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 · agentes CLI deterministas en un único flujo — un laboratorio full-stack de IA que publica investigación profunda como CLI y código abierto.
3 productos públicos + 1 próximamente: EulerForge (entrenamiento) · EulerStack (investigación de arquitecturas) · EulerNPU (FPGA NPU · v0.1.0) · EulerAgent (agente CLI determinista · próximamente).
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.
FPGA como prioridad. Con una sola especificación YAML la inferencia corre en silicio FPGA real, y el mismo flujo se extiende a ASIC como objetivo a largo plazo.
DS-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.
Agente local-first predecible gracias a una máquina de estados de 8 fases + puertas HITL (aprobación humana). Ejecuta LLMs abiertos en local.
Más informaciónCiclo de vida de 8 fases + nodos de aprobación HITL. El flujo de ejecución es reproducible mediante logs, y las fases sensibles solo avanzan tras aprobación humana.
Ejecuta LLMs abiertos como Qwen o Llama en local. Proporciona RAG · memoria a largo plazo (SQLite) · integración MCP como estándares.
Orquestadores Pattern/Graph + puertas shell deterministas sobre las que corre code.dev_loop.v2 — bucle de código → pruebas → autocorrección.
Preparando el lanzamiento oficial. Los tutoriales y la referencia CLI se añadirán en el momento de la publicación.
Sobre los 4 productos públicos (Forge · Stack · NPU · Agent) se sumarán pronto un motor de datos y una familia de aprendizaje del comportamiento 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.
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.
Para el bien público, para que más personas puedan compartirlo.
La IA debe evolucionar de forma que sus beneficios lleguen al conjunto de la sociedad, no solo a un puñado de grandes tecnológicas. La investigación y los productos de Eulerwa buscan contribuir a problemas públicos como la automatización industrial, la seguridad, la educación, la energía y la salud.
La infraestructura y las herramientas de IA no deberían concentrarse en unas pocas manos. Desde el entrenamiento y la investigación de arquitecturas hasta la pila de inferencia NPU sobre FPGA, publicamos todo el stack como código abierto para que empresas medianas, startups, laboratorios y desarrolladores individuales puedan acceder a la frontera de forma medible y reproducible.
Los resultados dependen de cómo se use la tecnología. Las herramientas de Eulerwa pueden aplicarse a una amplia gama de usos industriales; para aplicaciones de alto riesgo o críticas para la seguridad establecemos como principio explícito que deben acompañarse de juicio humano, auditoría transparente y cumplimiento de la legislación aplicable.
Sólido: actualmente público · Tenue: en preparación
Raíces profundas en matemáticas y física. Horizontes abiertos con el mundo.
Contactenos