File size: 88,532 Bytes
4bd8362
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
1351
1352
1353
1354
1355
1356
1357
1358
1359
1360
1361
1362
1363
1364
1365
1366
1367
1368
1369
1370
1371
1372
1373
1374
1375
1376
1377
1378
1379
1380
1381
1382
1383
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399
1400
1401
1402
1403
1404
1405
1406
1407
1408
1409
1410
1411
1412
1413
1414
1415
1416
1417
1418
1419
1420
1421
1422
1423
1424
1425
1426
1427
1428
1429
1430
1431
1432
1433
1434
1435
1436
1437
1438
1439
1440
1441
1442
1443
1444
1445
1446
1447
1448
1449
1450
1451
1452
1453
1454
1455
1456
1457
1458
1459
1460
1461
1462
1463
1464
1465
1466
1467
1468
1469
1470
1471
1472
1473
1474
1475
1476
1477
1478
1479
1480
1481
1482
1483
1484
1485
1486
1487
1488
1489
1490
1491
1492
1493
1494
1495
1496
1497
1498
1499
1500
1501
1502
1503
1504
1505
1506
1507
1508
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530
1531
1532
1533
1534
1535
1536
1537
1538
1539
1540
1541
1542
1543
1544
1545
1546
1547
1548
1549
1550
1551
1552
1553
1554
1555
1556
1557
1558
1559
1560
1561
1562
1563
1564
1565
1566
1567
1568
1569
1570
1571
1572
1573
1574
1575
1576
1577
1578
1579
1580
1581
1582
1583
1584
1585
1586
1587
1588
1589
1590
1591
1592
1593
1594
1595
1596
1597
1598
1599
1600
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611
1612
1613
1614
1615
1616
1617
1618
1619
1620
1621
1622
1623
1624
1625
1626
1627
1628
1629
1630
1631
1632
1633
1634
// SPDX-License-Identifier: Apache-2.0
// Copyright (c) 2026 UtopiaIA
// Elffuss Runtime · el adaptador que enchufa el motor al agente de Elffuss.
// ─────────────────────────────────────────────────────────────────────────────
// El contrato del agente es minúsculo: `load(onProgress)` y `chat(history,
// system, onToken) → string`. Todo lo demás es opcional. Este fichero traduce
// entre ese contrato y el motor.
//
// Cuatro detalles del contrato que no son obvios y que se pagan caros:
//   · El progreso se emite como STRING y la barra de carga le saca el «N %» con
//     un regex. Sin «%» la barra se queda indeterminada para siempre — le pasa
//     al proveedor de LiteRT y por eso su carga parece colgada.
//   · Los errores se le enseñan LITERALES al usuario. Se escriben para humanos.
//   · Las tool-calls no requieren nada: el agente busca un bloque ```tool en el
//     texto devuelto. No hay que filtrar los fences ni inventar un API.
//   · El `system` cambia en CADA turno porque lleva el contexto vivo dentro, así
//     que no sirve como clave de caché salvo por su prefijo.
//
// Y uno opcional: `chat()` admite un cuarto argumento, `{ signal, onPrefill }`,
// o la señal suelta (o un AbortController), que es como lo llamaban las apps
// antes de que existiera ese objeto. Un turno parado RECHAZA con un AbortError
// que trae en `.partial` lo que llegó a emitir, y `.porDescarga` a true si no
// lo paró quien llamaba sino una descarga (`unload()` o `configure()` a otro
// modelo); quien llame tiene que tratarlo como «parado» y no como «el modelo
// falló». `abort()` para lo que haya en marcha.
//
// Licencia: código propio, Apache-2.0 (ver SPDX arriba y LICENSE). Sin dependencias externas.

import { requestDevice, readback } from './device.js';
import { loadModel, createSession, errorParado, _setLote } from './model.js';

// Contextos a intentar, del pedido hacia abajo por mitades, con un suelo. El
// suelo NO es cero a propósito: por debajo de 2048 el modelo no puede ni con su
// propio prompt de sistema, así que abrir con 512 sería entregar algo que carga
// y no sirve, que es peor que decir que no cabe.
const CONTEXTO_MINIMO = 2048;
export function escaleraContexto(pedido) {
  const pasos = [];
  for (let c = Math.max(CONTEXTO_MINIMO, pedido | 0); c >= CONTEXTO_MINIMO; c = Math.floor(c / 2)) {
    pasos.push(c);
  }
  return pasos;
}
import { createTokenizer } from './tokenizer.js';
import { sample } from './sample.js';
import { parseGGUF } from './gguf.js';
// El registro va aparte para que la app pueda sondear disponibilidad sin
// importarse el motor entero. Ver la cabecera de registro.js.
import { MODELS, cachea } from './registro.js';

export let name = 'Elffuss Engine · WebGPU';

// ── Los interruptores «rápido», ENCENDIDOS POR DEFECTO solo para LFM3 ───────
// El motor lee cada uno con `=== true`: sin poner, apagado. Eso NO se cambia en
// js/: las pruebas de encendido contra apagado dependen de que «sin poner» sea
// apagado, y darle la vuelta allí las dejaría comparando encendido contra
// encendido sin avisar. El defecto se pone AQUÍ, en el producto, donde la
// arquitectura se conoce por la cabecera antes de cargar los pesos (REPACK
// actúa al cargar: tiene que estar puesto antes de `loadModel`).
// Solo LFM3: es lo validado en el dispositivo con todos puestos (oráculos de llama.cpp
// en Q8_0 y QAD-Q4_0) y donde ganan, en prompt y en generación. Los demás
// modelos (27B, Bonsai, …) no están validados con ellos y siguen como antes.
// PLAN y TOPK_GPU no entran (no ganaron), ni los subinterruptores de GEMM2.
// Reglas:
//   · Lo que la página puso (true O false) antes de decidir aquí, manda: solo
//     se pone lo que no está puesto.
//   · Se apunta qué puso el proveedor; al descargar (y cambiar de modelo en la
//     misma página, que Code permite, pasa por descargar) y al cargar otro
//     modelo se quitan SOLO esos, y solo si siguen en true (un false puesto
//     luego por la página se respeta). Uno que la página ponga a true DESPUÉS
//     de cargar LFM3 no se distingue de uno puesto aquí: para fijarlo en todos
//     los modelos, ponerlo antes de cargar.
//   · Interruptor de corte: `__ELFFUSS_RAPIDO === false` no pone ninguno.
export const RAPIDO_LFM3 = Object.freeze(['__ELFFUSS_GEMV2', '__ELFFUSS_GEMM2', '__ELFFUSS_GEMM2_COLA',
  '__ELFFUSS_FLASH', '__ELFFUSS_FUSION', '__ELFFUSS_REPACK']);
const puestosRapido = new Set();
export function aplicaRapido(arch, g = globalThis) {
  for (const k of puestosRapido) if (g[k] === true) delete g[k];
  puestosRapido.clear();
  if (arch !== 'lfm3' || g.__ELFFUSS_RAPIDO === false) return [];
  for (const k of RAPIDO_LFM3) {
    if (g[k] !== undefined) continue;                  // la página manda
    g[k] = true;
    puestosRapido.add(k);
  }
  return [...puestosRapido];
}
export function __rapidoPuestos() { return [...puestosRapido]; }

// El modelo por defecto del motor: LFM3 (ver registro.js).
let clave = 'lfm3-1.7b';
let ctxEfectivo = 0;   // el peldaño de la escalera en el que se abrio la sesion

// ── UN SOLO MOTOR PESADO POR NAVEGADOR ──────────────────────────────────────
// Cada pestaña cargaba su propia instancia sin enterarse de las demas. Con el
// modelo grande, cada una pedía los pesos enteros más su caché KV (que a
// contexto completo pesa más de la mitad que los pesos), peleandose por el mismo
// dispositivo, y el sintoma medido es brutal: el prefill cae a
// una decima parte y acaba yendo MAS LENTO que la generacion, que es imposible
// en un motor sano. Desde fuera no parece contencion, parece que el motor es
// malo.
//
// Esto es un CERROJO, no todavia una solucion: impide la segunda instancia
// pesada y lo dice con todas las letras. Compartir el motor de verdad —un
// SharedWorker con WebGPU dentro, que ya esta comprobado que funciona— es el
// paso siguiente y bastante mas grande.
//
// Solo para modelos GRANDES: dos instancias del pequeño caben de sobra y
// bloquearlas seria entorpecer sin motivo.
const CERROJO_DESDE = 2 * 1024 * 1024 * 1024;   // 2 GB de pesos
let soltarCerrojo = null;

async function tomarCerrojo(etiqueta) {
  // Sin la API (navegador viejo) no se bloquea nada: mas vale lento que roto.
  if (typeof navigator === 'undefined' || !navigator.locks) return true;
  if (soltarCerrojo) return true;                       // ya lo tenemos
  let decidir;
  const resultado = new Promise(r => { decidir = r; });
  navigator.locks.request('elffuss-motor-pesado', { ifAvailable: true }, (cerrojo) => {
    if (!cerrojo) { decidir(false); return; }            // lo tiene otra pestaña
    decidir(true);
    // Se mantiene tomado mientras viva la sesion: la promesa no se resuelve
    // hasta `unload()`.
    return new Promise(r => { soltarCerrojo = r; });
  }).catch(() => decidir(true));                         // si la API falla, no estorbar
  return resultado;
}
let modelo = null, sesion = null, tk = null, gpu = null, muestreo = null;
// ¿Este modelo espera un bloque de razonamiento en el prompt? Se DEDUCE de la
// plantilla que trae el propio fichero, no se cablea por nombre de modelo: así
// un GGUF sin razonamiento no recibe un bloque que no entiende, y uno nuevo que
// sí lo lleve funciona sin tocar nada.
let pensante = false;
let cargando = null;
let descargando = null;                    // la descarga en curso, si la hay: ver `unload`
// Las fichas del bloque de sistema que describe la ranura 'sistema' de la
// instantánea. `null` = no hay foto del sistema válida. Se guardan las FICHAS y
// no un hash para poder comparar una por una: un hash igual con contenido
// distinto contestaría de otra conversación sin dar ningún error.
let sistemaFoto = null;
let perdida = '';                          // motivo si el dispositivo se perdió por debajo

// Los tokens que el estado de la sesión YA ha ingerido: prompt del turno
// anterior más lo que se le realimentó al generar. Es la clave para no volver a
// procesar la conversación entera en cada turno. `null` = el estado no sirve y
// hay que reiniciar. Se invalida ANTES de tocar el estado y solo se vuelve a
// poner al terminar bien: si un turno revienta a medias, el siguiente reinicia.
let consumidos = null;

export function configure(key) {
  if (key && MODELS[key] && key !== clave) {
    clave = key;
    if (modelo) unload();                  // otro modelo: fuera el anterior
    return true;
  }
  return false;
}

// ¿Este modelo pide que se le hable en corto? El agente decide hoy por tamaño
// de contexto, y eso no basta: a este le CABE el prompt completo y aun así
// tarda catorce veces más con él. Se pregunta al proveedor en vez de deducirlo.
// Ningún modelo pide ya prompt compacto: recortarlo los dejaba sin saber hacer
// tareas. Se mantiene la función porque las apps la llaman con `?.()` y
// devolver false es la respuesta correcta, no un hueco.
export function prefiereCompacto() {
  return false;
}

export function models() {
  return Object.entries(MODELS).map(([id, m]) => ({ id, label: m.label }));
}

// Gancho SOLO para los tests: apunta el modelo activo a una URL servida en
// local. Sin esto, probar el proveedor exigiría bajar el modelo entero de
// Hugging Face en cada ejecución, que es la clase de test que nadie vuelve a correr.
export function __setModelForTest(url, bytes = 0) {
  MODELS[clave] = { ...MODELS[clave], url, bytes };
}

