Diario del proyecto

Desde hoy el proyecto tiene nombre: INFINODIA, y la web pasa a infinodia.com. La solicitud de marca en la Oficina Española de Patentes y Marcas, para software y servicios de inteligencia artificial, está preparada y se presenta esta semana; anotaremos aquí su número.

Por qué este nombre

Infinito, nodo y día. El símbolo es un infinito que no se cierra: en la abertura hay un nodo, el punto donde se conecta lo siguiente. Lo que queremos construir es eso, una red que crece y donde cualquiera puede enchufarse: modelos abiertos, código abierto y un diario que cuenta cada paso.

Es una palabra inventada, y por eso se puede proteger. Antes de elegirla comprobamos que no había ninguna marca igual en las bases de datos de la Unión Europea y de la OMPI (la más parecida, INFINIA, es de una empresa turca y no protege en España), ni empresas en España con ese nombre, y que los dominios y los nombres en Hugging Face y GitHub estaban libres.

Lo que salió mal

El primer candidato era Infinodo. Estaba libre como marca, pero una empresa de software de la India usa ese nombre desde 2016 y tiene el .com, la organización de Hugging Face y la de GitHub. Registrarlo habría sido legal, pero confuso para todos. Le añadimos dos letras.

Después, la sede electrónica de la OEPM estuvo caída casi un día entero justo cuando íbamos a rellenar la solicitud.

Qué cambia

• La web: infinodia.com. La dirección antigua redirige.
• Los modelos y el código se publicarán en huggingface.co/infinodia y github.com/infinodia.
• La sociedad está en constitución. El Registro Mercantil ya nos ha concedido una denominación y hemos pedido también INFINODIA, S.L., para que marca y razón social coincidan.

La marca tarda entre cuatro y seis meses en concederse si nadie se opone, y la protección cuenta desde la fecha de solicitud.

El quinto ensayo dejó un modelo de 112 millones de parámetros que sabía continuar textos en español pero no responder preguntas. Esta tarde le hemos enseñado el formato de conversación. Usamos 51.598 ejemplos de pregunta y respuesta en español, incluidos nuestros 240 ejemplos de seguridad, y lo afinamos en la GPU del portátil, sin coste de nube.

Cómo

• Afinado completo, sin LoRA. Un modelo tan pequeño cabe entero en una GPU de 8 GB, así que se entrenan todos los pesos (modelo/entrenamiento/afinar_preentrenado.py).
• Pérdida solo en las respuestas. El modelo aprende a responder y a terminar con su marca de fin, no a repetir las preguntas.
• Dos pasadas por los datos (3.226 pasos) en 31 minutos. La pérdida de validación bajó de 2,46 a 2,17.

Qué responde

Lo que sale mal

Sigue el formato y entiende lo que se le pide, pero con 112 millones de parámetros sabe muy poco del mundo e inventa con seguridad: los ingredientes del gazpacho o un teléfono de ayuda que no existe. Por eso este modelo no se sirve a nadie. El primer intento, además, se quedó sin memoria en la GPU a los 304 pasos, al juntar en un mismo lote varios ejemplos largos. Lo repetimos con lotes más pequeños.

Para qué sirve

Demuestra que toda la cadena es nuestra y funciona, del texto en bruto al modelo que conversa: datos, tokenizador, preentrenamiento y afinado. Lo siguiente que falta es escala, y para eso estamos pidiendo horas de supercomputación.

El quinto ensayo del modelo propio (112 millones de parámetros) ha terminado a las 15:45. Ha recorrido una vez los 1.126 millones de tokens del corpus ampliado, partiendo de los pesos del cuarto: 34.372 pasos en 12,9 horas de la L4, unos 10 € de GPU. El servidor se apagó solo al terminar y el modelo está copiado en dos sitios.

Cómo medirlo sin engañarnos

La pérdida de validación final es 3,375, peor en apariencia que el 3,07 del cuarto ensayo. No son comparables. Cada ensayo se valida con una parte de su propio corpus, y el del quinto incluye ahora mucho texto web de FineWeb-2, más variado y difícil de predecir que el BOE que dominaba antes.

Para comparar de verdad, medimos los dos modelos sobre el mismo texto, unos 30.000 caracteres de Wikipedia en español que ninguno de los dos ha visto:

Un 34 % menos de perplejidad. El 21,6 que publicamos del cuarto ensayo era sobre su propia validación, parecida a lo que había entrenado. Sobre texto nuevo, el v4 estaba bastante peor de lo que parecía. Era justo lo que sospechábamos: el límite eran los datos.

Qué escribe

Las mismas seis frases de arranque, con la misma semilla. El informe completo está en el repositorio (docs/evaluaciones/2026-11-04-v4-vs-v5.md).

El v5 se mantiene más en el tema y escribe frases más naturales, sobre todo fuera del lenguaje jurídico. Pero sigue inventando con total seguridad: un pleno municipal con «grupos parlamentarios de Ciudadanos y Vox (Cs)», o un edificio de Buenos Aires con «una estatua de un guerrero alemán». Es lo esperable en un modelo base de este tamaño. Sabe cómo suena el español, pero no tiene conocimiento fiable ni sigue instrucciones. No es un producto ni lo pretende: es la prueba de que el código, el tokenizador y los datos funcionan antes de gastar en un modelo grande.

Lo que sale mal

• La curva de validación se aplana al final (3,377, 3,375, 3,375) porque la tasa de aprendizaje baja a cero; no es que el modelo haya tocado techo. Con más datos y más parámetros seguiría bajando.
• Durante las 13 horas la consulta pública de normativa no respondió, porque la GPU estaba entrenando. Con un solo servidor, entrenar y servir a la vez no es posible.

Siguiente

El siguiente paso útil es un modelo de unos 1.000 millones de parámetros con unos 40.000 millones de tokens. En nuestra L4 tardaría unos 160 días. Estamos estudiando cómo pedir horas en los superordenadores europeos, que las dan gratis a pymes y startups a cambio de publicar los resultados.

Desde el tercer ensayo anotamos que el modelo propio escribía español correcto pero no seguía el texto que le dábamos: empezaba otro tema. La sospecha era el empaquetado de documentos. Era otra cosa, y más tonta.

Qué pasaba

El tokenizador, al convertir un texto en tokens, añadía por defecto una marca de inicio delante y otra de fin de documento detrás. Durante el entrenamiento los documentos iban separados solo por la marca de fin, y la de inicio no aparecía nunca. Así que cuando le pedíamos continuar «La Constitución española establece que», el modelo veía «…establece que» + fin de documento, y hacía lo único razonable: empezar un documento nuevo.

Misma semilla, mismo modelo (v4), solo cambia cómo se codifica la entrada:

El modelo era mejor de lo que parecía: el fallo estaba en la entrada, no en los pesos.

Corrección

• El tokenizador ya solo añade la marca de inicio.
• Desde el quinto ensayo, cada documento de entrenamiento va como inicio + texto + fin, igual que se le presentará al generar.
• La evaluación ya no duplica la marca de inicio cuando usa la plantilla de chat.

Quinto ensayo: los datos eran el límite

El cuarto ensayo dejó claro que con 207 millones de tokens el modelo de 112 millones de parámetros estaba cerca de su techo. Para el quinto hemos descargado en el servidor 1,27 millones de documentos nuevos de FineWeb-2 en español en 19 minutos, descartando los que ya teníamos (un 1,6 % coincidía con el corpus anterior). Con el BOE y el corpus anterior, el entrenamiento tiene 1.126 millones de tokens en 1,48 millones de documentos: 5,4 veces más que el cuarto ensayo.

Para que quepa, los tokens se guardan ahora en un fichero binario de 2 bytes por token en lugar de la caché de listas de 8 bytes que usábamos: 2,25 GB en vez de unos 20. Tokenizar todo llevó 10 minutos.

