Anclar las rutas de .gitignore al raíz del repo

Un patrón sin "/" inicial en .gitignore matchea cualquier directorio con ese
nombre en cualquier nivel. "data/" y "runs/" estaban excluyendo, además de lo
que se quería:

  enlace/data/     los cargadores de datos (ByteStream, ShardStream)
  configs/data/    corpus.yaml, smoke.yaml, distill.yaml
  configs/runs/    todos los configs ejecutables

Es decir que el repo commiteado no contenía ni la capa de datos ni un solo
config con el que arrancar un entrenamiento. Como scripts/remote.sh sincroniza
por git push/pull, el servidor habría recibido un paquete que falla al
importar, y el síntoma habría aparecido recién allá.

Se anclan las cuatro rutas con "/" inicial y se documenta el porqué en el
propio archivo.

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

configs/data/corpus.yaml

@@ -0,0 +1,5 @@
+# Corpus tokenizado en shards uint16 (Etapa 1 del plan).
+# Los shards viven en el servidor; nunca se descargan enteros.
+source: shards
+shards_dir: data/shards
+val_fraction: 0.005

configs/data/distill.yaml

@@ -0,0 +1,36 @@
+# Generación de datos sintéticos con la Batch API (Etapa 3 del plan).
+#
+# Se usa la Batch API y no llamadas sueltas porque cuesta la mitad y generar un
+# dataset no es sensible a la latencia. A cambio el trabajo es asincrónico y
+# puede tardar horas: el estado vive en disco y es reanudable.
+#
+# Esto NO hace falta para entrenar ni para correr ENLACE. Solo se usa al armar
+# el dataset SFT, y solo para la parte difícil: identidad y casos límite. El
+# grueso sale de plantillas (cero modelo) y de un 7-8B local en la 2060.
+
+model: claude-opus-5
+
+# En este modelo el pensamiento está activo por defecto y max_tokens acota
+# pensamiento + respuesta juntos: sin holgura la salida se corta a la mitad.
+# 8000 alcanza de sobra para ejemplos de SFT, que son cortos.
+max_tokens: 8000
+
+# Generar parafraseos y ejemplos etiquetados no es trabajo intensivo en
+# razonamiento. `low` baja el costo bastante sin perder calidad acá; subilo a
+# `medium` para el set de identidad, que sí exige coherencia fina.
+effort: low
+
+# Tope de la API: 100.000 pedidos o 256 MB por lote. Se parte bien por debajo
+# para no depender de que una request HTTP enorme llegue entera.
+requests_per_batch: 10000
+
+poll_interval_seconds: 60
+max_wait_hours: 26      # la API promete < 24 h; el resto es red de seguridad
+
+output_dir: data/distill
+
+# Solo para el reporte de costo estimado. Los precios reales los factura
+# Anthropic; esto sirve para saber en qué orden de magnitud estamos.
+usd_per_mtok_input: 5.0
+usd_per_mtok_output: 25.0
+batch_discount: 0.5

configs/data/smoke.yaml

@@ -0,0 +1,5 @@
+# Texto plano en español para el smoke test a nivel de caracteres.
+# El vocabulario se deriva del propio texto al cargarlo.
+source: chars
+text_path: data/smoke/texto.txt
+val_fraction: 0.05

configs/runs/pretrain-2060.yaml

@@ -0,0 +1,7 @@
+# Pretraining real del modelo base en la RTX 2060 (Etapa 2 del plan).
+# ~1-2 días de cómputo. Correr siempre bajo tmux: ver scripts/remote.sh.
+include:
+  hardware: hardware/turing-2060.yaml
+  model: model/tiny-50m.yaml
+  train: train/pretrain.yaml
+  data: data/corpus.yaml

configs/runs/smoke-2060.yaml

@@ -0,0 +1,13 @@
+# Smoke test de la Etapa 0 en el servidor con la RTX 2060.
+# Criterio: loss < 1.5 y texto legible en menos de 15 minutos.
+include:
+  hardware: hardware/turing-2060.yaml
+  model: model/char-smoke.yaml
+  train: train/smoke.yaml
+  data: data/smoke.yaml
+
+# El modelo char es diminuto: en la 2060 entra un micro-lote grande sin
+# acumulación. Sobrescribe el perfil de la placa solo en lo que corresponde.
+hardware:
+  micro_batch_size: 64
+  grad_accum_steps: 1

configs/runs/smoke-cpu.yaml

@@ -0,0 +1,21 @@
+# Smoke test en CPU — para verificar el código en la máquina de trabajo,
+# que no tiene GPU. No entrena nada útil: comprueba que el stack funciona.
+include:
+  hardware: hardware/cpu.yaml
+  model: model/char-smoke.yaml
+  train: train/smoke.yaml
+  data: data/smoke.yaml
+
+train:
+  run_name: smoke-cpu
+  max_steps: 300
+  schedule:
+    kind: wsd
+    warmup_steps: 30
+    decay_steps: 60
+    min_lr_ratio: 0.0
+  log_every: 20
+  eval_every: 100
+  eval_batches: 5
+  checkpoint_every: 150
+  sample_every: 150