Modello di controllo — Qwen2.5-1.5B addestrato con tutti i dati in un singolo passaggio (senza fasi, senza pruning). Serve come baseline per valutare l'addestramento progressivo.

📊 Risultati

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

Il flat training raggiunge la migliore accuratezza esatta ma non sviluppa né number sense né metacognizione — dimostrando che queste sono capacità emergenti dell'architettura progressiva, non del dato.

🔧 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, gate_proj, up_proj, down_proj
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-baseline-lora"
)

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) — Addestramento progressivo + Dream Pruning
Progressive-LoRA (IT) — Primo prototipo con magnitude pruning
1.5B Flat (EN) — Equivalente inglese
GitHub — 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