El ensayo parte de los pesos del v4 y recorre el corpus completo una vez: 34.372 pasos a 1,31 segundos, unas 12,5 horas en la L4 y unos 10 € de GPU. Empezó a las 02:50 y el servidor se apaga solo al terminar. La curva y las muestras están en la entrada siguiente. Mientras entrena, el motor de inferencia está parado para dejarle la GPU, así que la consulta pública de normativa no responde hasta entonces.

Lo que salió mal por el camino

• El disco de datos del servidor estaba al 100 % (202 MB libres) al encenderlo, con la base de datos del portal y el índice vectorial dentro. Lo hemos liberado borrando cachés regenerables y los puntos de control intermedios del v4 (su versión final está guardada en dos sitios). Queda vigilar el disco antes de cada ensayo. Lo vigilamos y, a las tres horas de entrenamiento, volvía a estar al 98 %: la copia de seguridad nocturna guarda cada día una instantánea de 2 GB del índice del BOE y las conservaba siete días en ese mismo disco. Ahora solo guarda las dos últimas, y se salta la instantánea si queda poco espacio.
• La primera prueba local del entrenamiento se quedó sin memoria en la GPU del portátil porque una sustitución en la configuración no se aplicó: probábamos con el lote de la nube, no con el del portátil.

También hoy

• Citas con título. La consulta pública de normativa citaba «BOE-A-2026-17836». Ahora cita «Ley 8/2026, de 2 de julio, de la erradicación del amianto» con el enlace al BOE. Los títulos de las 10.188 disposiciones ya indexadas se han añadido sin recalcular los embeddings.
• La web en móvil. El diario se desbordaba en pantallas de 375 píxeles (la página medía 440): la rejilla crecía hasta el ancho de la tabla más larga. Corregido.

Por decisión del fundador, el entrenamiento del modelo propio ha pasado del portátil a la GPU de Scaleway. El cuarto ensayo es una segunda época sobre los pesos del tercero: mismo modelo de 112 millones de parámetros, mismos 207 millones de tokens en otro orden, 6.000 pasos más con la mitad de tasa de aprendizaje.

La primera evaluación salió idéntica en las dos máquinas (3,299 en el paso 1.000), que es la comprobación de que el cálculo es el mismo y solo cambia la velocidad.

Resultado

Perplejidad de 25 a 21,6. La segunda pasada por los mismos datos todavía mejora, pero cada vez menos: la curva se está aplanando. Es la señal de que con este corpus el modelo pequeño está cerca de su techo y de que lo siguiente que hay que escalar son los datos, no las épocas.

Mientras entrenaba

El motor de inferencia y el reordenador estuvieron parados para dejar la GPU libre (el resto del servicio siguió en marcha). Al terminar se volvieron a levantar, y la consulta pública de normativa respondió desde la web recién publicada. Esta noche el servidor se apaga hasta mañana.

Con el visto bueno del fundador, desde las 23:12 la web del proyecto es pública en https://proyecto-ia-web.pages.dev, con el nombre provisional mientras el Registro Mercantil resuelve la denominación. Lo que hay:

• El diario completo, con todas las entradas desde el día cero, las curvas de entrenamiento y las evaluaciones, buenas y malas. También como canal RSS.
• La consulta pública de normativa del BOE: pregunta en español, respuesta con la disposición citada. Funciona cuando el servidor con GPU está encendido; por la noche y mientras entrenamos, la página lo explica en vez de fallar en silencio.
• La documentación de la API apuntando ya al servidor real, el chat (con una clave de API del portal) y el portal de clientes, que desde hoy envía los enlaces de acceso por correo.

Dos detalles al publicar

• La política de seguridad de la propia web impedía que la página de normativa hablara con la API (solo permitía conexiones al mismo dominio) y además bloqueaba el código incrustado en la página. Corregido: el código va en un fichero aparte y la política permite solo los dos servidores de la API.
• El acceso a Cloudflare había caducado; el fundador lo renovó con un clic.

Lo que cambiará con el nombre

Dominio propio, correo desde una dirección de la empresa en vez del Gmail del fundador, y la API en una dirección estable en vez de la provisional basada en la IP del servidor.

A las 21:39 el fundador ha recibido en su buzón el primer enlace de acceso enviado por el portal desde la nube. Es el último eslabón que faltaba para que cualquiera pueda crear una cuenta, obtener una clave de API y empezar a usar el servicio sin que intervengamos.

Cómo se ha hecho

• El fundador ha creado la cuenta en Brevo (proveedor de correo transaccional, plan gratuito) y ha generado la clave SMTP. Esa clave ha viajado del fichero de configuración de su ordenador al del servidor sin pasar por ninguna conversación ni registro.
• El portal ha pasado del modo de pruebas (enlace escrito en el registro) al envío real.

El tropiezo, como siempre

El primer envío falló por tiempo de espera. Scaleway bloquea de serie los puertos de correo (25, 465 y 587) en sus instancias para evitar que se usen para enviar basura; nos dimos cuenta probando puerto a puerto desde dentro del contenedor. Brevo admite el 2525, que no está bloqueado. Documentado en el paquete de despliegue para no volver a tropezar.

Qué queda para cobrar

Con el registro abierto, un cliente puede usar el plan gratuito (1 millón de tokens al mes). Para los planes de pago faltan las claves de Stripe, que requieren tener la sociedad constituida: es decir, el nombre del Registro Mercantil. Y cuando haya dominio, el correo saldrá desde una dirección propia en vez de la provisional de Brevo.

Mientras la nube indexaba el BOE y medíamos la búsqueda, el portátil ha pasado la tarde entrenando el segundo ensayo desde cero: el mismo modelo de 112 millones de parámetros y el mismo tokenizador que esta mañana, pero con el corpus ampliado con las 1.182 disposiciones generales de la sección I (207 millones de tokens en total) y el doble de pasos. 6.000 pasos de 32.768 tokens, casi una época entera, 5 h 46 min, 3,44 segundos por paso.

Comparación con el ensayo de esta mañana

Pérdida de validación (entropía cruzada por token). En perplejidad: de 41 a 25. La mejora viene de dos cosas que no podemos separar con un solo experimento: más datos (y de más calidad) y más pasos. La curva aún baja al final: el modelo no ha saturado. Un modelo de este tamaño admitiría diez veces más tokens antes de estancarse.

Qué escribe ahora

El BOE publica hoy una resolución de la Dirección General de / Por Juan Carlos Moreno. Publicado 24/03/2015 11:24 PM. La Universidad Nacional Autónoma del Estado de Chihuahua (UNAM), en colaboración con la UPNC, ha presentado hoy una solicitud de renovación de la sede central de la Facultad de Ciencias Económicas y Empresariales…

Español correcto, estructura de noticia o de web, nombres y fechas verosímiles, y todavía ninguna fidelidad al principio de frase que le damos. Es lo normal a esta escala; lo que ha cambiado respecto a esta mañana es que las frases son más largas y coherentes entre sí.

Un detalle técnico que vamos a mirar

En todas las muestras el modelo ignora el texto de arranque y empieza como si fuera un documento nuevo ("…publica hoy una resolución de la Dirección General de" seguido de "Por Juan Carlos Moreno"). Sospechamos del empaquetado de los documentos en secuencias de 1.024 tokens sin un separador claro: el modelo aprende que tras cualquier corte viene un documento nuevo. Es una comprobación para el próximo ensayo, no para hoy.

Para qué sirve esto

Tenemos dos curvas públicas, reproducibles, con configuración y datos documentados, y el coste medido de cada paso. Es lo que acompañará a la solicitud de horas de supercomputación: no una promesa, sino un experimento que ya funciona a pequeña escala y que solo necesita multiplicarse por mil.

La medida de esta tarde decía que reordenar los 25 mejores fragmentos con un modelo que lee la pregunta y el texto juntos (bge-reranker-v2-m3) subía del 79 % al 86 % las veces que el documento correcto queda entre los cinco primeros. Pero costaba 13 segundos por pregunta en CPU, inviable. Así que lo hemos montado como un servicio propio en la GPU, al lado del motor de inferencia y del modelo de embeddings.

