TEMM1E v3.1.0: Agente de IA que se ajusta automáticamente mediante interacciones con usuarios.

Qué hace TEMM1E Eigen-Tune

El motor Eigen-Tune de TEMM1E captura cada llamada de LLM como datos de entrenamiento etiquetados que normalmente se descartarían. Evalúa la calidad de las respuestas a partir de señales de comportamiento del usuario (continuar, reintentar, rechazar), destila el conocimiento en un modelo local mediante ajuste fino con LoRA y gradúa modelos a través de umbrales estadísticos, todo sin coste adicional de LLM.

Implementación Técnica

El sistema utiliza una tubería de circuito cerrado de 7 etapas: Recopilar, Evaluar, Curar, Entrenar, Evaluar, Sombra, Monitorizar. Cada etapa tiene umbrales matemáticos:

• SPRT (Wald, 1945) para graduación: una mala respuesta cuesta 19 buenas para recuperarse
• CUSUM (Page, 1954) para detección de desviación: detecta caídas del 5% en precisión en 38 muestras
• Puntuación de Wilson al 99% de confianza para evaluación

La evaluación es sin coste por diseño: similitud de incrustaciones mediante modelo local Ollama ($0), señales de comportamiento del usuario para pruebas en sombra ($0), detección de dos niveles con heurísticas instantáneas más incrustaciones semánticas, y detección de rechazo multilingüe en 12 idiomas.

Resultados de Referencia

Destilación real en Apple M2 (16 GB RAM): SmolLM2-135M ajustado mediante LoRA con 0.242% de parámetros entrenables. Entrenamiento: 100 iteraciones, pérdida reducida de 2.45 a 1.24 (49% de reducción). Memoria máxima: 0.509 GB en entrenamiento, 0.303 GB en inferencia. El modelo base calculó incorrectamente 72°F = '150°C', mientras que el modelo ajustado produjo correctamente '21.2°C' tras aprender de 10 ejemplos.

Selección de Modelos Consciente del Hardware

El sistema detecta automáticamente el hardware y recomienda modelos:

• SmolLM2-135M para prueba de concepto
• Qwen2.5-1.5B para buen equilibrio
• Phi-3.5-3.8B para alta calidad
• Llama-3.1-8B para máxima capacidad

Configurar con /eigentune model o dejar en automático.

Configuración e Implementación

Activar con una línea en la configuración: [eigentune] enabled = true. El sistema maneja recopilación, evaluación de calidad, curación de conjuntos de datos, ajuste fino, evaluación, graduación y monitorización. Cada fallo se degrada a la nube: nunca silencio, nunca peor que antes.

Construido en Rust con 18 crates, 136 pruebas en Eigen-Tune, 1,638 en total del espacio de trabajo, 0 advertencias. Código abierto bajo licencia MIT.