dexmac/progressive-cognitive-dream-lora

Architettura Cognitiva Progressiva — Dream-LoRA con SVD Pruning (Italiano)

Modello principale italiano — Qwen2.5-1.5B addestrato con architettura cognitiva progressiva a 4 fasi + SVD Dream Pruning (rank 16→8).

📊 Risultati

Metrica	Dream-LoRA (questo)	Progressive-LoRA	Flat-LoRA
Accuratezza Esatta	58.6% ± 2.9	37.0% ± 0.5	60.6%
Number Sense	60.0% ± 0.8	57.7% ± 0.5	0.0%
Metacognizione	100.0%	98.5%	0.0%

Il passaggio da magnitude pruning a SVD Dream Pruning ha migliorato significativamente l'accuratezza esatta (+21.6pp) preservando number sense e metacognizione.

🧠 Progressive Cognitive Architecture

A bio-inspired 4-phase training methodology:

Phase	Name	What happens
1	Foundation	Learn exact arithmetic via LoRA fine-tuning
2	Consolidation	SVD Dream Pruning (rank 16→8) compresses knowledge into intuition
3	Delegation	Learn complexity-aware routing: compute internally vs. delegate to tool
4	Orchestration	Full pipeline: intuit → route → tool → validate

Guiding Principle: Knowledge doesn't disappear — it collapses into attractors. Intuition is the compressed residue of experience.

🌙 Dream Pruning (Fattorizzazione SVD a Basso Rango)

Invece di azzerare i pesi piccoli, il Dream Pruning usa la decomposizione SVD per ridurre il rango effettivo delle matrici LoRA da 16 a 8. Preserva le direzioni principali ("connessioni logiche") scartando il rumore — analogo al consolidamento della memoria durante il sonno.

🔧 Configurazione

Parametro	Valore
Modello Base	Qwen/Qwen2.5-1.5B
LoRA Rank	16 (→ 8 dopo SVD)
LoRA Alpha	32
Target LoRA	q_proj, k_proj, v_proj, o_proj
Tipo Pruning	SVD Low-Rank Factorization
Lingua Dati	Italiano

🚀 Uso Rapido

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base_model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen2.5-1.5B", device_map="auto", torch_dtype="auto"
)
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-1.5B")

model = PeftModel.from_pretrained(
    base_model,
    "dexmac/progressive-cognitive-dream-lora",
    subfolder="lora_adapters"
)

messages = [{"role": "user", "content": "Risolvi: 342 * 67"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=200, temperature=0.1)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

🔗 Modelli Correlati

• Progressive-LoRA (IT) — Primo prototipo con magnitude pruning
• Flat-LoRA (IT) — Controllo senza fasi
• 1.5B Dream (EN) — Miglior modello (inglese, composite 87.6)
• GitHub — Codice sorgente completo

📝 Citation

@software{progressive_cognitive_2026,
  author = {Dex Mac},
  title = {Progressive Cognitive Architecture for LLMs},
  year = {2026},
  url = {https://github.com/dexmac221/progressive-cognitive},
  version = {1.0.0}
}

📄 License

Apache 2.0