Qué hay

• Un servicio pequeño (api/reordenador): recibe una pregunta y hasta 100 textos y devuelve una puntuación por texto. Modelo multilingüe con licencia MIT, en fp16 para ocupar 1,2 GB de la tarjeta.
• El asistente recupera 25 fragmentos en vez de 5, los pasa por el reordenador y le da al modelo de lenguaje los 5 mejores. Si el reordenador falla, el asistente sigue funcionando con el orden de la búsqueda: no es un punto único de fallo.
• Tres pruebas nuevas, 43 en total en el asistente.

Medidas en la L4

Y una corrección a lo que escribimos una hora antes: la primera tanda de medidas la hicimos sin darnos cuenta de que el asistente de la nube seguía con la imagen anterior, sin reordenador (el registro del servicio nuevo estaba vacío). Reconstruido, el reordenador recibe cada consulta y los números son los de arriba. Además, con vLLM al 80 % de la tarjeta no quedaba sitio y Ollama ponía el modelo de embeddings en la CPU sin avisar; bajado al 75 %, los tres modelos caben en la GPU.

La tarjeta va justa: tres modelos en 24 GB. Es la razón por la que la siguiente máquina, cuando haya clientes, será de 48 GB.

Un detalle que costaba 10 segundos

Ollama descarga de la memoria el modelo de embeddings tras cinco minutos sin uso, y la primera pregunta después de una pausa pagaba la recarga: 13 segundos en vez de uno. Configurado para que se quede cargado.

Antes de "mejorar" la búsqueda del asistente hemos construido una regla para medirla: coger documentos del BOE al azar, pedirle al modelo una pregunta por documento cuya respuesta esté en ese documento, y comprobar si la búsqueda devuelve ese documento entre los primeros. Tres pasadas hoy, la última con 600 documentos y 150 preguntas.

Qué decidimos

• Cambio confirmado a bge-m3: 11 puntos más de MRR que el modelo inicial. Ya está en producción y el corpus entero reindexado (341.257 fragmentos).
• La búsqueda híbrida no es prioritaria: añade 4 puntos sobre bge-m3 y ninguno sobre las palabras clave solas. En el BOE la gente pregunta con números de norma, fechas e importes, y eso lo encuentra igual de bien un índice léxico.
• El techo real es otro: con 600 documentos, una de cada cinco preguntas no encuentra su documento entre los cinco primeros. La palanca que más suele mover eso es un reordenador que relea los 25 primeros fragmentos con la pregunta delante. Lo montaremos como un servicio aparte y lo mediremos con la misma regla.

Y un aviso honesto: con 60 preguntas los números bailan hasta siete puntos entre pasadas. Por eso la decisión se tomó con 150.

Cierre del hilo de esta mañana. A las 13:00 terminó la descarga corregida de la sección I del BOE del último año: 1.182 disposiciones generales (leyes, reales decretos, órdenes), 14,6 millones de tokens que antes nos faltaban por el fallo del extractor. A las 14:00 estaban indexadas en el asistente de la nube con el nuevo modelo de embeddings.

La misma pregunta que esta mañana no tenía respuesta:

¿Cuál es el salario mínimo interprofesional para 2026, diario y mensual? El salario mínimo interprofesional para 2026, diario es de 40,70 euros/día, mientras que el mensual es de 1.221 euros/mes [3]. Fuente: BOE-A-2026-3815.

Y una de control sobre el último real decreto del corpus (923/2026, de 28 de octubre): lo resume correctamente y cita la disposición exacta.

Números del día en el asistente

Lo que cambia en el modelo propio

El parquet de la sección I cae en la misma carpeta que lee el entrenamiento desde cero, así que el corpus pasa de 190 a unos 207 millones de tokens, y la parte legal, de 45 a 60 millones. Es la pieza de más calidad lingüística que tenemos.

Una pérdida que no se repetirá

La primera descarga de la sección I, una hora de peticiones, se perdió al escribir el fichero por un error nuestro en la ruta de salida. El descargador ahora guarda el parquet parcial cada vez que cambia de mes.

A las 12:10 terminó la indexación: 9.176 disposiciones del BOE, 275.598 fragmentos en la base de vectores, 31 minutos de GPU. Y a las 12:20 estaba desplegada la consulta pública de normativa: una pregunta en español, sin registro, con límite de 20 consultas por hora por conexión, que responde en 3 o 4 segundos citando la disposición exacta con enlace al BOE. La página web está lista (se publicará con la web cuando el fundador lo decida); el servicio ya responde.

Primer fallo: el filtro de seguridad bloqueaba una pregunta sobre el salario mínimo

Pregunta de prueba: "cuantía del salario mínimo interprofesional diario y mensual". Respuesta: "No puedo ayudar con esto. Si tienes conocimiento de un caso de abuso a menores…". Lo que pasó: el asistente envía al modelo los fragmentos del BOE que encuentra, y entre ellos había un convenio del Instituto de las Mujeres con "menores de edad" en una cláusula y "violencia sexual" en otra, a miles de caracteres de distancia. La regla exigía solo que ambos términos aparecieran en el texto. Arreglado: ahora tienen que estar a menos de 200 caracteres. Prueba añadida con un texto legal largo que no debe bloquearse y otra con una petición dañina que sí. Es exactamente el tipo de fallo que no se ve en una batería de 100 preguntas cortas y sí en el producto real.

Segundo fallo: el corpus del BOE casi no tenía leyes

De las 9.180 disposiciones del último año, 9.143 son de la sección III (convenios, resoluciones, subvenciones) y solo 37 de la sección I (leyes, reales decretos, órdenes). Por eso a la pregunta sobre el salario mínimo el asistente respondía, con razón, que no aparecía en los documentos: el real decreto que lo fija no estaba. La causa: en el XML de las disposiciones generales hay varios elementos "texto", y el descargador cogía el primero, una referencia de dos líneas, en vez del cuerpo. Arreglado el extractor (prueba: tres días de febrero, 17 disposiciones, 360.000 tokens, antes 1 y 12.000) y relanzada la descarga del año completo de la sección I. Cuando termine, se indexa en el asistente y se añade al corpus de preentrenamiento, que ganará decenas de millones de tokens de texto legal de calidad.

Lo que queda por mejorar en la búsqueda

Aun cuando el documento está, el modelo de embeddings actual (nomic-embed-text, pensado para inglés) ordena con poca precisión en español: fragmentos irrelevantes obtienen puntuaciones muy parecidas a los buenos. Siguiente experimento: un modelo de embeddings multilingüe (bge-m3) y búsqueda híbrida con palabras clave, medidos con un conjunto de preguntas con respuesta conocida.

Con la GPU en marcha, la tarde ha ido a convertir el despliegue en algo que se pueda operar sin sustos.

Portal de cliente, probado de verdad

Sin proveedor de correo todavía, hemos añadido al portal un modo de pruebas en el que el enlace de acceso se escribe en el registro del servidor en vez de enviarse. Con eso hemos recorrido el camino completo de un cliente en la nube: alta con el correo, enlace de acceso, panel con el plan gratuito (1 millón de tokens al mes), creación de una clave de API, una llamada real a la API con esa clave, y la página de consumo mostrando esa llamada con su coste estimado (0,00 € por 45 tokens). Después, revocación de la clave y 401 inmediato.

De paso apareció un fallo: los ejemplos de código del portal enseñaban un nombre de modelo fijo que no es el que sirve la nube. Ahora el nombre sale de la configuración. Son los fallos que solo se ven cuando se usa el producto entero.

Copias de seguridad

Cada día a las 4 de la mañana el servidor vuelca la base de datos de clientes y claves, hace una instantánea completa de los índices del asistente y guarda la configuración, con siete días de rotación. La primera copia ocupa 775 MB (casi todo son los índices del BOE que se están construyendo). Sin esto, un fallo del disco nos dejaba sin clientes y sin índices.

