mztrain 1.3.0__tar.gz

mztrain-1.3.0/AUTHORSHIP.md

@@ -0,0 +1,137 @@
+# DECLARACIÓN FORMAL DE AUTORÍA Y TITULARIDAD
+
+**Obra protegida:** MZTrain — Motor de Entrenamiento en Espacio Comprimido
+**Versión declarada:** 1.0 (con extensiones ElasticRank v1/v2/v3 y VRAM Governor MVP)
+**Fecha de primera publicación:** 2025-01-15
+**Fecha de esta declaración:** 2026-05-20
+**Titular del copyright:** © 2025-2026 MSC Star Team — Distribuido bajo licencia MIT
+
+---
+
+## 1. Autores y atribución
+
+Esta obra es resultado exclusivo del trabajo intelectual y técnico de las
+personas físicas abajo nombradas, integradas bajo el equipo **MSC Star Team**:
+
+| Autor | Rol | Contribuciones principales | Identificación |
+|-------|-----|----------------------------|----------------|
+| **Esraderey** | Arquitecto principal y co-inventor | Diseño base del motor, factorización SVD entrenable, integración MNEME, motor de entrenamiento `ZTrainEngine`, scheduler de rango | msc.framework@gmail.com |
+| **Raúl Cruz Acosta** | Co-inventor y co-desarrollador | Co-diseño del motor, optimizaciones, especificaciones técnicas de ElasticRank (señales híbridas AND, política de redundancia, loss-guard como núcleo de decisión), VRAM Governor, validación experimental | raul.cruz.acosta@example.com |
+
+Ambos autores declaran ser **co-titulares en partes iguales (50/50)** de
+todos los derechos patrimoniales y morales sobre la obra, salvo pacto
+escrito en contrario y debidamente firmado por ambos.
+
+## 2. Originalidad
+
+Los autores declaran bajo su propia responsabilidad que:
+
+1. La obra es **original e inédita**, fruto de su propia capacidad
+   intelectual.
+2. No infringe derechos de terceros: las dependencias externas
+   (PyTorch, NumPy, MNEME) se utilizan conforme a sus respectivas
+   licencias y aparecen documentadas en `NOTICE.md`.
+3. **No se ha empleado, total ni parcialmente, código generado por
+   sistemas de IA de terceros sin curación, revisión y reescritura
+   sustancial por los autores humanos**. Todo asistente automatizado
+   utilizado ha actuado bajo supervisión y dirección directa de los
+   autores, y las decisiones de diseño relevantes son humanas.
+4. Las ideas conceptuales centrales (ver §3) fueron concebidas y
+   diseñadas en sesiones de co-diseño documentadas por los autores
+   antes de cualquier asistencia automatizada en su implementación.
+
+## 3. Innovaciones reivindicadas (resumen — ver `PRIOR_ART.md` para detalle técnico fechado)
+
+Las siguientes contribuciones técnicas se reivindican como invenciones
+**originales** de los autores y constituyen el núcleo defendido por esta
+obra. Cada una incluye fecha de concepción / primera implementación
+documentada:
+
+1. **Entrenamiento directo en espacio factorizado SVD con rango
+   progresivo** (publicado 2025-01-15) — entrenar `U·diag(S)·Vᵀ`
+   manteniendo los factores como parámetros optimizables de primer orden,
+   en lugar de comprimir un modelo ya entrenado.
+2. **ElasticRank — Rango bidireccional con sleep bank en CPU/baja
+   precisión** (publicado 2026-05-15) — capacidad de dormir, revivir y
+   podar direcciones singulares preservando su estado de optimizador
+   (momentum), para acotar memoria sin perder información.
+3. **Señal de sleep híbrida con AND de umbrales separados, no producto**
+   (publicado 2026-05-15) — evita matar direcciones con bajo score
+   espectral pero alto score de actualización.
+4. **Señal de redundancia funcional v2: coherencia estadística por
+   leverage del Gram de términos rank-1 escalados (ElasticRank v2,
+   publicado 2026-05-15)** — `coherence_i = 1 − 1/(R+λI)⁻¹_ii` sobre la
+   matriz de correlación de columnas unitarias.
+5. **Loss-Guard como núcleo de decisión, no como salvaguarda
+   (ElasticRank v3, publicado 2026-05-15)** — toda compactación se
+   aplica como tentativa y se revierte estructuralmente
+   (factores + buffers + estados de optimizador + contadores +
+   cooldowns) si el delta de pérdida supera un umbral.
+6. **VRAM Governor con gating de crecimiento de rango bajo presión
+   EMA + recuperación de OOM transitorio** (publicado 2026-05-15) —
+   validado en GPU real (RTX 4060, 15/15 PASS).
+7. **Probe de sensibilidad de pérdida por dirección como diagnóstico
+   permanente** (publicado 2026-05-15) — Spearman entre proxies
+   weight-space y delta-loss real fue medida ≈ 0.13, lo que motivó la
+   adopción del loss-delta medido como único criterio de decisión.
+8. **Topology-aware error feedback en compresión de gradientes**
+   (publicado 2026-05-16) — los buffers de error feedback se invalidan
+   cuando cambia la forma de un factor (rank growth, ElasticRank,
+   refactorize).
+
+## 4. Licencia y autoría
+
+- El código se distribuye bajo la licencia **MIT** (ver `LICENSE`), permisiva:
+  permite uso, copia, modificación y redistribución conservando el aviso de
+  copyright y la licencia. Esta declaración de autoría **no restringe** esos
+  derechos; documenta la autoría y la fecha de las invenciones (§3).
+- Los autores conservan el **copyright** y el crédito de autoría; MIT exige
+  mantener el aviso de copyright en las copias, lo que preserva la atribución.
+- Las contribuciones externas se aceptan bajo la misma licencia MIT
+  (inbound = outbound); ver `CONTRIBUTING.md`.
+- La publicación de las invenciones (§3, `PRIOR_ART.md`) es **prior art
+  defensivo** —establece fecha de invención frente a patentes de terceros— y es
+  independiente de la licencia MIT del código.
+
+## 5. Verificación e integridad
+
+La integridad de los archivos de esta obra está garantizada por el
+sellado criptográfico en `MANIFEST.sha256` y `SEAL.json`. La cadena de
+custodia se documenta en `SEAL.json` (raíz de Merkle, timestamps
+ISO‑8601, algoritmos SHA‑256 y SHA‑512).
+
+Para verificar:
+
+```bash
+python scripts/seal.py verify
+```
+
+Cualquier modificación posterior a la fecha de sellado quedará
+detectable por divergencia entre el manifiesto y los hashes recalculados.
+
+## 6. Anclaje temporal (timestamping)
+
+Se recomienda anclar este documento, el `LICENSE`, el `PRIOR_ART.md` y
+el `SEAL.json` en una o varias de las siguientes vías para prueba
+externa de fecha cierta:
+
+- Commit firmado con clave GPG en repositorio público (`git commit -S`).
+- Servicio de timestamping RFC 3161 (TSA) sobre el `SEAL.json`.
+- Publicación en archivo público con fecha trazable (Internet Archive,
+  Software Heritage, Zenodo con DOI).
+- Anclaje en blockchain a través de OpenTimestamps (`ots stamp SEAL.json`).
+
+## 7. Firma
+
+Esta declaración se otorga de buena fe por los autores arriba
+mencionados, quienes asumen plena responsabilidad por su contenido.
+
+**Esraderey** — Co-titular ___________________________ Fecha: 2026-05-20
+
+**Raúl Cruz Acosta** — Co-titular ___________________________ Fecha: 2026-05-20
+
+---
+
+> Este documento acompaña a MZTrain como declaración de autoría y prior art;
+> se recomienda distribuirlo junto con el código. El aviso de copyright debe
+> conservarse conforme a la licencia MIT (`LICENSE`).

