Upload folder using huggingface_hub

README.md

@@ -0,0 +1,141 @@
+---
+language:
+- es
+- en
+license: apache-2.0
+tags:
+- onnx
+- feature-extraction
+- embeddings
+- nomic-embed-text
+- sentence-similarity
+- cpu-optimized
+- int8
+- quantized
+pipeline_tag: feature-extraction
+library_name: onnx
+---
+
+# dra-nomic-embed (Standalone ONNX: FP32 & Dynamic INT8)
+
+> Modelos de embeddings de alto rendimiento optimizados para **inferencia ultra-rápida y soberana en CPU (sin PyTorch ni GPU)**.
+
+Desarrollado como motor central de búsqueda semántica local para **[DRA (DeepRoot Agent)](https://gitlab.com/jonasreyes/dra)**, el agente autónomo de nueva generación creado por **Jonás Reyes** tras la evolución del proyecto fundacional **[DeepRoot](https://gitlab.com/jonasreyes/deeproot)** hacia la Inteligencia Artificial soberana.
+
+---
+
+## 📊 Especificaciones Técnicas
+
+| Propiedad | Valor |
+| :--- | :--- |
+| **Modelo Base Original** | [`nomic-ai/nomic-embed-text-v1.5`](https://huggingface.co/nomic-ai/nomic-embed-text-v1.5) |
+| **Formato de Inferencia** | ONNX Runtime (C++ / SIMD AVX2/FMA/VNNI) |
+| **Dimensiones Vectoriales** | 768 (Soporta Matryoshka downsampling) |
+| **Contexto Máximo** | **8.192 tokens** |
+| **Dependencias en Runtime** | `onnxruntime` + `tokenizers` (Cero PyTorch / Cero Transformers) |
+| **Licencia del Modelo Base** | Apache 2.0 |
+
+---
+
+## 🔬 Benchmark en Hardware Real (Intel Core i5-4308U Dual-Core @ 2.80GHz, 2014)
+
+Evaluación comparativa procesando **1.200 textos técnicos reales** (código fuente, consultas SQL, documentación y arquitectura):
+
+| Variante | Archivo | Tamaño en Disco / RAM | Velocidad (CPU Dual-Core) | Retención de Fidelidad |
+| :--- | :--- | :--- | :--- | :--- |
+| **INT8 (Recomendado)** | `model_int8.onnx` | **131.49 MB (-74.8%)** | **7.8 textos/seg (1.36x más rápido)** | **93.34%** similitud coseno |
+| **FP32 (Original)** | `model.onnx` | 522.25 MB | 5.7 textos/seg | 100% (Referencia base) |
+
+> 🚀 **Proyección en Hardware Moderno**: Si en un procesador dual-core de 2014 entrega 7.8 textos/segundo, en procesadores modernos (Intel Core Ultra, AMD Ryzen 7000/9000, Apple Silicon M-Series) el rendimiento supera los **cientos de textos por segundo** con latencias inferiores a 5 ms.
+
+---
+
+## 🛠️ Pipeline de Dependencias Efímeras: ¿Cómo se creó este modelo?
+
+Para evitar arrastrar gigabytes de dependencias en entornos de producción:
+
+1. **Entorno de Compilación Aislado**: Se instalaron temporalmente `optimum[exporters]`, `torch` y `transformers`.
+2. **Exportación a Grafo ONNX**: Se compiló el modelo base `nomic-ai/nomic-embed-text-v1.5` a un grafo unificado optimizado.
+3. **Cuantización Dinámica INT8**: Se generó la versión compacta optimizada para instrucciones vectoriales.
+4. **Purga Total de Dependencias**: Inmediatamente tras la exportación, `torch` y todas las librerías pesadas fueron **completamente eliminadas y desinstaladas**, garantizando un paquete ultra-ligero y autónomo.
+
+---
+
+## 📥 Métodos de Instalación y Descarga
+
+### Opción A: Descarga Manual Rápida en Terminal
+
+```bash
+# Crear directorio de destino
