<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>MiniMind on SoloSoft</title><link>https://www.solosoft.dev/es/tags/minimind/</link><description>Recent content in MiniMind on SoloSoft</description><generator>Hugo</generator><language>es-es</language><lastBuildDate>Sat, 21 Nov 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://www.solosoft.dev/es/tags/minimind/index.xml" rel="self" type="application/rss+xml"/><item><title>MiniMind a examen: 63.912.192 parámetros, un «muestreo LoRA» de 52.762 filas que es el 99,25 % del split de test de CEval y cuatro definiciones de «dos horas»</title><link>https://www.solosoft.dev/es/post/minimind-64m-2-horas-auditoria/</link><pubDate>Sat, 21 Nov 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/minimind-64m-2-horas-auditoria/</guid><description>&lt;p&gt;MiniMind tiene 67.682 estrellas y una frase que cabe en una captura de pantalla: entrena un modelo de lenguaje de 64 millones de parámetros desde cero, en una sola RTX 3090, en dos horas, por unos tres yuanes. El repositorio es Apache-2.0, los datos están públicos en Hugging Face y los scripts de entrenamiento son 4.695 líneas de PyTorch sin envoltorios. Es el tipo de proyecto en el que casi cualquier afirmación se puede comprobar desde el sistema de archivos, así que las comprobé.&lt;/p&gt;
&lt;p&gt;Tres afirmaciones sobrevivieron al contacto con los archivos. Varias no, y lo interesante es que los fallos no son los habituales. El conteo de parámetros es exacto al dígito. El presupuesto de cómputo, convertido a FLOPs, es &lt;em&gt;verosímil&lt;/em&gt;: implica una 3090 trabajando al 44 % de su pico bf16, una cifra que alguien puede alcanzar de verdad. Lo que no encaja es la contabilidad alrededor de ese número y la descripción del conjunto de datos que produce la fila más favorable de la tabla de benchmarks.&lt;/p&gt;</description></item></channel></rss>