# Atlas Ornith v4.3 — agente local fiable para Codex, OpenCode y Harness

**Edición:** v4.3 · 23 de septiembre de 2026  
**Estado:** publicación educativa y plan reproducible; **no es una promoción a producción**.  
**Alcance:** Ornith-1.5-9B local. No se entrenó, no se descargaron datasets y no se modificaron servicios.

## Regla de lectura

| Etiqueta | Significado |
|---|---|
| **Demostrado** | Evidencia primaria o inspección local atribuida y verificable para la afirmación concreta. |
| **Pendiente de trazabilidad** | Hubo una afirmación o señal previa, pero faltan hash, comando, log, repeticiones o artefacto. No sirve como baseline. |
| **Compatible sin probar** | La arquitectura/documentación lo permite; Ornith + runtime + hardware no se ejecutaron juntos. |
| **Hipótesis** | Propuesta de diseño o umbral que requiere ejecución y revisión. |

## Resumen operativo

1. **Harness puede funcionar antes que Codex/OpenCode** porque un harness propio puede controlar el dialecto, el historial, el parser y el contrato de herramientas. Codex/OpenCode dependen además de compatibilidad exacta de endpoint, transporte, streaming, tool calls y límites de salida.
2. La unidad común no es un prompt ni un Jinja: es una **representación intermedia (IR)** de mensajes, herramientas, llamadas y resultados. Cada API traduce a esa IR; el runtime aplica después el template embebido del artefacto.
3. La ventana de 262K es capacidad nominal, no evidencia de agentividad fiable. El perfil inicial debe operar entre **8K y 32K**, con un coordinador que resume y workers efímeros.
4. Pesos Q4, KV Q4 y KV Q8 son decisiones independientes. No se recomienda Q8 para tres sesiones de 262K sin medir VRAM de la combinación exacta.
5. QLoRA se hace sobre una base HF compatible y congelada, **no sobre el GGUF Q4_K_L activo**. El GGUF final se crea desde pesos de alta precisión y se cuantiza una vez.
6. MTP está **presente como head** en Ornith; su utilidad funcional no está evaluada. DFlash y MTP se evalúan individualmente, nunca a la vez.

---

# Corte read-only de ia-lab

Fecha de inspección: **2026-09-23T12:30Z**. Se leyó estado; no se emitieron inferencias ni se cambiaron procesos.

| Campo permitido | Hallazgo |
|---|---|
| Host | `ia-lab` |
| GPU | 4 × RTX 3090 de 24,576 MiB; uso observado: GPU0 17,068 MiB, GPU2 15,090 MiB |
| llama.cpp | `0.4.1-dev`, build `10974`, commit `82490b9d4` |
| Proceso llama.cpp | Configurado con `Ornith-1.5-9B-Q4_K_L.gguf`, `-ngl 999`, `-c 786432`, `--cont-batching`, `--jinja`, puerto `8080` |
| Salud llama.cpp | `127.0.0.1:8080/health` rechazó conexión durante la inspección; no cuenta como endpoint operativo |
| vLLM | Proceso activo, endpoint `:8122` saludable; `/v1/models` devolvió `Ornith-1.5-9B-Sohail-AWQ-Q4KV-256K` |
| Flags vLLM | `--max-model-len 262144`, `--kv-cache-dtype int4_per_token_head`, prefix caching, `--reasoning-parser qwen3`, `--tool-call-parser qwen3_xml` |
| KV Q8 | **No observado** |
| Template efectivo | **Pendiente de trazabilidad**: `--jinja` está configurado; no se confirmó el template embebido efectivo del GGUF |
| `finish_reason`, streaming, tokens, duración, tool calls | **No observados**: no se generó tráfico durante la auditoría |

**Conclusión:** vLLM con KV INT4 sí está activo; KV Q8, template efectivo, DFlash activo, streaming real y métricas históricas no deben presumirse.

---

# Módulos guiados

## Módulo 1 — Compatibilidad: template, APIs y canario

**Objetivo.** Distinguir template nativo, dialecto HTTP y ejecución de herramientas; diseñar una ruta compatible sin forzar a Ornith a hablar tres protocolos distintos.

**Prerequisitos.** JSON Schema básico; mensajes `user/assistant/tool`; diferencia entre una llamada propuesta y una llamada ejecutada.