mztrain-1.3.0/CHANGELOG.md

@@ -0,0 +1,69 @@
+# Changelog
+
+Todos los cambios notables en MZTrain se documentan en este archivo.
+
+El formato esta basado en [Keep a Changelog](https://keepachangelog.com/es-ES/1.0.0/),
+y este proyecto adhiere a [Semantic Versioning](https://semver.org/spec/v2.0.0.html).
+
+## [1.0.0] - 2025-01-15
+
+### Agregado
+
+#### Capas Factorizadas
+- `ZFactorizedLinear`: Capa linear que entrena factores SVD (U, S, V) directamente
+  - Inicializacion SVD, Kaiming, random, y desde pesos existentes
+  - Crecimiento progresivo de rango con preservacion de pesos
+  - Reconstruccion de pesos completos para exportacion
+  - Metricas de compresion y error de reconstruccion
+- `ZFactorizedAttention`: Multi-Head Attention con proyecciones Q,K,V,O factorizadas
+- `ZFactorizedTransformerBlock`: Bloque Transformer completo factorizado
+
+#### Motor de Entrenamiento
+- `ZTrainEngine`: Orquestador principal del entrenamiento
+  - Conversion automatica de nn.Linear a ZFactorizedLinear
+  - Early stopping con restauracion del mejor modelo
+  - Sistema de callbacks para monitoreo
+  - Soporte AMP (mixed precision) en GPU
+  - Guardado y carga de checkpoints
+
+#### Optimizer
+- `ZCompressedAdam`: Adam con estados comprimidos INT8
+  - Compresion periodica de momentos (m, v)
+  - 75% de ahorro en memoria del optimizer
+  - Estadisticas de uso de memoria
+
+#### Compresion de Gradientes
+- `ZGradientCompressor`: Multiples estrategias
+  - TOP_K: Mantener top-K gradientes por magnitud
+  - 1-BIT: SignSGD con escalado por media
+  - INT8: Cuantizacion INT8 con reconstruccion
+  - SVD: Compresion de bajo rango para gradientes matriciales
+  - Error feedback para convergencia garantizada
+
+#### Entrenamiento Progresivo
+- `ZRankScheduler`: 5 estrategias de crecimiento de rango
+  - CONSTANT, LINEAR, EXPONENTIAL, COSINE, ADAPTIVE
+  - Crecimiento adaptativo basado en convergencia del loss
+
+#### Activation Checkpointing
+- `ZActivationCheckpoint`: Checkpointing comprimido via MNEME/INT8
+  - Compresion durante forward, descompresion durante backward
+  - Fallback INT8 cuando MNEME no esta disponible
+- `z_checkpoint()`: Wrapper conveniente para checkpointing
+
+#### Utilidades
+- `factorize_existing_model()`: Conversion de modelos existentes
+- `estimate_memory_savings()`: Estimacion sin modificar el modelo
+
+#### Infraestructura
+- Estructura modular (7 modulos especializados)
+- pyproject.toml con configuracion completa de herramientas
+- Suite de tests con cobertura >85%
+- CI/CD con GitHub Actions (quality, tests, security, build)
+- Documentacion completa (README, CHANGELOG, CONTRIBUTING)
+- Ejemplos de uso (basico, transformer, estimacion)
+
+### Integracion con MNEME
+- Compresion avanzada de activaciones via ZSpace
+- Fallback automatico a INT8 sin MNEME
+- Compatibilidad con MNEME v2.0+