// Gancho SOLO para los tests: olvida el prefijo ingerido, de modo que el turno
// siguiente reinicie el estado como si fuera el primero. Sin esto, un banco que
// corre la MISMA conversación dos veces depende de una rama lateral —que el
// prompt de la segunda vuelta sea más corto que lo ya ingerido— para partir
// limpio, y entonces no estaría probando lo que dice probar.
export function __olvidaPrefijo() {
  consumidos = null;
  sistemaFoto = null;   // las DOS ranuras, o el banco mediría con la del sistema viva
}

// Handle de lectura por rangos. Primero OPFS (queda cacheado en disco entre
// visitas); si no está disponible, rangos HTTP directos — más lento en la
// segunda visita, pero funciona en vez de fallar.
async function abrirPorRangos(url, onProgress, cachear = true) {
  // ABSOLUTA siempre. El almacén puede delegar en el broker compartido, que vive
  // en OTRO origen: una URL relativa se resolvería contra el suyo y apuntaría a
  // un fichero que allí no existe.
  // El reparto se comprueba ANTES de normalizar: `new URL()` sobre un array
  // hace cosas raras en silencio en vez de fallar.
  // El reparto devuelve su propio `donde`: decir solo «2 servidores» ocultaba lo
  // único que hacía falta saber para juzgar el cacheo —si vino del almacén o de
  // la red—, y sin eso la prueba tenía que deducirlo por el reloj, que es
  // justamente el instrumento que ya engañó tres veces.
  if (Array.isArray(url)) return await rangosRepartidos(url, onProgress, cachear);
  try { url = new URL(url, location.href).href; } catch { /* sin location */ }
  if (cachear) {
    try {
      const store = await import('../runtime/model-store.js');
      // SIN guardián aquí. Lo hubo —45 s— de cuando el broker no tenía ninguno
      // y una petición sin respuesta dejaba la carga colgada para siempre. Ese
      // guardián ya vive DONDE corresponde: el SDK del broker corta por
      // inactividad (30 s rearmados con cada mensaje), que es la capa que sabe
      // distinguir «tarda» de «enmudeció».
      //
      // Mantenerlo fuera hacía daño: el plazo se agotaba en toda descarga real,
      // el motor caía a leer por red, y la del almacén seguía por detrás hasta
      // guardar. O sea que SÍ se cacheaba, pero por efecto secundario y con la
      // primera carga el doble de lenta. Un fallo que se disfraza de que todo
      // va bien es peor que uno que se ve.
      const ranged = await store.openRanged(url, onProgress);
      if (ranged) return { ranged, donde: 'disco (OPFS)' };
    } catch (e) {
      console.warn('[engine] almacén no disponible, se lee por red:', e.message);
    }
  }

  onProgress('Leyendo el modelo por partes desde la red…');
  const cabeza = await fetch(url, { headers: { Range: 'bytes=0-0' } });
  const cr = cabeza.headers.get('content-range');
  // Comprobar el 206 y no solo la cabecera: un servidor que ignora el Range
  // responde 200 con el fichero ENTERO, y aquí eso es el modelo entero en
  // memoria de golpe — la pestaña se muere sin decir por qué.
  if (cabeza.status !== 206 || !cr) {
    throw new Error('El servidor del modelo no admite descargas por partes, y el modelo es demasiado grande para bajarlo entero.');
  }
  const size = +cr.split('/')[1];
  return {
    donde: 'red (sin caché)',
    ranged: {
      size,
      // Se COMPRUEBA que vuelven los bytes pedidos. Un modelo grande son cientos
      // de peticiones, y basta UNA corta —o un 200 porque el servidor ignoró el Range— para que
      // esos bytes de menos entren como PESOS: sin error, sin traza, modelo
      // «cargado» y luego mudo o delirante. En localhost no pasa casi nunca y
      // por internet sí, o sea que el fallo solo aparecía servido de verdad: el
      // peor reparto posible entre dónde se prueba y dónde se rompe.
      //
      // gguf.js ya hacía esta comprobación para la cabecera («lectura corta: N
      // de M bytes»). La disciplina estaba escrita en un camino y faltaba en el
      // otro, que es donde van los gigabytes.
      async slice(offset, length) {
        if (length <= 0) return new ArrayBuffer(0);
        const fin = Math.min(offset + length, size) - 1;
        const quiero = fin - offset + 1;
        let ultimo = '';
        for (let intento = 0; intento < 3; intento++) {
          try {
            const r = await fetch(url, { headers: { Range: `bytes=${offset}-${fin}` } });
            // Un 200 aquí significa que el servidor ignoró el Range y viene el
            // fichero ENTERO, todo a memoria. Se rechaza antes de leerlo.
            if (r.status !== 206) { ultimo = `respondió ${r.status} y no 206`; continue; }
            const buf = await r.arrayBuffer();
            if (buf.byteLength === quiero) return buf;
            ultimo = `devolvió ${buf.byteLength} bytes de ${quiero}`;
          } catch (e) { ultimo = String(e && e.message || e); }
        }
        throw new Error(`El servidor del modelo devolvió datos incompletos y los pesos ` +
          `quedarían corruptos (bytes ${offset}-${fin}: ${ultimo}). Vuelve a intentarlo.`);
      },
    },
  };
}

// Handle por rangos sobre un modelo REPARTIDO entre varios hosts. Cada
// fragmento vive en su propio subdominio, y eso no es capricho: la cuota de
// almacenamiento del navegador es POR ORIGEN —cada origen cuenta solo lo
// suyo—, así que repartir multiplica el techo. El modelo grande no cabía fiable
// en un origen, y en dos entra holgado.
//
// Hacia arriba se ve UN fichero: mismo {size, slice} que el resto del motor.
async function rangosRepartidos(fragmentos, onProgress, cachear = true) {
  onProgress('Leyendo el modelo repartido entre servidores…');
  // Primero el ALMACÉN: cada fragmento lo guarda el broker de su propio origen,
  // troceado en partes porque el navegador corta un fichero suelto demasiado
  // grande. Así la segunda visita no vuelve a pedirlo; sin esto, la descarga
  // entera en cada sesión.
  // Lo que el almacén SÍ consiguió, por URL. Vale aunque falte algo: lo que hay
  // aquí no se vuelve a pedir por red.
  //
  // Antes esto era todo-o-nada: un `throw` al primer fragmento que fallara, y el
  // `catch` se bajaba por red los DOS, incluido el que ya estaba entero en
  // disco, o sea el doble de descarga en cada sesión que fallaba. El desperdicio
  // no estaba en el broker: estaba aquí.
  const delAlmacen = new Map();
  if (cachear) {
    try {
      const { getSharedModel } = await import('../runtime/model-broker.js');
      for (const [i, f] of fragmentos.entries()) {
        onProgress(`Recuperando el modelo · parte ${i + 1} de ${fragmentos.length}…`);
        try {
          const blob = await conLatido(latir => getSharedModel(f.url, m => {
            latir();
            if (m?.total) onProgress(`Descargando el modelo · parte ${i + 1}/${fragmentos.length} · ` +
              `${Math.round(m.loaded / m.total * 100)} %`);
          }), 60000, 'el almacén compartido');
          // El tamaño se comprueba igual que antes; lo que cambia es que un
          // fragmento malo ya no arrastra a los buenos.
          if (blob && (!f.bytes || blob.size === f.bytes)) delAlmacen.set(f.url, blob);
          else console.warn('[engine] fragmento incompleto en el almacén:', f.url);
        } catch (e) {
          console.warn('[engine] el almacén no dio', f.url, '→', e.message);
        }
      }
      if (delAlmacen.size === fragmentos.length) {
        return {
          ranged: desdeBlobs(fragmentos.map(f => delAlmacen.get(f.url))),
          donde: `almacén compartido · ${fragmentos.length} servidores`,
        };
      }
    } catch (e) {
      // Que el almacén falle NO puede impedir usar el modelo: se cae a leerlo
      // del servidor, que es más lento pero funciona.
      console.warn('[engine] almacén no disponible, se lee por red:', e.message);
    }
  }
  // NO paralelizar estas lecturas. Parece la optimización obvia —cientos de
  // peticiones una detrás de otra para cargar el 27B— y no lo es: varios flujos
  // a la vez no bajan antes que uno, porque el cuello es el enlace. La única
  // palanca real sobre el tiempo de carga es no volver a bajarlo: el almacén
  // de arriba.
  const trozos = [];
  let size = 0;
  for (const f of fragmentos) {
    // Si el almacén dio ESTE fragmento, se lee de disco y no se toca la red:
    // ni la sonda de tamaño (que ya lo sabemos) ni los rangos.
    const blob = delAlmacen.get(f.url);
    if (blob) { trozos.push({ url: f.url, desde: size, bytes: blob.size, blob }); size += blob.size; continue; }
    const cab = await fetch(f.url, { headers: { Range: 'bytes=0-0' } });
    const cr = cab.headers.get('content-range');
    if (cab.status !== 206 || !cr) {
      throw new Error('Un servidor del modelo no admite descargas por partes: ' + f.url);
    }
    const n = +cr.split('/')[1];
    // El tamaño DECLARADO se comprueba contra el real. Si un fragmento cambia
    // de tamaño, las fronteras se desplazan y todo lo que venga detrás se lee
    // corrido: basura sin un solo error.
    if (f.bytes && n !== f.bytes) {
      throw new Error(`Un fragmento del modelo mide ${n} y se esperaban ${f.bytes}.`);
    }
    trozos.push({ url: f.url, desde: size, bytes: n });
    size += n;
  }

  const cual = abs => {                          // búsqueda binaria del fragmento
    let lo = 0, hi = trozos.length - 1;
    while (lo < hi) { const m = (lo + hi + 1) >> 1; if (trozos[m].desde <= abs) lo = m; else hi = m - 1; }
    return lo;
  };
  const pedir = async (t, desde, cuanto) => {
    // Fragmento que vino del almacén: se corta el Blob, sin red.
    if (t.blob) return await t.blob.slice(desde, desde + cuanto).arrayBuffer();
    const fin = desde + cuanto - 1;
    for (let intento = 0; intento < 3; intento++) {
      const r = await fetch(t.url, { headers: { Range: `bytes=${desde}-${fin}` } });
      if (r.status !== 206) continue;
      const buf = await r.arrayBuffer();
      if (buf.byteLength === cuanto) return buf;
    }
    throw new Error(`Datos incompletos de ${t.url} (bytes ${desde}-${fin}).`);
  };

  return {
   // Honesto cuando es mixto: decir «red» con la mitad saliendo de disco
   // escondería justo lo que acabamos de arreglar.
   donde: delAlmacen.size
     ? `mixto · ${delAlmacen.size} del almacén y ${fragmentos.length - delAlmacen.size} por red`
     : `red · ${fragmentos.length} servidores`,
   ranged: {
    size,
    async slice(offset, length) {
      // Math.trunc y no |0: esto pasa de 2^31 y el bitwise trunca a 32 bits.
      const from = Math.max(0, Math.min(size, Math.trunc(offset) || 0));
      const want = Math.max(0, Math.min(size - from, Math.trunc(length) || 0));
      if (want === 0) return new ArrayBuffer(0);
      const i0 = cual(from), d0 = from - trozos[i0].desde;
      if (d0 + want <= trozos[i0].bytes) return await pedir(trozos[i0], d0, want);
      // A caballo de dos servidores. Pasa poco, pero pasa: los tensores no se
      // alinean con la frontera del reparto.
      const out = new Uint8Array(want);
      let puesto = 0;
      for (let i = i0; i < trozos.length && puesto < want; i++) {
        const d = i === i0 ? d0 : 0;
        const cuanto = Math.min(trozos[i].bytes - d, want - puesto);
        if (cuanto <= 0) continue;
        out.set(new Uint8Array(await pedir(trozos[i], d, cuanto)), puesto);
        puesto += cuanto;
      }
      return out.buffer;
    },
   },
  };
}