**Estado de evidencia.**
- **Demostrado:** Ornith declara un template Qwen/Ornith y su card recomienda `qwen3_xml` más `qwen3` en vLLM.[1]
- **Demostrado:** llama.cpp documenta Chat Completions, Responses y Messages Anthropic; las rutas Responses/Messages son adaptadores al pipeline de chat, no equivalencia ilimitada.[2]
- **Compatible sin probar:** los tres clientes sobre el binario local y el GGUF exacto.

**Lectura.**
- El template convierte la IR a tokens propios de Ornith/Qwen. Chat Completions, Responses y Anthropic Messages son envolturas HTTP distintas.
- Normaliza primero a: instrucciones, mensajes visibles, schemas, llamadas `{call_id,name,arguments}` y resultados correlacionados. Conserva IDs y metadata privada fuera del texto del modelo.
- Responses correlaciona `function_call.call_id` con `function_call_output.call_id`; Chat usa `tool_call_id`; Anthropic usa bloques `tool_use`/`tool_result`.[3][4]
- No usar `previous_response_id` como fundamento portable: el adaptador llama.cpp auditado no lo conserva. Reenviar historial explícito.
- No comparar XML o envelopes byte a byte. Comparar semántica: nombre, argumentos JSON, orden, correlación y texto visible.

**Video verificado.** [Local Tool Calling with llama.cpp](https://www.youtube.com/watch?v=rsDlu-9UP00) — LangChain, 20-jun-2024. Explica la separación entre que el modelo proponga una herramienta y que la aplicación valide/ejecute.

**Resumen original.** La fiabilidad no nace de exponer el mismo endpoint a todos los clientes. Nace de un traductor que reduzca cada cliente a una IR pequeña, preserve IDs y no entregue XML interno al usuario. Harness puede fijar esa IR; Codex/OpenCode pueden fallar antes si su cliente exige un detalle de Responses, streaming o tools que el adaptador local no conserva.

**Audio 60–90 s.** Ver `audio-scripts/01-compatibilidad.md`.

**Práctica segura.** Preparar, sin enviarlo a ningún servidor, los diez fixtures O43 del anexo A en los tres formatos de request. Validar con un linter JSON que todos representan la misma IR.

**Criterio de éxito.** Los 30 fixtures (3 dialectos × 10) tienen mismas herramientas, argumentos normalizados y relaciones de ID; no aparece reasoning, XML de herramienta ni credencial en artefactos.

**Fuentes.** [1] [Ornith card](https://huggingface.co/ornith-ai/Ornith-1.5-9B), [2] [llama-server](https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md), [3] [OpenAI tools](https://platform.openai.com/docs/guides/function-calling), [4] [Anthropic tool use](https://platform.claude.com/docs/en/agents-and-tools/tool-use/handle-tool-calls).

---

## Módulo 2 — Perfil agentivo fiable

**Objetivo.** Separar capacidad de contexto, razonamiento y coordinación de la operación agentiva diaria.

**Prerequisitos.** Presupuesto de tokens, context window, TTFT y workers.

**Estado de evidencia.**
- **Demostrado:** la card declara 262,144 tokens; no demuestra rendimiento por posición, herramientas ni estabilidad local.[1]
- **Demostrado:** información relevante puede degradarse por longitud/posición incluso dentro de la ventana.[5]
- **Hipótesis:** perfil inicial 8K–32K y workers efímeros es el diseño operativo más auditable.

**Lectura.**
- Perfil normal: `thinking=off`, salida limitada, 8K–32K, schemas pequeños y memoria resumida. Menos texto oculto deja más presupuesto para herramientas y resultados.
- Perfil reasoning: separado, con presupuesto explícito y sólo para planificación, depuración difícil o tareas multivuelta. Su salida privada nunca entra a logs del Atlas.
- Coordinador: conserva objetivo, decisiones y checksum de estado; workers: reciben subproblema, contexto mínimo y mueren después. No se usa un chat infinito como memoria.
- 262K dice cuánto puede aceptar el runtime, no cuánto puede razonar bien, cuánto cuesta ni si mantiene herramientas correctas.

