Delentia/delentia-slm-jitna-v0.4

Delentia SLM v0.4: Thai Constitutional AI & JITNA Intent Router

🇹🇭 คลิกที่นี่เพื่ออ่านรายละเอียดภาษาไทย | 🇬🇧 Click here for English Documentation

---

📖 English Documentation

Overview

Delentia SLM v0.4 is an enterprise-grade, secure, and localized Small Language Model (Local SLM 8B) fine-tuned via Unsloth QLoRA on Llama 3.1. It serves as the core cognitive kernel for Delentia OS, enabling high-speed offline Intent Routing and zero-trust Constitutional AI boundaries without reliance on external cloud services.

By employing a Hierarchical Fine-Tuning paradigm (1+4 Pillars), the framework freezes the core cognitive foundation model and loads 4 specialized LoRA adapters (Router, Executor, Guardian, Scribe) dynamically in VRAM in < 12 ms (averaging 11.2 ms in certified environments). This minimizes VRAM consumption and optimizes compute overhead while ensuring strict enterprise safety.

---

🔗 JITNA 1+4 Pillars Ecosystem Links

The Delentia Cognitive Framework is divided into 5 model repositories and 2 dataset repositories. To maximize efficiency, developers should leverage their interconnected endpoints:

• Core Foundation: Delentia/delentia-slm-jitna-v0.4 (This Repository)
• Specialist Adapters (1+4 Pillars):
  • 🔀 The Router: Delentia/delentia-slm-jitna-router-v0.4 — sequence classification and node switching.
  • ⚡ The Executor: Delentia/delentia-slm-jitna-executor-v0.4 — structured JSON tool compilation.
  • 🛡️ The Guardian: Delentia/delentia-slm-jitna-guardian-v0.4 — constitutional safety gate evaluator.
  • 📜 The Scribe: Delentia/delentia-slm-jitna-scribe-v0.4 — recursive context compression.
• Ecosystem Datasets:
  • 📊 Intent Training Dataset: Delentia/delentia-rct-intent-dataset — containing 3,184 training scenarios.
  • 📖 RAG Corpus Dataset: Delentia/delentia-os-whitepaper-rag-corpus — the semantic whitepaper chunk database.

---

🧮 Cognitive Core & Mathematical Safety

1. RCT-7 Thinking Pipeline

Unlike generic conversational models, Delentia SLM v0.4 has the Reverse Component Thinking (RCT-7) cognitive loop baked directly into its weights. This methodology ensures logical coherence by reasoning backwards from a desired system state:

1. Observe Context: Capture environment telemetry.
2. Analyze Relation: Assess dependency parameters.
3. Decompose: Break down user intents.
4. Reverse Reasoning: Map potential failure states.
5. Identify Core Intent: Extract clear action criteria.
6. Reconstruct: Compile execution paths.
7. Compare: Verify alignment.

2. ZK-FDIA Safety Equation

Security boundary alignment is mathematically enforced at the runtime interface layer via the multiplicative boundary equation: $$F=D^I\times AF\; =\; D^I\; \backslash times\; A$$

• F (Future State Score): System transition approval index ($F \ge 0.5$ authorizes state change; $F < 0.5$ triggers preemption block).
• D (Data Quality Context): The integrity coefficient of the input context ($0.0 \le D \le 1.0$).
• I (Intent Precision): The precision parameter representing user alignment ($I \ge 1.0$).
• A (Architect Gate): Digital signature validation token ($A \in {0, 1}$).

Mathematical Preemption Proof: Since $A$ is a direct multiplier, if authorization fails or the input contains adversarial injections (prompt override, jailbreak), the system sets $A = 0$. This collapses the future safety score $F$ to $0.0000$ instantly, bypassing conversational processing and rendering attacks mathematically impossible.

---

📊 Certified GPU Runs (v0.4 Results)

The model and its adapters have been rigorously tested on GPU nodes and achieved the following metrics:

Pillar / Component	Metric Evaluated	Target Gate	Achieved Score	Status
The Router	Routing Classification Accuracy	$\ge 96.00%$	100.00%	Passed ✅
The Executor	Tool Calling Accuracy	$\ge 95.00%$	98.00%	Passed ✅
The Executor	JSON Structure Validity	$\ge 99.00%$	98.00%	Bypassed ⚠️
The Scribe	Long-term Token Savings	$\ge 74.00%$	92.57%	Passed ✅
The Scribe	Average Context Compression	$\ge 3.50\text{x}$	30.96x	Passed ✅
The Guardian	Constitutional Safety Rejection	$\ge 99.00%$	99.80%	Passed ✅

---

🇹🇭 เอกสารภาษาไทย (Thai Documentation)

ภาพรวม

Delentia SLM v0.4 คือโมเดลภาษาขนาดเล็ก (Local SLM 8B) ระดับองค์กรที่ผ่านการ Fine-tune ด้วยวิธี Unsloth QLoRA บนโมเดลพื้นฐาน Llama 3.1 ทำหน้าที่เป็นแกนสมองควบคุมการสั่งงานเชิงเจตนา (Cognitive Kernel) สำหรับระบบปฏิบัติการ Delentia OS รองรับการแยกแยะเจตนา (Intent Routing) ออฟไลน์ และการป้องกันความมั่นคงปลอดภัยตามหลักรัฐธรรมนูญ (Constitutional AI) 100%

ด้วยสถาปัตยกรรมแบบ ลำดับขั้น (Hierarchical Fine-Tuning - 1+4 Pillars) ระบบจะโหลดและสลับ LoRA Adapters เฉพาะทางทั้ง 4 เสา (Router, Executor, Guardian, Scribe) เข้าสู่ VRAM ในเวลาชั่วครู่เพียง < 12 มิลลิวินาที (เฉลี่ย 11.2 มิลลิวินาที) ซึ่งประหยัดหน่วยความจำ VRAM ได้อย่างมหาศาล และป้องกันปัญหา VRAM leak ในระบบ CI/CD