mztrain-1.3.0/CLA.md

@@ -0,0 +1,33 @@
+# Contribuciones a MZTrain
+
+MZTrain se distribuye bajo la licencia **MIT** (ver [`LICENSE`](LICENSE)). Las
+contribuciones siguen el modelo estándar de los proyectos MIT: **inbound =
+outbound**. No se exige cesión de copyright.
+
+## Términos
+
+1. **Licencia (inbound = outbound).** Al enviar una contribución (Pull Request,
+   parche, documentación, test, benchmark, etc.), aceptas que se licencie bajo la
+   **misma licencia MIT** del proyecto. Conservas el copyright de tu contribución;
+   MIT permite que el proyecto y terceros la usen, modifiquen y redistribuyan
+   conservando el aviso de copyright.
+
+2. **Origen (DCO).** Declaras que tienes derecho a aportar la contribución (es tuya
+   o tienes permiso para licenciarla bajo MIT). Lo certificas firmando tus commits
+   con el *Developer Certificate of Origin*:
+
+   ```bash
+   git commit -s -m "feat: ..."
+   ```
+
+   que añade la línea `Signed-off-by: Nombre <email>` (ver https://developercertificate.org/).
+
+3. **Sin garantía.** La contribución se aporta "tal cual", conforme a la cláusula de
+   ausencia de garantía de la licencia MIT.
+
+4. **Atribución.** Se te acreditará en el historial de commits y, cuando
+   corresponda, en las notas de versión.
+
+No necesitas firmar ningún documento aparte: abrir un Pull Request con tus commits
+firmados (`-s`) implica la aceptación de estos términos. Ver también
+[`CONTRIBUTING.md`](CONTRIBUTING.md).

mztrain-1.3.0/CODEOWNERS

@@ -0,0 +1,47 @@
+# CODEOWNERS — MZTrain
+#
+# Cada cambio sobre los ficheros listados requiere revisión por sus
+# propietarios. Este fichero se interpreta por GitHub conforme a la
+# sintaxis oficial: https://docs.github.com/articles/about-code-owners
+#
+# Co-titularidad: ambos autores son revisores obligatorios sobre el
+# código central y los documentos legales.
+
+# Por defecto, todo el repositorio
+*                           @esraderey @raulcruzacosta
+
+# Documentos legales y sellos (modificación requiere ambas firmas)
+/LICENSE                    @esraderey @raulcruzacosta
+/AUTHORSHIP.md              @esraderey @raulcruzacosta
+/NOTICE.md                  @esraderey @raulcruzacosta
+/PRIOR_ART.md               @esraderey @raulcruzacosta
+/CLA.md                     @esraderey @raulcruzacosta
+/TRADEMARK.md               @esraderey @raulcruzacosta
+/SECURITY.md                @esraderey @raulcruzacosta
+/MANIFEST.sha256            @esraderey @raulcruzacosta
+/SEAL.json                  @esraderey @raulcruzacosta
+/scripts/seal.py            @esraderey @raulcruzacosta
+
+# Núcleo: motor de entrenamiento e innovaciones reivindicadas
+/src/mztrain/engine.py            @esraderey @raulcruzacosta
+/src/mztrain/elastic_rank.py      @esraderey @raulcruzacosta
+/src/mztrain/vram_governor.py     @esraderey @raulcruzacosta
+/src/mztrain/layers.py            @esraderey @raulcruzacosta
+/src/mztrain/optimizer.py         @esraderey @raulcruzacosta
+/src/mztrain/gradient.py          @esraderey @raulcruzacosta
+/src/mztrain/scheduler.py         @esraderey @raulcruzacosta
+/src/mztrain/checkpoint.py        @esraderey @raulcruzacosta
+/src/mztrain/refactorize.py       @esraderey @raulcruzacosta
+/src/mztrain/precision.py         @esraderey @raulcruzacosta
+/src/mztrain/projector.py         @esraderey @raulcruzacosta
+
+# Benchmarks (cambios alteran las reivindicaciones empíricas)
+/bench/                     @esraderey @raulcruzacosta
+
+# Tests (regresiones obligan a doble revisión)
+/tests/                     @esraderey @raulcruzacosta
+
+# CI / build (cambios pueden alterar la cadena de custodia)
+/.github/                   @esraderey @raulcruzacosta
+/pyproject.toml             @esraderey @raulcruzacosta
+/setup.py                   @esraderey @raulcruzacosta

