Etapa 0: entorno, configuración validada, modelo y entrenador

Base del proyecto ENLACE: un modelo de lenguaje propio entrenado desde cero,
en español, para asistencia general y familiar. El plan completo está en
docs/PLAN.md.

Esta etapa establece el andamiaje y lo verifica de punta a punta:

- Configuración por capas (hardware × model × train × data) validada con
  pydantic. Ningún hiperparámetro vive en el código y una config inválida
  falla al arrancar, no a las tres horas de entrenamiento.
- Perfiles de hardware que aíslan el salto de GPU: la RTX 2060 (Turing) no
  soporta bfloat16 ni FlashAttention-2, así que entrena en float16 con
  GradScaler y backend mem_efficient; el perfil de la 5090 ya está escrito.
  backends.py valida el perfil contra la GPU real antes de empezar.
- Transformer decoder-only estilo Llama: RMSNorm, SwiGLU, RoPE, GQA,
  embeddings atados, QK-norm y z-loss. Los dos últimos son lo que mantiene
  estable el entrenamiento en float16.
- Entrenador con schedule WSD, acumulación de gradiente, precisión mixta,
  checkpointing atómico y reanudación exacta.
- Cargadores de datos con estado serializable: bytes para el smoke test y
  shards uint16 para el corpus real.

48 tests, entre ellos el crítico: reanudar desde un checkpoint reproduce los
pesos de una corrida ininterrumpida, parámetro por parámetro.

Verificado en CPU: 300 pasos sobre texto en español, loss 3.07 -> 1.63.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

configs/model/tiny-50m.yaml

@@ -0,0 +1,30 @@
+# ~50M parámetros. Primer modelo real, pensado para la 2060.
+#
+# Con vocab 32k y d_model 512, la tabla de embeddings sola son 16.7M
+# parámetros: atarla con la capa de salida (tie_embeddings) ahorra un tercio
+# del modelo. En modelos chicos esa decisión no es un detalle.
+#
+# seq_len 2048 y no 1024: el contexto recuperado de las bases del sistema se
+# inyecta ahí, así que el presupuesto de contexto es un recurso de primer orden.
+name: tiny-50m
+vocab_size: 32768
+n_layer: 12
+n_head: 8
+n_kv_head: 2      # GQA 4:1 — reduce la caché KV sin costo medible de calidad
+d_model: 512
+seq_len: 2048
+
+ffn_mult: 2.6667  # 8/3, el habitual para SwiGLU (tres matrices en vez de dos)
+ffn_multiple_of: 64
+
+rope_theta: 10000.0
+norm_eps: 1.0e-5
+tie_embeddings: true
+
+# qk_norm y z_loss no son opcionales entrenando en float16 en la 2060:
+# son lo que evita que el loss explote a mitad de corrida.
+qk_norm: true
+z_loss_weight: 1.0e-4
+
+dropout: 0.0      # con 3B tokens y 50M params no hay sobreajuste que combatir
+init_std: 0.02