lucas-mella/Daimon-R

  r

---

🇪🇸 Español

daimon r es el modelo razonador de 4B (fine-tune LoRA de Qwen3-4B-Instruct-2507), el hermano mayor de daimon x: mismo asistente de código, agente (tool-calling) y conversación, con foco en español nativo, pero con más capacidad de razonamiento.

Forma parte del proyecto Daimon — próximamente / coming soon.

🧠 Con qué se entrenó

Fine-tune LoRA (QLoRA 4-bit) sobre el mismo mix curado que daimon x, pesado hacia el núcleo de Daimon (tool-calling / agente):

• Tool-calling / agente — xLAM, ToolACE, Hermes-FC, Toucan (trayectorias multi-turno reales de +495 servidores MCP)
• Código — evol-codealpaca, OpenCodeReasoning, glaive
• Razonamiento — OpenThoughts, OpenR1-Math (con respuestas verificadas)
• Español nativo — BSC-LT m-personas, projecte-aina MentorES, aya (nativo, no traducido)
• In-house — acciones de agente + identidad de Daimon

📊 Benchmarks

Base	Ejemplos	train_loss	eval_loss
Qwen3-4B-Instruct-2507	4.979	0.762	0.633

eval_loss < train_loss, y notablemente más bajo que daimon x (0.633 vs 0.868) → el 4B aprende mejor.

💻 Requisitos de hardware

Recurso	Mínimo	Recomendado
Disco (GGUF Q4_K_M + LoRA)	~2.5 GB	~2.5 GB
RAM	8 GB	16 GB
GPU	opcional (corre en CPU, más lento)	≥ 4 GB VRAM (ej. GTX 1650)

Más pesado que daimon x por ser 4B, pero la cuantización Q4_K_M lo hace correr en GPUs modestas.

⬇️ Descargar (opcional — solo si querés usarlo)

huggingface-cli download lucas-mella/Daimon-R
# correr con llama.cpp (base GGUF + adapter LoRA):
llama-server --model Qwen3-4B-Instruct-2507-Q4_K_M.gguf \
             --lora daimon-r-lora-f16.gguf --alias daimon-r

---

🇬🇧 English

daimon r is the 4B reasoning model (LoRA fine-tune of Qwen3-4B-Instruct-2507), the big sibling of daimon x: the same code, agentic tool-calling and conversation assistant with a focus on native Spanish, but with stronger reasoning.

Part of the Daimon project — coming soon.

🧠 Training

LoRA (4-bit QLoRA) fine-tune on the same curated mix as daimon x, weighted toward Daimon's tool-calling/agent core:

• Tool-calling / agent — xLAM, ToolACE, Hermes-FC, Toucan (real multi-turn trajectories from 495+ MCP servers)
• Code — evol-codealpaca, OpenCodeReasoning, glaive
• Reasoning — OpenThoughts, OpenR1-Math (verified answers)
• Native Spanish — BSC-LT m-personas, projecte-aina MentorES, aya (native, not translated)
• In-house — Daimon agent-actions + identity

📊 Benchmarks

Base	Examples	train_loss	eval_loss
Qwen3-4B-Instruct-2507	4,979	0.762	0.633

eval_loss < train_loss, and notably lower than daimon x (0.633 vs 0.868) → the 4B learns better.

💻 Hardware requirements

Resource	Minimum	Recommended
Disk (Q4_K_M GGUF + LoRA)	~2.5 GB	~2.5 GB
RAM	8 GB	16 GB
GPU	optional (CPU works, slower)	≥ 4 GB VRAM (e.g. GTX 1650)

Heavier than daimon x (it's 4B), but Q4_K_M quantization lets it run on modest GPUs.

⬇️ Download (optional)

huggingface-cli download lucas-mella/Daimon-R
# run with llama.cpp (base GGUF + LoRA adapter):
llama-server --model Qwen3-4B-Instruct-2507-Q4_K_M.gguf \
             --lora daimon-r-lora-f16.gguf --alias daimon-r

---

_{Base: Qwen3-4B-Instruct-2507 (Apache-2.0). LoRA + mix: proyecto Daimon.}