**Video verificado.** [Tips for building AI agents](https://www.youtube.com/watch?v=LP5OCa20Zpg) — Anthropic, 13-feb-2025. Presenta workflows simples, interfaces claras y autonomía limitada como punto de partida.

**Resumen original.** Un agente fiable tiene un presupuesto visible: contexto de trabajo acotado, salida acotada, herramientas específicas y una forma de abandonar tareas sin inventar. La coordinación no se logra conservando todos los turnos: se logra conservando el estado que cambia decisiones.

**Audio 60–90 s.** `audio-scripts/02-perfil-agentivo.md`.

**Práctica segura.** Clasificar 12 tareas ficticias como `normal`, `reasoning` o `delegar`; justificar por necesidad de planificación, no por dificultad percibida.

**Criterio de éxito.** Cada tarea declara contexto máximo, salida máxima, herramienta permitida, condición de parada y si el resultado requiere verificación externa.

**Fuentes.** [1] [Ornith card](https://huggingface.co/ornith-ai/Ornith-1.5-9B), [5] [Lost in the Middle](https://arxiv.org/abs/2307.03172), [6] [RULER](https://arxiv.org/abs/2404.06654).

---

## Módulo 3 — Cuantización: pesos y KV no son lo mismo

**Objetivo.** Diseñar A/B que separe calidad de pesos, capacidad del KV y comportamiento de herramientas.

**Prerequisitos.** Diferencia entre pesos, cache KV, contexto y VRAM.

**Estado de evidencia.**
- **Demostrado:** Q4_K_L es el artefacto configurado para llama.cpp; vLLM activo usa AWQ con KV INT4.
- **Demostrado:** llama.cpp permite tipos K y V separados, incluyendo Q8 y Q4; no implica que estén activos.[2]
- **Pendiente de trazabilidad:** cualquier benchmark previo de Q4/Q8, 4×160K, 95.7 t/s o TTFT 0.16 s.

**Lectura.**
- **Peso Q4:** comprime parámetros; influye en memoria de modelo y potencialmente calidad.
- **KV Q4/Q8:** comprime activaciones de contexto; influye especialmente en longitud y concurrencia. No cambia el archivo de pesos.
- La comparación válida cambia una sola variable: mismo template, parser, seed, prompt tokenizado, hardware, slots y salida reservada.

**A/B propuesto, no ejecutado.**

| Longitud | Pesos | KV | Registrar |
|---|---|---|---|
| 8K | Q4 base | Q4 vs Q8 | VRAM pico, exactitud tools, JSON, duración, tokens, tool calls |
| 32K | Q4 base | Q4 vs Q8 | igual + posición de dato crítico |
| 98K | Q4 base | Q4 vs Q8 | igual + estabilidad y truncamiento |

Se repite con tres seeds y se evalúa por separado código, JSON, llamadas simples, paralelas, multivuelta y abstención. **No** se propone Q8 para 3×262K sin una medición de VRAM real de esa combinación.

**Video verificado.** [Bringing Whisper and LLaMA to the masses](https://www.youtube.com/watch?v=8D3GNEq_FNY) — Changelog con Georgi Gerganov. Contexto de inferencia local; no sustituye documentación del runtime.

**Resumen original.** Cuando una prueba larga falla, decir “Q4 fue peor” suele mezclar dos problemas: el modelo comprimido y el cache lleno. El experimento útil congela uno y cambia el otro. La mejor configuración no es la que cabe una vez, sino la que conserva herramientas correctas y deja margen de VRAM reproducible.

**Audio 60–90 s.** `audio-scripts/03-cuantizacion.md`.

**Práctica segura.** Completar una tabla de presupuesto de VRAM con campos vacíos y unidades; no llenar valores estimados como si fueran mediciones.

**Criterio de éxito.** El manifiesto de cada corrida tiene hash de modelo, runtime, template, flags, seed, contexto, tokens, duración y conteo de tools; una celda sin dato queda `ND`, nunca inferida.

**Fuentes.** [2] [llama.cpp server options](https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md), [7] [vLLM quantized KV](https://docs.vllm.ai/en/latest/features/quantization/quantized_kvcache/).