// Handle por rangos sobre fragmentos YA guardados en disco. Blob.slice() es
// perezoso: no se traga los gigabytes en memoria.
function desdeBlobs(ficheros) {
  const inicio = []; let size = 0;
  for (const f of ficheros) { inicio.push(size); size += f.size; }
  const cual = abs => { let lo = 0, hi = inicio.length - 1;
    while (lo < hi) { const m = (lo + hi + 1) >> 1; if (inicio[m] <= abs) lo = m; else hi = m - 1; } return lo; };
  return {
    size,
    async slice(offset, length) {
      const from = Math.max(0, Math.min(size, Math.trunc(offset) || 0));
      const want = Math.max(0, Math.min(size - from, Math.trunc(length) || 0));
      if (want === 0) return new ArrayBuffer(0);
      const i0 = cual(from), d0 = from - inicio[i0];
      if (d0 + want <= ficheros[i0].size) return await ficheros[i0].slice(d0, d0 + want).arrayBuffer();
      const out = new Uint8Array(want); let puesto = 0;
      for (let i = i0; i < ficheros.length && puesto < want; i++) {
        const d = i === i0 ? d0 : 0;
        const cuanto = Math.min(ficheros[i].size - d, want - puesto);
        if (cuanto <= 0) continue;
        out.set(new Uint8Array(await ficheros[i].slice(d, d + cuanto).arrayBuffer()), puesto);
        puesto += cuanto;
      }
      return out.buffer;
    },
  };
}

// Permite apuntar a un GGUF propio en vez del de Hugging Face. Sirve para
// desarrollo (servirlo en local) y para quien quiera autoalojarlo o probar su
// propia cuantización sin tocar el código.
function modeloActivo() {
  const m = MODELS[clave];
  let url = null;
  // ?engine-url=… gana sobre el ajuste guardado: así se puede compartir un
  // enlace que apunta a un modelo concreto sin tocar nada.
  try { url = new URL(location.href).searchParams.get('engine-url'); } catch { /* — */ }
  if (url) { try { localStorage.setItem('elffuss.engine.url', url); } catch { /* — */ } }
  if (!url) { try { url = localStorage.getItem('elffuss.engine.url'); } catch { /* — */ } }
  return url ? { ...m, url, bytes: 0 } : m;   // bytes 0: no comparar tamaños
}

// Un fallo de una dependencia debe DEGRADAR, no colgar. El almacén compartido
// delega en un broker cross-origin cuya petición no lleva timeout: si el broker
// recibe la petición y nunca contesta, la promesa no se resuelve NUNCA y la
// carga se queda parada sin error, sin log y sin recuperación. Aquí se le pone
// un límite y se sigue por otro camino.
function conLimite(promesa, ms, queHacer) {
  return Promise.race([
    promesa,
    new Promise((_, no) => setTimeout(() => no(new Error(queHacer + ': sin respuesta en ' + ms + ' ms')), ms)),
  ]);
}

// Igual, pero el reloj se REINICIA con cada señal de vida. Un tope total no
// sirve para algo que tarda lo que tarda una descarga: con un tope total sobre
// el almacén, una descarga normal agotaba siempre el plazo, caía a leer por red
// y nunca llegaba a guardarse. Parecía funcionar solo cuando ya estaba
// cacheado de antes, que es el peor disfraz posible.
//
// Lo que hay que detectar es que el otro lado ENMUDEZCA, no que tarde.
function conLatido(hacer, ms, queHacer) {
  let temporizador, vivo = true;
  return new Promise((si, no) => {
    const rearmar = () => {
      clearTimeout(temporizador);
      if (!vivo) return;
      temporizador = setTimeout(() => { vivo = false; no(new Error(queHacer + ': sin señales en ' + ms + ' ms')); }, ms);
    };
    rearmar();
    hacer(rearmar).then(v => { vivo = false; clearTimeout(temporizador); si(v); },
                        e => { vivo = false; clearTimeout(temporizador); no(e); });
  });
}

export async function load(onProgress = () => {}) {
  // Una descarga a medias se espera ANTES de mirar `sesion`: `configure()`
  // descarga sin esperar, y sin esto un `load()` justo detrás vería la sesión
  // vieja todavía puesta, contestaría «ya está cargado» y la descarga la
  // destruiría un instante después.
  if (descargando) await descargando;
  if (sesion) return;                      // idempotente: nunca dos motores
  if (cargando) return cargando;           // dos llamadas a la vez: una carga
  cargando = (async () => {
    const m = modeloActivo();
    try {
      onProgress('Encendiendo la GPU…');
      perdida = '';
      gpu = await requestDevice({ label: 'elffuss-engine' });

      // El device se comprueba al nacer, pero también se puede morir DESPUÉS: el
      // proceso gráfico del navegador se reinicia y se lleva por delante los
      // buffers, y con gigas de pesos dentro eso pasa de verdad. Sin enterarse,
      // lo siguiente que ocurre es un forward que devuelve ceros o una promesa
      // que no vuelve nunca: un cuelgue sin causa visible. Aquí se entera, y así
      // el siguiente turno puede decir qué pasó en vez de quedarse mudo.
      gpu.device.lost.then(info => {
        // El estado se anula SIEMPRE, tanto si el dispositivo se cayó solo como si
        // lo tiramos nosotros. Antes la rama 'destroyed' salía sin registrar nada y
        // —lo grave— sin anular `sesion` ni `modelo`: la app se quedaba creyendo
        // que seguía cargada sobre un dispositivo muerto, y el síntoma era
        // «listo» y después silencio, sin un solo error. Un manejador que solo
        // ve la muerte accidental y no la deliberada es un punto ciego que
        // cuesta una tarde de diagnóstico cada vez que aparece.
        const nuestra = info.reason === 'destroyed';
        // `sistemaFoto` también: sus buffers se van con la sesión, y creer que
        // hay foto cuando ya no existe restauraría basura sin dar error.
        sesion = null; modelo = null; consumidos = null; sistemaFoto = null;
        if (nuestra) { console.info('[engine] GPU liberada por nosotros (destroyed)'); return; }
        perdida = 'Se ha perdido la GPU con el modelo cargado' +
          (info.message ? ` (${info.message})` : '') + '.';
        console.warn('[engine] ' + perdida);
      });

      // ── El cerrojo, ANTES DE MOVER UN BYTE ───────────────────────────────
      // ⚠️ Esto estaba al final, justo antes de reservar contexto, con un
      // comentario que decía «el cerrojo se pide ANTES de reservar contexto».
      // Era verdad y era inútil: para entonces la pestaña ya se había bajado el
      // modelo entero y lo había subido al dispositivo. O sea que la segunda pestaña
      // pagaba la carga completa de un modelo de este tamaño para que al final
      // se le dijera que no. Peor todavía: durante toda esa carga SÍ había dos
      // copias peleándose por el dispositivo, que es exactamente lo que el cerrojo
      // existe para impedir.
      //
      // Pedirlo aquí no arriesga quedárselo colgado: cualquier excepción de
      // esta carga pasa por el `catch` de abajo, que llama a `unload()`, y
      // `unload()` suelta el cerrojo.
      if ((m.bytes || 0) >= CERROJO_DESDE && globalThis.__ELFFUSS_SIN_CERROJO !== true) {
        if (!(await tomarCerrojo(m.label))) {
          throw new Error(
            `Ya hay otra pestaña de Elffuss con ${m.label} cargado. Dos copias de ` +
            `un modelo de este tamaño no caben en la GPU a la vez y las dos van ` +
            `diez veces más lentas. Cierra la otra pestaña y vuelve a elegirlo aquí.`);
        }
      }

      // Avisar ANTES de bajar, no después: el usuario que no tiene sitio se
      // entera ahora y no al final de una descarga entera.
      const apretado = cachea(m) ? await faltaSitio(m.bytes) : null;
      if (apretado) {
        throw new Error(`${m.label} necesita unos ${GiB(apretado.necesita)} GiB y el navegador ` +
          `solo puede guardar ${GiB(apretado.libre)} GiB más. Libera espacio en disco.`);
      }

      const { ranged, donde } = await abrirPorRangos(m.url, onProgress, cachea(m));
      if (m.bytes && ranged.size !== m.bytes) {
        console.warn(`[engine] el modelo mide ${ranged.size} y se esperaban ` +
          `${m.bytes}: el fichero de origen ha cambiado`);
      }

      // La cabecera primero: dice cuánto pesa cada tensor y permite dar
      // progreso REAL durante la subida, que es la parte larga.
      onProgress('Leyendo el índice del modelo… 0 %');
      const info = await parseGGUF(ranged);
      // Los interruptores «rápido» de esta arquitectura, ANTES de cargar los
      // pesos (ver `aplicaRapido`); y fuera los que se pusieron para otra.
      const rapido = aplicaRapido(info.meta['general.architecture']);
      if (rapido.length) console.info(`[engine] interruptores rápidos por defecto: ${rapido.join(' ')}`);
      tk = createTokenizer(info.meta);
      // El lote del prefill es del MODELO: 32 por defecto (el bucle recurrente
      // del SSM corre entero dentro de un despacho y un lote largo cuelga el
      // escritorio); el registro lo sube donde no hay ese bucle.
      _setLote(m.lote || 32);
      pensante = /<think>/.test(String(info.meta['tokenizer.chat_template'] || ''));
      formato = formatoDePlantilla(info.meta['tokenizer.chat_template'], tk, info.meta['general.architecture']);

      // La etiqueta cambia según de dónde salgan los pesos, y no es cosmética.
      // Sin caché, esta fase NO es solo «subir»: es bajar los gigabytes y
      // subirlos según llegan, y el tiempo se lo lleva casi todo la red. Decir
      // solo «subiendo» mientras alguien espera a que baje el modelo entero
      // hace que parezca colgado en el paso equivocado.
      const etiqueta = donde.startsWith('red')
        ? 'Descargando el modelo y subiéndolo a la GPU'
        : 'Subiendo el modelo a la GPU';
      let ultimo = -1;
      modelo = await loadModel(ranged, gpu.device, {
        debug: false,
        // Ancho de subgrupo del dispositivo: activa la reducción por subgrupos
        // del matmul (más rápida que la de árbol). 0 si el dispositivo no los tiene.
        subgroupSize: gpu.subgroupSize || 0,
        onProgress: (hechos, total) => {
          const pct = Math.floor(hechos / total * 100);
          if (pct === ultimo) return;      // no inundar la UI con el mismo %
          ultimo = pct;
          onProgress(`${etiqueta} · ${pct} %`);
        },
      });

      // El contexto se pide ENTERO al abrir la sesión: la caché KV se reserva de
      // una vez, no crece. A 64k eso es mucha memoria ANTES de que el usuario
      // escriba nada, y en un dispositivo con menos memoria la reserva falla.
      // Sin esta escalera, ese fallo deja al usuario sin modelo cuando lo
      // que quería era un contexto menor — un contexto de 16k sigue siendo
      // ocho veces el de antes y no se parece en nada a no tener modelo.
      //
      // No se adivina por `navigator.deviceMemory` ni por el tamaño del
      // adaptador: se INTENTA y se baja al fallar, que es el único método que no
      // depende de un dato declarado que no todos los navegadores exponen.
      // (el aviso de espacio se da ANTES de descargar; ver `faltaSitio`)
      let pedido = m.ctx, ultimoFallo = null;
      for (const c of escaleraContexto(m.ctx)) {
        try { sesion = createSession(modelo, { contextLen: c }); pedido = c; break; }
        catch (e) { ultimoFallo = e; }
      }
      if (!sesion) throw ultimoFallo || new Error('no se pudo reservar ningún contexto');
      ctxEfectivo = pedido;
      if (pedido !== m.ctx) {
        console.warn(`[engine] ${m.label}: no cupo un contexto de ${m.ctx}, se abre con ${pedido}`);
      }
      name = 'Elffuss Engine · ' + m.label;
      console.log(`[engine] ${m.label} listo desde ${donde} · ${sesion.state.summary()}`);
      onProgress('Modelo listo · 100 %');
    } catch (e) {
      await unload();
      // El kernel enseña este mensaje TAL CUAL al usuario.
      throw new Error(mensajeHumano(e, m));
    } finally {
      cargando = null;
    }
  })();
  return cargando;
}

