# ia-modelo-embeddings — el modelo con el que se le pregunta al archivo personal en lenguaje natural
# (SDD 26 §6.3, mitad semántica).
#
# ══ QUÉ ES ═════════════════════════════════════════════════════════════════════════════════════
# **Qwen3-Embedding-0.6B, Q8_0 oficial**: 1024 dimensiones, 639.160.320 bytes. Es el GGUF que publica
# Qwen, no una conversión de terceros — y eso, acá, resultó ser lo que decide si el modelo SIRVE.
#
# ══ ⚠ LA HISTORIA IMPORTA, PORQUE EL FALLO NO SE PARECÍA A LA CAUSA ════════════════════════════
# La primera elección fue **multilingual-e5-small** (MIT, 118 M, el tamaño ideal). Sellaba, cargaba,
# contestaba 384 dimensiones y el endpoint funcionaba. Y el ranking devolvía **siempre la misma
# página**, para cualquier pregunta.
#
# Lo que se midió, en este orden:
#   1. ¿es el batching? No: los puntajes son idénticos pidiendo los pasajes juntos o de a uno.
#   2. ¿es la posición? No: cambiando el orden de los pasajes, los puntajes no se mueven.
#   3. ¿es nuestro código? No: los mismos textos a mano contra el servidor dan lo mismo.
#   4. ¿es la cuantización? No: el fp32 sin tocar falla igual.
#   5. ¿es la conversión? No: dos conversos independientes fallan **idéntico**.
#   6. **Es el TOKENIZADOR**, y `/tokenize` lo dijo en una línea: «cortafuegos», «minino», «duerme»
#      y «tejado» van todos al **id 100 = `<unk>`**. Un vocabulario XLM-RoBERTa por esta ruta deja
#      casi todo en desconocido, y un texto que es todo `<unk>` embebe igual que cualquier otro.
#      La huella era visible desde el principio: `gato~perro` y `gato~cortafuegos` daban **el mismo
#      número a cuatro decimales**.
#
# ⇒ **REGLA QUE SALE DE ESTO Y VIVE EN EL GUARDIÁN DE ABAJO: antes de creerle a un modelo de
#   embeddings, preguntarle al tokenizador por una frase del idioma que va a leer.** Un modelo que
#   tokeniza mal no falla: contesta vectores plausibles y ordena al azar.
#
# ══ POR QUÉ ÉSTE, Y QUÉ CUESTA ═════════════════════════════════════════════════════════════════
# · **Apache-2.0** y GGUF **oficial** de Qwen (108 k descargas), no una conversión sin dueño;
# · **tokeniza español de verdad** — `llama-tokenize` parte «cortafuegos» en `cort|af|uegos`, no en
#   `<unk>`;
# · **acierta 3/3** con los tres pasajes y las tres preguntas de prueba, con márgenes anchos
#   (0,649 contra 0,237 el segundo). Con la consulta pelada, 2/3: la instrucción no es decorado;
# · misma familia que el modelo de chat, que ya estaba medido contestando en español;
# · **cuesta 610 MiB** en la imagen, cinco veces el e5 que no servía. Es el precio de que funcione.
#
# `--pooling last` (lo pone el consumidor): es el que este modelo usa. Medido: con `mean` también
# acierta 3/3 pero pegado (0,574 contra 0,557), y sin pooling declarado el endpoint contesta un 400
# que parece del cliente.
#
# ══ EL TARBALL Y LA PROCEDENCIA ════════════════════════════════════════════════════════════════
# takana extrae toda fuente con `tar` y un `.gguf` pelado no es un tar ⇒ el objeto pineado es un tar
# que lo envuelve, publicado en el mirror y servido por sha256 (ADR 0013: la URL no entra en
# `hash_inputs`). Igual que `ia-modelo-chat` y `firefox-pgo-profile`.
#
#   upstream  https://huggingface.co/Qwen/Qwen3-Embedding-0.6B-GGUF
#   fichero   Qwen3-Embedding-0.6B-Q8_0.gguf
#   sha256    06507c7b42688469c4e7298b0a1e16deff06caf291cf0a5b278c308249c3e439   ← del GGUF, no del tar
name    = "ia-modelo-embeddings"
version = "qwen3-embedding-0.6b-q8_0"
license = "Apache-2.0"

[source]
tarball = "https://no-hay-upstream.invalid/takana/ia-modelo-embeddings.tar"
sha256  = "b7f46f7519c66c65c8ec18c61920d6e6ec318107152b748141993aef4afa2978"
strip_components = 0

[build]
compiler = "zig-cc"

[build.phases]
configure = "true"
compile   = "true"
install = '''
set -e
mkdir -p /out/usr/share/takana/ia
# ⚠ El fichero DENTRO del tar se llama `qwen3-emb-q8.gguf` y no como en upstream: el tar lo
# armamos nosotros y quedó con el nombre corto con el que se bajó. Se deja así —renombrarlo
# significaría reempaquetar y volver a subir 610 MB— pero queda dicho acá, porque el bloque de
# procedencia de arriba sí nombra el fichero de upstream y las dos cosas tienen que cuadrar.
cp qwen3-emb-q8.gguf /out/usr/share/takana/ia/embeddings.gguf
M=/out/usr/share/takana/ia/embeddings.gguf

