Cuanto más profundo llegamos en matemáticas y física, más podemos compartir con el mundo.
Entrenamiento de LLM · investigación de nuevas arquitecturas · síntesis NPU sobre FPGA en un único flujo — un laboratorio full-stack de IA que publica investigación profunda como CLI y código abierto.
3 productos públicos: EulerForge (entrenamiento) · EulerStack (investigación de arquitecturas) · EulerNPU (FPGA NPU).
Sin GPUs costosas en la nube — entrena tu modelo actual con estructura MoE.
EulerForge ofrece un flujo estandarizado para convertir un modelo denso en uno entrenable con estilo MoE, de modo que los experimentos puedan expresarse en la configuración en lugar de en código de enlace.
mixture_lora / moe_expert_lora| Inyección | Dense LoRA · Mixture LoRA · MoE Expert LoRA · Native MoE Expert LoRA |
|---|---|
| Entrenamiento | SFT · DPO · ORPO · RM · PPO |
| Backbones | Qwen2/3 · Llama 2/3 · Gemma 3 · Gemma 4 (dense+MoE) · Mixtral |
| Entrenamiento cuantizado | nf4 / int4 / int8 (bitsandbytes) |
| Extras | HF Export · búsqueda grid/bayesiana con Optuna · benchmark integrado · CLI en 5 idiomas |
24 tutoriales KO/EN + referencia CLI completa incluida
Lenguaje declarativo que define la arquitectura LLM en una sola YAML. Más allá de un ensamblador, es un framework de investigación que permite ablacionar hipótesis de nuevas estructuras (cortical column · neural differentiation · tissue) sin cambiar una línea de código — explorando a nivel de arquitectura la emergencia temprana del razonamiento · aceleración de la abstracción · desarrollo independiente del conocimiento del mundo frente al razonamiento/abstracción, desplazando el centro de gravedad de la investigación frontier en LLMs desde la escala de capital hacia el diseño estructural.
Organizados según el "principio de orden industrial" de v1: industrial validado → híbridos / MoE recientes → primitivas experimentales v1. 24 llm_ (5 tamaños × 4–5 variantes, ahora con MLA) + 33 arch_ (beginner 2 · intermediate 3 · advanced 5 · expert 23, de los cuales 9 son *_mini). Puede declarar primitivas de Phase B — MLA, MoD, Titans, Dual-Stream — a arch-scale.
| Mixers | Attention · Mamba · RetNet · Hyena |
|---|---|
| FFN | MLP · Gated MLP (SwiGLU) · MoE (ruteo top-k) |
| Recorrido por nivel | beginner (GPT-2/Llama) · intermediate (Mistral/Gemma2/Qwen) · advanced (Jamba/Samba/RetNet) · expert (espacio de diseño 3D MoE × mixer × depth/receptive-field) |
| Objetivo de compilación | Directorio de modelo HuggingFace o configuración JSON |
Validación en tres etapas (esquema → compatibilidad cruzada → heurísticas de realismo) que detecta errores de diseño antes de compilar. Todos los mensajes del CLI están traducidos a 5 idiomas (ko/en/zh/ja/es). v0.1.5 añadió el escalado μP, los objetivos auxiliares de diferenciación y la declaración de órganos tissue como extensiones de spec compatibles hacia atrás (el YAML existente funciona sin cambios).
La capacidad de razonamiento aparece con menos datos. Probamos directamente la hipótesis de que la estructura es una función de la eficiencia de datos.
Abstracción y razonamiento no compiten en la misma capa. Inspirada en la jerarquía cortical, ambas capacidades crecen de forma independiente.
Si el conocimiento del mundo y las capacidades de razonamiento/abstracción pueden cultivarse por separado, el centro de gravedad de la investigación en LLMs pasa del capital al diseño.
Escribe un spec YAML y la inferencia corre en un chip FPGA real. Mismo flujo hasta la síntesis ASIC.
Ver masDS-CNN + GRU INT8 full-graph NPU IP. 11/11 precisión · 8.07× aceleración vs CPU (3.17 ms/inferencia).
Bloque FFN offloadeado al NPU (híbrido). Texto CPU↔NPU 5/5 idéntico bit a bit — FPGA tipo Zynq-7000 demostrando inferencia parcial de LLM.
spec → compile → bitstream → FPGA real — tres NPUs validados como un único flujo continuo.