mztrain-1.3.0/CONTRIBUTING.md

@@ -0,0 +1,134 @@
+# Guia de Contribucion - MZTrain
+
+Gracias por tu interes en contribuir a MZTrain. Esta guia te ayudara a comenzar.
+
+## Configuracion del Entorno
+
+### Requisitos Previos
+- Python 3.8+
+- PyTorch 2.0+
+- Git
+
+### Instalacion para Desarrollo
+
+```bash
+git clone https://github.com/esraderey/mztrain.git
+cd mztrain
+python -m venv venv
+source venv/bin/activate  # Linux/Mac
+# venv\Scripts\activate   # Windows
+pip install -e ".[dev]"
+```
+
+## Flujo de Trabajo
+
+### 1. Crear una rama
+
+```bash
+git checkout -b feature/mi-nueva-funcionalidad
+```
+
+### 2. Hacer cambios
+
+- Seguir el estilo de codigo existente
+- Agregar tests para nueva funcionalidad
+- Actualizar documentacion si es necesario
+
+### 3. Ejecutar tests
+
+```bash
+# Tests completos
+pytest tests/ -v
+
+# Con cobertura
+pytest tests/ -v --cov=src/mztrain --cov-report=html
+
+# Tests rapidos (sin GPU)
+pytest tests/ -v -m "not gpu and not slow"
+```
+
+### 4. Verificar calidad
+
+```bash
+# Formateo
+black src/ tests/ --line-length 127
+isort src/ tests/ --profile black --line-length 127
+
+# Linting
+flake8 src/mztrain/ --max-line-length 127
+ruff check src/mztrain/
+
+# Type checking
+mypy src/mztrain/ --ignore-missing-imports
+```
+
+### 5. Commit y Pull Request
+
+```bash
+git add .
+git commit -m "feat: descripcion clara del cambio"
+git push origin feature/mi-nueva-funcionalidad
+```
+
+Luego crear un Pull Request en GitHub.
+
+## Estilo de Codigo
+
+- **Formato**: black con line-length=127
+- **Imports**: isort con profile=black
+- **Docstrings**: Estilo Google con tipos
+- **Nombres**: snake_case para funciones, PascalCase para clases
+- **Idioma**: Docstrings y comentarios en espanol (codigo en ingles)
+
+## Estructura de Tests
+
+```
+tests/
+├── conftest.py          # Fixtures compartidos
+├── test_config.py       # Tests de configuracion
+├── test_layers.py       # Tests de capas factorizadas
+├── test_optimizer.py    # Tests del optimizer
+├── test_gradient.py     # Tests de compresion de gradientes
+├── test_scheduler.py    # Tests del scheduler de rango
+├── test_engine.py       # Tests del motor de entrenamiento
+├── test_checkpoint.py   # Tests de activation checkpointing
+└── test_utils.py        # Tests de utilidades
+```
+
+## Convencion de Commits
+
+Usar [Conventional Commits](https://www.conventionalcommits.org/):
+
+- `feat:` Nueva funcionalidad
+- `fix:` Correccion de bug
+- `docs:` Documentacion
+- `test:` Tests
+- `refactor:` Refactorizacion
+- `perf:` Mejora de rendimiento
+- `ci:` Cambios en CI/CD
+
+## Reporte de Bugs
+
+Al reportar un bug, incluir:
+
+1. Version de MZTrain, Python y PyTorch
+2. Sistema operativo
+3. Pasos para reproducir
+4. Comportamiento esperado vs actual
+5. Logs o mensajes de error
+
+## Solicitud de Funcionalidades
+
+Al solicitar una funcionalidad:
+
+1. Describir el caso de uso
+2. Proponer una API tentativa
+3. Considerar impacto en rendimiento y memoria
+
+## Licencia
+
+MZTrain se distribuye bajo la licencia **MIT**. Al contribuir, aceptas que tus
+contribuciones se licencien bajo los mismos términos (inbound = outbound). No se
+exige cesión de copyright: conservas la autoría de tu contribución. Basta con
+firmar tus commits (`git commit -s`, Developer Certificate of Origin) para
+declarar que tienes derecho a aportarla.

mztrain-1.3.0/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2025-2026 MSC Star Team (Esraderey, Raúl Cruz Acosta)
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

mztrain-1.3.0/MANIFEST.in

@@ -0,0 +1,20 @@
+include LICENSE
+include README.md
+include CHANGELOG.md
+include CONTRIBUTING.md
+include AUTHORSHIP.md
+include NOTICE.md
+include PRIOR_ART.md
+include CLA.md
+include TRADEMARK.md
+include SECURITY.md
+include CODEOWNERS
+include MANIFEST.sha256
+include SEAL.json
+include requirements.txt
+include pyproject.toml
+include scripts/seal.py
+recursive-include src/mztrain *.py
+recursive-include tests *.py
+recursive-include examples *.py
+recursive-include docs *.md

