# Capítulo 9: Gates por dominio y lectura de regresiones. En este capítulo aprenderás a convertir la palabra calidad en decisiones observables, separadas por dominio y comparables contra un baseline fijo. Un gate no es una impresión general ni un promedio conveniente. Es una condición escrita antes de ejecutar el candidato. Define qué conjunto se usa, qué métrica decide, cuánto cambio se tolera y qué evidencia debe guardarse. Si el umbral se inventa después de ver el resultado, deja de ser un gate y se convierte en una justificación retrospectiva. El primer paso es congelar el baseline. En el Atlas, el punto de partida operativo combina un GGUF Q4_K_L, KV Q4 y una revisión concreta de llama.cpp que todavía necesita completar hashes y trazabilidad. Para cada corrida deben conservarse modelo, runtime, plantilla, sampler, longitud, concurrencia y hardware. Cambiar dos variables a la vez impide atribuir una regresión. La comparación de pesos mantiene KV fija; la comparación de KV mantiene los pesos fijos. Después se divide calidad en dominios. Código usa tareas ejecutables con pruebas, no solo una lectura subjetiva. JSON y salidas estructuradas se validan contra esquemas exactos. Tool calling mide nombre, argumentos, orden y rechazo de acciones no autorizadas. Español e inglés se evalúan con pares equivalentes, no con preguntas distintas que favorezcan a un idioma. Contexto largo cambia la posición de la evidencia y repite los casos para distinguir memoria de casualidad. Visión exige cargar realmente el proyector y usar imágenes con respuestas verificables; la presencia de tensores o archivos no basta. La generación abierta necesita otro tratamiento. Puede combinar criterios humanos ciegos con chequeos automáticos de hechos, formato y citas. Las preferencias deben ocultar qué variante produjo cada respuesta y rotar el orden para reducir sesgo. Si dos evaluadores discrepan, se conserva la discrepancia en lugar de forzar consenso. Un modelo puede mejorar estilo y perder obediencia a herramientas; ambas dimensiones se reportan por separado. Los resultados se leen por ítem antes que por promedio. Si diez tareas pequeñas mejoran y una operación crítica deja de funcionar, el promedio puede subir aunque el candidato sea inaceptable. Por eso existen gates de bloqueo: cero secretos expuestos, cero nuevas acciones no autorizadas, cero llamadas inválidas nuevas y cero corrupción del formato requerido. Otros gates pueden admitir un margen previamente acordado y un intervalo de confianza. También importa la repetición. Una sola semilla puede favorecer a una variante. Las tareas estocásticas se ejecutan varias veces con semillas fijadas y se reporta dispersión. Latencia usa percentiles, no solo media. Memoria registra pico y estado estable. Contexto y concurrencia incluyen una prueba prolongada que capture errores tardíos. Si el harness falla, la decisión correcta es repetir; un error de medición no cuenta como victoria ni derrota. La evidencia debe poder auditarse. Cada expediente guarda identificador, hipótesis, única variable modificada, hashes, comandos, entorno, entradas, salidas, métricas por ítem y logs de error. Un tablero puede resumir, pero nunca reemplaza estos artefactos. Las métricas históricas sin esa trazabilidad permanecen pendientes, aunque coincidan con una expectativa razonable. MTP, DFlash y visión ilustran por qué los gates necesitan estados conservadores. MTP sigue sin evaluación funcional. DFlash está presente como archivo, pero no cargado ni validado. La visión no se declara operativa solo porque exista un componente multimodal. Cada módulo recibe una prueba de arranque, una prueba funcional y una comparación de calidad. Solo entonces se estudia velocidad o memoria. La decisión final tiene tres salidas: avanzar, repetir o rechazar. Avanzar significa que todos los gates de bloqueo y los umbrales acordados se cumplen. Repetir significa que la variación o un fallo del harness impide decidir. Rechazar conserva el resultado negativo y evita que vuelva como una afirmación sin historial. Ninguna salida borra la evidencia. Un buen gate protege de dos errores opuestos: descartar una mejora real por una anécdota y aprobar una regresión crítica porque el promedio parece favorable. El Atlas no promete que una cuantización, adaptación o poda conservará calidad. Define el procedimiento que permite averiguarlo. Confirmado hoy: existen un baseline operativo y una taxonomía de dominios que puede transformarse en harness. Pendiente: completar trazabilidad, fijar datasets y umbrales, ejecutar repeticiones y publicar resultados por ítem para cada técnica candidata.