NanoEulerは、開発者Vincenzo（JustVugg）が2026年に公開したGPT-2レベルの言語モデルの実装であり、PyTorchやTensorFlowなどのフレームワークを使用せず、純粋なCとCUDAのみで逆伝播、トークナイザー、アテンションまでをすべて直接記述した、教育および研究用のLLMである。プロジェクト名は、残差ブロック（residual block）x = x + f(x)をオイラー前進法（forward-Euler method）で解釈したことに由来し、「深さ（depth）が積分時間」という数学的な直感を反映している。アーキテクチャは、RMSNorm（pre-norm、バイアスフリー）、回転位置埋め込み（Rotary Position Embedding、RoPE）、SwiGLUフィードフォワード、グループクエリ注意（Grouped-Query Attention、GQA）、および直接記述したFlashAttentionカーネルで構成され、約116Mパラメータのモデルを単一のコンシューマー向けGPUで学習できる。 ほとんどのLLM学習プロジェクトは、PyTorchのautogradに依存するため、逆伝播の過程で実際に何が起こっているのかがブラックボックスとなることが多い。NanoEulerは、このブラックボックスを完全に取り除き、Cレベルで勾配を手動で計算し、倍精度検証（〜1e-6レベル）まで行う。まるで自動車エンジンを自分で部品ごとに組み立てながら内燃機関の原理を体得するように、NanoEulerはTransformerのすべての演算をベアメタルレベルで理解できるようにする。Andrej Karpathyのllm.cから着想を得ているが、バイトレベルのBPEトークナイザー自体を実装し、マルチトークン予測ヘッド、およびAlpacaデータセットに基づくSFT（教師ありファインチューニング）まで含め、学習からファインチューニング、推論まで、すべてのパイプラインを1つのバイナリにまとめる点が特徴である。 バイオテクノロジー分野において、NanoEulerの価値は、ドメイン特化の小型言語モデルを最初から完全に制御できる点にある。例えば、タンパク質配列やSMILES化学式などのドメイン特有の語彙でBPEトークナイザーを再学習し、基本的なコーパス（Project Gutenberg、FineWeb-Edu）の代わりにPubMedアブストラクトやUniProt配列データで事前学習を行うことで、研究室専用の小型LMを構築できる。CUDAカーネルを直接修正できるため、カスタムアテンションパターン（例：配列内の局所的な相互作用に重みを付ける変形アテンション）を実験するのにも適している。フレームワークのオーバーヘッドなしにC/CUDAを直接制御するため、組み込み機器やエッジデバイスでの軽量推論最適化研究の出発点となる可能性がある。ただし、現在の生成品質は「流暢な英語」レベルであり、実用ではなく、教育および実験用であることを著者が明示している。