Δ Delentia Labs

An Experimental Causal-Constraint AI Operating System SDK

ระบบปฏิบัติการ AI ขนาดเล็กแบบ Local-First เพื่อการทดลองความปลอดภัย

💬 RFC-001 is Live! We just crossed 5,195 monthly downloads on Hugging Face. Join our architecture review and help us audit weight-level security constraints in our GitHub Discussions #58.

   

🇺🇸 English Profile • 🇹🇭 ข้อมูลภาษาไทย

We are the research and engineering playground behind Delentia OS — an experimental, local-first AI Operating System SDK focusing on structural weight-level governance and edge VRAM optimization.

This is not a commercial enterprise or a venture-backed startup. It is an open-source hobby experiment designed to solve local agent safety at the infrastructural level, rather than relying on brittle prompt rules.

"A hobby experiment in resource constraints: trying to make small local AI models behave safely using mathematical gates instead of prompts."

I have no formal background in Computer Science, and a year ago, I didn't know how to write code. I graduated with a degree in Architecture, majoring in Facilities Management. I am not an AI researcher or a Silicon Valley founder. I am just a solo developer coding from a small desk in an 8-story flat in Bangkok, Thailand.

I wanted to see if I could combine my background in building resource allocation with AI to manage hardware constraints. With a hard limit of 4.9 GB VRAM (coding on a gaming handheld), I built Delentia's 1+N Adapter Swapping stack.

The base model card crossed 5,195 downloads last month on Hugging Face. I honestly do not know if these downloads are bots or real developers, and the system is not yet fully stable in my eyes. I have reached the absolute boundary of what I can figure out alone. I opened this profile and our RFC discussions because I need your advice and engineering criticism to help me learn and make it work.

The core safety system is governed by a multiplicative gate:

$$F = D^I \times A$$

• F (Future): The authorized strength of the output.
• D (Data): Context quality score (0.0 - 1.0).
• I (Intent): Intent precision (user alignment exponent).
• A (Architect): Human veto gate ($A \in {0, 1}$). When A = 0, the next-token probability distribution is mathematically suppressed to absolute zero.

Repo	Description	Status
Delentia-OS	Core Python SDK (Apache 2.0) — JITNA v3, FDIA, HexaCore
Delentia-OS-Gui	Desktop app — Tauri v2 + Next.js 15 (Delentia Desk)
Delentia-AI-SLM	SLM QLoRA fine-tuning factory & Colab notebook
Delentia-Ecosystem	Plugin & skill manifest registry (LINE, Slack, etc.)
Delentia-Website	Next.js 16 App Router marketing & documentation website
Delentia-Infra-Public	Public Docker Compose & Helm Chart configurations

พวกเราคือค่ายวิจัยและพัฒนาเบื้องหลัง Delentia OS — โครงการทดลองสร้างระบบปฏิบัติการ AI ขนาดเล็กแบบ Local-First เพื่อทดลองการควบคุมความปลอดภัยผ่านกติกาคณิตศาสตร์ระดับน้ำหนักโมเดล (Weight-level) และการบริหาร VRAM บนอุปกรณ์พกพา

นี่ไม่ใช่โครงการเพื่อการค้าหรือสตาร์ทอัพที่ได้ทุนสนับสนุนก้อนโต แต่คือโปรเจกต์งานอดิเรกโอเพนซอร์สเพื่อแก้ไขความเสี่ยงในระดับ โครงสร้างพื้นฐาน (Infrastructural Level) ไม่ใช่ระดับชั้นแอปพลิเคชัน

"การทดลองส่วนตัวในข้อจำกัดฮาร์ดแวร์: พยายามทำให้โมเดลภาษาขนาดเล็กแบบโลคอลทำงานได้อย่างปลอดภัยด้วยเงื่อนไขทางคณิตศาสตร์แทนการใช้คำสั่ง Prompt"

ผมไม่มีวุฒิวิทยาการคอมพิวเตอร์ และเมื่อ 12 เดือนก่อนผมเขียนโค้ดไม่เป็นเลย ผมเป็นเพียงผู้ที่เรียนจบด้านสถาปัตยกรรมศาสตร์ สาขาการจัดการทรัพยากรอาคาร (Facilities Management) ไม่ใช่นักวิจัย AI หรือผู้ก่อตั้งบริษัทในซิลิคอนวัลเลย์ ผมคือคนธรรมดาคนหนึ่งที่นั่งเขียนโค้ดอยู่บนโต๊ะตัวเล็กๆ ในแฟลต 8 ชั้นแถบคลองเตย กรุงเทพมหานคร

ผมอยากลองนำความรู้เรื่องการจัดสรรทรัพยากรและพื้นที่ (Resource Allocation) มาประยุกต์ร่วมกับ AI เพื่อควบคุมข้อจำกัดฮาร์ดแวร์ ภายใต้ VRAM ceiling 4.9 GB (พัฒนาและทดสอบบนเครื่องเกมพกพา ROG Ally X) ผมสร้างสถาปัตยกรรม 1+N Adapter Swapping สลับโมเดลหน้ากากเฉพาะทางในหน่วยความจำเครื่อง

โมเดลหลักในโครงการนี้มียอดดาวน์โหลดบน Hugging Face กว่า 5,195 ครั้งในเดือนที่ผ่านมา ซึ่งผมเองก็ไม่ทราบแน่ชัดว่าเป็นบอทหรือนักพัฒนาที่นำไปทดสอบ และระบบในมุมมองของผมยังหยาบและไม่เสถียรเลย ผมมาถึงทางตันที่คนคนเดียวจะเรียนรู้และคิดออกแล้ว ผมจึงเปิดกระทู้เสนอแนวคิดวิจัย (RFC-001) ขึ้นมาเพื่อขอรับฟังคำชี้แนะ คำวิจารณ์ และคำแนะนำเชิงวิศวกรรมจากพี่ๆ และเพื่อนๆ ในวงการทุกท่านเพื่อนำไปพัฒนาต่อครับ

การประมวลผลถูกกำกับดูแลด้วยคณิตศาสตร์ผ่าน สมการ FDIA:

$$F = D^I \times A$$

• F (Future): ผลลัพธ์คำสั่งการทำงานที่ต้องการของเอเจนต์
• D (Data): ค่าระดับคะแนนคุณภาพข้อมูลนำเข้า (0.0 - 1.0)
• I (Intent): ความแม่นยำของเจตนา (ตัวยกกำลังขยายสัญญาณข้อมูล)
• A (Architect): มนุษย์ควบคุมผ่านเกณฑ์สิทธิ์ เมื่อ A = 0 สิทธิการประมวลผล Token ถัดไปจะถูกกดน้ำหนักคณิตศาสตร์ให้กลายเป็นศูนย์ทันที