mztrain-1.3.0/MANIFEST.sha256

@@ -0,0 +1,133 @@
+# MZTrain MANIFEST.sha256
+# (c) 2025-2026 MSC Star Team. Distribuido bajo licencia MIT.
+# generated_at_utc = 2026-08-14T06:57:45Z
+# merkle_root_sha256 = 96a43924c9d23f3b1dd589840c7f8151d5c67277d99b3dafaa5c42983a2d2886
+# file_count = 124
+#
+# Verificacion: python scripts/seal.py verify
+# (o, en Linux/macOS: sha256sum -c MANIFEST.sha256)
+
+77612fee7731197177a01e6502b15a30598c07acbc165d276201751df5f8b961  .claude/settings.local.json
+1fbf938299511566feb7610a4d998fa099afea4c74b297453c4d0581354c996f  .github/PULL_REQUEST_TEMPLATE.md
+a67acaeb496c342d98510db42ba61940a90d2dd021c5f5c9f5312bac4b88cee0  .github/SECURITY.md
+78b8d52b6c9f8756374cbfed9737d9d3af203a56331a9d15c6e1b554da8f1ea3  .github/dependabot.yml
+e59120cb0709b208d5e51159941215a34e678dc400fac8c74c9b786666218cc8  .github/workflows/ci.yml
+1d38479a49f71164f2f373ba34cec870bea3fa70f47194d47b21778a61781f2f  .github/workflows/security.yml
+da3b48a392e525b010516c6d2bf74c2704f8663080fd421d7799209956d24e63  .gitignore
+24b2f7aef45b9633480520862762b141ea61f3ad296a1c04047392df3e694362  AUTHORSHIP.md
+1a1bb10850d994702ef1de4602c3b3aca865852a6e1956a3b2261bd952b597d3  CHANGELOG.md
+0d7c0290a507f05c129512b1059e9f6b9da6f8f6afb6db413dca5d1446ae6475  CLA.md
+392eb9465d9853124a6ed30a5bbd62c202ef1ad30dcd62c11ca513e2a7e0fa7c  CODEOWNERS
+4a7ce364d2d21ce6dd96ffd002e4decfcd796a77562bf5695f35478f1b024cb4  CONTRIBUTING.md
+75b2ca138408117d72b4dc4244e899b570fb5e620163a1a1fda3e9d2edf92a1c  LICENSE
+944d09d44a8106719567caca0cf5288771f135498068edde376531d6508dbbbd  MANIFEST.in
+9bccd79331721a38d4ca7cc20802482795e590322865539740fd83e219e1b632  NOTICE.md
+f211195556973ae50db7d90dee218b225192f2a9b80cf7b3bdaeb5e0590ab17d  PRIOR_ART.md
+79730481103348b57b23d224334534b288bb213b47908d4ef70e76e42d37e60b  README.md
+0d605e5b3e7c0d0fdc42815ee922bdecd203a91421b5542a5b1cfecb3cab8c03  SECURITY.md
+f5ad5991eecb7aa599582e46d3bff99de219e65e36cfc6e1dd800c48357af4f4  TRADEMARK.md
+fa09b94812636ea26da7bbc2eac7bf565d3b27e541504ef0a86dcd7f8ee5f1c0  analysis_full.py
+a6bf63f145f3d75f86c60084a83df71e289ae6ca058e98074b9d19043d545cad  bench/__init__.py
+5992a432c8ea53c99f49ff8f16528207dadf4a287456d46f731cfad740c2bab4  bench/compare.py
+3fbe566654cecbe33265ca9a1bab98969aad18ddf515d5869cfd0195564ae36a  bench/elastic_bench.py
+f7eb159aff54ad9b441e7d1b42b2e9ef16da3a7311f9e0039b25e9a5c39cd0bb  bench/elastic_bench_guard.py
+205a28f03c83647ccc8146f32832660dfc657d7bf2083f2c1cf99f4e8340486e  bench/elastic_bench_real.py
+12fc53df0cb2764b51e3abf363f632a2bf10b143a6ff628e29400d3ae531d918  bench/governor_gpu_check.py
+ce12f49bed9c54e04270ad4718e3a59f7454144bc0be00c3de4480bfd0d21b39  bench/results/elastic_bench.json
+8f72478daa2e834f7bd218f591ef5b985aeab7c0c0cda4e8c4ddd9744758cc63  bench/results/elastic_bench_from_scratch.json
+083941d99313004b5130cb809fb0442dc54e77fcde4296e8884bbfa0b66b93a9  bench/results/elastic_bench_guard.json
+edcaa15841af9c71a8351a5823a612fff27c38d30acc8b4334f4e3b52894f84c  bench/results/elastic_bench_lowrank_init.json
+443dd274d7090af44c79c405f696d095e23948cafd058e8187eebe4698a44ca0  bench/results/elastic_bench_real.json
+b680dbfac2f17c67f16ca0d6e246a33d2708b1ad3e5cf4aa1c59366751aaef2f  bench/results/fixed.json
+551396120773ca5a0b410b6ec02a3160830731bc9b33db5086307f5ee1180d51  bench/results/fixed_v2.json
+4e8bd0b73fc6c4f221cbc3753cae06837bc25e59d74618a071ae250412607038  bench/results/fp8.json
+fbf33291974ee2d739349889f8a4f8825dafd799d37beba8f718f32feb0c886d  bench/results/loss_sensitivity.json
+3b0274b6303711268dbb7b3e656f9d7903f60ffdfe9e68b16d9a995b2dfe624d  bench/results/loss_sensitivity_zcodebert.json
+5968d9e31e78b95456934790fc68c4f48182b5ce14da630e2ab05d4487b3c67c  bench/results/smoke.json
+5cec4904064be870074ea088e7c465e598ceb9a4f336a1d827a3bd95a7d58798  bench/results/test_zcoder_410m_full.json
+1169f73a8439ae2e98a578b61da70c60c7f76e6f2592a542e15c88f74ae9f552  bench/run.py
+536c48e2a0ce44c7c6cc0fb009238f7010dff0bbbfb2c644e51bd2bd2b3f2215  bench/task.py