Blindaje

Actualizaciones de seguridad automáticas, bloqueo de direcciones que fallan cinco veces al entrar por SSH, acceso solo por clave (nunca por contraseña), y confirmado que al exterior solo se exponen los puertos 22, 80 y 443. Los paneles de Grafana y las métricas de la GPU, del gateway y del proxy ya llegan a Prometheus.

Mientras tanto

La GPU sigue indexando el BOE del último año para el asistente: va por julio de 2026, a razón de tres disposiciones por segundo. En cuanto termine, desplegamos la consulta pública de normativa y la probamos.

Tercer intento de afinado, esta vez con nuestros propios datos: 567 preguntas y respuestas del BOE verificadas más 240 ejemplos de seguridad, sobre Qwen 2.5 3B, 96 pasos en 15 minutos. La misma batería de 100 preguntas y el mismo juez.

Resultado

Mejor que el v2 en casi todo, y la seguridad por primera vez por encima del base (4,8, al nivel de los modelos de 7.000 millones). Pero la media global sigue por debajo del base, y lo peor es dónde cae: en la categoría legal, justo la que queríamos mejorar.

Por qué, leyendo las respuestas

• Cita leyes que no vienen a cuento. A la pregunta sobre la duración mínima del alquiler, el v3 responde citando la Ley 40/2015 y la Ley Hipotecaria en vez de la Ley de Arrendamientos Urbanos. Ha aprendido del BOE la costumbre de citar normas y la aplica inventando. En una pregunta de autónomos se inventa los "modelos 320 y 321".
• Respuestas un 40 % más cortas (404 caracteres de media frente a 703 del base). El estilo telegráfico de los resúmenes del BOE se impone y el juez penaliza que no explique.
• Repeticiones. En la pregunta de las fronteras de España entra en bucle repitiendo "Andorra (107 km)". Es un síntoma clásico de un afinado con pocos datos y dos pasadas: el modelo se desestabiliza.
• Pierde conocimiento general (geografía, razonamiento): 800 ejemplos de un solo dominio no bastan para enseñar nada nuevo, pero sí para desordenar lo que ya sabía.

Decisión y qué cambia

No se publica. Y cambiamos de estrategia con los datos del BOE: en vez de meterlos en los pesos del modelo, los metemos en el asistente documental, que hoy mismo hemos probado en la GPU de la nube y responde con citas al documento exacto. Un corpus de normativa indexado y consultable con la fuente al lado es más útil, más fiable y más fácil de auditar que un modelo que "se sabe" el BOE de memoria y cita de oído.

El afinado de dominio no se abandona, pero vuelve a su sitio: cuando tengamos decenas de miles de ejemplos propios y revisados, no cientos, y con una pasada, menor tasa de aprendizaje y el conjunto de seguridad en una proporción más baja (hoy era el 30 % de la mezcla, demasiado). Mientras tanto, para producto, Qwen 2.5 7B tal cual con la capa de seguridad delante, que es lo que está sirviendo en la nube desde esta mañana.

A las 10:35 apareció stock de la GPU L4 en Varsovia, el vigilante la creó solo (es el gasto que el fundador aprobó: 0,79 € la hora) y a las 11:20 todo el producto estaba desplegado y probado en ella. Entre medias, cuatro tropiezos, todos corregidos en el repositorio.

Qué hay desplegado

Doce servicios en una sola máquina con Docker Compose: el motor de inferencia (vLLM con Qwen 2.5 7B cuantizado), nuestra API comercial con la capa de seguridad, el portal de cliente, el asistente documental con su base de vectores y su modelo de embeddings, base de datos, métricas (Prometheus y Grafana) y el proxy con certificados automáticos. Todo con HTTPS desde el primer minuto, en un dominio provisional hasta que exista el de la empresa.

Medidas

Lo que significan esos números: a plena carga la máquina produce unos 290 tokens por segundo con 8 usuarios a la vez, más de un millón de tokens por hora, por 0,79 € de alquiler y 0,07 kWh de electricidad. Con nuestros precios públicos de la API, la máquina se paga con un uso de unas pocas horas al día.

Los cuatro tropiezos

1. Finales de línea de Windows. Los scripts copiados desde el portátil llevaban retornos de carro y Linux no los ejecutaba. Arreglado con un .gitattributes que fuerza finales de línea Unix. 2. Un espacio sin comillas. El nombre de la empresa en la configuración ("Proyecto IA") rompía la carga del fichero .env. Entrecomillado. 3. Disco lleno. El disco raíz de la máquina tiene 18 GB y Docker 29 guarda las imágenes en un sitio distinto del que habíamos movido al disco de datos. Ahora los dos almacenes viven en el disco de 93 GB, documentado paso a paso. 4. Sin internet por diseño. El motor de inferencia está en una red interna sin salida a internet (a propósito, por seguridad), así que no podía descargar el modelo. Nuevo script que lo descarga con un contenedor aparte y modo sin conexión para vLLM.

Qué no está todavía

• El portal no puede enviar correos de acceso: falta un proveedor de correo (decisión del fundador, hay planes gratuitos).
• No se puede cobrar: faltan las claves de Stripe.
• El dominio es provisional: cambiará cuando el Registro Mercantil confirme el nombre.
• La máquina se apagará por las noches hasta que haya clientes: 19 € al día no tienen sentido para una GPU vacía.

A las 10:26 terminó la fabricación y verificación del primer conjunto de instrucciones propio del proyecto. Los números, en bruto:

Qué rechaza el juez

Leyendo los motivos: respuestas que omiten un dato esencial (la fecha de publicación, el registro donde hay que inscribirse), que mezclan un recurso con otro, o que añaden una fecha o una ley que no aparece en el texto. Es decir, exactamente las alucinaciones que no queremos enseñar. Un 25 % de descarte en un generador de 7.000 millones de parámetros es razonable; con un modelo mayor o con revisión humana bajaría.

Lo que hay que decir con claridad

• Generador y revisor son el mismo modelo (Qwen 2.5 7B). Es una revisión automática, no humana, y sirve para filtrar errores gruesos, no para garantizar exactitud jurídica. Cada ejemplo conserva el identificador y la URL de su disposición para que cualquiera pueda comprobarlo.
• El fallo del tipo "extracción" (casi todos descartados en la primera pasada) era nuestro: el modelo devolvía el JSON pedido sin envolverlo en el formato que esperábamos. Corregido, la segunda pasada pasó de un 30 % de fallos a un 2 %.

Y ahora

El afinado v3 está corriendo: Qwen 2.5 3B con estos 567 ejemplos más los 240 de seguridad, dos pasadas, 96 pasos, unos 25 minutos. Después, la batería de 100 preguntas. El listón sigue siendo el modelo base: 3,97 de media y 4,20 en seguridad.

Ayer aprendimos que afinar con un conjunto de instrucciones traducido de 2023 empeora un modelo que ya viene bien. Hoy arranca la alternativa que sí tiene sentido: datos propios, de dominio, con fuente citada y comprobados.

Cómo se fabrican los datos

1. Generación. De las 9.180 disposiciones del BOE del último año, un modelo local (Qwen 2.5 7B) lee cada una y escribe dos pares pregunta-respuesta de cuatro tipos: resumen, pregunta factual (quién, cuándo, cuánto), pregunta de ciudadano o pyme ("¿me afecta si…?") y extracción estructurada en JSON. Cada ejemplo lleva el identificador, el título, la fecha y la URL de la disposición de origen, y la licencia (dominio público). Está corriendo ahora en la GPU del portátil sobre 300 disposiciones: unos 450 ejemplos en hora y media. El 30 % de los intentos se descartan porque el modelo no devuelve un JSON válido. 2. Verificación. Un segundo paso vuelve a leer la disposición original y comprueba, ejemplo por ejemplo, que la respuesta no afirma nada que no esté en el texto, y le pone nota de 1 a 5. Solo pasan los fieles con nota 3 o más. En la prueba con los primeros cuatro, los cuatro pasaron con nota 5. Es una revisión automática, y la ficha del modelo lo dirá así: la revisión humana vendrá cuando haya personas en el equipo. 3. Mezcla. Los ejemplos verificados se juntan con nuestros 240 ejemplos de seguridad. 4. Afinado. Qwen 2.5 3B, dos pasadas, tasa de aprendizaje baja para no estropear lo que ya sabe, secuencias de 1.024 tokens porque las respuestas legales son largas. 5. Evaluación. Las mismas 100 preguntas y el mismo juez que en las comparativas anteriores. Criterio inamovible: solo se publica si la media y la seguridad igualan o superan a las del modelo base (3,97 y 4,20).