Sobre los 3 productos públicos (Forge · Stack · NPU) se sumarán pronto una familia de datos, agentes y aprendizaje robótico.
Sistema de procesamiento de datos que cierra la brecha entre conjuntos crudos y el entrenamiento en producción. Perfilado con LLMs locales, generación automática de filtros por dominio, métricas PPL/MinHash, validación scale-down LoRA/MoE en 1 GPU, estimación de coste de GPU/nube e integración MLOps.
Agente local-first basado en una máquina de estados de 8 fases + aprobación HITL. Orquestadores Pattern/Graph, RAG, memoria a largo plazo (SQLite), integración MCP, más de 30 comandos CLI y un agente de codificación autorreparable (code.dev_loop.v2) sobre nodos de compuerta deterministas (shell).
Pipeline RL→IL que combina aprendizaje por imitación (IL) y aprendizaje por refuerzo FastTD3 (RL). Primeros dos dominios públicos = automóvil (EulerDrive, verificado en CARLA) · humanoide (EulerWalk, RL→IL loco-manip). Esquema unificado para 8 dominios y extensión por Domain Plugin.
Un laboratorio de IA full-stack que investiga y difunde tecnologías centrales de IA arraigadas en matemáticas, física y humanidades.
El nombre Eulerwa combina al matemático Leonhard Euler con el coreano "와 (wa)", que significa "con". Las dos mitades del nombre se corresponden exactamente con las dos palabras del lema.
Deep Roots — como Euler. Sin perseguir tendencias: ir a los fundamentos de matemáticas y física. Cada producto de Eulerwa se apoya en esa base.
Open Horizons — como 'wa (con)'. Como Euler compartió generosamente su conocimiento toda su vida, mantenemos nuestros resultados abiertos en open-source para que todos partan con la misma oportunidad. Y el horizonte hacia el que se dirigen esas tecnologías sigue ampliándose.
Construimos chips de inferencia con EulerNPU, estructura de inteligencia con EulerStack·Forge, aprendizaje de comportamiento físico con EulerAtlas, y orquestación autónoma con EulerAgent. Cada uno es un producto independiente, pero todos apuntan en una sola dirección — una inteligencia capaz de entender y cuidar por sí misma del mundo físico.
El primer destino es el océano. Junto con barcazas de suministro eléctrico, un compuesto autónomo que cubre superficie, subacuático y aire al mismo tiempo — recogida de residuos marinos, mapeo espaciotemporal de la distribución de peces y generación de planes de pesca, vigilancia de seguridad de navegación, acumulación de datos de ecología marina. Embarcaciones de superficie, sumergibles y vehículos aéreos operando como un único sistema inteligente para observar y cuidar el océano en tres dimensiones — esta es la primera aplicación física que Eulerwa está preparando.
Sobre la misma base técnica, la vista se extiende más lejos. La vigilancia y protección del entorno orbital cercano a la Tierra es, en esencia, el mismo problema que la vigilancia de la ecología marina de hoy. Navegar más profundo en el espacio exige otro nivel de autonomía y propulsión, pero no abandonar esa dirección es el plan a largo plazo de Eulerwa. Cuanto más profundas son las raíces, más lejos se ve el horizonte.
Acceda a publicaciones tecnicas especializadas y al ecosistema de codigo abierto.
Libros de investigacion en profundidad sobre computacion cuantica y arquitecturas de IA.
Herramientas comunitarias para procesamiento de datos y orquestacion de modelos.
La tecnologia existe para servir a la humanidad
Nos oponemos a la automatizacion militar de la inteligencia artificial. La tecnologia debe usarse para proteger la vida, no para arrebatarla — ningun logro tecnologico puede anteponerse a la seguridad humana.
La inteligencia artificial debe ser una herramienta que eleve la dignidad humana y fortalezca los valores democraticos. Nos oponemos a cualquier uso de la IA que suprima la libertad individual o socave los principios democraticos.
Todo software, modelo y servicio publicado por Eulerwa no puede utilizarse para fines que violen estos principios. Asumimos con seriedad la responsabilidad sobre como se utiliza nuestra tecnologia.
Sólido: actualmente público · Tenue: en preparación
Raíces profundas en matemáticas y física. Horizontes abiertos con el mundo.
Contactenos