--- license: apache-2.0 base_model: Qwen/Qwen2.5-Coder-1.5B-Instruct language: - es - en tags: - daimon - lora - tool-calling - agent - code - spanish library_name: gguf ---
daimon x
--- ## 🇪🇸 Español **daimon x** es el cuerpo del organismo **Daimon**: un Qwen2.5-Coder-1.5B-Instruct **congelado** + un LoRA angosto que lo vuelve un cerebro de agente (acciones JSON: **22.2% → 94.4%** en 198 casos held-out, grading determinístico). Corre en 1GB de VRAM o en CPU — y ahora viene **fusionado en un solo GGUF**, así que funciona en cualquier herramienta estándar sin pasos raros. Su conocimiento vive aparte, en **[spores](https://huggingface.co/datasets/lucas-mella/daimon-spores)**: manuales de herramientas que se le inyectan POR PREGUNTA. Regla medida (2026-07-15): un spore cargado permanente daña la habilidad de agente (−21 pts); inyectado por turno, el saber rinde 95%+ y el LoRA no lo afecta en nada (43/45 con y sin). **Saber por turno, nunca residente.** ### ⚡ Usarlo en 1 minuto **Archivo único:** [`daimon-x-q4_k_m.gguf`](https://huggingface.co/lucas-mella/Daimon-X/resolve/main/daimon-x-q4_k_m.gguf) (~1GB, base+LoRA ya fusionados, **verificado 30/30** en el eval congelado tras el merge). **Ollama** — guardá esto como `Modelfile` junto al GGUF y listo: ``` FROM ./daimon-x-q4_k_m.gguf ``` ```bash ollama create daimon-x -f Modelfile ollama run daimon-x "cómo fijo la versión de python con uv?" ``` **LM Studio** — descargá el GGUF (o buscá `lucas-mella/Daimon-X` en la app), cargalo y chateá. Para darle el saber de un dominio: abrí el [corpus del dominio](https://huggingface.co/datasets/lucas-mella/daimon-spores/tree/main/corpora) del dataset y pegalo como **system prompt** — medido: 94% de respuestas correctas con el manual presente (vs 15% sin él). **Terminal (llama.cpp):** ```bash llama-server --model daimon-x-q4_k_m.gguf --port 8000 ``` ### 🧬 Los spores (el saber, por pregunta) El dataset **[daimon-spores](https://huggingface.co/datasets/lucas-mella/daimon-spores)** trae 17 dominios (uv, docker, react, pytest…) en dos formas: 1. **Corpus de texto** (`corpora/*.md`) — funciona en CUALQUIER interfaz: pegalo como system prompt cuando la pregunta sea de ese dominio. Simple y medido (94%). 2. **KV-cache compilado** (`.spore`) — para terminal/Python con el loader incluido en el dataset: el manual ya está "leído" y **no gasta ni un token de contexto**. En este mismo Instruct: uv 24/25, docker 10/10, idott 10/10. El patrón correcto (el que usa Daimon): pregunta de dominio → forward aparte con el spore → la respuesta corta se le pasa al chat. No dejes un spore cargado mientras el modelo actúa como agente — está medido que pierde 21 puntos. ### 🤖 Modo agente (opcional, para builders) El LoRA fue entrenado para devolver UNA acción JSON por paso: system prompt del dominio (navegador/computadora/código) + estado actual → `{"thought":"...","action":"fill","ref":1,"text":"gatos"}`. Acciones: `navigate|click|fill|scroll|back|done` (browser), `click|type|key|hotkey|scroll|done` (computadora), `read_file|write_file|run|done` (código). El loop (ejecutar → observar → re-prompt) lo ponés vos. ### 📊 Números (todos medidos, harness abierto) | qué | resultado | |---|---| | Acciones de agente (198 held-out) | base 22.2% → **94.4%** · merged re-verificado **30/30** | | Saber con spore KV (este Instruct) | uv **24/25** · docker **10/10** · pnpm 9/10 · idott **10/10** | | Saber con corpus en prompt | **94%** promedio (270 preguntas, 20 dominios) | | Spore residente durante tareas de agente | **−21 pts** — no lo hagas | ### Files - `daimon-x-q4_k_m.gguf` — **el recomendado**: base+LoRA fusionados, un archivo - `qwen2.5-coder-1.5b-instruct-q8_0.gguf` + `daimon-sft-lora-f16.gguf` — piezas separadas (avanzado: `--lora` en llama.cpp / `ADAPTER` en Ollama) --- ## 🇬🇧 English **daimon x** is the body of the **Daimon** organism: a frozen Qwen2.5-Coder-1.5B-Instruct + a narrow LoRA that turns it into an agent brain (JSON actions: **22.2% → 94.4%** on 198 held-out cases). Runs in 1GB VRAM or on CPU — now shipped **merged into a single GGUF**, so it works out of the box in **Ollama** (`FROM ./daimon-x-q4_k_m.gguf` in a Modelfile), **LM Studio** (just load it), or **llama.cpp** (`llama-server --model daimon-x-q4_k_m.gguf`). Merge verified **30/30** on the frozen eval. Its knowledge lives apart as **[spores](https://huggingface.co/datasets/lucas-mella/daimon-spores)** — tool manuals injected PER QUESTION: paste a domain corpus as system prompt in any UI (measured 94%), or use the KV-cache loader from the dataset in Python for zero-context-cost recall (uv 24/25, docker 10/10 on this exact model). Measured rule: never leave a spore resident while the model acts as an agent (−21 pts). --- Base: Qwen/Qwen2.5-Coder-1.5B-Instruct (Apache-2.0). Part of the Daimon project — a sovereign, local-first personal assistant. See also Daimon-R (4B) and the spore bank. @lucas-mella