# 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

# NOTA sobre el caché: el prompt de sistema compartido va marcado con
# cache_control, pero el mínimo cacheable de Opus 5 son 512 tokens. Un prompt
# más corto no se cachea y la marca no hace nada — sin error, en silencio.
# Verificalo con `distill usage`: si cache_read_input_tokens queda en 0 sobre
# un trabajo grande, alargá el prompt de sistema o asumí el costo completo.