---

## Módulo 4 — QLoRA agentivo y datos verificables

**Objetivo.** Entender la ruta reversible desde base HF a adapter y luego GGUF, sin entrenar ahora.

**Prerequisitos.** Checkpoint HF, tokenizer, licencia y JSON Schema.

**Estado de evidencia.**
- **Demostrado:** LoRA congela la base y entrena actualizaciones de bajo rango; QLoRA usa base 4-bit congelada, NF4, doble cuantización y adapters.[8][9]
- **Demostrado:** PEFT prepara la base cuantizada y soporta merge de adapters.[10]
- **Compatible sin probar:** QLoRA completo para Ornith híbrido Qwen3.5 y targets correctos de su Gated DeltaNet.

**Lectura.**
- LoRA = matrices pequeñas que modifican capas seleccionadas; adapter = el archivo de esas modificaciones.
- QLoRA = base HF cuantizada en NF4/bitsandbytes para entrenar adapters con menos memoria. NF4 **no** es Q4_K_L.
- Merge = aplicar adapter a la base compatible. Export correcto: base HF/alta precisión → adapter evaluado → merge HF → GGUF alta precisión → una cuantización final.
- No dequantizar ni reentrenar directamente el GGUF Q4_K_L: no recupera los pesos fuente y acumula pérdida.

**Fuentes de datos para investigar, no descargar ahora.**
- **xLAM/APIGen:** APIs verificadas y pares consulta/schema/respuesta; revisar licencia y agrupar por servicio/API.[11]
- **Hermes Function Calling:** contrato `<tools>`, `<tool_call>` y `<tool_response>` útil para estudiar el ciclo, no para mezclar sintaxis sin una etiqueta de protocolo.[12]
- **ToolACE:** datos sintéticos complejos y verificados; el split público es de entrenamiento, no holdout.[13]
- **APIGen-MT:** trayectorias multivuelta verificadas; requiere revisión de licencia y evitar que sus entornos se vuelvan test contaminado.[14]
- **BFCL:** sólo evaluación; nunca entra a SFT, selección o generación de datos.[15]

**Dataset de diseño.** Incluir éxitos, abstenciones, solicitud irrelevante, parámetro faltante, schema inválido, error de herramienta y recuperación. Sanitizar secretos, PII, URLs firmadas, outputs enormes, dumps y razonamiento privado. Partir por **proveedor/repositorio → proyecto → API mayor → endpoint**, antes de dividir train/dev/holdout.

**Video verificado.** [QLoRA: Efficient Finetuning of Quantized LLMs](https://slideslive.com/39014563/qlora-efficient-finetuning-of-quantized-llms) — NeurIPS 2023, autores del trabajo.

**Resumen original.** El objetivo no es fabricar un “GGUF entrenado”. Es conservar una línea de procedencia: una base recuperable, un adapter pequeño y evaluable, y una exportación final que no vuelva a cuantizar pérdidas antiguas. Un dato de tools sólo es bueno si también enseña cuándo no llamar, cuándo preguntar y cómo detenerse ante un error.

**Audio 60–90 s.** `audio-scripts/04-qlora.md`.

**Práctica segura.** Diseñar 20 registros ficticios de herramientas con IDs sintéticos; ejecutar un scanner que rechace campos `secret`, email, URL firmada, blobs > límite y razonamiento.

**Criterio de éxito.** Cada registro conserva procedencia, licencia, API/grupo, protocolo, resultado esperado y etiqueta de abstención/error; train y holdout no comparten proyecto o repositorio.

**Fuentes.** [8] [LoRA](https://arxiv.org/abs/2106.09685), [9] [QLoRA](https://arxiv.org/abs/2305.14314), [10] [PEFT quantization](https://huggingface.co/docs/peft/developer_guides/quantization), [11] [xLAM](https://huggingface.co/datasets/Salesforce/xlam-function-calling-60k), [12] [Hermes FC](https://github.com/NousResearch/Hermes-Function-Calling), [13] [ToolACE](https://arxiv.org/abs/2409.00920), [14] [APIGen-MT](https://apigen-mt.github.io/), [15] [BFCL](https://github.com/ShishirPatil/gorilla).

