M.A.T.E.R.I.A. y HSAQ — ¿Qué es y qué NO es?
Documento de referencia (v2.0, 2026). Alineado con la charla del autor en el I Congreso IA-LATAM 2026 y su whitepaper oficial.
🎬 https://www.youtube.com/watch?v=azJURypb3xo · 📄 https://comunidadialatam.org/blog/materia-hsaq-ciberseguridad
M.A.T.E.R.I.A.
Qué es ✅
M.A.T.E.R.I.A. (Multi-Agentic Toroidal Engine for Recursive Intelligent Analysis) es una arquitectura, no un modelo.
- Un HUB central en el centro de un toroide que orquesta el sistema.
- Un anillo de ranuras donde se montan agentes especializados (audio, voz, imagen, video, LLM, SSM, módulos personalizados…), sin límite fijo.
- Contexto compartido y persistente entre todos los agentes (el "análisis recursivo inteligente").
- Arquitectura anidable: cada ranura puede contener otro M.A.T.E.R.I.A. completo → sistemas de sistemas.
La inteligencia emerge de la cooperación de agentes sobre contexto compartido, no de un monolito cada vez más grande.
Qué NO es ❌
- NO es un modelo único monolítico. No es "otro LLM gigante".
- NO es la suma de los modelos que contiene. El valor está en la orquestación y el contexto compartido, no en un solo checkpoint.
- M.A.T.E.R.I.A. V4 (el modelo de 140.9M parámetros, JEPA-First/SCA) es un prototipo construido dentro de esta filosofía, no la definición de MATERIA.
- NO requiere un hardware específico: la ranura del HUB acepta cualquier modelo, y las ranuras son configurables.
HSAQ
Qué es ✅
HSAQ (Hyper Sparse Adaptive Quantization) es un mecanismo de cuantización y poda adaptativa por activaciones.
- Umbral dinámico por lote (
kthvalue): silencia las activaciones inactivas de cada batch. - Máscaras aprendibles: el modelo aprende cuándo cortar y cuándo no (poda sináptica, como el cerebro).
- Gradiente STE (Straight-Through Estimator): el gradiente atraviesa la máscara; la poda es entrenable/autorregulada.
- Optimización de VRAM: SGD Nesterov con máscaras adaptativas, 4 bytes por parámetro (vs 8 de AdamW). Entrenamiento 1.33B: 24.8 → 10.07 GB VRAM (−59.4%).
- Sin calibración: no requiere datasets externos ni pasos post-entrenamiento.
- Hardware-agnostic: solo operaciones de torch (CPU/GPU/TPU).
Qué NO es ❌
- NO es cuantización de pesos. No es INT8, no es INT4, no es GPTQ, AWQ ni bitsandbytes.
- NO opera sobre pesos: opera exclusivamente sobre activaciones
(las reduce a
{0, valor}con una máscara binaria). - NO es un optimizador clásico tipo AdamW con momentos; es un regularizador/podador adaptativo que sustituye el gasto de memoria del optimizer.
- NO requiere calibración (a diferencia de GPTQ/AWQ/TurboQuant).
HSAQ v2 — extensión experimental (apartado)
⚠️ No confundir con HSAQ core. HSAQ v2 es una extensión experimental del paper de M.A.T.E.R.I.A. V4, separada de la definición de HSAQ.
Qué es ✅: extiende HSAQ añadiendo cuantización real de pesos (INT8/INT4 mixto), además de la máscara de activaciones; QAT-style (entrenable), con propiedad extra de protección contra ataques de canal lateral (side-channel) por oscurecimiento del acceso a memoria.
Qué NO es ❌: no es la definición core de HSAQ; es una línea de investigación aparte (ver paper M.A.T.E.R.I.A. V4, §2.4 y §6).
| HSAQ (core) | HSAQ v2 (experimental) | |
|---|---|---|
| Máscara de activaciones | ✅ | ✅ |
| Cuantización de pesos INT8/INT4 | ❌ | ✅ |
| Definido en la charla IA-LATAM | ✅ | ❌ (solo paper) |
| Estado | Estándar v1.0 | Extensión experimental |
Referencias
- Charla: https://www.youtube.com/watch?v=azJURypb3xo
- Whitepaper: https://comunidadialatam.org/blog/materia-hsaq-ciberseguridad
- Estándar HSAQ:
HSAQ_STANDARD.md - Paper M.A.T.E.R.I.A. V4:
PAPER_CIENTIFICO_MATERIA_V4.md
Créditos
Jesús Antonio Zárate Hernández (MethodWhite, Chile). M.A.T.E.R.I.A. Research © 2026.
Si te sirve, invítame un café ☕ → https://buymeacoffee.com/methodwhite