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.
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.
| 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.
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.
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.
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:
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.
(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.
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.