---

## Módulo 5 — Evaluación y promoción

**Objetivo.** Sustituir una pérdida de entrenamiento o promedio por éxito verificable de herramientas y estabilidad.

**Prerequisitos.** Fixtures, mocks deterministas, seeds, comparaciones pareadas.

**Estado de evidencia.**
- **Demostrado:** BFCL cubre llamadas simples, paralelas, irrelevancia y multivuelta; no hay edición oficial llamada “BFCL-mini”.[15]
- **Compatible sin probar:** subconjunto interno llamado BFCL-mini, siempre marcado interno y con commit/IDs fijos.
- **Hipótesis:** umbrales de promoción siguientes; requieren dueño, severidad y tamaño muestral aprobados.

**Lectura.**
- Herramientas simples: nombre, schema y tipos.
- Paralelas: sólo operaciones independientes.
- Multivuelta: conservar estado, pedir datos faltantes y procesar resultados.
- Abstención: no usar tool si ninguna sirve; no inventar parámetros.
- Código real: tareas con checker/test, no sólo `DONE`.

**Matriz mínima.** Base vs adapter; thinking off vs reasoning limitado; no-stream vs stream; KV base vs candidato; contexto 8K/32K/98K; tres seeds. Primero una variable por vez, luego sólo interacciones justificadas.

**Promoción propuesta.** Cero herramientas reales, red, secretos, acciones externas/destructivas o minefields; 100% de trazabilidad. Además, medir por estrato: tool/schema/args, abstención, estado final, tests de código, JSON y estabilidad. Ninguna media compensa una ejecución falsa.

**Video verificado.** [Building and evaluating AI Agents](https://www.youtube.com/watch?v=d5EltXhbcfA) — AI Engineer, Sayash Kapoor, 17-abr-2025.

**Resumen original.** La pérdida puede bajar mientras el modelo aprende a llamar una herramienta de más. Por eso la evaluación observa una trayectoria: qué propuso, qué el interceptor permitió, qué cambió en el estado ficticio y si el resultado pasó el checker. El promedio sirve para resumir; los gates por dominio deciden.

**Audio 60–90 s.** `audio-scripts/05-evaluacion.md`.

**Práctica segura.** Construir mocks en memoria para lectura, edición ficticia, test ficticio y acción prohibida. No montar filesystem real, red, credenciales ni sockets.

**Criterio de éxito.** Una corrida conserva `finish_reason`, streaming, tokens, duración y conteo de tools, más resultado del checker; cualquier timeout/OOM/JSON inválido permanece en el denominador.

**Fuentes.** [15] [BFCL categories](https://github.com/ShishirPatil/gorilla/blob/main/berkeley-function-call-leaderboard/TEST_CATEGORIES.md), [16] [τ-bench](https://arxiv.org/abs/2406.12045), [17] [ToolSandbox](https://arxiv.org/abs/2408.04682).

---

## Módulo 6 — Destilación, poda e idiomas

**Objetivo.** Ordenar compresión posterior sin prometer ahorros ni eliminar capacidades a ciegas.

**Prerequisitos.** Adapter aprobado por evaluación y base reversible conservada.

**Estado de evidencia.**
- **Demostrado:** destilación y poda existen como métodos generales; no demuestran preservación de herramientas/abstención en Ornith.[18][19]
- **Hipótesis:** recuperar tras poda mediante distilación/LoRA y evaluarlo en la misma batería.

**Lectura.**
- Destilar después de demostrar que QLoRA ayuda. Enseñar acciones, tool calls, resultados verificables y abstenciones; nunca chain-of-thought.
- Poda estructurada es laboratorio posterior. No prometer “40%” ni “quitar capacidades” sin evaluar cada nivel y latencia del backend objetivo.
- Idiomas no se separan limpiamente de conocimiento, tokens, código y tool names. Priorizar especialización por datos y evaluación antes que unlearning.
- Developer prompt seguro: reducir negativas innecesarias, aumentar precisión, alternativas útiles y límites claros ante solicitudes no permitidas. No diseñar mecanismos para retirar salvaguardas.

**Video verificado.** [What is Low-Rank Adaptation (LoRA) | explained by the inventor](https://www.youtube.com/watch?v=DhRoTONcyZE) — Edward Hu, 09-ene-2024.

**Resumen original.** Comprimir no es borrar una parte aislada del conocimiento. Antes de quitar capas, tokens o idiomas, hay que probar que el adapter ya entrega la conducta objetivo. Después, cada compresión se evalúa como un candidato nuevo: no gana por tamaño si rompe un tool call, una abstención o un límite de autorización.