// Comprueba que quepa ANTES de empezar a bajar gigas. Sin esto, el disco lleno
// se manifiesta como un `Failed to fetch` a mitad de descarga: un mensaje que
// culpa a la red de un problema de espacio, después de hacer esperar al usuario.
// Visto de verdad con el modelo grande: sin sitio para guardarlo, la descarga
// muere y el error que llega arriba habla de red.
//
// `estimate()` no existe en todos los navegadores y su cuota es orientativa, así
// que esto solo AVISA cuando está claro que no cabe; nunca impide intentarlo por
// no saberlo. Un falso negativo deja al usuario donde estaba; un falso positivo
// le negaría un modelo que sí cabía.
async function faltaSitio(bytes) {
  try {
    if (!navigator.storage?.estimate || !bytes) return null;
    const { quota, usage } = await navigator.storage.estimate();
    if (!quota) return null;
    const libre = quota - (usage || 0);
    // Margen del 5 %: la cuota es una estimación y escribir justo al borde
    // falla igual, solo que más tarde y peor.
    return libre < bytes * 1.05 ? { libre, necesita: bytes, quota } : null;
  } catch { return null; }
}

const GiB = (n) => (n / 1024 ** 3).toFixed(1);

function mensajeHumano(e, m) {
  const t = String(e?.message || e);
  // `Failed to fetch` es lo que sale cuando la escritura al almacenamiento
  // revienta a media descarga, y leerlo como un problema de red manda al
  // usuario a mirar su wifi en vano.
  if (/Failed to fetch|NetworkError|QuotaExceeded|exceed.*quota/i.test(t)) {
    return `No se pudo descargar ${m.label}. Suele ser falta de espacio en disco ` +
      `—ocupa unos ${GiB(m.bytes || 0)} GiB— o una conexión que se ha cortado. ` +
      'Libera espacio y vuelve a intentarlo.';
  }
  if (/límite de binding|maxStorageBufferBindingSize/i.test(t)) {
    return `Este navegador no deja crear buffers lo bastante grandes para ${m.label}. ` +
      'En iPhone el límite es mucho menor que en escritorio.';
  }
  if (/sin WebGPU|no hay adaptador/i.test(t)) {
    return 'Este navegador no tiene WebGPU disponible. Hace falta Chrome, Edge o Safari 18+.';
  }
  if (/out-of-memory|OutOfMemory/i.test(t)) {
    return `No hay memoria de GPU suficiente para ${m.label} en este equipo.`;
  }
  return `No se pudo cargar ${m.label}: ${t}`;
}

// Descargar empieza por PARAR. Antes se destruían los buffers con un turno en
// marcha —la app llama aquí justo cuando la memoria va justa, que
// es cuando más probable es que haya uno— y el forward seguía grabando sobre
// memoria ya liberada. Ahora se para el turno, se espera a que suelte el motor
// y solo entonces se destruye.
//
// Se guarda la promesa en `descargando` para que `load()` y los turnos que
// lleguen mientras tanto la esperen en vez de ver la sesión vieja.
export async function unload() {
  if (!descargando) descargando = descargar().finally(() => { descargando = null; });
  return descargando;
}

async function descargar() {
  // Con su propio motivo: el turno parado así no lo pidió quien lo lanzó, y
  // el error tiene que decirlo (ver «POR QUÉ se paró»).
  try { await pararTodos('descarga'); } catch { /* parar nunca impide descargar */ }
  pensante = false;
  formato = formatoDePlantilla('', null);
  try { sesion?.destroy?.(); } catch { /* mejor esfuerzo */ }
  try {
    for (const { buf } of modelo?.weights?.values?.() || []) buf.destroy();
  } catch { /* mejor esfuerzo */ }
  try { gpu?.device?.destroy?.(); } catch { /* mejor esfuerzo */ }
  sesion = null; modelo = null; tk = null; gpu = null;
  // Soltar el cerrojo: si no, la pestaña seguiria reservando el modelo grande
  // despues de descargarlo y ninguna otra podria cargarlo.
  try { soltarCerrojo?.(); } finally { soltarCerrojo = null; }
  // Y el rastro del prefijo, o el siguiente turno creería que puede reutilizar
  // contra un estado que ya no existe. No es teórico: `configure()` llama aquí
  // al cambiar de modelo y la app llama a `unload()` cuando el
  // heap se dispara. Un `consumidos` que sobreviva a eso describe tokens que la
  // sesión NUEVA no ha ingerido, y la reutilización saldría adelante contra un
  // estado limpio: texto plausible, ningún error, imposible de atribuir.
  //
  // Y `sistemaFoto` por la misma razón, agravada: `destroy()` libera los
  // buffers sombra de las dos ranuras, así que una foto del sistema que
  // sobreviva a esto apunta a memoria liberada.
  consumidos = null;
  sistemaFoto = null;
  // Y los interruptores «rápido» que puso este proveedor: solo valen mientras
  // él tenga cargado un LFM3 (ver `aplicaRapido`). Lo que se cargue después a
  // mano en la misma página (una prueba, otro motor) no los hereda.
  aplicaRapido(null);
}

// {temperature, seed, p, k, maxTokens} o null para volver a voraz. Lo usa el
// jurado de rlm.js para pedir varias respuestas distintas del mismo prompt.
//
// Los campos se copian uno a uno en vez de propagar el objeto: así una clave
// desconocida no se cuela hasta el muestreador, donde cambiaría la salida en
// silencio. `maxTokens` es el tope de la respuesta.
export function setSampling(opts) {
  if (!opts) { muestreo = null; return; }        // null = volver al del registro (o a voraz)
  // FUSIONA sobre lo que hubiera, no reemplaza. Lo más natural que hace quien
  // usa esto es acotar solo la longitud —setSampling({maxTokens: 120})— y con
  // la versión que reemplazaba, esa llamada devolvía en silencio la temperatura
  // y la semilla a sus valores por defecto. Cambiar el muestreo entero cuando
  // te han pedido un tope de longitud es de las cosas que cuestan horas de
  // encontrar, porque no falla: sale otra respuesta y ya.
  //
  // Se sigue copiando campo a campo en vez de propagar el objeto: una clave
  // desconocida no debe colarse hasta el muestreador, donde cambiaría la salida
  // sin que nadie lo haya pedido.
  // Se fusiona sobre lo que haya o, si no hay nada, sobre el muestreo que el
  // REGISTRO declara para el modelo: acotar la longitud de un 27B no debe
  // devolverlo a voraz en silencio.
  const a = muestreo || muestreoDelRegistro() || {};
  muestreo = {
    temperature: opts.temperature ?? a.temperature ?? 0,
    topP: opts.p ?? a.topP ?? 1,
    topK: opts.k ?? a.topK ?? 0,
    minP: opts.minP ?? a.minP ?? 0,
    presence: opts.presence ?? a.presence ?? 0,
    repeatPenalty: opts.repeatPenalty ?? a.repeatPenalty ?? 1.1,
    seed: opts.seed ?? a.seed ?? 1,
    maxTokens: opts.maxTokens ?? a.maxTokens ?? 0,
    // true/false lo fuerza; null, lo que diga el registro del modelo.
    // `razonar: null` explícito vuelve a lo del registro; sin la clave, se conserva.
    razonar: 'razonar' in opts ? (typeof opts.razonar === 'boolean' ? opts.razonar : null) : (a.razonar ?? null),
  };
}

// El gestor del historial del núcleo de agente. Si no está (motor usado suelto,
// fuera de Elffuss), se cae a la cola reciente en vez de fallar.
async function ajustaHistorial(history, presupuesto) {
  try {
    const { packHistoryAsync } = await import('../context.js');
    return await packHistoryAsync(history, presupuesto);
  } catch { return history.slice(-12); }
}

// ChatML, que es lo que espera esta familia de modelos. La plantilla del GGUF
// es Jinja y no se interpreta aquí: se construye el mismo formato a mano.
// El bloque de razonamiento VACÍO que abre la plantilla. Se saca a una constante
// porque es exactamente lo que hay que poder separar: entra en el estado al
// generar, pero NO se reproduce cuando ese turno pasa a ser historia, así que
// mientras esté dentro, lo ingerido no puede ser prefijo del prompt siguiente.
// Medido: el desfase era de 5 tokens constantes, y son estos.
const PENSAR_QWEN = '<think>\n\n</think>\n\n';
// …y el bloque ABIERTO, para cuando el modelo SÍ razona: la plantilla termina en
// «<think>\n» y el modelo escribe su razonamiento, el «</think>» y la respuesta.
const ABRIR_QWEN = '<think>\n';

// LOS DETALLES DEL FORMATO SALEN DE LA PLANTILLA DEL FICHERO. Todas estas
// familias son ChatML, pero no escriben igual los bordes, y un borde distinto
// no peta: deja al modelo en un estado que no vio al entrenar.
//   bos        LFM3 empieza por `{{- bos_token -}}` («<|startoftext|>») y no lo
//              añade el tokenizador (add_bos_token = false): o lo pone el
//              prompt, o no está.
//   cerrado    «<think></think>» pegado en LFM3; con saltos de línea en Qwen.
//   abrir      «<think>» en LFM3; «<think>\n» en Qwen.
//   historial  LFM3 escribe «<think></think>» delante de CADA turno pasado del
//              asistente. Además de ser lo que vio al entrenar, hace que el
//              turno generado sin razonar y el mismo turno vuelto a escribir
//              como historia sean IGUALES, y el prefijo se pueda reutilizar.
//
// ⚠️ El BOS por plantilla solo se aplica a las arquitecturas VALIDADAS con él.
// MiniCPM5 (arch `llama`) también empieza su plantilla por `bos_token` con
// add_bos_token = false, y hoy corre SIN su «<s>». Añadírselo cambia la salida
// de un modelo ya ofrecido, así que se valida aparte antes de tocarlo.
const BOS_POR_PLANTILLA = new Set(['lfm3']);
let formato = { bos: '', cerrado: PENSAR_QWEN, abrir: ABRIR_QWEN, historial: '' };
function formatoDePlantilla(plantilla, tok, arch = 'lfm3') {
  const t = String(plantilla || '');
  const f = { bos: '', cerrado: PENSAR_QWEN, abrir: ABRIR_QWEN, historial: '' };
  if (BOS_POR_PLANTILLA.has(arch) && /^\s*\{\{-?\s*bos_token\s*-?\}\}/.test(t) && tok?.bosId !== undefined) f.bos = tok.tokenText(tok.bosId);
  if (t.includes('"<think></think>"')) { f.cerrado = '<think></think>'; f.abrir = '<think>'; f.historial = '<think></think>'; }
  return f;
}

// ¿Razona ESTE turno? Solo si el modelo es pensante (lo dice su plantilla) y:
//   · `setSampling({ razonar: true|false })` lo fuerza, o
//   · si nadie lo pide, lo decide el registro (`razona: true` en el modelo).
// Una llamada que acota la respuesta en corto (`maxTokens` explícito por debajo
// de RAZONAR_MIN, como el jurado de rlm.js) no razona: con 8 o 120 tokens el
// razonamiento se comería el turno entero y saldría vacío.
//
// Por qué existe: en tareas de agente, MiniCPM5-2B sin razonar se paraba al
// segundo paso sin tocar nada, y razonando sí avanzaba. Con el bloque siempre
// cerrado, un modelo así casi no podía trabajar.
const RAZONAR_MIN = 1024;