+15073734551fad94a5ac834a9f45c9cec4eda378864a21fcbaa7b52ddef09598  docs/ARCHITECTURE.md
+2eacacbf0a00304aa8c45dbb1b41478e00ac88644913f10bb5003fb445b770aa  docs/COMPARATIVE_TABLES.md
+7759c789a905c3a5ebad06eef01cba37158b5fe387c961b300efcb1deed9559b  docs/DCI_PAPER.md
+8fa713e08871a13d9b95b524576e3b267b9f52636f700f04489941bafcf43020  docs/FASE3_SESSION_BRIEF.md
+c1e44bede3a63465f32fa37af70c3a672e0d4197ea9c92e852b8eac6508b40cb  docs/FASE4_SESSION_BRIEF.md
+a8f52b7120f7afa3a7c9ba60adecaa608884990a842c6de18f93362f04c80ed2  docs/SPEC-elasticshape-v1.md
+3fa668eeed5902be3defb40db1ee6d0d6b6b24fb40be652d72e4762a7a122367  docs/ZTRAIN_EVOLUTION_PLAN.md
+b76626b3091b404a47979a62477e81eeb1ecf140bd794bfae19fff5bb3fdaabb  docs/evidencia/PERITAJE-MATEMATICO-mztrain.md
+64144419fa7f22333487efefa90e8a08b13f35b6d7922ea742e38eded968c593  docs/evidencia/PREREGISTRO-T4-barrido-escala.md
+5c459fa3b8d616187b19922237d8117ef135d5d3a8079bd7cad2dffa15ce0a7e  docs/evidencia/PREREGISTRO-T6-core.md
+0c50604f7819150571f486c4479af5d7a4899e6ee31b22d5aba1d8d0442ed58e  docs/evidencia/PREREGISTRO-T7-dinamica.md
+2512a999e7b6a7848ef6a724669d175d810e183b6b9c5083be11569d5e4f95a5  docs/evidencia/PREREGISTRO-T8-morph.md
+1a19bd41c064a91723777e22089d0478d21a4a79a7d5ec4e07d1e843f0787093  docs/evidencia/T4-VEREDICTO.md
+369ac079c97dd7a12a1e22858fa0ed4a401af5a26622ca97a13043c7549a3c4b  docs/evidencia/T6-VEREDICTO.md
+f76d2102f3e957a183ed9917390652512df63418d7520072b0216af67a42180f  docs/evidencia/T7-VEREDICTO.md
+b66e8cdc88078cb27f4b24bc656ee44b8b11e0fb5a767202100a3d6d56ba5473  docs/evidencia/T8-VEREDICTO.md
+23fa2c83223398a8a4205c06a2eff3a67c1b4205465ae3e924ef90e5025fb0ab  docs/evidencia/t4_results.json
+274e012c53958848176e1abea16205de83c60241d1a57018b8322bf8fb4020fc  docs/evidencia/t5_capacity.json
+c264c505df753680510c3151a854926024b076048ac5c94c8c17b70b84cab3af  docs/evidencia/t6_results.json
+c6a8464ddbeaf61398be1ee3e63c5ca4b081d92013ddcf8933208835d6de094b  docs/evidencia/t7_results.json
+3b0ecee1106be806ff25f3d2862f8ea63d6da49da40dab79ab885fcfa54cc927  docs/evidencia/t8_results.json
+e75bf6dd78b982d931d9494859ecd8b126df1979d6b6b817c6e67d9f02fce9c3  examples/example_basic.py
+5147d6744e92a219b2f70cbc1f8ab3a46c2df9ad13663878dd5b847b4d0599f9  examples/example_memory_estimation.py
+bea104475cbf58924607a133ac3823f789952453d8f8496e09437ebbaabe2863  examples/example_transformer.py
+d65fee310d60492c23cec223be6dcc28ae872c95a2e6ca418b67bdc4044931a7  examples/example_zcodebert.py
+069ce4f4e433a685790a90c0e312395cba79042572f03c83c9fcbc1405aefcb5  generate_game.py
+1f88e68e467f711bef13c4587e715323fd3bc996c42f993816ff0bf65a56ca90  pyproject.toml
+96eb4796df2ca30056b7cc5249c30009ffdee79bfaffe3a5d8a1eabbed3348b8  requirements.txt
+981611798b396983db324cf8cabb6c9e76db8aab00c7885e7edd3a058a71cd38  scripts/calc_gpu_params_equiv.py
+f69c0d19e8ed35ed28299381bb33fd3b849290a7f42e3e99da46842e7af2b4f3  scripts/seal.py
+0273060ddbe06b3b72799684fd512fadf59964e291f8cd8b5e7e19cd89ee8435  scripts/test_zcoder_410m_full.py
+877eed8531948adf2ceea74fc73d62ec70004c9323180f6d23cc1863b9447c17  scripts/train_zcoder_1b.py
+27e4a440a3a0721bf403d9b670c6605315e8b62d011d84cf3d4d737d4f5b1c5c  setup.py
+56b5253ca36f749e2b669dbe9bc0c9ca95bf47bc662c6e974634b66d3508a20a  src/mztrain.egg-info/SOURCES.txt
+01ba4719c80b6fe911b091a7c05124b64eeece964e09c058ef8f9805daca546b  src/mztrain.egg-info/dependency_links.txt
+0b451cc4d8c256c7a7cabe6067cc60c7a5ad9f76aa66d50dcef6da598c0db741  src/mztrain.egg-info/requires.txt
+61d8983f41ebdc8a9e239c999fd422d1480193029d413b73103c3f710691a337  src/mztrain.egg-info/top_level.txt
+4ba428e26021a44701509ca71a8c297df4a3365ba086d28617369f88c02cbfb5  src/mztrain/__init__.py
+db3d866c55bcc3f3c6178bc0513e5c5e9ae7ff287a30c4bd5c9dcc67d347fc55  src/mztrain/adaptive_optimizer.py
+073632151c928f03724d7062ca818425ae9266a9bd9221c06d9e3f5929f50aa8  src/mztrain/checkpoint.py
+294034d155d45c521f6fb6dc769ae2dfed95247e2accdccb4eb2212a5448ec20  src/mztrain/config.py
