com cinco por categoria e limite de sequência de 256 IDs. O prefixo correto é apresentado a cada previsão. Por isso, o gráfico descreve esse teste específico; geração livre e programação executável precisam de avaliações próprias.

![Gráfico em escala de zero a cem por cento da acurácia guiada por byte em oito categorias, com cinco exemplos em cada categoria.](https://huggingface.co/7dsolv/Konaet-Core-Oliveira-v2-Lab/resolve/main/assets/oliveira-v2/results.svg)

<details> <summary>Último ciclo e critérios de promoção</summary>

O último ciclo publicado executou um passo, passando de 618 para 619 passos acumulados. A perda de validação passou de 0,440624 para 0,441165. O relatório registra promotion_passed: false e o otimizador segue como candidato experimental. O gate funcional 3/3 tem um escopo menor que a aprovação de uma release para produção.

Os números são medições internas do projeto, sem réplica independente registrada neste repositório. Fontes: training_metrics.json, test_metrics.json e chat_probe.json.

</details>

Respostas observadas

Trechos literais do chat_probe.json, em decodificação greedy determinística, com limite de 96 IDs gerados. São exemplos arquivados desta revisão.

Pergunta	Resposta registrada	Origem da resposta
Qual é o nome desta IA?	Sou a Konaet, uma assistente local e auditável.	geração neural
Quanto é 17 vezes 23?	O resultado é 391.	geração neural + calculadora do runtime
Explique em uma frase o que é um requisito de software.	Um requisito descreve uma necessidade, condição ou capacidade que o sistema deve atender.	geração neural

O segundo exemplo mostra uma propriedade útil do sistema: o runtime recupera os operandos do pedido original antes de executar a conta. O rastro publicado permite inspecionar cada etapa:

![Rastro real: pedido 17 vezes 23, proposta neural calcular 99*99, validação recupera 17 e 23, calculadora retorna 391.](https://huggingface.co/7dsolv/Konaet-Core-Oliveira-v2-Lab/resolve/main/assets/oliveira-v2/runtime.svg)

Esse comportamento torna o cálculo auditável. A evidência do 3/3 pertence ao sistema com suas ferramentas e não atribui ao núcleo neural o acerto isolado da operação matemática.

Uso local

O checkpoint usa o runtime Python personalizado da Konaet. Para reproduzir o experimento, prepare Python 3.12, instale as dependências e baixe somente os arquivos necessários para inferência. Os pesos ocupam aproximadamente 202,20 MB; a memória de execução também inclui ativações e dependências.

powershell

# Ambiente isolado; não precisa clonar o GitHub
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install "huggingface_hub==1.29.0"

# Lista explícita: pesos + configuração + runtime + licença
.\.venv\Scripts\hf.exe download 7dsolv/Konaet-Core-Oliveira-v2-Lab model.safetensors config.json tokenizer.json konaet-oliveira-runtime.zip LICENSE --local-dir Konaet-Oliveira-v2

Expand-Archive -LiteralPath Konaet-Oliveira-v2/konaet-oliveira-runtime.zip -DestinationPath Konaet-Oliveira-v2/runtime
.\.venv\Scripts\python.exe -m pip install -r Konaet-Oliveira-v2/runtime/requirements.txt

# Confere arquivos e executa os três prompts históricos
.\.venv\Scripts\python.exe Konaet-Oliveira-v2/runtime/run.py --verify-only
.\.venv\Scripts\python.exe Konaet-Oliveira-v2/runtime/run.py

# Chat experimental no terminal; /sair encerra
.\.venv\Scripts\python.exe Konaet-Oliveira-v2/runtime/run.py --chat

O download recebe os arquivos atuais da distribuição; o launcher só aceita os pesos e a configuração da revisão de evidência identificada neste cartão. Depois da instalação e do download, a inferência executa localmente. O probe imprime JSON no terminal, sem sobrescrever relatórios. Confira o resultado com o relatório publicado; ambiente e dependências também fazem parte da reprodução.

O modo chat executa consultas independentes, sem guardar histórico. Acrescente --raw para visualizar a saída neural e o rastro das ferramentas. O pacote inclui somente o runtime de inferência desta linha; seu código pode ser inspecionado diretamente no Hub.

<details> <summary>Verificar a integridade dos pesos</summary>

powershell

(Get-FileHash -Algorithm SHA256 Konaet-Oliveira-v2/model.safetensors).Hash.ToLower()

SHA-256 esperado:

text

443e91fea934856f601b63014a60857c473e428a61b6b05e4d7b24ece0335b9a

SHA-256 do pacote konaet-oliveira-runtime.zip:

text

1b99ecb914e2fe1d2848b6ce433c08194867d27a75e11fc25546dae66996d8fb

Revisão do modelo: 06b277613e61bf71da670408800bff0d691a8475. Revisão de código registrada: 59568d781a7549b9b70362c0abfd030f13b9f61b.

</details>

Artefatos e procedencia

Arquivo	Finalidade
model.safetensors	pesos F32 para inferência
config.json	configuração exata da arquitetura
tokenizer.json	bytes e IDs especiais
training_metrics.json	gradientes, otimizador e decisão de promoção
test_metrics.json	avaliação guiada e resultados por categoria
chat_probe.json	perguntas, respostas e chamadas de ferramenta
foundation_provenance.json	origem dos pesos, dados e hashes
remote_run.json	execução remota e revisão do código
optimizer.pt	estado de treino; desnecessário para o probe
presentation_manifest.json	revisão das evidências e hashes dos arquivos visuais
presentation_evidence.json	fotografia dos dados usados nesta edição visual
konaet-oliveira-runtime.zip	pacote público de inferência e chat experimental
runtime_manifest.json	fontes, revisão e SHA-256 do runtime
runtime_verification.json	ambiente isolado, nove verificações do pacote e replay dos três prompts históricos
LICENSE	Konaet Research and Commercial License 1.0

O treinamento registra o conjunto 7dsolv/Konaet-Engenharia-v1, com os splits, revisões e direitos declarados na procedência. Acesso aos dados depende da disponibilidade e das permissões desse repositório.

Licença Konaet

Os pesos desta distribuição, seu runtime e a documentação estão identificados sob a Konaet Research and Commercial License 1.0 (LicenseRef-Konaet-RCL-1.0), publicada em LICENSE. Pesquisa, estudo, avaliação e adaptações não comerciais são permitidos sob seus termos; uso comercial exige acordo separado com Adilson Oliveira / 7dsolv. É uma licença de código disponível com restrição comercial. As dependências e os dados de terceiros conservam seus próprios termos.

O Hub classifica licenças personalizadas como other. O nome e o link acima identificam a licença específica da Konaet. Contato: perfil 7dsolv.

Próximos marcos

Frente	Próxima evidência necessária
Conversa e código	mais prompts reservados; tarefas de código verificadas por execução isolada
Memória causal	testes de recuperação de informação e comparação entre escalas
Oliveira Optimizer	ablações com dados, orçamento e seeds equivalentes
Execução local	latência, memória de pico e ambiente documentados
Reprodução	reexecução independente com pesos, código e dados identificados
Distribuição	ampliar as plataformas testadas para o pacote público

O trabalho visual usa quatro figuras SVG editáveis, incluindo o gráfico gerado a partir dos dados publicados, e uma capa conceitual criada com IA. Fontes e instruções de reconstrução estão na pasta pública de apresentação.

KONAET CORE Oliveira v2 Lab · Adilson Oliveira / 7dsolv Arquitetura documentada. Resultados rastreáveis. Pesquisa em evolução.