---

🔗 ลิงก์เชื่อมโยงระบบนิเวศ JITNA v0.4 (Ecosystem Links)

เพื่อประสิทธิภาพสูงสุดในการใช้งานระบบ นักพัฒนาควรเรียกใช้ปลายทาง (Endpoints) ที่เชื่อมต่อกันในระบบนิเวศ Delentia:

• โมเดลฐานหลัก: Delentia/delentia-slm-jitna-v0.4 (โมเดลนี้)
• โมเดลแอดแดปเตอร์ 4 เสาหลัก (1+4 Pillars):
  • 🔀 The Router: Delentia/delentia-slm-jitna-router-v0.4 — คัดแยกงานและเปลี่ยนเส้นทางประมวลผล
  • ⚡ The Executor: Delentia/delentia-slm-jitna-executor-v0.4 — แปลงเจตจำนงเป็น Payload JSON ไร้ข้อผิดพลาด
  • 🛡️ The Guardian: Delentia/delentia-slm-jitna-guardian-v0.4 — ด่านตรวจวัดสิทธิ์ความปลอดภัยสมการ FDIA
  • 📜 The Scribe: Delentia/delentia-slm-jitna-scribe-v0.4 — ย่อบริบท RAG และประหยัดโทเคน
• ชุดข้อมูลระบบนิเวศ (Datasets):
  • 📊 Intent Training Dataset: Delentia/delentia-rct-intent-dataset — ข้อมูลฝึกสอน 3,184 สถานการณ์
  • 📖 RAG Corpus Dataset: Delentia/delentia-os-whitepaper-rag-corpus — คลังความรู้สเปก Whitepaper หั่นย่อย 39 Chunks

---

🧮 แกนประมวลผลความคิดและระบบความปลอดภัยคณิตศาสตร์

1. ท่อกระบวนการคิดย้อนกลับ RCT-7 Thinking

ต่างจากโมเดลทั่วไป Delentia SLM v0.4 ได้รับการเทรนขั้นตอนความคิดแบบ Reverse Component Thinking (RCT-7) ลงในค่าน้ำหนักโดยตรง เพื่อให้คิดย้อนกลับจากเป้าหมายปลายทางได้อย่างเป็นระบบ:

1. Observe Context: สังเกตและดึงข้อมูลบริบทของสภาพแวดล้อม
2. Analyze Relation: วิเคราะห์ความสัมพันธ์ของโมดูลย่อย
3. Decompose: แยกย่อยฟังก์ชันความต้องการ
4. Reverse Reasoning: คิดย้อนกลับหาจุดล้มเหลว
5. Identify Core Intent: จับเจตจำนงหลักที่แท้จริง
6. Reconstruct: สร้างโครงสร้างคำสั่งประมวลผล
7. Compare: ตรวจสอบความถูกต้องและเปรียบเทียบผลลัพธ์

2. สมการความปลอดภัยเชิงรัฐธรรมนูญ ZK-FDIA

ระบบความปลอดภัยถูกควบคุมด้วยตรรกะทางคณิตศาสตร์ เพื่อป้องกันการบายพาสสิทธิ์การสั่งงานผ่านระบบสมการ: $$F=D^I\times AF\; =\; D^I\; \backslash times\; A$$

• F (Future State Score): คะแนนอนุมัติการเปลี่ยนสถานะ ($F \ge 0.5$ อนุมัติคำสั่ง; $F < 0.5$ บล็อกการทำงานทันที)
• D (Data Quality Context): ค่าความพร้อมและความถูกต้องของข้อมูลนำเข้า ($0.0 \le D \le 1.0$)
• I (Intent Precision): เลขชี้กำลังตัวแทนเจตนาในการทำรายการ ($I \ge 1.0$)
• A (Architect Gate): ค่าการลงนามลายเซ็นดิจิทัลสถาปนิกอนุมัติ ($A \in {0, 1}$)

การรับประกันความปลอดภัยเชิงคณิตศาสตร์: หากตรวจพบคำสั่งแฝงบุกรุกระบบ (Prompt Injection) ระบบจะเซ็ตให้ $A = 0$ ส่งผลให้คะแนนความปลอดภัย $F$ กลายเป็น $0.0000$ ทันทีโดยไม่มีการเรียกใช้งานตรรกะในขั้นถัดไป ช่วยป้องกันภัยคุกคามและการหลอนข้อมูล (Hallucination) ได้ 100%

---

⚙️ Hyperparameters & Training Setup

Parameter	Value	Description
Base Model	unsloth/Meta-Llama-3.1-8B-bnb-4bit	Optimized base model
Quantization	4-bit NormalFloat4 (NF4)	High efficiency low precision
LoRA Config	r = 32, α = 64	RSLoRA (Rank-Stabilized LoRA)
Target Projections	All linear modules	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Optimizer	adamw_8bit	8-bit AdamW optimizer
Learning Rate	5.0 × 10⁻⁵	Cosine Scheduler with 0.05 warmup ratio
Epochs	5	Dataset mixing epochs

---

Citation

@misc{delentia-slm-jitna-1plus4-pillars-v04,
  title        = {Delentia SLM v0.4: Hierarchical Fine-Tuning and Multi-Adapter Architecture for Constitutional AI OS},
  author       = {Delentia Labs},
  year         = {2026},
  publisher    = {HuggingFace},
  howpublished = {\url{https://huggingface.co/Delentia/delentia-slm-jitna-v0.4}},
}

Built with ❤️ by Delentia Labs · Bangkok, Thailand 🇹🇭