**Audio 60–90 s.** `audio-scripts/06-destilacion-poda.md`.

**Práctica segura.** Etiquetar un catálogo de ejemplos como “acción verificable”, “resultado”, “abstención” y “razonamiento privado prohibido”; no generar ni almacenar razonamiento.

**Criterio de éxito.** El plan de datos no contiene chain-of-thought ni secreto; cada técnica propone rollback a la base y gates de tool calling, JSON, código, abstención y seguridad.

**Fuentes.** [18] [Knowledge Distillation](https://arxiv.org/abs/1503.02531), [19] [LLM-Pruner](https://arxiv.org/abs/2305.11627), [20] [SparseGPT](https://proceedings.mlr.press/v202/frantar23a.html).

---

## Módulo 7 — Visión, MTP y DFlash

**Objetivo.** Tratar componentes opcionales como hipótesis separadas, no como mejoras acumulables.

**Prerequisitos.** Hash de GGUF, lista de tensores, runtime SHA y baseline reproducible.

**Estado de evidencia.**
- **Demostrado:** la arquitectura publicada tiene visión y `mtp_num_hidden_layers=1`.[1]
- **Pendiente de trazabilidad:** qué tensores de visión/MTP contiene el GGUF Q4_K_L activo y si un mmproj externo se omite efectivamente al cargar.
- **Pendiente de trazabilidad:** DFlash activo o beneficioso hoy en ia-lab.
- **Compatible sin probar:** MTP o DFlash individualmente con el binario/artefacto actual.

**Lectura.**
- Visión: un servidor puede omitir mmproj externo, pero no se promete ahorro hasta inspeccionar carga y memoria. No crear un perfil text-only como “optimización nueva” sin esa medición.
- MTP: head presente ≠ head útil. Medir carga, aceptación, VRAM, tokens/s, calidad de tools y estabilidad.
- DFlash: drafter externo ≠ MTP. Medir las mismas métricas bajo el mismo workload.
- Nunca combinar MTP y DFlash en la misma prueba: cambia dos variables y puede chocar en soporte/runtime.

**Video verificado.** [Speculative Decoding en llama.cpp](https://www.youtube.com/watch?v=4Gs6PI2EZsQ) — Nichonauta. Útil como intuición, no como receta transferible a Ornith.

**Resumen original.** Un head o un archivo presente no es rendimiento. El único experimento honesto toma un perfil base trazado y activa una sola opción: MTP *o* DFlash. Si sube la velocidad pero cae exactitud de herramientas o aumenta OOM, no es una promoción.

**Audio 60–90 s.** `audio-scripts/07-vision-mtp-dflash.md`.

**Práctica segura.** Diseñar una hoja de A/B vacía: `base`, `MTP`, `DFlash`, misma batería y rollback. No añadir flags ni reiniciar servicios.

**Criterio de éxito.** Cada candidato tiene hash, template, flags, VRAM, tokens, duración, tool calls, finish_reason y resultados de batería; no hay dos aceleradores activados juntos.

**Fuentes.** [1] [Ornith config](https://huggingface.co/ornith-ai/Ornith-1.5-9B/blob/main/config.json), [21] [llama.cpp speculative docs](https://github.com/ggml-org/llama.cpp/blob/master/docs/speculative.md), [22] [DFlash paper](https://arxiv.org/abs/2602.06036).

---

# Ruta reproducible — fases sin ejecutar

| Fase | Acción propuesta | Gate |
|---|---|---|
| 0. Freeze | Archivar hash de modelo/binario/template, flags y manifest de fixture. | Todo identificable; baseline no se reescribe. |
| 1. Transporte | Ejecutar O43 10×3 sobre mocks, con Chat/Responses/Messages. | 30/30 semánticos; sin XML/reasoning expuesto; capability gaps declarados. |
| 2. Perfil | Evaluar normal vs reasoning limitado a 8K/32K. | Herramientas/JSON/abstención no regresan; presupuesto respetado. |
| 3. KV | A/B Q4 vs Q8 en 8K/32K/98K, una variable a la vez. | VRAM real y calidad por dominio; no sólo promedio. |
| 4. QLoRA | Sólo tras recuperar base HF, licencia y holdout por repositorio. | Adapter supera base en tools sin vetos; merge/GGUF repite resultado. |
| 5. Especulación | MTP y DFlash por separado. | Aceptación, VRAM, tool success y estabilidad justifican el perfil. |
| 6. Destilación/poda | Sólo tras QLoRA aprobada. | Recuperación evaluada; no se degradan controles ni abstención. |