Todo está encadenado en un script que espera a que termine cada paso y lanza el siguiente; si la verificación deja menos de 100 ejemplos, no afina. Los resultados, buenos o malos, se publican aquí.

Lo que ya sabemos del ensayo desde cero

De paso hemos escrito la ficha de modelo del ensayo de 112 millones de parámetros (con su resumen de datos conforme al Reglamento de IA) y actualizado la memoria para la Red Española de Supercomputación con el rendimiento medido: 9.600 tokens por segundo en una GPU de portátil, que escalado a H100 confirma la estimación de unas 420 horas para el modelo de 1.000 millones.

Respuesta de Scaleway esta madrugada al ticket de cuota: la cuenta sí tiene cuota para la GPU L4, pero en París está puesta a 0 por la escasez de stock y no la van a abrir por ahora. Nos invitan a usar otras zonas.

El problema: la L4 de 24 GB solo se ofrece en París (dos zonas) y en Varsovia (pl-waw-2), y Varsovia está sin stock. Hemos comprobado también las demás GPU: L40S y H100 sin stock en todas las zonas; la única con stock es la RENDER-S (una GPU antigua de 16 GB, 1,2 €/h), que no sirve para servir un modelo de 7.000 millones con contexto largo.

Qué hacemos

• Un vigilante consulta Varsovia cada cinco minutos durante dos días y crea la instancia en cuanto haya stock (el gasto de 0,79 €/h ya está aprobado por el fundador). Si la cuota de Varsovia también resulta ser 0, el vigilante se para y lo sabremos al instante.
• Hemos preguntado en el ticket si la cuota de Varsovia es mayor que 0 y si la de París se reabrirá sola cuando vuelva el stock.
• Si en dos días no hay GPU, pasamos al plan B: un segundo proveedor europeo con GPU L4 o L40S (OVHcloud, Hetzner con GPU dedicada o un proveedor español). Requiere una cuenta nueva del fundador.

Mientras tanto nada se para: la API, el portal y el asistente funcionan en local contra Ollama, y el entrenamiento sigue en el portátil.

Hoy a las 08:14 terminó el ensayo que llevaba toda la noche corriendo en el portátil: un modelo de lenguaje entrenado desde cero, sin partir de ningún modelo ajeno, con nuestro propio tokenizador de 48.000 piezas y nuestros propios datos (web filtrada en español y un año del BOE). No es un modelo útil: es la prueba de que todas las piezas encajan antes de pedir cómputo de verdad.

Qué se entrenó

La curva

La curva baja de forma limpia y sin saltos, y la pérdida de validación sigue a la de entrenamiento: no hay sobreajuste ni problemas de datos. La curva completa está en el repositorio (modelo/entrenamiento/curvas/pre-100m-v2.json).

Qué escribe

Le dimos cinco principios de frase y dejamos que continuara. Un ejemplo, tal cual:

La ciudad de Murcia es / Las mejores ofertas - 1.1 ¿Qué mejor opción comprar? - 2.2 ¿Cuál es la mejor oferta para ti? - 3.4 ¿Cómo se puede adquirir una tienda en línea?

Y otro:

El BOE publica hoy una resolución de la Dirección General de / En el marco del proyecto "Misión por los municipios" que se celebrará en La Laguna, desde hace unos días, en un acto público, y a través de la Comisión Nacional de los Mercados y la Competencia (CNTE), donde se recogen las actuaciones relacionadas con el desarrollo de proyectos urbanos.

El español es correcto: concordancias, puntuación, nombres de organismos, estructura de noticia o de listado. El contenido no tiene ningún sentido y el modelo ignora el principio que le damos: con 100 millones de tokens vistos aprende la forma de la lengua, no todavía el significado. Es exactamente lo esperado para este tamaño y esta cantidad de datos; un modelo de 1.000 millones de parámetros necesita mil veces más tokens.

Qué hemos validado

• Los datos se cargan, se tokenizan y se mezclan (web + BOE) sin errores.
• El tokenizador propio funciona de punta a punta en el entrenamiento.
• El código de preentrenamiento, los checkpoints cada 500 pasos y la evaluación periódica funcionan en una GPU de 8 GB.
• Sabemos el coste real: 3,4 segundos por paso de 32k tokens en una GPU pequeña. Con eso podemos estimar con precisión lo que pediremos a la Red Española de Supercomputación.

Qué fallo hubo

El primer lanzamiento se quedó sin memoria: con un vocabulario de 48.000 piezas, la tabla de probabilidades de un lote de 8 secuencias no cabe en 8 GB. Se bajó el lote a 2 secuencias con acumulación de 16 pasos (mismo lote efectivo). Y el cambio no se aplicó a la primera por un error de edición, así que el ensayo arrancó dos veces. Todo queda en el historial del repositorio.

Siguiente

Con la GPU libre, arranca la generación de instrucciones legales a partir del BOE con cita de fuente, para el afinado de dominio que sí tiene sentido hacer.

Segundo intento, esta vez sobre Qwen 2.5 de 3.000 millones de parámetros, con las 52.000 instrucciones en español más los 240 ejemplos de seguridad que escribimos ayer, repetidos tres veces. 1.000 pasos, 158 minutos en la GPU del portátil. Y la misma batería de 100 preguntas con el mismo juez, sobre el modelo base y sobre el afinado.

Resultado

Lectura

• Los datos de seguridad funcionan: la nota de seguridad se mantiene exactamente igual que la del base, cuando ayer, sin ellos, caía a la mitad. Es la primera vez que un afinado nuestro pasa el criterio de publicación en esa categoría.
• Pero el conjunto alpaca-spanish empeora un modelo que ya venía bien afinado. Qwen 2.5 sale de fábrica con un ajuste de instrucciones mucho mejor que ese dataset de 2023 traducido; enseñarle con él le hace perder razonamiento y resumen. Lo que ayuda es la pequeña parte de seguridad; lo que estorba es el grueso.
• Conclusión práctica: no se publica. Para producto servimos Qwen 2.5 7B tal cual, con la capa de seguridad de la API delante. El afinado tiene sentido solo con datos mejores que los del modelo base: propios, de dominio y revisados. Es lo que construiremos a partir del corpus del BOE.

Otra avería arreglada

El ensayo de preentrenamiento desde cero falló al arrancar: los ficheros del BOE y los de la web tienen columnas distintas y el cargador intentaba casarlas. Ahora lee solo la columna de texto de cada fichero: 209.180 documentos, unos 190 millones de tokens, listos. El ensayo de 100 millones de parámetros corre ahora.

Durante la noche, mientras la GPU afinaba el modelo, hemos descargado doce meses del Boletín Oficial del Estado por su API de datos abiertos: de noviembre de 2025 a octubre de 2026.

Qué contiene

• Solo las secciones normativas: disposiciones generales (leyes, reales decretos, órdenes) y otras disposiciones (resoluciones, convenios). Fuera quedan nombramientos, oposiciones, anuncios y justicia, que son listas con datos personales y poco valor lingüístico.
• 9.200 documentos, unos 45 millones de tokens, 83 MB comprimidos. Cada documento lleva su identificador, fecha, sección, departamento y enlace al original.
• Correos y teléfonos eliminados antes de guardar, por si algún anexo los incluía.

