docs: arquitectura real primero (base congelada + LoRA + spores), narrativa de entrenamiento fuera

README.md

@@ -27,10 +27,21 @@ corre en tu máquina, no en la nube. Fine-tune **LoRA** de `Qwen/Qwen3-4B-Instru
 de Daimon: **acciones de agente (tool-calling JSON), código y conversación en español nativo**.
 
 **Qué es exactamente**: el modelo base `Qwen/Qwen3-4B-Instruct-2507` (GGUF cuantizado, intacto) + un
-**LoRA de ~66MB** que lo especializa como cerebro de agente. Es un modelo estándar:
+**LoRA angosto** que lo especializa como cerebro de agente. La base queda **congelada**: la habilidad viene del LoRA y el **conocimiento** viene de los spores (sección siguiente) — no de re-entrenar el modelo entero. Es un modelo estándar:
 funciona con llama.cpp / LM Studio / cualquier stack GGUF, **sin necesidad del software
 de Daimon** — abajo está el contrato completo de prompts para usarlo standalone.
 
+### 🧬 Spores de conocimiento (dataset companion)
+
+El proyecto Daimon también publica **[daimon-spores](https://huggingface.co/datasets/lucas-mella/daimon-spores)**: un banco de 17 dominios
+de herramientas (uv, docker, react, pytest…) como **KV-caches portables** — un manual
+pasado UNA vez por el modelo, cuantizado int4+LZMA (~5.5×), que se antepone como
+prefijo de cache para que el modelo "recuerde" el manual **sin gastar tokens de contexto**.
+Medido con 3 brazos (base / RAG / spore): uv pasa de 8% → **96%** (supera al RAG).
+
+⚠️ Importante: los spores NO se aplican sobre este adapter. Se atan a `Qwen/Qwen2.5-Coder-1.5B` (base, no Instruct) — otro modelo del mismo ecosistema; daimon-r sigue siendo el cerebro agéntico.
+El dataset incluye un loader autocontenido y los benchmarks congelados para reproducir la tabla.
+
 ### 📊 Benchmarks de la comunidad — primero, porque no son nuestros
 
 <div align="center">
@@ -89,20 +100,6 @@ Medido sobre estos GGUF exactos servidos con llama.cpp. Script:
 [`agent_actions_eval.py`](https://github.com/lucasmella-stack/daimon) — los JSONs de
 resultados se generan antes de cada publicación.*
 
-### 🧠 Con qué se entrenó (por contribución)
-
-- **Acciones de agente (in-house, sintético)** — escenarios browser/computer/code con el
-  esquema JSON exacto de producción de Daimon (`{"thought": …, "action": "click", "ref": …}`),
-  generados por construcción (la respuesta correcta se conoce con certeza, sin teacher API).
-  Es lo que mueve las tres métricas de arriba.
-- **Comportamiento e identidad Daimon (in-house)** — 231 seeds: persona en primera persona,
-  honestidad ante lo que no sabe, registro rioplatense conciso, convención de canvas HTML.
-- El **código, el razonamiento y el multilingüe** vienen del modelo base (por eso el LoRA es
-  chico y el nivel de código se mantiene intacto). Probamos también mezclas grandes con
-  datasets públicos (xLAM, ToolACE, código, español nativo) y fine-tunes sobre el historial
-  real de commits — **ninguna de esas variantes le ganó a esta en el gate, así que no se
-  publicaron**. Solo publicamos lo que gana una comparación pre-registrada contra el base.
-
 ### 💻 Requisitos de hardware
 
 | Recurso | Requisito |
@@ -195,17 +192,6 @@ BFCL-lite (tabla de abajo) — el fine-tune lo mantiene por encima del base.
 El loop del agente (ejecutar la acción, observar, re-prompt con el historial)
 lo implementás vos — el modelo es el cerebro que decide la próxima acción.
 
-### 🧬 Spores de conocimiento (dataset companion)
-
-El proyecto Daimon también publica **[daimon-spores](https://huggingface.co/datasets/lucas-mella/daimon-spores)**: un banco de 17 dominios
-de herramientas (uv, docker, react, pytest…) como **KV-caches portables** — un manual
-pasado UNA vez por el modelo, cuantizado int4+LZMA (~5.5×), que se antepone como
-prefijo de cache para que el modelo "recuerde" el manual **sin gastar tokens de contexto**.
-Medido con 3 brazos (base / RAG / spore): uv pasa de 8% → **96%** (supera al RAG).
-
-⚠️ Importante: los spores NO se aplican sobre este adapter. Se atan a `Qwen/Qwen2.5-Coder-1.5B` (base, no Instruct) — otro modelo del mismo ecosistema; daimon-r sigue siendo el cerebro agéntico.
-El dataset incluye un loader autocontenido y los benchmarks congelados para reproducir la tabla.
-
 ---
 
 ## 🇬🇧 English