# ── GUARDIÁN 1: QUE SEA UN GGUF ──────────────────────────────────────────────────────────────
head -c 4 "$M" | grep -q GGUF || { echo "!! lo instalado no empieza con el mágico GGUF" >&2; exit 1; }
n=$(stat -c%s "$M")
test "$n" -gt 500000000 || { echo "!! el GGUF pesa $n bytes: está truncado" >&2; exit 1; }

# ── GUARDIÁN 2: QUE TOKENICE EL IDIOMA QUE VA A LEER ─────────────────────────────────────────
# Ésta es la prueba que le faltaba a la receta anterior y que habría ahorrado la caza entera.
# Un modelo que manda cada palabra a `<unk>` sella, carga y contesta vectores plausibles: el fallo
# aparece semanas después como «la búsqueda devuelve siempre lo mismo». Dos frases SIN palabras en
# común tienen que dar conjuntos de tokens distintos; si todo cae en el mismo id de desconocido, se
# parecen demasiado y esto falla.
tok() { llama-tokenize --model "$M" --prompt "$1" 2>/dev/null | sed 's/ *\([0-9]*\) ->.*/\1/' | sort -u; }
tok "el cortafuegos bloquea la salida de una aplicación" > /tmp/t1
tok "un minino atigrado dormía sobre las tejas del tejado" > /tmp/t2
c1=$(wc -l < /tmp/t1); c2=$(wc -l < /tmp/t2); comunes=$(comm -12 /tmp/t1 /tmp/t2 | wc -l)
echo "guardián: tokens distintos $c1 y $c2, comunes $comunes"
test "$c1" -ge 8 || { echo "!! la primera frase da sólo $c1 tokens distintos: el tokenizador no la entiende" >&2; exit 1; }
test "$c2" -ge 8 || { echo "!! la segunda frase da sólo $c2 tokens distintos" >&2; exit 1; }
# Con el e5 roto, las dos frases compartían la mitad de sus ids (todos `<unk>`). Con un tokenizador
# sano comparten sólo artículos y preposiciones.
test "$comunes" -le 5 || {
  echo "!! las dos frases comparten $comunes tokens: huele a que casi todo cae en <unk>" >&2
  head -20 /tmp/t1 >&2; exit 1
}

# ── GUARDIÁN 3: QUE EL ESPACIO VECTORIAL DISTINGA ────────────────────────────────────────────
# «Tokeniza» todavía no es «ordena». Se levanta el servidor de verdad y se le pide que diga que un
# gato se parece más a un perro que a un cortafuegos. Sin esto, el guardián 2 podría pasar y el
# modelo seguir siendo inútil para buscar.
S=/tmp/emb-guardian.sock
rm -f "$S"
llama-server --model "$M" --host "$S" --embedding --pooling last --no-warmup > /tmp/emb.log 2>&1 &
SRV=$!
listo=0
i=0
while [ $i -lt 60 ]; do
  curl -s --unix-socket "$S" http://localhost/health 2>/dev/null | grep -q '"ok"' && { listo=1; break; }
  i=$((i+1)); sleep 2
done
test "$listo" = "1" || { echo "!! el servidor no levantó el modelo" >&2; tail -20 /tmp/emb.log >&2; kill $SRV 2>/dev/null; exit 1; }
curl -s --unix-socket "$S" -H 'Content-Type: application/json' \
  -d '{"input":["gato","perro","cortafuegos"]}' http://localhost/v1/embeddings > /tmp/emb.json
kill $SRV 2>/dev/null
# Los tres vectores, uno por línea, y el coseno en awk: el lab no trae python y para esto alcanza.
# ⚠ OJO CON LOS BACKSLASHES: esto es un literal TOML de comilla triple, así que NO se escapan — lo
# que se escribe es lo que ve la shell. Un backslash DOBLE manda dos caracteres, y entonces `tr` se
# pone a borrar las letras «n». (Y ojo también con teclear una comilla triple en un comentario de
# acá: cierra la cadena y el TOML deja de parsear. Pasó, y el error señala a la línea del comentario.)
# ⚠ Las dos cosas de abajo se probaron EN EL HUB antes de gastar un turno de build, y las dos
# estaban mal en el primer intento: un `sed` por corchete de apertura se comía el último vector
# (salían 2 de 3), y el arreglo no puede llamarse `cos` — **`cos` es una función interna de awk** y
# el script muere con un `syntax error` que no menciona el nombre.
tr -d ' \n' < /tmp/emb.json | grep -o '\[[-0-9.,e]*\]' | tr -d '[]' > /tmp/vs
test "$(wc -l < /tmp/vs)" -ge 3 || { echo "!! no salieron tres vectores" >&2; head -c 300 /tmp/emb.json >&2; exit 1; }
awk -F, 'NR<=3{s=0;for(i=1;i<=NF;i++){v[NR,i]=$i;s+=$i*$i};len[NR]=sqrt(s);cols=NF}
END{
  for(p=2;p<=3;p++){d=0;for(i=1;i<=cols;i++)d+=v[1,i]*v[p,i];cs[p]=d/(len[1]*len[p])}
  printf "guardián: gato~perro=%.4f  gato~cortafuegos=%.4f\n", cs[2], cs[3]
  if (cs[2] <= cs[3] + 0.02) {
    print "!! el espacio no distingue: un gato se parece a un cortafuegos tanto como a un perro" > "/dev/stderr"
    exit 1
  }
}' /tmp/vs
echo "guardián: GGUF válido, tokeniza español y el espacio distingue — $n bytes"
'''

[deps]
build = ["llama-cpp", "curl", "busybox"]