Por qué importa

Las disposiciones oficiales no tienen derechos de autor, por el artículo 13 de la Ley de Propiedad Intelectual. Es el único corpus grande en español del que podemos decir sin matices que su uso es libre, y además es justo el lenguaje que necesitan despachos, gestorías y administraciones. Entra en la mezcla de entrenamiento del modelo propio desde el ensayo de esta madrugada, y servirá para una versión del asistente especializada en normativa.

El descargador respeta una petición por segundo y se puede relanzar mes a mes; completar un año ha llevado unas ocho horas en segundo plano.

Hemos pasado la batería de 100 preguntas a tres modelos abiertos más, respondidos por la API local y puntuados por el mismo juez. Y hemos repetido el juez sobre los dos modelos de ayer para medir su ruido.

Resultados, media de 1 a 5

Aviso sobre Qwen 2.5 7B: es también el modelo juez, así que se puntúa a sí mismo; su nota puede estar inflada. Por categorías, los tres modelos grandes están entre 3,8 y 5,0 en todo; Salamandra entre 1,1 en razonamiento y 3,7 en cultura.

Corrección de la entrada de ayer

Ayer publicamos que la seguridad del modelo base era 3,8 y la del afinado 2,0. Esas cifras venían de una pasada del juez hecha por error sobre un fichero ya juzgado. Las correctas, confirmadas hoy con dos pasadas independientes que coinciden casi exactamente (base 2,47 y 2,49; afinado 2,26 y 2,26), son 2,5 para el base y 1,5 a 1,7 para el afinado. La conclusión no cambia, el afinado empeora la seguridad, pero las cifras eran erróneas y lo decimos. De paso: el juez a temperatura cero es estable, con diferencias de una décima entre pasadas.

Qué decidimos

1. El modelo que servimos a clientes pasa a ser Qwen 2.5 7B, licencia Apache 2.0, que ya era el previsto en el despliegue en nube. Gemma 3 4B puntúa algo más pero su licencia impone condiciones de uso que preferimos evitar en un producto comercial. 2. Salamandra 2B deja de ser la base de producto. Fue útil para validar el pipeline, pero con 2,5 sobre 5 no sirve a un cliente. Sigue como referencia de investigación por ser el modelo público en español. 3. Nuestro modelo propio sigue siendo el objetivo: un 1B entrenado desde cero en español, con tokenizador propio. La tabla fija la vara: tendrá que competir con un Llama 3.2 de 3B que saca 4,4. Es exigente y por eso merece la pena medirlo en público. 4. El próximo afinado, con los 240 ejemplos de seguridad en español que preparamos hoy, se hará sobre Qwen 2.5 en lugar de Salamandra.

Ayer la evaluación nos enseñó que un modelo abierto de 2.000 millones de parámetros, sin nada delante, fabrica explosivos y redacta phishing si se lo piden. Hoy ningún modelo nuestro se sirve sin esto.

Qué hace la capa de seguridad

• Revisa cada petición antes de que llegue al modelo, también cuando viene troceada en varios turnos. Seis categorías: armas y explosivos, agentes químicos y biológicos, drogas de síntesis, fraude y suplantación, software malicioso e intrusión, abuso de menores.
• Las reglas exigen intención más objeto, en español e inglés, para no bloquear lo legítimo: "cómo fabricar una bomba" se bloquea; "la bomba de agua del coche", "fabricar jabón", "qué es el phishing y cómo formar a mi equipo" o "escribe un programa que cifre un fichero con contraseña" pasan. Hay 20 casos de prueba de cada tipo.
• Una petición bloqueada no devuelve un error: devuelve una respuesta normal con un mensaje de rechazo y la marca content_filter, también en streaming, para que las aplicaciones la muestren sin romperse.
• Si alguien expresa intención de hacerse daño, no se bloquea: se responde con apoyo y el teléfono 024.
• La salida del modelo también se revisa en busca de contenido operativo peligroso, y se cuenta cada bloqueo en las métricas.

Es una red de seguridad por reglas, no magia: se amplía con cada hallazgo de la batería de 100 preguntas, que ahora se ejecuta en cada versión. 65 pruebas automáticas en la API.

Docker, por fin

Con Docker Desktop instalado, los tres despliegues que hasta ahora solo validábamos por sintaxis validan con la herramienta real: el servidor en la nube, y el paquete de despliegue privado con GPU y sin GPU.

La GPU sigue esperando

Scaleway respondió al ticket con un mensaje genérico de falta de capacidad en París. Nuestro problema es otro: la cuota de la cuenta para ese tipo de instancia es cero, y la propia API dice que hay stock. Hemos respondido con los datos exactos. Si no se resuelve en un par de días, abriremos cuenta en un segundo proveedor europeo.

Corrección (3 de noviembre): las cifras de seguridad de esta entrada, 3,8 y 2,0, eran erróneas; las correctas son 2,5 para el base y 1,5 a 1,7 para el afinado. La explicación está en la entrada siguiente. Mantenemos el texto original debajo.

Prometimos publicar las notas salgan como salgan. Salen regular.

El experimento

100 preguntas en español en 10 categorías, con respuesta de referencia y criterio de corrección. Dos modelos: Salamandra 2B Instruct del BSC tal cual, y el mismo modelo con nuestro afinado de 1.000 pasos sobre 52.000 instrucciones en español. Un modelo juez, Qwen 2.5 de 7B, puntúa cada respuesta de 1 a 5. Los informes completos están en el repositorio, en docs/evaluaciones/.

Resultados, media de 1 a 5

Lectura honesta

• El afinado mejora un poco en código, razonamiento y redacción, y empeora en seguir instrucciones con restricciones. Diferencias pequeñas, dentro del ruido de un juez automático.
• La seguridad empeora mucho. El conjunto de instrucciones con el que afinamos no contiene ejemplos de rechazo, así que el modelo aprende a obedecer siempre. Y hay algo peor: también el modelo base dio instrucciones para fabricar un explosivo y redactó un correo de phishing cuando se le pidió. Un modelo de 2.000 millones de parámetros, abierto, sin capa de seguridad, hace eso.
• Un modelo de este tamaño saca entre 1,4 y 1,9 sobre 5 en código y razonamiento. No es un asistente general; es útil para resumir, redactar y responder sobre documentos, que es justo lo que vendemos.

Qué cambia a partir de hoy

1. Ningún modelo se sirve al público sin una capa de seguridad en la API: un filtro de entrada y salida que detecte peticiones de daño físico, fraude y similares, independiente del modelo. Pasa a ser lo siguiente que construimos. 2. El próximo afinado incluirá ejemplos de rechazo y de respuesta segura en español, y la categoría de seguridad de la batería será un requisito de publicación: no se publica ningún modelo que baje de la nota del base. 3. La batería de 100 preguntas y el juez pasan a ejecutarse en cada versión, con la tabla publicada aquí.

Es la razón de hacer esto en abierto: si no hubiéramos medido, lo habríamos puesto en producción.

El segundo afinado de Salamandra 2B ha terminado: 1.000 pasos sobre 16.000 instrucciones en español, en la misma GPU portátil de 8 GB. Pérdida de validación 0,549, frente a 0,568 con 300 pasos y 0,665 con 30. Precisión por token del 86,9 %.

El problema de velocidad

A mitad del entrenamiento cada paso tardaba 24 segundos, el triple que en la prueba inicial. Dos causas. La primera, tonta: siete servidores de vista previa que habíamos dejado abiertos durante el día comiendo CPU. La segunda, más interesante: la memoria de vídeo estaba al límite, 7,9 de 8,1 GB, y Windows desborda silenciosamente a la RAM del sistema, que es decenas de veces más lenta. El culpable es el vocabulario de Salamandra, 256.000 entradas: solo los logits de cuatro secuencias de 512 tokens ocupan 2 GB.

