Hardware
CPU, GPU, RAM/VRAM y configuración relevante.
IA local basada en máquinas reales
Las recomendaciones mejoran cuando incorporan evidencia de equipos reales. La participación es voluntaria y el usuario mantiene el control sobre qué comparte.
Principio: una medición técnica anonimizada puede ayudar a mejorar recomendaciones para equipos parecidos, pero publicar nunca debe ser obligatorio para utilizar LEONES.
Qué debe contener una medición
Software
Sistema operativo, runtime, backend, modelo y configuración.
Resultado
Métricas y/o resultado de la tarea evaluada, junto con el protocolo utilizado.
Procedencia
Información suficiente para entender de dónde procede la medición y qué estado de verificación tiene.
Qué nunca debe publicarse
No compartir: nombres, emails, usuarios, hostnames identificables, seriales, UUID, MAC/IP, ubicación personal, rutas privadas, credenciales, tokens, claves o secretos.
La revisión de privacidad debe producirse antes de cualquier publicación.
De la medición a la evidencia colectiva
hardware → model → inference → Evaluación agentiva → report.md → validation → GitHub
La representación ASCII sigue el flujo canónico de docs/ARCHITECTURE.md. La publicación es voluntaria y está sujeta a validación y privacidad.
Qué aprende LEONES
La Manada no convierte automáticamente cada medición en verdad. Los datos deben pasar por los estados de revisión y verificación definidos por el proyecto antes de utilizarse como evidencia fuerte.
reported → reproducible → verified
│
└── rejectedReportado
Existe un resultado aportado.
Reproducible
Hay información suficiente para repetir o contrastar la medición.
Verificado
Ha superado la comprobación correspondiente.
Atlas / Router
Solo la evidencia adecuada se utiliza para alimentar conocimiento o recomendaciones según las reglas del proyecto.