+67e3e0b3a815ab1d8aee96371529dcf96bff1baa73050a1f54f86e4f50cb65ce  src/mztrain/data/__init__.py
+d7d42c2f9a7e13d7d4c4b9843c3d9f461a8cd77356d6703ac4b8bc4194393c47  src/mztrain/data/dataset.py
+ea86495d6a7d64bb28de2e5fdaa28de3c3a46422ca03b115cff372a8c8b45862  src/mztrain/data/tokenizer.py
+33cac5353116a8575495580830b6d4ee70482ef5c83d72ec5d02fca90d5c983d  src/mztrain/elastic_rank.py
+c46fdda857f5ca4c5f2ca7cba69081471e8484729eb7e2fcf1a3014bbcf18d92  src/mztrain/elastic_shape.py
+6a390237d36469ccc343eb1592c27717ce0777589d6247423f2c91980a4d4879  src/mztrain/engine.py
+642097361ddc0cb70137703063110974ede96d0dfce76e4d44c7cdcff52d266a  src/mztrain/gradient.py
+6e097616fde871a4bb3c6c5b84d47a26c398c38885f5945c836d1b7cc0cf2895  src/mztrain/layers.py
+5eead0a60fa721e17bceb86ecb757f0a76e0e925eb46d9084c96d150d1b45ab0  src/mztrain/models/__init__.py
+fdeeab48bdae73d5827690a01c00ddbc2142e482ec814ea9d8881ad418c0fe5c  src/mztrain/models/zcodebert.py
+328c6476ce180843ed66911b6369b1ab8cd9137ed88fe77117d9399fbd14312a  src/mztrain/optimizer.py
+56c1513db0bbb57496cb92cead7df51de2b6fd1b48f91af8dbd0df1669157438  src/mztrain/precision.py
+9ecf9967160442adf579b604499163816e2f5812e7faba354b2c9e9f50ba7c9d  src/mztrain/projector.py
+b38066947f5b483a0efddec941ce47c04765070762952b1faf79d60de510b064  src/mztrain/refactorize.py
+b4c329764698607be567f81e625bb997ff012eca03c8864667e56e8552d3d64d  src/mztrain/scheduler.py
+c3273caab5b4835069e0dfa857e52360e0c76a2ada46c2d65371818e175a339a  src/mztrain/shape_ops.py
+417eb9c49d018b85c7b92bb367663cac57b1f398162e5d4bb7e70032ef34166d  src/mztrain/utils.py
+9a94181064ba3cf751436077f0563321af110302df1bc93dd27effadedcb8d88  src/mztrain/vram_governor.py
+e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855  tests/__init__.py
+51831f9096b148448c7e1ff2ff18e7281123ec81067a4861100c93b5292baa3c  tests/conftest.py
+a4ecb8590d3500bc8b6a75a8c2ce7ed8f7c990c783ae13f513de61387bfef3e7  tests/test_bug_regressions.py
+790ec9eb0d82d35d41d8ceb3ccd46e937004e56c7186d79b92453a1f3efd6f0b  tests/test_checkpoint.py
+d13a23c07a2604bfb214e0f588dfb7f0942db15dbadd1a196c00079d474e2e80  tests/test_config.py
+1402cad17243b082289949ee39fbab120a31b0434a9426f1a5372bc55d9d31d0  tests/test_elastic_rank.py
+fd46d6542d824bd5137bb900ccb226fb2af50e06f5d84f5f071809ffff208593  tests/test_elastic_shape.py
+d648b6ad74506271161c77c939c3378adf98cd481cd7cce6376ccfbb5c9c8117  tests/test_engine.py
+0f490f5dfd9d92cf92f31e667f4b39c92e23e4d0412985e88896303210a98153  tests/test_gradient.py
+390e9ff5ca659e973eac9635f33d178a87418364dc3bdf3c77e7d01f4e39bc75  tests/test_layers.py
+83d0565b6c7ed8cf1abea72315b7eae8caf92810e6ba4348e520ed629836a4c7  tests/test_optimizer.py
+3d7f3072b1fec7f855a57f5ca6d7336777b825d43dd15db885f1f7b4468f6e3a  tests/test_peritaje_regresiones.py
+2f71a5365ea0e18248943c2cf7380f6f421e73afe7ede716a87a28627ef7be20  tests/test_scheduler.py
+e027d9313a983a0fe8e5d90d30468dd39296e3fc35db7386d17388cfe99d7957  tests/test_shape_ops.py
+632e2aadf8c23181096e996a6043edfa7ec57c942cc942f5a53671e72fd0427a  tests/test_utils.py
+9f5051dc76301f1760154639528393b596695581f99c367db75b2c3a937e17e5  tests/test_vram_governor.py
+2da837349e3428365e55817a93b9878bf63fc62fb0e7e0e1c10182347b0af7c1  tests/test_zcodebert.py
+69ddc6a3620739379eac16fcf4722c1b2dddbbd0404d176600f20a6d6f881395  train_html_games.py
+7497bddec0431743fbb5d84ce58d5a7abf3196967d8f2f36500c15e2a03f6598  zcodebert_completion_benchmark.json
+6ddc194eef2848bf37e442ae2fb23e723c9ca91e531a98b959251243a7409967  zcoder_1b_500_watch_metrics.json
+98e7d9f7a619ab6781a53aa3e4e89ea01b2b740d79f43f5bf651bef2a90b407f  zcoder_1b_50_reset_speed_metrics.json
+974d596417bac3357d0804771f2dd43202c0295b3a9d6bd243a050d60b4a0937  zcoder_1b_dryrun_metrics.json
+ff3267aaed41b9321b05e9a619478caee630ccf86150db92b1b17c70f0e8affd  zcoder_1b_mztrain_mneme_metrics.json
+53e4184ad85152cf4a03a762642bcb7db98862f6094fa0bb8f961f14194c3868  zcoder_1b_speedtest_metrics.json
+43bb02a63393b7b6582fc1a045b0616184d25c12ea1217ff4754872fe30eb278  zcoder_1b_watch_test_metrics.json