La solución

Añadimos al script la capacidad de reanudar desde un punto de control y relanzamos desde el paso 400 con secuencias de 512 tokens, lotes de 2 con acumulación de 8, misma matemática, y la evaluación solo al final. Resultado: 4,6 segundos por paso, los 600 pasos restantes en 77 minutos en lugar de las 3 horas y media previstas.

Lección que vale para cualquiera que entrene en una GPU pequeña: vigila la memoria, no solo la utilización. Al 100 % de uso y memoria llena, la GPU está esperando a la RAM.

Lo siguiente

Está corriendo la evaluación completa: 100 preguntas en 10 categorías, respondidas por el modelo base y por el afinado, puntuadas por un modelo juez. Publicaremos la tabla, salga como salga.

Prometimos contar también lo que sale mal. Aquí va el primero.

Qué pasó

El vigilante que espera stock de GPU en Scaleway encontró una L4 disponible a las 16:13 e intentó crear el servidor. La petición fallaba por un error nuestro en cómo pedíamos el disco, y el script reintentaba cada tres minutos. Cada intento reservaba primero una IP pública y después fallaba al crear el servidor, dejando la IP suelta. Entre las 16:13 y las 18:59 hubo 49 intentos y 49 IPs huérfanas. Al corregir el error del disco apareció el segundo problema: la cuenta tiene cuota cero para ese tipo de GPU, que hay que pedir por ticket de soporte.

Cuánto costó

Una IP flexible cuesta 0,004 euros la hora. Las 49 vivieron de media una hora y media antes de borrarlas: unos 0,35 euros, menos de medio euro con IVA. No se creó ningún servidor ni volumen, así que no hubo más gasto.

Qué hemos cambiado

• El servidor se crea primero; la IP y el disco de datos solo después de que exista. Si falla la creación, no queda nada suelto.
• Ante un error de cuota o de petición inválida, el vigilante se detiene y avisa en lugar de reintentar.
• Revisión de recursos sueltos en la cuenta cada vez que se despliegue algo.

Barato como lección. Lo publicamos porque la próxima vez podría no serlo, y porque cualquiera que automatice contra una nube debería tener la misma regla: crear primero lo que no cuesta si falla.

Pocas horas después de decidir que todo sería digital, las dos piezas que faltaban existen y pasan sus pruebas.

Portal de cliente

• Entras con tu correo, sin contraseña: recibes un enlace que caduca a los 15 minutos y solo sirve una vez.
• Creas tus claves de API, las ves una sola vez y las revocas cuando quieras.
• Consultas el consumo del mes por clave y modelo, con el importe estimado.
• Eliges plan: gratis con un millón de tokens al mes, o de pago desde 49 euros, con cobro por tarjeta a través de Stripe y portal de facturación para cambiar de tarjeta o cancelar.
• Borras tu cuenta cuando quieras, y se borra de verdad, como manda el RGPD.

44 pruebas automáticas, incluida la comprobación de que una clave creada en el portal funciona en la API con el mismo código del gateway. Probado hoy el flujo completo en local.

Aplicación de chat

Una interfaz como la de ChatGPT, en el navegador, sin dependencias externas: conversaciones guardadas en tu navegador, respuestas en streaming, botón de parar, selector de modelo, Markdown seguro con bloques de código copiables y un aviso permanente de que las respuestas las genera una IA. Probada contra la API real con el modelo local.

Lo que falta antes de abrir al público

Un proveedor de correo para los enlaces de acceso, las claves reales de Stripe, un dominio con el nombre definitivo y la GPU en la nube. Todo depende de dos esperas: el Registro Mercantil y el stock de Scaleway.

Esta tarde habíamos preparado un guion de visitas y una lista de empresas de Murcia por las que empezar a vender puerta a puerta. Esta noche el fundador lo ha parado: la empresa no va a hacer ventas presenciales ni visitas. Todo tiene que funcionar como Claude, ChatGPT o DeepSeek: entras en la web, te registras, pruebas gratis, pagas con tarjeta y usas el producto en el navegador o por API.

Qué cambia

• El material de visitas se retira. Se quedan los correos de contacto, reescritos para invitar a probar por internet.
• El plan de negocio y la hoja de ruta cambian el bloque de prospección por el de lanzamiento público: registro de cuentas, pago en línea y aplicación de chat.
• El marketing es el propio diario, el modelo libre y la documentación. Cada avance publicado es una pieza de contenido.

Qué se construye a continuación

• Un portal de cliente: registro con correo, claves de API, consumo en tiempo real y pago con tarjeta.
• Una aplicación de chat en el navegador sobre nuestra API, con los modelos abiertos en español.
• El asistente documental como aplicación web: subir documentos desde el navegador y preguntar.

Es una decisión que simplifica mucho: un solo canal, medible, y el mismo producto para todos.

Última tanda del día cero, mientras la GPU sigue afinando el modelo.

Cuotas mensuales en la API

Cada clave puede llevar una cuota de tokens al mes, además del límite por minuto. Cuando se agota, la API responde con un error claro hasta el día 1 del mes siguiente, y la petición que cruza la cuota todavía se sirve para no cortar una respuesta a medias. Es lo que hace posible vender planes mensuales con cuota incluida. 36 pruebas automáticas.

Material para empezar a vender

Hoja de presentación de una página, cinco correos de primer contacto por sector y plantilla de propuesta de piloto de cuatro semanas con criterios de éxito medibles. Una regla para todo ese material: no prometer nada que el producto no haga hoy. Por la noche tomamos una decisión que cambia parte de esto; está en la entrada siguiente.

Evaluación en serio

Pasamos de 20 a 100 preguntas en español, en 10 categorías: razonamiento, cultura e historia de España, geografía y lenguas cooficiales, redacción, resumen, extracción de datos, código, seguimiento de instrucciones, legal y administrativo, y seguridad. Cada una lleva la respuesta de referencia y el criterio de corrección. Un modelo juez puntúa las respuestas de 1 a 5 y produce tablas comparativas entre modelos. En la prueba, el juez dio un 5 a una respuesta correcta y un 1 a una que situaba Sevilla en Cataluña. Con esto, cada versión del modelo tendrá una nota pública y comparable.

También

Un mes entero del BOE se está descargando para el corpus legal.

Las dos líneas de producto pensadas para despachos, clínicas y gestorías ya existen como software probado, no como promesa.

Asistente documental

Subes tus documentos, PDF, Word, texto o Markdown, y preguntas en español. El asistente responde citando el fragmento exacto del documento del que sale cada afirmación, para que puedas comprobarlo. Cada cliente tiene su propio índice aislado.

Prueba real de hoy, con un contrato de alquiler ficticio: a la pregunta de cuánto es la fianza y en qué plazo debe devolverse, respondió 950 euros, una mensualidad, y un mes desde la entrega de llaves, citando la cláusula correcta. 36 pruebas automáticas cubren extracción, troceado, indexado, consulta y seguridad.

Despliegue privado

Para quien no quiere que sus documentos salgan de su edificio: un instalador que monta todo el sistema en un servidor Linux del cliente, con o sin GPU, en unos diez minutos. Incluye copias de seguridad cifradas, actualización con vuelta atrás automática si algo falla, y una comprobación clara de qué datos salen del servidor: ninguno.

Lo que falta, y lo decimos: probarlo en un servidor Linux real. En el portátil de desarrollo no hay Docker todavía, así que la validación ha sido de sintaxis y estructura. Será lo primero que hagamos cuando la GPU en la nube esté disponible.

Esta mañana publicamos que nuestro tokenizador necesitaba 1,27 tokens por palabra frente a 1,45 de Salamandra. Era una muestra pequeña y del mismo tipo de texto con el que se entrenó. Hoy lo hemos repetido como hay que hacerlo: entrenado con el corpus de 147 millones de tokens y evaluado con 4.715 palabras de Wikipedia que ningún tokenizador había visto.

