Ponemos a prueba a RAJI con tres casos —correcto, incorrecto y ambiguo— y una prueba de consistencia, antes de llevarlo al aula.
Montamos RAJI, un proyecto mínimo donde un segundo modelo local hace de profesor corrector: evalúa si una respuesta es correcta y clara, y explica por qué, sin notas numéricas.
Aprende a construir el Proyecto Katie Bouman, una solución de RAG Multimodal y visión por computador 100% local con FastAPI, Uvicorn y LM Studio. Desarrollado en el marco de las iniciativas MonteSteam y AIDARAC en el IES Monterroso, este sistema permite al alumnado analizar esquemas técnicos, circuitos y gráficas de laboratorio en el aula de forma privada, eficiente y sin costes de API.
Guía paso a paso para construir un agente de Inteligencia Artificial 100% local, privado y sin costes de API mediante la técnica de Function Calling (Tool Calling). Utilizando Qwen 2.5 3B en LM Studio y un servidor con FastAPI, el proyecto enseña a conectar un LLM con herramientas ejecutables en Python (cálculo matemático, sensores y generación de gráficos con Matplotlib) mostrando además la trazabilidad de los datos en tiempo real.
Aprende a construir un sistema RAG (Generación Aumentada por Recuperación) 100% local, gratuito y privado utilizando FastAPI, Python y LM Studio. Explicamos paso a paso cómo conectar una base de datos en CSV con un LLM local para responder preguntas sin alucinaciones, analizando desde la búsqueda por similitud coseno hasta la optimización de prompts en el aula.
Primera sesión del Proyecto Karen Spärck Jones: comparación práctica en Python entre la búsqueda literal de palabras (BM25) y la búsqueda semántica por vectores de significado (embeddings), analizando y enfrentando sus resultados sobre el corpus real de AIDARAC mediante consola e interfaz web.
Un taller para que el alumnado vea, sin simulación de por medio, los pasos reales de un modelo de difusión — una imagen real de Wikimedia Commons que muestra el recorrido de ruido a imagen nítida, y Diffusion Explainer, una herramienta interactiva y gratuita para explorar ese mismo proceso paso a paso.
CROWSON añade un quinto nivel, distinto de simular y de buscar — Llama traduce la frase completa al inglés y esa traducción genera una imagen real con Pollinations.ai, un modelo de difusión de verdad, con los mismos avisos de honestidad y moderación de toda la familia.
CROWSON añade un cuarto paso distinto de la simulación — Llama traduce la frase a palabras clave en inglés y busca de verdad en Openverse, con atribución completa y sin esconder sus límites (moderación, cuota de peticiones).
CROWSON amplía a cinco las decisiones de color de Llama (franja y estrella incluidas) — y esta entrada explica, paso a paso, cómo genera de verdad una imagen un modelo como Stable Diffusion (CLIP, espacio latente, difusión) frente a lo que hacemos aquí.