Konaet-Core-Oliveira-v2-Lab

<p align="center"> <img src="https://huggingface.co/7dsolv/Konaet-Core-Oliveira-v2-Lab/resolve/main/assets/oliveira-v2/identity.svg" alt="Konaet Core — Oliveira v2 Lab: 50,55 milhões de parâmetros, 12 blocos Memory Weave, 261 IDs byte-level." width="100%"> </p> <p align="center"> <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%"> <br>_{Memory Weave · interpretação visual da arquitetura, gerada por IA.} </p> <p align="center"><strong>Um núcleo Konaet para pesquisar linguagem, memória e otimização em português.</strong></p> <p align="center"> <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> </p>

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.

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.

<p align="center">_{Clique no diagrama para abrir o SVG em tamanho original.}</p>

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

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

</details>

Resultados

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

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.

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

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:

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.

# 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><strong>Verificar a integridade dos pesos</strong></summary>

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

SHA-256 esperado:

443e91fea934856f601b63014a60857c473e428a61b6b05e4d7b24ece0335b9a

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

1b99ecb914e2fe1d2848b6ce433c08194867d27a75e11fc25546dae66996d8fb

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

</details>

Artefatos e procedencia

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

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.

---

<p align="center"><strong>KONAET CORE</strong><br>_{Oliveira v2 Lab · Adilson Oliveira / 7dsolv<br>Arquitetura documentada. Resultados rastreáveis. Pesquisa em evolução.}</p>