// El muestreo que el registro declara para el modelo activo (la ficha de su
// fabricante), o null si no declara ninguno. Se usa cuando la app no ha fijado
// otro con setSampling. Sin esto todo modelo iba en voraz con penalización de
// repetición 1,1, que no es lo que recomienda ningún fabricante: el 27B, por
// ejemplo, pide 0,7 / 0,8 / k20 / presence 1,5 sin razonar.
function muestreoDelRegistro() {
  const m = MODELS[clave]?.muestreo;
  return m ? { ...m } : null;
}
function muestreoEfectivo() { return muestreo || muestreoDelRegistro(); }
const PRESUPUESTO_RAZONANDO = 4000;     // si el registro no dice otro
function razonaEsteTurno() {
  if (!pensante) return false;
  const m = muestreoEfectivo();
  const pedido = m?.razonar;
  if (pedido === false) return false;
  if (m?.maxTokens && m.maxTokens < RAZONAR_MIN && pedido !== true) return false;
  return pedido === true || !!MODELS[clave]?.razona;
}
// Tope de la respuesta. Sin razonar, lo de siempre: 512 como mucho. Razonando,
// el presupuesto del modelo (o el que pida quien llama): el razonamiento va
// DENTRO de esa cuenta, y con 512 MiniCPM ni llegaba a emitir la herramienta.
function topeRespuesta(razona) {
  const pedido = muestreoEfectivo()?.maxTokens || 0;
  if (razona) return pedido || MODELS[clave]?.presupuesto || PRESUPUESTO_RAZONANDO;
  // Sin razonar: 512, o el `tope` que declare el modelo (el 27B escribe ficheros
  // enteros en una respuesta, y 512 los cortaba).
  const techo = MODELS[clave]?.tope || 512;
  return Math.min(techo, pedido || techo);
}

// El bloque de sistema, aparte y con nombre: la ranura 'sistema' de la
// instantánea necesita saber cuántas fichas ocupa EXACTAMENTE, y escribir el
// formato dos veces sería garantizar que algún día divergen y la foto describe
// un punto que no es.
function bloqueSistema(system) { return `${formato.bos}<|im_start|>system\n${system}<|im_end|>\n`; }

function montarPrompt(system, mensajes, { conPensar = true } = {}) {
  let s = bloqueSistema(system);
  for (const m of mensajes) {
    const rol = m.role === 'assistant' ? 'assistant' : 'user';
    const pre = rol === 'assistant' && formato.historial && !String(m.content).startsWith('<think>') ? formato.historial : '';
    s += `<|im_start|>${rol}\n${pre}${m.content}<|im_end|>\n`;
  }
  s += '<|im_start|>assistant\n';

  // El bloque de razonamiento lo abre LA PLANTILLA, no el modelo. La del GGUF
  // termina en «<|im_start|>assistant\n» + «<think>\n» (razonando) o
  // «<think>\n\n</think>\n\n» (sin razonar). Parar en «assistant\n» deja al
  // modelo en un estado que NO vio en entrenamiento, y este contestaba con la
  // parada en el primer token: respuesta vacía, sin error, sin traza. Costó
  // encontrarlo porque parecía cosa de la cuantización.
  //
  // Se manda el bloque CERRADO —sin razonar— a propósito. Razonando escribiría
  // cientos de tokens antes de la primera palabra útil, y con este modelo cada
  // token se paga caro; además el cierre suelto que emitiría hay que recortarlo
  // después. Cerrado, va directo a la respuesta.
  if (conPensar && pensante) s += formato.cerrado;
  return s;
}

// Cuántos tokens de contexto tiene el modelo elegido. La app lo consulta ANTES
// de escribir el prompt para decidir qué le cabe decir: sin esto le mandaba las
// instrucciones enteras al 27B —512 de contexto— y el primer mensaje moría con
// la caché llena, después de descargar el modelo entero.
// Se puede preguntar sin haber cargado nada: es una propiedad del registro.
export function contextTokens() {
  return MODELS[clave]?.ctx || 0;
}

// ── MEDIDAS POR TURNO ───────────────────────────────────────────────────────
// Hasta ahora el motor no medía NADA: las pruebas cronometraban desde fuera
// envolviendo la llamada, y la velocidad de generación había que deducirla
// aparte. Eso significa que la cifra que ve el usuario y la que mide una prueba
// no podían ser la misma, y que nadie sabía a qué iba su propio equipo.
//
// Las dos velocidades se cuentan SEPARADAS porque son fenómenos distintos: el
// prefill procesa N tokens de golpe y la generación uno a uno, así que mezclarlas
// da un número que no significa nada. Y el primer paso del bucle ES el prefill:
// `paso === 0` mete el prompt entero y los siguientes un token cada uno.
//
// `reusados` no es decoración: con la caché de prefijo funcionando, los tokens
// PROCESADOS son muchos menos que los del prompt, y sin ese dato el tok/s de
// prefill parece un milagro o una mentira según cómo se mire.
//
// La medida NACE cuando el turno coge el motor con un modelo cargado y se
// CIERRA en todas sus salidas, con `enCurso` a false: si acaba bien; si lo
// paran, con `abortado`; si falla, con el mensaje en `error`. Un turno parado
// en la cola no llegó a coger el motor y no tiene medida: `ultimaMedida()`
// sigue siendo la del turno de delante, que puede estar todavía en marcha.
const ahora = () => (typeof performance !== 'undefined' ? performance.now() : Date.now());
let medida = null;
const oyentes = new Set();
const avisar = (m = medida) => { for (const cb of oyentes) { try { cb(m); } catch { /* un oyente roto no tumba la generación */ } } };

/** La medida del último turno (o el turno en curso). Null si no ha habido ninguno. */
export function ultimaMedida() { return medida; }

/**
 * Qué modelo está activo, para poder ETIQUETAR las medidas.
 *
 * Sin esto, una captura del velocímetro no se puede diagnosticar: llegó una con
 * el prefill mucho mas lento de lo esperable y no habia forma de saber si era
 * el modelo pequeño o el grande, que rinden en ordenes distintos. Una cifra de velocidad sin el modelo al
 * lado no significa nada.
 */
/**
 * El contexto con el que se ABRIO de verdad la sesion, que no tiene por que ser
 * el del registro: si no cabe, la escalera baja a la mitad y vuelve a probar.
 *
 * Esto se exporta porque el contexto decide cuanta cache KV se reserva —en el
 * modelo grande son gigas— y por tanto cuanta memoria del dispositivo queda para
 * trabajar. Dos sesiones del MISMO modelo pueden caer en peldaños distintos
 * segun la memoria libre de ese momento y rendir muy distinto, y hasta ahora
 * eso solo se decia en la consola: desde fuera, dos velocidades incomparables
 * parecian la misma medida.
 */
export function contextoEfectivo() { return ctxEfectivo; }

export function modeloEtiqueta() {
  const m = MODELS[clave];
  return m ? (m.label || clave) : clave;
}

/** Suscribe a las medidas. Avisa al acabar el prefill, en cada token y al cerrar el turno, acabe como acabe. Devuelve el cancelador. */
export function alMedir(cb) { oyentes.add(cb); return () => oyentes.delete(cb); }

// ── TURNOS DE UNO EN UNO, Y PARAR ───────────────────────────────────────────
// El motor tiene UN estado: la caché KV, el recurrente del SSM y las fotos del
// prefijo. Dos turnos a la vez lo pisarían el uno al otro sin dar un error —
// cada uno avanzando nPast sobre lo que escribió el otro—, así que `chat()` se
// pone a la cola detrás del turno anterior y solo empieza cuando ese suelta el
// motor. Dos llamadas a la vez dan lo mismo que dos seguidas.
//
// Parar es un AbortSignal, el mismo contrato que ya usan los otros proveedores
// de las apps: `opts.signal` en el cuarto argumento de `chat()`, o la señal
// suelta en esa misma posición. Un turno parado RECHAZA con un AbortError que
// lleva en `.partial` el texto limpio que llegó a emitir, y después de notarlo
// ya no llama a `onToken` ni a `onPrefill` ni una vez más.
//
// ⚠️ Y quien deja de esperar un turno tiene que PARARLO, con su señal o con
// `abort()`. Abandonar la promesa no suelta el motor: el turno sigue hasta el
// final y los siguientes se ponen a la cola detrás de él. Un plazo que le gana
// la carrera a `chat()` sin parar el turno no ahorra nada, lo convierte en un
// atasco: cada llamada siguiente gasta su propio plazo esperando en la cola.
//
// `ultimoTurno` se resuelve cuando el último turno encolado ha soltado el
// motor (o ha renunciado a cogerlo); nunca se rechaza. `turnosVivos` son los
// controladores de los turnos encolados o en marcha: es lo que corta `abort()`.
let ultimoTurno = Promise.resolve();
const turnosVivos = new Set();

// POR QUÉ se paró. Quien llama tiene que poder distinguir su propio «para» del
// que no pidió: `unload()` —la app cuando va justa de memoria, el botón de liberar el modelo—
// y `configure()` a otro modelo también paran el turno en marcha, y enseñarle
// al usuario «parado a petición» cuando no ha pedido nada es mentirle. El
// motivo va en el texto del error y en `.porDescarga`, que es lo que se mira
// sin leer texto. Gana la PRIMERA causa: un turno ya parado no cambia de motivo.
const PARADO_POR = {
  peticion: 'turno parado a petición',
  descarga: 'turno parado: se ha descargado el modelo',
};
const causaDe = new WeakMap();             // señal de un turno → por qué se paró
function parar(ctl, causa) {
  if (ctl.signal.aborted) return;
  causaDe.set(ctl.signal, causa);
  ctl.abort();
}
function errorDeParada(senal, partial) {
  const causa = causaDe.get(senal) || 'peticion';
  const e = errorParado(PARADO_POR[causa]);
  e.partial = partial;
  e.porDescarga = causa === 'descarga';
  return e;
}

// La señal, o algo que la lleve dentro (un AbortController). Se reconoce por la
// forma y no por la clase: una señal de otro reino —un iframe, un worker— no es
// `instanceof` del AbortSignal de esta página y aun así es una señal
// perfectamente válida.
function senalDe(x) {
  if (!x || typeof x !== 'object') return null;
  if (typeof x.aborted === 'boolean') return x;
  if (x.signal && typeof x.signal.aborted === 'boolean') return x.signal;
  return null;
}

// Espera a que el turno de delante suelte el motor, salvo que paren a este
// antes: entonces rechaza en el acto, sin esperar a nadie.
function esperarTurno(antes, senal) {
  return new Promise((si, no) => {
    if (senal.aborted) { no(errorParado()); return; }
    const fuera = () => no(errorParado());
    senal.addEventListener('abort', fuera, { once: true });
    antes.then(() => { senal.removeEventListener('abort', fuera); si(); });
  });
}

/**
 * Para el turno en marcha y los que esperan en la cola. Resuelve cuando el
 * motor está en reposo: ningún turno de los que había lo está usando, el
 * dispositivo ha terminado lo que tenía y el estado es coherente para el siguiente turno.
 */
export async function abort() {
  await pararTodos('peticion');
}

// Lo de `abort()`, con el motivo dicho: `descargar()` para por 'descarga'.
async function pararTodos(causa) {
  const hasta = ultimoTurno;
  for (const c of turnosVivos) { try { parar(c, causa); } catch { /* — */ } }
  await hasta;
}