+mkdir -p ~/.dra/models/nomic-embed/
+
+# Descargar desde Hugging Face
+curl -L https://huggingface.co/jonasreyes/dra-nomic-embed/resolve/main/model_int8.onnx -o ~/.dra/models/nomic-embed/model_int8.onnx
+curl -L https://huggingface.co/jonasreyes/dra-nomic-embed/resolve/main/tokenizer.json -o ~/.dra/models/nomic-embed/tokenizer.json
+curl -L https://huggingface.co/jonasreyes/dra-nomic-embed/resolve/main/config.json -o ~/.dra/models/nomic-embed/config.json
+
+# (Opcional) Descargar también la variante FP32 completa:
+curl -L https://huggingface.co/jonasreyes/dra-nomic-embed/resolve/main/model.onnx -o ~/.dra/models/nomic-embed/model.onnx
+```
+
+### Opción B: Uso Automático con DRA
+
+```bash
+# Instalación automática con DRA (descarga o compila según disponibilidad)
+uv run dra setup
+
+# Seleccionar modelo activo
+uv run dra config set embed-model int8   # Versión ultra-rápida (131 MB)
+uv run dra config set embed-model fp32   # Versión completa (522 MB)
+```
+
+---
+
+## 💻 Uso en Python Puro (Sin PyTorch)
+
+```python
+import numpy as np
+from onnxruntime import InferenceSession, SessionOptions, GraphOptimizationLevel
+from tokenizers import Tokenizer
+
+# 1. Cargar tokenizador y sesión ONNX (INT8 o FP32)
+tokenizer = Tokenizer.from_file("tokenizer.json")
+opts = SessionOptions()
+opts.graph_optimization_level = GraphOptimizationLevel.ORT_ENABLE_ALL
+session = InferenceSession("model_int8.onnx", sess_options=opts, providers=["CPUExecutionProvider"])
+
+# 2. Generar embeddings
+texts = ["search_document: Arquitectura de agentes autónomos y soberanía en IA."]
+enc = tokenizer.encode_batch(texts)
+max_len = max(len(e.ids) for e in enc)
+
+input_ids = np.array([e.ids + [0] * (max_len - len(e.ids)) for e in enc], dtype=np.int64)
+attention_mask = np.array([e.attention_mask + [0] * (max_len - len(e.attention_mask)) for e in enc], dtype=np.int64)
+
+outputs = session.run(None, {"input_ids": input_ids, "attention_mask": attention_mask})
+embeddings = outputs[0][:, 0, :]  # Mean pooling / CLS representation
+```
+
+---
+
+## 🔐 Checksums de Integridad (SHA-256)
+
+| Archivo | Tamaño | SHA-256 |
+| :--- | :--- | :--- |
+| `model_int8.onnx` | 131.49 MB | `650fd2bde209bd85d0a842f52182f6cd347044a8fadba72b346840a4d5bfca63` |
+| `model.onnx` | 522.25 MB | `1c1005bf14c833d0bb52024b6175409efe745245d0c21795b4d0bec4f55d74e9` |
+| `tokenizer.json` | 711.39 KB | `d241a60d5e8f04cc1b2b3e9ef7a4921b27bf526d9f6050ab90f9267a1f9e5c66` |
+
+---
+
+## 🌐 Antecedentes del Proyecto
+
+- **[DeepRoot](https://gitlab.com/jonasreyes/deeproot)**: Proyecto fundacional desarrollado por Jonás Reyes que definió las bases de arquitectura de sistemas y soberanía digital.
+- **[DRA (DeepRoot Agent)](https://gitlab.com/jonasreyes/dra)**: Agente autónomo local-first, multi-proveedor y seguro, diseñado para competir sólidamente con las mejores herramientas de desarrollo asistido del estado del arte.
+
+---
+
+## 📄 Licencia
+
+El modelo original `nomic-embed-text-v1.5` está bajo licencia **Apache 2.0**.
+Este repositorio distribuye artefactos optimizados en formato ONNX; no modifica la arquitectura base del modelo.