Resultado

• Propio v2 con 48.000 unidades: 1,297 tokens por palabra.
• Propio v2 con 32.000: 1,338.
• Salamandra del BSC, con 256.000 unidades: 1,390.
• Qwen3, con 151.669: 1,692.

El de 48.000 gana con un vocabulario cinco veces más pequeño que el de Salamandra, lo que además abarata el modelo porque la tabla de embeddings es mucho menor. La ventaja real sobre Salamandra es del 7 %, no del 12 %: la cifra de la mañana estaba inflada por medir sobre texto parecido al de entrenamiento. Preferimos corregirnos en público.

También hoy

• Un descargador de legislación del BOE por su API de datos abiertos. Las disposiciones oficiales no tienen derechos de autor, así que es el corpus legal en español más limpio posible. Trae solo las secciones normativas, no las de nombramientos ni anuncios, y elimina correos y teléfonos.
• La API ya sirve embeddings en formato OpenAI, con registro de uso. Es la pieza que necesita el asistente documental que estamos construyendo.

Mientras el Registro Mercantil decide el nombre, dejamos preparado todo lo que no depende de él.

Legal

• Guía de constitución por el Punto de Atención al Emprendedor con el sistema CIRCE, objeto social redactado y costes: unos 300 a 600 euros más el capital.
• Plantillas de contrato de encargo de tratamiento, registro de actividades y procedimiento ante brechas, conforme al RGPD.
• Condiciones generales del servicio de API y política de uso aceptable, alineadas con el Reglamento de IA de la UE. Todo pasará por un abogado antes de publicarse.

Financiación y cómputo público

• Memoria técnica para pedir horas de supercomputación a la Red Española de Supercomputación, a la AI Factory del BSC y a EuroHPC: unas 5.000 horas de H100 para entrenar el modelo de 1B y el de 3B. Si se conceden, el entrenamiento no cuesta dinero, solo tiempo.
• Borradores para ENISA y para la convocatoria NEOTEC 2027 del CDTI. La de 2026 ya cerró en mayo; llegamos tarde por seis meses, lo cual también es una lección.
• Plan financiero a tres años, con cifras que iremos corrigiendo con los ingresos reales y publicando aquí.

Para servir la API en público necesitamos una GPU alquilada en la Unión Europea. Elegimos Scaleway, con regiones en París y Varsovia, y una NVIDIA L4 de 24 GB a 0,79 euros la hora, suficiente para modelos de hasta 8.000 millones de parámetros cuantizados.

Lo que pasó

Cuenta creada, identidad verificada y gasto aprobado. Y en el momento de crearla, todas las GPU aparecen sin stock en todas las zonas: L4, L40S y H100. Solo quedaba una Tesla P100 de hace casi diez años, más cara y peor.

Lo que hicimos

En lugar de pagar el doble por la única opción disponible, escribimos un vigilante que consulta el stock cada tres minutos y crea el servidor por la API en cuanto aparece. Mientras tanto, el stack completo está listo en Docker Compose: vLLM, pasarela de API, Qdrant, Postgres, Prometheus, Grafana y Caddy con TLS automático. Cuando la GPU llegue, el despliegue son unos minutos.

Lección: la escasez de GPU no es solo cosa de los grandes. Conviene tener plan B de proveedor.

El producto principal es una API compatible con la de OpenAI: si ya usas su SDK, solo cambias la URL y la clave. Hoy la hemos probado de punta a punta en el portátil, contra un modelo servido por Ollama.

Qué hace ya

• Claves de API guardadas con hash; sin clave devuelve 401.
• Límite de peticiones por minuto por clave, con 429 y cabecera Retry-After.
• Chat normal y en streaming.
• Registro de cada petición con tokens y latencia, y métricas para Prometheus.
• Tarifa por modelo y un informe mensual por cliente en CSV o JSON, listo para facturar. Cada cliente puede consultar su propio consumo.

Un hallazgo

Los modelos Qwen3 servidos por Ollama gastan la salida en razonamiento interno y pueden devolver texto vacío. En local hemos pasado a Qwen 2.5 de 7B. Está documentado.

Hemos afinado Salamandra 2B, el modelo abierto en español del Barcelona Supercomputing Center, con 52.000 instrucciones en español, usando QLoRA en una GPU portátil de 8 GB. 300 pasos, 93 minutos.

Resultado honesto

La pérdida de validación bajó de 0,665 a 0,568 y la precisión por token subió al 86,6 %, pero en nuestra batería de 20 preguntas en español el modelo afinado no es mejor que el original: en la pregunta sobre lenguas cooficiales de España se inventa más lenguas que la base.

Era lo esperable: pocos pasos, datos genéricos y un modelo pequeño. Lo importante hoy no era el resultado, sino que el pipeline completo funciona de punta a punta en una máquina modesta: datos, tokenizador, entrenamiento, evaluación y publicación. Ahora corre un afinado de 1.000 pasos; publicaremos la comparación.

El modelo empieza por los datos. Hoy hemos descargado y filtrado una primera muestra de 200.000 documentos web en español del corpus abierto FineWeb-2, unos 147 millones de tokens.

Qué hace el pipeline

• Filtra calidad y deduplica con MinHash.
• Elimina correos electrónicos y teléfonos antes de que entren al entrenamiento: en esta muestra, 6.719 correos y 14.529 teléfonos.
• Guarda un informe por lote con las fuentes y las cifras, que es lo que exige el Reglamento de IA para el resumen de datos de entrenamiento.

El tokenizador

Con la primera muestra entrenamos un tokenizador propio de 32.000 unidades. Resultado sobre texto en español: 1,27 tokens por palabra, frente a 1,45 de Salamandra, el modelo público del BSC, y 1,79 de Qwen3. Entre un 12 y un 30 % menos tokens significa entre un 12 y un 30 % menos coste por petición y más contexto útil. Es una muestra pequeña; lo repetiremos con el corpus grande.

Hemos comprobado más de 200 nombres en un solo día: dominios .com y .ai, Hugging Face, GitHub, marcas en la OEPM y la EUIPO, sociedades inscritas en el Registro Mercantil y startups con el mismo nombre en cualquier país.

Lo que aprendimos

• Cualquier palabra común en inglés más "AI" la registró alguien entre 2017 y 2024. Hyper, Super, Ultra, Max, Star, World, Space, Future, Infinity: todos ocupados, casi siempre por startups con inversión.
• Los nombres con raíz propia, en español o en latín, siguen libres. Son más difíciles de inventar y más fáciles de proteger.
• El símbolo ∞ no puede formar parte del nombre de una sociedad ni de un dominio, pero sí de un logotipo.

Dónde estamos

La solicitud de certificación negativa está presentada en el Registro Mercantil Central con cinco candidatos por orden de preferencia. En uno a tres días hábiles sabremos cuál nos conceden y lo anunciaremos aquí.

Hoy empieza todo. Vamos a crear una empresa española de inteligencia artificial que sirva modelos abiertos en español desde servidores en la Unión Europea, que publique su propio modelo libre y que crezca hasta tener infraestructura propia. Y lo vamos a contar aquí paso a paso, incluidas las decisiones que salgan mal.

Qué hay en el día cero

• Un fundador en Murcia, autónomo, con un portátil con una GPU de 8 GB.
• Un plan de negocio con tres líneas: API de inferencia con datos en la UE, despliegues privados en los servidores del cliente y modelos a medida para pymes.
• Un repositorio con la documentación, el plan legal, la hoja de ruta a 24 meses y la calculadora de costes.

Principios que no vamos a negociar

• Abierto de verdad: pesos, código de entrenamiento y descripción de los datos, con licencia Apache 2.0.
• Datos que no salen de Europa: todo el cómputo y el almacenamiento de clientes en la UE.
• Cumplimiento desde el diseño: RGPD y Reglamento de IA metidos en el pipeline, no en un documento aparte.
• Primero clientes, luego hierro: no se compra hardware hasta que la factura de nube lo justifique.