/**
 * Un turno. `onToken` recibe cada ficha generada.
 *
 * `opts.onPrefill(hechos, total)` avisa del avance del PREFILL, que es la
 * espera larga y hasta ahora invisible: con un prompt de arnés en el modelo
 * grande es la espera más larga del turno y la pantalla no decía nada en todo
 * ese rato, y una espera sin señal se lee como «se ha colgado». Se llama por
 * lote terminado en el dispositivo, no por lote encolado.
 *
 * `opts.signal` para el turno: ver «TURNOS DE UNO EN UNO, Y PARAR».
 *
 * ⚠️ El cuarto argumento acepta TAMBIÉN un AbortSignal suelto, o un
 * AbortController: Elffuss Code lleva pasando la señal en esa posición desde
 * antes de que existiera este objeto de opciones, y el motor la ignoraba en
 * silencio. Romper esa llamada para estrenar un parámetro sería cambiar el
 * contrato por comodidad mía.
 */
export async function chat(history, system, onToken = () => {}, opts = {}) {
  const o = opts && typeof opts.aborted === 'boolean' ? { signal: opts } : (opts || {});
  const onPrefill = typeof o.onPrefill === 'function' ? o.onPrefill : null;
  const tLlamada = ahora();
  const externa = senalDe(o.signal);
  const ctl = new AbortController();
  const reenviar = () => parar(ctl, 'peticion');
  if (externa?.aborted) parar(ctl, 'peticion');
  else externa?.addEventListener?.('abort', reenviar, { once: true });
  turnosVivos.add(ctl);
  const antes = ultimoTurno;
  let soltar;
  ultimoTurno = new Promise((r) => { soltar = r; });
  try {
    try {
      await esperarTurno(antes, ctl.signal);
    } catch {
      // Parado mientras esperaba: no llegó a tocar el motor. Su hueco se suelta
      // cuando lo suelte el de delante; soltarlo ya dejaría colarse al de detrás
      // mientras el de delante todavía está trabajando.
      antes.then(soltar);
      soltar = null;
      const parado = errorDeParada(ctl.signal, '');
      console.log('[engine] turno PARADO en la cola: no llegó a empezar' +
        (parado.porDescarga ? ' · por descarga' : ''));
      throw parado;
    }
    return await turnoParable(history, system, onToken, { senal: ctl.signal, onPrefill, tLlamada });
  } finally {
    turnosVivos.delete(ctl);
    externa?.removeEventListener?.('abort', reenviar);
    soltar?.();
  }
}

// El turno con el motor ya para él solo. Si lo paran, deja todo listo para el
// siguiente ANTES de soltar el motor: el dispositivo en reposo, lo prestado devuelto al
// pozo y la medida cerrada como parada. El estado no hace falta tocarlo: todo
// turno empieza con `restaura()` o con `reset()`, las fotos que el turno va a
// pisar se invalidan antes de su primer forward, y cada foto se vuelve a apuntar
// solo con lo suyo ingerido entero (ver «LO QUE EL TURNO VA A PISAR»). Así un
// turno parado a medias nunca deja una foto que describa algo que no pasó.
async function turnoParable(history, system, onToken, opciones) {
  const { senal } = opciones;
  // `cerrar` lo pone `turno()` en cuanto nace la medida: es lo que la cierra
  // desde aquí cuando el turno sale por un error.
  const hecho = { fase: 'entrada', texto: '', prompt: 0, salida: null, cerrar: null };
  try {
    return await turno(history, system, onToken, opciones, hecho);
  } catch (e) {
    // Solo es «parado» si lo pidieron Y el error es el de parar. Un fallo de
    // verdad que coincida con un «para» se enseña como el fallo que es.
    if (!(senal.aborted && e?.name === 'AbortError')) {
      // Un fallo también cierra la medida, con el fallo dentro: si no, se
      // quedaría «en curso» para siempre, esperando tokens de un turno que ya
      // no existe.
      hecho.cerrar?.({ error: String(e?.message || e) });
      throw e;
    }
    try { await gpu?.device?.queue?.onSubmittedWorkDone?.(); } catch { /* sin dispositivo, nada que esperar */ }
    try { sesion?.recycle(); } catch { /* mejor esfuerzo */ }
    hecho.cerrar?.({ abortado: true });
    const parado = errorDeParada(senal, limpiarRazonamiento(hecho.texto));
    console.log(`[engine] turno PARADO en ${hecho.fase} · prompt ${hecho.prompt} tokens · ` +
      `nPast ${sesion?.state?.nPast ?? '-'} · salieron ${hecho.salida ? hecho.salida.length : 0} tokens · ` +
      `devuelto ${parado.partial.length} car.` + (parado.porDescarga ? ' · por descarga' : ''));
    throw parado;
  }
}

async function turno(history, system, onToken, { senal, onPrefill, tLlamada }, hecho) {
  // Un turno parado antes de empezar no toca nada: ni el estado ni la foto.
  if (senal.aborted) throw errorParado();
  // Uno que llegó con una descarga en marcha la espera: cuando le toque, el
  // modelo ya no estará y lo dirá con el error de siempre. Se espera DESPUÉS de
  // mirar la señal y no antes: la descarga para a todos los turnos que había
  // antes que ella y espera a que suelten el motor, así que uno de esos
  // esperándola a ella se quedaría colgado para siempre.
  if (descargando) {
    await descargando;
    if (senal.aborted) throw errorParado();
  }
  hecho.fase = 'preparación';
  // Antes que nada: si el dispositivo se perdió, decirlo con esas palabras. Si no, el
  // usuario ve «El modelo todavía no está cargado» después de haber esperado a
  // que cargara, que es la peor manera de contar lo que ha pasado.
  if (perdida) throw new Error(perdida + ' Vuelve a elegirlo en el selector para cargarlo otra vez.');
  if (!sesion) throw new Error('El modelo todavía no está cargado.');

  // ── LA MEDIDA NACE AQUÍ, con el turno ya en el motor ───────────────────────
  // Antes nacía con la cabeza ya ingerida, y eso tenía dos agujeros: un turno
  // parado en la preparación o en el prefill no llegaba a tenerla, así que
  // `ultimaMedida()` seguía dando la del turno ANTERIOR como si fuera la suya y
  // nadie recibía aviso; y uno que fallaba a media respuesta se quedaba «en
  // curso» para siempre. Ahora se cierra en todas las salidas: al final de esta
  // función si acaba bien, y en `turnoParable` si lo paran o falla. Los campos
  // que aún no se saben salen a cero y se rellenan según se conocen.
  const m = medida = {
    promptTokens: 0, procesados: 0, reusados: 0,
    prefillMs: 0, prefillTokS: 0,
    genTokens: 0, genMs: 0, genTokS: 0,
    ttftMs: 0, totalMs: 0, enCurso: true, abortado: false, error: null,
  };
  let msForward = 0, msReadback = 0, msSample = 0, msDecode = 0;
  hecho.cerrar = ({ abortado = false, error = null } = {}) => {
    if (!m.enCurso) return;
    // El reparto del bucle, para que «va lento» tenga una causa y no cuatro
    // candidatas indistinguibles. Son acumulados de TODO el turno, prefill
    // incluido: el primer `forward` es el prompt entero.
    m.reparto = { forwardMs: msForward, readbackMs: msReadback, sampleMs: msSample, decodeMs: msDecode };
    m.totalMs = ahora() - tLlamada;
    m.enCurso = false;
    m.abortado = abortado;
    m.error = error;
    avisar(m);
  };

  const ctxLen = sesion.state.ctxLen;
  // Sitio reservado para contestar. Un prompt que ocupa el contexto ENTERO
  // «cabe» y luego revienta a mitad de la generación, con la respuesta ya
  // escrita a medias y perdida: más vale no empezar.
  // Razonando, la reserva es el presupuesto entero: si no, una conversación
  // larga dejaba 96 fichas para pensar Y responder.
  const razona = razonaEsteTurno();
  const topeModo = topeRespuesta(razona);
  const RESERVA = razona ? topeModo : 96;

  // El presupuesto de la historia sale del contexto REAL menos lo que ya ocupa
  // el sistema. Antes era un 4.000 fijo: en un modelo de 512 eso es pedirle al
  // gestor del historial que llene ocho veces lo que hay.
  const sistema = tk.encode(montarPrompt(system, [])).length;
  if (sistema + RESERVA > ctxLen) {
    throw new Error(`las instrucciones ocupan ${sistema} tokens y este modelo solo tiene ` +
      `${ctxLen} de contexto: elige un modelo con más contexto para trabajar con herramientas.`);
  }
  const mensajes = await ajustaHistorial(history, ctxLen - sistema - RESERVA);
  if (senal.aborted) throw errorParado();
  // El prompt se arma en DOS PIEZAS. `cabeza` es todo hasta el punto donde se
  // fotografía el estado; `cola` es lo que se alimenta después y queda FUERA de
  // la foto. Con modelo pensante la cola es el bloque `<think>`; sin él, el
  // último token, para que siempre quede algo con lo que sacar los logits.
  //
  // Se puede partir así porque está comprobado que el tokenizador NO fusiona en
  // la juntura: encode(cabeza + cola) === encode(cabeza) + encode(cola), 9 de 9
  // casos en los dos modelos. Si fusionara, el punto de corte no valdría.
  const pensar = pensante ? tk.encode(razona ? formato.abrir : formato.cerrado) : [];
  const armar = () => {
    const base = tk.encode(montarPrompt(system, mensajes, { conPensar: false }));
    return pensar.length
      ? { cabeza: base, cola: pensar }
      : { cabeza: base.slice(0, -1), cola: base.slice(-1) };
  };
  let { cabeza, cola } = armar();
  let ids = cabeza.concat(cola);
  // El gestor del historial cuenta en tokens ESTIMADOS (~4 chars/token) y este
  // tokenizador es el de verdad, así que puede pasarse. Se tiran turnos viejos
  // hasta que quepa, nunca el último: ese es lo que acaba de escribir el usuario.
  while (ids.length + RESERVA > ctxLen && mensajes.length > 1) {
    mensajes.shift();
    ({ cabeza, cola } = armar());
    ids = cabeza.concat(cola);
  }
  if (ids.length + RESERVA > ctxLen) {
    throw new Error(`tu mensaje ocupa más de lo que cabe en este modelo ` +
      `(${ids.length} tokens sobre ${ctxLen}): prueba con uno más corto.`);
  }
  hecho.prompt = ids.length;
  m.promptTokens = ids.length;