## Qué no se hará en estas fases

- Entrenar o descargar datasets sin autorización posterior.
- Modificar endpoint, flags, CCR, llama.cpp o vLLM durante esta edición.
- Registrar argumentos privados, secretos, PII, URLs firmadas o razonamiento crudo.
- Convertir una afirmación histórica en baseline sin traza.
- Retirar salvaguardas, controles de autorización o límites de acciones.

---

# Anexo A — Canario idéntico O43 (10 casos)

| ID | Caso | Oráculo normalizado |
|---|---|---|
| O43-01 | `Responde exactamente ORNITH_CANARY_OK`, sin tools. | texto exacto; 0 calls. |
| O43-02 | System/instructions: PING → PONG. | texto exacto `PONG`. |
| O43-03 | `lookup_city(Reykjavík)`. | 1 call, argumentos JSON equivalentes. |
| O43-04 | Resultado `Iceland` de O43-03. | texto contiene Iceland; 0 nuevas calls. |
| O43-05 | `add(17,25)` + `multiply(6,7)`. | 2 calls independientes, IDs únicos; resultado final reconoce 42 y 42. |
| O43-06 | `always_fail(E_CANARY)`. | reporta error, no inventa, no bucle. |
| O43-07 | `record_event` con Anaïs, São Paulo, niño, 東京. | JSON anidado/Unicode íntegro. |
| O43-08 | Definir API sin tools. | texto no vacío; 0 calls. |
| O43-09 | `echo(CANARY_REQUIRED)` con política required. | 1 call requerida. |
| O43-10 | Reenviar historial completo y preguntar país confirmado. | `Iceland`; 0 calls; sin depender de `previous_response_id`. |

**Configuración canónica:** `stream=false`, temperatura 0, salida máxima 256. Comparar JSON normalizado y relaciones de ID, no IDs literales. O43-05 se reporta como capacidad separada si el runtime no soporta paralelismo.

---

# Fuentes principales

1. [Ornith-1.5-9B model card y configuración](https://huggingface.co/ornith-ai/Ornith-1.5-9B)
2. [llama.cpp server](https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md)
3. [OpenAI function calling](https://platform.openai.com/docs/guides/function-calling)
4. [Anthropic tool use](https://platform.claude.com/docs/en/agents-and-tools/tool-use/handle-tool-calls)
5. [Lost in the Middle](https://arxiv.org/abs/2307.03172)
6. [RULER](https://arxiv.org/abs/2404.06654)
7. [vLLM KV cache](https://docs.vllm.ai/en/latest/features/quantization/quantized_kvcache/)
8. [LoRA](https://arxiv.org/abs/2106.09685)
9. [QLoRA](https://arxiv.org/abs/2305.14314)
10. [PEFT quantization](https://huggingface.co/docs/peft/developer_guides/quantization)
11. [xLAM/APIGen dataset](https://huggingface.co/datasets/Salesforce/xlam-function-calling-60k)
12. [Hermes Function Calling](https://github.com/NousResearch/Hermes-Function-Calling)
13. [ToolACE](https://arxiv.org/abs/2409.00920)
14. [APIGen-MT](https://apigen-mt.github.io/)
15. [BFCL](https://github.com/ShishirPatil/gorilla)
16. [τ-bench](https://arxiv.org/abs/2406.12045)
17. [ToolSandbox](https://arxiv.org/abs/2408.04682)
18. [Knowledge Distillation](https://arxiv.org/abs/1503.02531)
19. [LLM-Pruner](https://arxiv.org/abs/2305.11627)
20. [SparseGPT](https://proceedings.mlr.press/v202/frantar23a.html)
21. [llama.cpp speculative decoding](https://github.com/ggml-org/llama.cpp/blob/master/docs/speculative.md)
22. [DFlash](https://arxiv.org/abs/2602.06036)
