README.md

---
language: it
license: apache-2.0
library_name: peft
base_model: Qwen/Qwen2.5-1.5B
tags:
  - lora
  - peft
  - cognitive-architecture
  - progressive-learning
  - magnitude-pruning
  - math
  - arithmetic
datasets:
  - custom
pipeline_tag: text-generation
---

# Architettura Cognitiva Progressiva — Progressive-LoRA con Magnitude Pruning (Italiano)

**Primo prototipo** — Qwen2.5-1.5B addestrato con architettura cognitiva progressiva a 4 fasi, usando **magnitude pruning** (azzeramento pesi piccoli). Successivamente sostituito da SVD Dream Pruning.

## 📊 Risultati

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

## 🧠 Architettura

Training progressivo a 4 fasi su dati aritmetici italiani:
1. **Fondamenta** — Aritmetica esatta
2. **Consolidamento** — Magnitude pruning + fine-tuning su approssimazioni
3. **Delega** — Routing complessità: calcolo interno vs. strumento
4. **Orchestrazione** — Pipeline completa: intuizione → routing → tool → validazione

## 🔧 Configurazione

| Parametro | Valore |
|-----------|--------|
| Modello Base | Qwen/Qwen2.5-1.5B |
| LoRA Rank | 16 |
| LoRA Alpha | 32 |
| Target LoRA | q_proj, k_proj, v_proj, o_proj |
| Tipo Pruning | Magnitude (azzeramento pesi piccoli) |
| Lingua Dati | Italiano |

## 🚀 Uso Rapido

```python
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-lora",
    subfolder="lora_adapters"
)

messages = [{"role": "user", "content": "Calcola: 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

- [**Dream-LoRA (IT)**](https://huggingface.co/dexmac/progressive-cognitive-dream-lora) — Versione migliorata con SVD Dream Pruning
- [Flat-LoRA (IT)](https://huggingface.co/dexmac/progressive-cognitive-baseline-lora) — Controllo senza fasi
- [1.5B Dream (EN)](https://huggingface.co/dexmac/progressive-cognitive-dream-lora-en) — Miglior modello (inglese)
- [GitHub](https://github.com/dexmac221/progressive-cognitive) — Codice sorgente completo

## 📝 Citation

```bibtex
@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