  // ── REUTILIZACIÓN DE PREFIJO ───────────────────────────────────────────────
  // Antes esto era `sesion.state.reset()` a secas, y el comentario lo justificaba
  // diciendo que el `system` cambia en cada llamada porque lleva el contexto vivo
  // dentro. Es cierto EN GENERAL y no lo es para los modelos lentos: los que
  // declaran `prefiereCompacto` reciben un prompt sin contexto vivo, estable
  // entre turnos. Reiniciando siempre, el turno 5 vuelve a pagar entero lo que ya
  // calcularon los turnos 1 a 4, y lo que se repaga crece con cada turno.
  //
  // La condición para reutilizar es la más estricta posible: que los tokens de
  // este turno EMPIECEN EXACTAMENTE por los que el estado ya ingirió. Entonces
  // basta alimentar la cola.
  //
  // Se compara sobre TOKENS y no sobre texto a propósito. Los tokens de la
  // respuesta que están en el estado son los que SE MUESTREARON; al rearmar el
  // prompt, el texto del asistente se vuelve a codificar, y destokenizar y
  // volver a tokenizar NO es la identidad. Comparando texto, esa deriva no se ve
  // y contamina en silencio todos los turnos siguientes.
  //
  // Y ante CUALQUIER divergencia se reinicia ENTERO, nunca a medias: la caché KV
  // se podría truncar en una posición, pero el estado recurrente del SSM —48 de
  // nuestras 64 capas— no se puede rebobinar, porque es el resultado de haber
  // recorrido toda la secuencia.
  // ENCENDIDO POR DEFECTO. Estuvo en opt-in hasta que la prueba pasó en LOS DOS
  // modelos, 6 asertos de 6 en cada uno: texto idéntico con y sin reutilización,
  // reutiliza 2 de 2 turnos posibles, y tocar un mensaje viejo fuerza reinicio
  // completo. El 27B se validó aparte del 0.8B a propósito, porque allí la
  // instantánea es unas ocho veces mayor (48 capas SSM, y más anchas).
  //
  // Se conserva la salida de emergencia —ponerlo a false— y no al revés: si esto
  // fallara no se vería como un error, se vería como una respuesta que habla de
  // otra conversación, y entonces hace falta poder apagarlo sin desplegar.
  const quiereReuso = globalThis.__ELFFUSS_PREFIJO !== false;
  // El motivo se calcula ANTES de tocar nada: cuando esto no reutilice hay que
  // poder saber POR QUÉ sin adivinar. «No reutiliza» tiene causas muy distintas
  // —primer turno, la historia se reordenó, el texto del asistente retokenizó
  // distinto, el prompt encogió— y desde fuera se ven todas iguales. La primera
  // versión no lo decía y el diagnóstico costó decodificar tokens a mano.
  //
  // La comparación es contra la CABEZA, que es lo que la instantánea describe.
  let motivo = 'primer turno';
  if (consumidos) {
    if (cabeza.length <= consumidos.length) motivo = `el prompt no crece (${cabeza.length} <= ${consumidos.length})`;
    else {
      const i = consumidos.findIndex((t, k) => t !== cabeza[k]);
      motivo = i === -1 ? 'ok' : `diverge en el token ${i} de ${consumidos.length}`;
    }
  }
  // ── DOS NIVELES DE RESCATE, no uno ────────────────────────────────────────
  // El nivel 1 es el de siempre: el prompt anterior completo es prefijo
  // estricto del nuevo, se restaura su foto y no se reprocesa nada. Solo se
  // cumple si la conversación crece por el final y NADA de en medio cambia.
  //
  // En un arnés eso casi nunca pasa: el estado vivo (archivo abierto, árbol,
  // tareas) cambia a cada paso, así que el nivel 1 falla y antes eso significaba
  // reprocesar el prompt ENTERO, prompt de sistema incluido. Medido: con un
  // prompt realista el prefill del modelo grande es la espera mas larga del
  // producto, y un
  // turno con herramientas lo pagaba en cada paso.
  //
  // El nivel 2 rescata lo que no cambia: si el bloque de sistema es el mismo
  // que describe la ranura 'sistema', se vuelve ahí y se reprocesa solo la
  // conversación. En Claw son ~1.300 fichas que se dejan de pagar; en Code,
  // ~2.200.
  const fichasSistema = tk.encode(bloqueSistema(system));
  // ⚠️ GUARDA, no suposición: que el bloque de sistema sea prefijo de fichas de
  // la cabeza no es gratis — el tokenizador podría fusionar en la juntura entre
  // el fin del bloque y el primer mensaje. Está comprobado para la juntura
  // cabeza/cola (9 de 9) pero NO para esta. Si no es prefijo exacto, el nivel 2
  // se apaga en vez de restaurar un punto que no es el que se cree.
  const sistemaEsPrefijo = fichasSistema.length < cabeza.length &&
    fichasSistema.every((t, k) => t === cabeza[k]);
  const mismoSistema = !!sistemaFoto && sistemaFoto.length === fichasSistema.length &&
    sistemaFoto.every((t, k) => t === fichasSistema[k]);

  let reusa = quiereReuso && motivo === 'ok' && sesion.state.tieneInstantanea('turno');
  if (reusa && !sesion.state.restaura('turno')) reusa = false;   // no se pudo: al camino seguro
  let yaIngeridos = reusa ? consumidos : null;
  let nivel = reusa ? 'turno' : null;

  if (!reusa && quiereReuso && sistemaEsPrefijo && mismoSistema &&
      sesion.state.tieneInstantanea('sistema') && sesion.state.restaura('sistema')) {
    reusa = true;
    yaIngeridos = fichasSistema;
    nivel = 'sistema';
    motivo += ' → rescatado por el prefijo del sistema';
  }
  // ── LO QUE EL TURNO VA A PISAR DEJA DE VALER, Y ANTES DE PISARLO ─────────
  // Una foto guarda el estado recurrente en un punto, pero la caché KV de las
  // posiciones anteriores a ese punto vive FUERA de la foto: restaurarla da por
  // hecho que nadie las ha reescrito. Un turno que reprocesa desde antes de una
  // foto las reescribe, y si se para —o falla— a medias, esa foto sigue
  // pareciendo válida sobre una caché que ya es de otra conversación.
  // Restaurarla después no da ningún error: da texto plausible sacado de una
  // mezcla de las dos.
  //
  // Así que lo que el turno va a pisar se invalida AQUÍ, antes del primer
  // forward, y cada foto se vuelve a apuntar solo cuando lo suyo está ingerido
  // entero: la del sistema tras su bloque, la del turno tras la cabeza.
  //   · reinicio: se reprocesa desde la posición 0, así que no sobrevive
  //     ninguna foto; `reset()` ya invalida la del turno, y la del sistema se
  //     invalida aquí y se vuelve a tomar en este mismo turno si se puede;
  //   · nivel 'sistema': se reprocesa desde el fin del bloque de sistema, así
  //     que la foto del TURNO, que es más larga, y `consumidos` dejan de valer;
  //   · nivel 'turno': se escribe detrás de las dos fotos y no se pisa nada.
  if (!reusa) {
    consumidos = null;
    sesion.state.reset();
    sistemaFoto = null;
    sesion.state.olvidaInstantanea('sistema');
  } else if (nivel === 'sistema') {
    consumidos = null;
    sesion.state.olvidaInstantanea('turno');
  }

  // ¿Hay que tomar la foto del sistema? Tras un reinicio no queda ninguna —se
  // acaba de invalidar—, así que se toma siempre que el bloque sea prefijo
  // exacto de lo que se va a procesar ahora.
  const tomarFotoSistema = quiereReuso && sistemaEsPrefijo && !reusa;
  const entradaCabeza = reusa ? cabeza.slice(yaIngeridos.length) : cabeza;
  // Lo PROCESADO de verdad son las dos fases: la cabeza que no se reutilizó más
  // la cola. Con la caché de prefijo funcionando esto es mucho menor que
  // `promptTokens`, y por eso se informan los dos: sin `reusados`, un prefill
  // que va «diez veces más rápido» parece un milagro o un error de medida.
  const procesados = entradaCabeza.length + cola.length;
  m.procesados = procesados;
  m.reusados = yaIngeridos ? yaIngeridos.length : 0;
  if (quiereReuso) {
    // El NIVEL va en la traza, y no es decoración: «reutilizados 24» puede ser
    // el prefijo completo de una conversación corta o el rescate del bloque de
    // sistema de una larga, y son dos cosas distintas que hay que poder
    // distinguir sin decodificar fichas a mano. Es la misma razón por la que el
    // motivo se calcula antes de tocar nada.
    console.log('[engine] prefijo: ' + (reusa
      ? `REUTILIZADOS ${yaIngeridos.length} tokens (nivel ${nivel}) · solo se procesan ${entradaCabeza.length + cola.length}`
      : `reinicio completo · ${ids.length} tokens · ${motivo}`));
  }

  const paradas = new Set([tk.eosId]);
  const imEnd = tk.encode('<|im_end|>');
  if (imEnd.length === 1) paradas.add(imEnd[0]);

  const vocab = tk.vocabSize;
  const salida = [];
  hecho.salida = salida;
  let texto = '';
  const decS = new TextDecoder('utf-8');
  // Un tokenizador sin `bytesDe` (los de las pruebas) da sus bytes por decode.
  const utf8 = new TextEncoder();
  const bytesDe = tk.bytesDe ? (id) => tk.bytesDe(id) : (id) => utf8.encode(tk.decode([id]));
  // El reloj del prefill arranca AQUÍ, antes de la fase 1, y no en el bucle.
  //
  // Esto estaba mal y lo cazó una prueba interna: el prompt se parte en
  // CABEZA (lo que entra en la instantánea, la inmensa mayoría) y COLA, y la
  // cabeza se procesa aquí, fuera del bucle. Midiendo solo desde el bucle, un
  // prompt de ~780 tokens declaraba «4 tokens procesados», y la velocidad que
  // salía de ahí no significaba nada: el tiempo real de los otros ~776 se
  // escondía en el hueco entre la llamada y el bucle. Se veía porque el tiempo
  // hasta la primera letra era decenas de veces el «prefill».
  const tPrefillIni = ahora();
  // ── FASE 1: alimentar hasta el punto de la foto ────────────────────────────
  // Con la señal dentro, y en los DOS tramos cuando se parte para fotografiar el
  // sistema: un prompt largo son muchos lotes y muchas capas, y parar tiene que
  // poder entrar entre ellos en vez de esperar al final.
  hecho.fase = 'prefill';
  if (entradaCabeza.length) {
    // El progreso, solo si alguien lo escucha; `desde` es lo ya hecho en un
    // tramo anterior, porque se reporta sobre el TOTAL de la cabeza. Y nada
    // de progreso con la señal ya dada: `forward` avisa de cada lote
    // terminado, también del que acaba justo cuando llega el «para» y del
    // último, que no mira la señal; pero el contrato de `chat()` es que tras
    // notar el «para» no se llama más a `onPrefill`, así que se filtra aquí.
    const opciones = (desde, total) => (onPrefill
      ? { signal: senal, onProgress: (h) => { if (!senal.aborted) onPrefill(desde + h, total); } }
      : { signal: senal });
    if (tomarFotoSistema) {
      // Se parte el forward de la cabeza para poder fotografiar EXACTAMENTE
      // después del bloque de sistema. Partirlo no cambia la numérica: el
      // estado avanza igual token a token (lo vigila una prueba interna que
      // compara troceado contra una sola pasada).
      const n = fichasSistema.length;
      // El progreso se reporta sobre el TOTAL de la cabeza, no sobre cada
      // tramo: al usuario le da igual que por dentro se parta para fotografiar.
      const total = entradaCabeza.length;
      await sesion.forward(entradaCabeza.slice(0, n), opciones(0, total));
      sesion.recycle();
      sesion.state.instantanea('sistema');
      sistemaFoto = fichasSistema;
      if (entradaCabeza.length > n) {
        await sesion.forward(entradaCabeza.slice(n), opciones(n, total));
        sesion.recycle();
      }
    } else {
      await sesion.forward(entradaCabeza, opciones(0, entradaCabeza.length));
      sesion.recycle();
    }
  }
  // La foto se toma AQUÍ, antes del bloque `<think>`. Lo que describe —la
  // cabeza— SÍ es prefijo exacto del prompt del turno siguiente, y eso es lo
  // que hacía imposible la reutilización mientras el bloque estaba dentro.
  //
  // Se apunta ahora y no al final del turno a propósito: si la generación
  // revienta a media respuesta, la instantánea sigue describiendo un punto
  // anterior y VÁLIDO, así que el turno siguiente puede reutilizar igual. Antes
  // había que invalidar por si acaso.
  sesion.state.instantanea('turno');
  consumidos = cabeza;
  // Se mira DESPUÉS de la foto y de `consumidos`, no antes: la cabeza ya está
  // ingerida entera, y apuntarlo deja que el turno siguiente la reutilice
  // aunque este se pare aquí mismo.
  if (senal.aborted) throw errorParado();
  hecho.fase = 'generación';

  // ── FASE 2: la cola, que entra en el estado pero NO en la foto ─────────────
  let entrada = cola;