mztrain-1.3.0/NOTICE.md

@@ -0,0 +1,63 @@
+# NOTICE — Avisos y atribuciones
+
+MZTrain — Motor de Entrenamiento en Espacio Comprimido
+© 2025-2026 MSC Star Team (Esraderey, Raúl Cruz Acosta).
+
+Este software se distribuye bajo la licencia **MIT** (ver [`LICENSE`](LICENSE)):
+permite uso, copia, modificación, redistribución y uso comercial, con la única
+condición de conservar el aviso de copyright y el texto de la licencia. La autoría
+se documenta en [`AUTHORSHIP.md`](AUTHORSHIP.md) y las invenciones, como prior art
+defensivo, en [`PRIOR_ART.md`](PRIOR_ART.md).
+
+## 1. Componentes de terceros
+
+MZTrain usa, sin incorporar su código fuente, las siguientes bibliotecas en
+tiempo de ejecución. Sus licencias permanecen aplicables a sus componentes:
+
+| Componente | Versión mínima | Licencia | Fuente |
+|------------|----------------|----------|--------|
+| PyTorch | ≥ 2.0 | BSD-3-Clause | https://github.com/pytorch/pytorch |
+| NumPy | ≥ 1.21 | BSD-3-Clause | https://numpy.org/ |
+| cryptography (opcional, firma del sello) | ≥ 41 | Apache-2.0 / BSD | https://github.com/pyca/cryptography |
+| MNEME (opcional) | ≥ 2.0 | Ver licencia MNEME | https://github.com/esraderey/MNEME---Motor-de-Memoria-Neural-M-rfica |
+
+Estos componentes no se redistribuyen como parte de MZTrain; se referencian por
+dependencia. Los avisos de copyright de terceros son obligatorios cuando se
+redistribuyan sus binarios.
+
+## 2. Benchmarks y checkpoints
+
+Los benchmarks, métricas y resultados en `bench/` y `docs/` se distribuyen bajo la
+misma licencia MIT que el código.
+
+Los checkpoints binarios (`zcodebert_*.pt`, `zcoder_1b_*.pt`) son modelos
+entrenados por los autores. Los **pesos** pueden estar sujetos a términos propios
+(dependen de los datos de entrenamiento) y no forman parte del código MIT; consulte
+con los autores antes de asumir su licencia.
+
+## 3. Marcas
+
+"MZTrain", "ElasticRank", "VRAM Governor", "Loss-Guard" y los nombres de
+componentes (`ZTrainEngine`, etc.) son marcas de MSC Star Team. La licencia MIT
+cubre el **código**, no las **marcas**: su uso se rige por
+[`TRADEMARK.md`](TRADEMARK.md). Las marcas de terceros (PyTorch, NumPy, NVIDIA,
+CUDA) pertenecen a sus titulares y se mencionan con fines descriptivos.
+
+## 4. Verificación de integridad (opcional)
+
+La versión se acompaña de un sello criptográfico para **comprobar integridad**
+(que los archivos no han sido alterados), no como restricción de uso:
+
+- `MANIFEST.sha256` — hashes SHA-256 por archivo.
+- `SEAL.json` — doble hash (SHA-256 + SHA-512), raíz de Merkle, timestamp y firma
+  Ed25519 opcional.
+
+```bash
+python scripts/seal.py verify
+```
+
+## 5. Contacto
+
+- Cuestiones sobre el proyecto o las marcas: msc.framework@gmail.com
+- Seguridad: ver [`SECURITY.md`](SECURITY.md)
+- Contribuciones: ver [`CONTRIBUTING.md`](CONTRIBUTING.md)