config.json

@@ -0,0 +1,74 @@
+{
+  "activation_function": "swiglu",
+  "architectures": [
+    "NomicBertModel"
+  ],
+  "attention_probs_dropout_prob": 0.0,
+  "attn_pdrop": 0.0,
+  "auto_map": {
+    "AutoConfig": "configuration_hf_nomic_bert.NomicBertConfig",
+    "AutoModel": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertModel",
+    "AutoModelForMaskedLM": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertForPreTraining",
+    "AutoModelForMultipleChoice": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertForMultipleChoice",
+    "AutoModelForQuestionAnswering": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertForQuestionAnswering",
+    "AutoModelForSequenceClassification": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertForSequenceClassification",
+    "AutoModelForTokenClassification": "nomic-ai/nomic-bert-2048--modeling_hf_nomic_bert.NomicBertForTokenClassification"
+  },
+  "bos_token_id": null,
+  "causal": false,
+  "classifier_dropout": null,
+  "dense_seq_output": true,
+  "dtype": "float32",
+  "embd_pdrop": 0.0,
+  "eos_token_id": null,
+  "export_model_type": "transformer",
+  "fused_bias_fc": true,
+  "fused_dropout_add_ln": true,
+  "head_dim": 64,
+  "hidden_act": "silu",
+  "hidden_dropout_prob": 0.0,
+  "initializer_range": 0.02,
+  "intermediate_size": 3072,
+  "layer_norm_eps": 1e-12,
+  "layer_norm_epsilon": 1e-12,
+  "max_trained_positions": 2048,
+  "mlp_fc1_bias": false,
+  "mlp_fc2_bias": false,
+  "model_type": "nomic_bert",
+  "n_embd": 768,
+  "n_head": 12,
+  "n_inner": 3072,
+  "n_layer": 12,
+  "n_positions": 2048,
+  "pad_token_id": 0,
+  "pad_vocab_size_multiple": 64,
+  "parallel_block": false,
+  "parallel_block_tied_norm": false,
+  "prenorm": false,
+  "qkv_proj_bias": false,
+  "reorder_and_upcast_attn": false,
+  "resid_pdrop": 0.0,
+  "rope_parameters": {
+    "rope_theta": 1000.0,
+    "rope_type": "default"
+  },
+  "rotary_emb_base": 1000,
+  "rotary_emb_fraction": 1.0,
+  "rotary_emb_interleaved": false,
+  "rotary_emb_scale_base": null,
+  "rotary_scaling_factor": null,
+  "scale_attn_by_inverse_layer_idx": false,
+  "scale_attn_weights": true,
+  "summary_activation": null,
+  "summary_first_dropout": 0.0,
+  "summary_proj_to_labels": true,
+  "summary_type": "cls_index",
+  "summary_use_proj": true,
+  "transformers_version": "4.57.6",
+  "type_vocab_size": 2,
+  "use_cache": true,
+  "use_flash_attn": true,
+  "use_rms_norm": false,
+  "use_xentropy": true,
+  "vocab_size": 30528
+}

model.onnx

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1c1005bf14c833d0bb52024b6175409efe745245d0c21795b4d0bec4f55d74e9
+size 547614877

model_int8.onnx

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:650fd2bde209bd85d0a842f52182f6cd347044a8fadba72b346840a4d5bfca63
+size 137880210

model_metadata.json

@@ -0,0 +1,10 @@
+{
+  "model": "nomic-ai/nomic-embed-text-v1.5",
+  "dimension": 768,
+  "checksum_sha256": "1c1005bf14c833d0bb52024b6175409efe745245d0c21795b4d0bec4f55d74e9",
+  "files": {
+    "model.onnx": "/home/jonasroot/.dra/models/nomic-embed/model.onnx",
+    "tokenizer.json": "/home/jonasroot/.dra/models/nomic-embed/tokenizer.json",
+    "config.json": "/home/jonasroot/.dra/models/nomic-embed/config.json"
+  }
+}