  // `maxTokens` por muestreo: el jurado de rlm.js y los tests necesitan acotar
  // la respuesta, y con un modelo lento la diferencia entre 8 y 512 tokens es la
  // diferencia entre una prueba que se corre y una que no.
  //
  // El tope de verdad, además, es lo que QUEDA de contexto: con 512 de contexto
  // y 512 de tope, una respuesta larga se llevaba por delante la caché a mitad
  // de escribirla y el turno entero se perdía como error.
  const tope = Math.max(1, Math.min(topeModo, ctxLen - ids.length));
  // Traza de cada turno. No es depuración de usar y tirar: cuando este modelo
  // se queda mudo —y se queda— lo ÚNICO que distingue «no le cabía», «le
  // pusieron un tope de 0» y «decidió callarse» son estos tres números, y sin
  // ellos hay que adivinar. Cuesta una línea de consola por respuesta.
  console.log(`[engine] turno: prompt ${ids.length} tokens · contexto ${ctxLen} · ` +
    `tope ${tope}${razona ? ' (razonando)' : ''} · muestreo ${muestreo ? JSON.stringify(muestreo) : muestreoDelRegistro() ? 'del registro ' + JSON.stringify(muestreoDelRegistro()) : 'voraz (por defecto)'}`);
  // `tLlamada` guarda la entrada a `chat()` para poder dar el tiempo hasta la
  // primera letra TAL COMO LO ESPERA UN HUMANO, que incluye la tokenización y el
  // montaje del prompt.
  let tPrefill = 0;
  // ── DÓNDE SE VA EL TIEMPO DE CADA TOKEN ────────────────────────────────────
  // La generación medida de punta a punta salió MUY por debajo de lo que da el
  // kernel aislado para el mismo modelo, y el bucle tiene tres sospechosos que
  // la medida del kernel suelto no paga nunca:
  //
  //   · el readback trae el vocabulario ENTERO de vuelta a CPU en cada token;
  //   · `sample` recorre todos esos logits, y con penalización de repetición
  //     además recorre todo lo emitido hasta ahora;
  //   · `tk.decode(salida)` redecodifica la secuencia COMPLETA en cada token,
  //     que es cuadrático en la longitud de la respuesta.
  //
  // Sin repartirlo, «la generación va lenta» tiene cuatro causas que se ven
  // idénticas desde fuera. Cuesta tres relojes por token. Los acumuladores
  // nacen con la medida, arriba, para que un turno parado también los cierre.
  for (let paso = 0; paso < tope; paso++) {
    // Parar se mira en DOS sitios por paso: aquí, antes de encolar trabajo, y
    // tras leer los logits, antes de emitir. El segundo es el que garantiza que
    // después de notar el «para» no sale ni un token más: la lectura es la
    // espera larga del paso, y es justo ahí donde suele llegar.
    if (senal.aborted) throw errorParado();
    const tF = ahora();
    const { logits, logitsTokens } = await sesion.forward(entrada, { signal: senal });
    // El forward solo devuelve logits del ÚLTIMO token: antes calculaba los
    // 248.320 de CADA token del prompt —la cabeza entera, una vez por token— y
    // se descartaban todos menos los del último.
    const tR = ahora(); msForward += tR - tF;
    // `__ELFFUSS_TOPK_GPU`: el dispositivo elige los candidatos que `sample()`
    // necesita y solo se leen esos (ver ops.topk.js); mismo token, bit a bit.
    // Si este muestreo no tiene tope, los kernels avisan de algo o algo lanza,
    // `id` se queda sin poner y se lee el vector entero por el camino de
    // siempre. El módulo se importa solo si el interruptor está puesto:
    // apagado, nada cambia ni se carga.
    let id;
    const mod = modelo;
    if (globalThis.__ELFFUSS_TOPK_GPU === true && mod?.ops && !mod.__topkRoto) {
      const mu = muestreoEfectivo() || { temperature: 0 };
      try {
        mod.__topk ??= (await import('./ops.topk.js')).createTopKGPU(gpu.device, mod.ops.ctx);
        const r = await mod.__topk.muestrea(logits, (logitsTokens - 1) * vocab, vocab,
          { ...mu, seed: (mu.seed || 1) + paso }, ids, salida);
        if (r) { id = r.id; msReadback += r.msLectura; msSample += r.msMuestreo; }
      } catch (e) {
        // Lo que LANZA tampoco tumba el turno: un módulo que falta en esta
        // copia del motor, o una lectura que falla. Se apaga para este modelo,
        // se avisa una vez y el token sale por el camino de siempre, que, si el
        // dispositivo se ha perdido, lanzará como antes. (`mod` y no `modelo`:
        // la pérdida del dispositivo lo anula mientras se espera.) Si además
        // se pidió parar, gana el «para»: este fallo no es de los que tumban el
        // turno, así que no se enseña como si lo fuera.
        if (senal.aborted) throw errorParado();
        mod.__topkRoto = true;
        console.warn(`[engine] top-k en el dispositivo desactivado: ${e?.message || e}`);
      }
      if (senal.aborted) throw errorParado();
    }
    if (id === undefined) {
      const todos = new Float32Array(await readback(gpu.device, logits, 0, logitsTokens * vocab * 4));
      if (senal.aborted) throw errorParado();
      const ultimo = todos.subarray((logitsTokens - 1) * vocab, logitsTokens * vocab);
      const tS = ahora(); msReadback += tS - tR;
      // Con los tokens ya emitidos, para que la penalización de repetición pueda
      // actuar. Sin ellos, el muestreador no sabe que se está repitiendo.
      // La semilla CAMBIA en cada token (como en generate()): con la misma en
      // todos, cada paso sacaba el mismo cuantil de su distribución y no había azar.
      const mu = muestreoEfectivo() || { temperature: 0 };   // (`m` es la medida del turno)
      id = sample(ultimo, { ...mu, seed: (mu.seed || 1) + paso,
                            previos: ids.concat(salida) });
      msSample += ahora() - tS;
    }
    sesion.recycle();

    // Frontera prefill/generación: el primer paso ha metido `procesados` tokens
    // de golpe y ya hay logits leídos, así que aquí acaba el prefill. Se marca
    // DESPUÉS del readback a propósito: medir antes daría un prefill
    // fantásticamente rápido y un primer token absurdamente lento, porque el
    // trabajo del dispositivo se habría contado en el token siguiente.
    if (paso === 0) {
      tPrefill = ahora();
      m.prefillMs = tPrefill - tPrefillIni;
      m.prefillTokS = m.prefillMs > 0 ? procesados / (m.prefillMs / 1000) : 0;
      avisar(m);
    }

    if (paradas.has(id)) break;
    salida.push(id);
    // La generación se cuenta desde el FIN del prefill, no desde el principio:
    // si no, el primer token arrastra el prompt entero y los tok/s de
    // generación de una respuesta corta serían los del prefill disfrazados.
    m.genTokens = salida.length;
    m.genMs = ahora() - tPrefill;
    m.genTokS = m.genMs > 0 ? m.genTokens / (m.genMs / 1000) : 0;
    if (!m.ttftMs) m.ttftMs = ahora() - tLlamada;
    avisar(m);

    // Se decodifica la secuencia ENTERA y se emite la diferencia: un token puede
    // partir un carácter multibyte por la mitad, y decodificarlo suelto daría un
    // rombo de reemplazo en mitad de una palabra.
    // EN STREAMING sobre los bytes de cada token, no redecodificando la salida
    // entera en cada paso (cuadrático: con miles de tokens de razonamiento se
    // notaba en la velocidad). El decodificador guarda los bytes de un carácter
    // a medias hasta que llega el resto, así que tampoco emite rombos de
    // reemplazo que luego hay que corregir. El texto final es el mismo que el
    // de decodificarlo todo de una vez: así lo define el estándar.
    const tD = ahora();
    const trozo = decS.decode(bytesDe(id), { stream: true });
    if (trozo) {
      onToken(trozo);
      texto += trozo;
      hecho.texto = texto;
    }
    msDecode += ahora() - tD;
    entrada = [id];
  }
  { const fin = decS.decode(); if (fin) { onToken(fin); texto += fin; hecho.texto = texto; } }

  // El razonamiento se transmite EN CRUDO por onToken —la burbuja de
  // pensamiento de Elffuss está hecha para leerse— pero se limpia del texto que
  // se devuelve: el agente busca ahí bloques ```tool y no debe ver las marcas.
  // Mismo tratamiento que providers/onnx.js, para no inventar otra convención.
  const limpio = razona ? limpiarRazonando(texto) : limpiarRazonamiento(texto);
  if (razona && !texto.includes('</think>')) {
    console.log(`[engine] razonamiento CORTADO por el tope (${tope} tokens) sin llegar a «</think>»: ` +
      'la respuesta queda vacía, no se devuelve el razonamiento como si fuera la respuesta');
  }
  // Cierra la traza del turno con lo que SALIÓ. Sin esto, «no aparece burbuja»
  // tiene dos causas que se ven idénticas desde fuera y llevan a sitios
  // opuestos: que el modelo no emitiera nada, o que emitiera algo que la capa de
  // arriba se comió —un bloque ```tool mal formado, por ejemplo, que el agente
  // consume sin pintar nada—. Distinguirlas es la diferencia entre culpar al
  // motor y culpar al agente, y nos ha costado una tarde entera no poder.
  console.log(`[engine] turno: salieron ${salida.length} tokens · ` +
    `crudo ${texto.length} car. · devuelto ${limpio.length} car.` +
    (texto ? ` · empieza por ${JSON.stringify(texto.slice(0, 80))}` : ' · NADA'));
  hecho.cerrar();
  console.log(`[engine] velocidad: prefill ${m.procesados} tok en ` +
    `${m.prefillMs.toFixed(0)} ms (${m.prefillTokS.toFixed(1)} tok/s` +
    `${m.reusados ? `, ${m.reusados} reusados del prefijo` : ''}) · ` +
    `generación ${m.genTokens} tok a ${m.genTokS.toFixed(1)} tok/s · ` +
    `primera letra ${m.ttftMs.toFixed(0)} ms`);
  return limpio;
}

// Razonando, la apertura «<think>» va en el PROMPT: la salida trae el
// razonamiento, el «</think>» y la respuesta. Lo que va después del último
// cierre es la respuesta. Y si el tope cortó antes de cerrar, NO hay respuesta:
// devolver el razonamiento a medias como respuesta haría que el agente buscase
// herramientas en lo que el modelo solo estaba pensando.
function limpiarRazonando(txt) {
  const i = txt.lastIndexOf('</think>');
  if (i === -1) return '';
  return txt.slice(i + 8).replace(/<\/?think>/g, '').trim();
}

function limpiarRazonamiento(txt) {
  if (txt.includes('<think>')) {
    txt = txt.replace(/<think>[\s\S]*?<\/think>/g, '');
    // Si el tope de tokens cortó el bloque a medias, nos quedamos con lo que
    // vino DESPUÉS de la última apertura: devolver un razonamiento sin cerrar
    // como si fuera la respuesta es peor que devolver poco.
    const i = txt.lastIndexOf('<think>');
    if (i !== -1) txt = txt.slice(i + 7);
  } else if (txt.includes('</think>')) {
    // Cierre SUELTO, sin apertura. Pasa cuando la apertura va en el PROMPT —que
    // es como lo hace la plantilla de estos modelos— y el modelo solo emite el
    // cierre. La rama de arriba no lo veía y el razonamiento entero se colaba en
    // la respuesta, donde el agente busca bloques ```tool.
    txt = txt.slice(txt.lastIndexOf('</think>') + 8);
  }
  return txt.replace(/<\/?think>/g, '').trim();
}

// Gancho de pruebas: el respaldo mixto (almacén + red) se verifica con una
// prueba que necesita llamar a esto directamente.
export { rangosRepartidos as __rangosRepartidos };

// Para las pruebas: el prompt que se montaría con la plantilla dada, sin cargar
// ningún modelo. Deja el formato y `pensante` como estaban.
export function __montarConPlantilla(plantilla, tok, system, mensajes, { razona = false, arch = 'lfm3' } = {}) {
  const antes = [formato, pensante];
  try {
    formato = formatoDePlantilla(plantilla, tok, arch);
    pensante = /<think>/.test(String(plantilla || ''));
    return montarPrompt(system, mensajes, { conPensar: false }) + (pensante ? (razona ? formato.abrir : formato.cerrado) : '');
  } finally { [formato, pensante] = antes; }
}