Un formato con un selector de fidelidad
Un único paquete, servido con la fidelidad que permite el hardware.
- CompactoGPU edge
- EquilibradoClústeres
- Bit a bit exactoServidores con mucha memoria
Fase de laboratorio · Benidorm, España · Fundada en 2026
La capa verificable entre los modelos de IA y el hardware.
SpiralThink desarrolla un formato de modelo y un runtime que convierten un modelo grande en una unidad verificable que se puede mover, fragmentar y servir en hardware heterogéneo —desde servidores heredados hasta las GPU actuales de centro de datos— con la prueba de que lo que se ejecuta es exactamente lo que se distribuyó.
01 Visión — hacia dónde vamos
Tesis · no es un resultado
Una estrella polar para cómo se almacenan, mueven y sirven los modelos grandes.
Esta es la tesis original de SpiralThink. Describe hacia dónde se dirige el trabajo, no lo que ya se ha demostrado. Los resultados medidos se recogen por separado en Hitos.
Una representación universal
Una representación geométrica universal de los pesos del modelo que permita la reconstrucción exacta, con ratios que crecen con la escala del modelo.
Modelos grandes en cualquier conjunto de máquinas
Modelos muy grandes servidos en las máquinas disponibles —dispositivos edge, servidores heredados, granjas de cómputo, nube— distribuidos como archivos en una red P2P, pero con verificación.
Un linaje que viaja casi gratis
Ajustes finos y modelos derivados distribuidos como recetas compactas y verificables, de modo que el linaje de un modelo viaje con él casi sin coste adicional.
Soberanía de cómputo para Europa
Aprovechar al máximo el hardware que Europa ya tiene y tendrá, entre fabricantes y generaciones, para que servir modelos grandes no dependa de un único tipo de máquina.
Eficiencia por token
Eficiencia medida en memoria y energía liberadas por token servido: una magnitud que se puede comprobar, no un titular.
Cómo leer esta sección: todo lo anterior es aspiracional. Las cifras que publicamos en el resto del sitio llevan la etiqueta MEDIDO, DECIDIDO o PROYECTADO.
Esta sección es aspiracional y no describe resultados actuales. Ver el descargo de responsabilidad en el aviso legal.
02 Método
Un formato. Verificación integrada.
El mismo paquete de modelo se adapta a la máquina en la que se ejecuta y lleva consigo lo necesario para demostrar que está íntegro.
Verificación integrada
La integridad forma parte del formato, no es un añadido.
- Hash por tensor
- Raíz de Merkle por paquete
- Reconstrucción reproducible entre nodos
Los pesos permanecen comprimidos en la GPU
Durante la ejecución, los pesos permanecen comprimidos en la memoria de la GPU. Así, el mismo paquete puede servirse en máquinas con presupuestos de memoria muy distintos.
- AlmacenadoComprimido
- Transferido entre nodosComprimido
- Ejecutado en la GPUComprimido
Cada cifra indica su estado
Etiquetamos cada número que publicamos, para que siempre quede claro qué tipo de afirmación es.
- Medido
- Obtenido con modelos y hardware reales, y reproducible.
- Decidido
- Una decisión de diseño que hemos adoptado.
- Proyectado
- Una estimación u objetivo que aún no se ha medido.
Las tres nunca se mezclan en una misma cifra.
03 Hitos
Lo que se ha medido hasta ahora.
Un registro fechado de resultados. Cada entrada indica su estado.
-
Tesis inicial y preprint v0.9
La tesis de investigación se redacta como preprint v0.9 y es la base de nuestro trabajo de patente.
-
Versión de referencia v0.9.0 en PyPI
Builds firmados (sigstore) y 99% de cobertura de tests. Decodificador abierto (CC-BY) y codificador abierto (Apache-2.0).
-
Reconstrucción bit a bit exacta en modelos reales
156/156Verificada bloque a bloque en modelos reales. TinyLlama: 156 de 156 bloques.
-
Multiplataforma
P40 → H100Una sola compilación del kernel, desde NVIDIA Pascal (P40) hasta Hopper (H100).
-
Gemma-2-27B en H100
−0,25%Perplejidad un 0,25% menor (mejor) que bf16 nativo, en WikiText-2.
-
Multimodelo
117M – 27B4 familias de modelos, de 117M a 27B parámetros, sin datos de calibración.
-
Memoria
2,58 GBPico de 2,58 GB de memoria GPU en un benchmark aislado de capa de Gemma-27B, con los pesos comprimidos en la GPU (el modelo completo en bf16 necesita ~54 GB).
-
Kernels de producción en el runtime
Kernels de producción integrados en el runtime para Hopper y decodificación de un solo flujo.
-
Procedencia como receta verificable
121 KBUn GPT-2 ajustado distribuido como receta verificable de 121 KB (0,008 bits por peso). 50 de 50 tensores verificados frente a una raíz de Merkle.
Las cifras se refieren a los modelos, el hardware y los benchmarks concretos indicados en cada entrada.
Son mediciones de laboratorio, no compromisos de producto ni garantías de rendimiento. Ver el descargo de responsabilidad en el aviso legal.
04 Por qué ahora
Tres presiones convergen.
Compresión construida sobre protocolos verificables: eficiencia sin perder auditabilidad.
Inferencia más barata
Servir modelos grandes está limitado por la memoria y la energía. Aprovechar el hardware ya desplegado importa tanto como comprar hardware nuevo.
Soberanía de cómputo
Las organizaciones quieren ejecutar modelos en infraestructura que controlan, entre fabricantes y generaciones de hardware.
Trazabilidad en producción
Normativas como el Reglamento Europeo de IA elevan la exigencia de documentar qué modelo se ejecuta y dónde. El formato está diseñado para facilitar estos requisitos de trazabilidad y documentación.
Multiplataforma. Multimodelo. Multicapacidad.
No es otro agente: es la capa en la que se apoyan agentes, modelos y auditores.
05 Modelo · Cómo trabajamos
Abierto donde importa para la confianza. Bajo licencia donde importa para la industria.
Capas de referencia abiertas
El decodificador (CC-BY) y el codificador (Apache-2.0) de referencia son abiertos, para que cualquiera pueda verificar un paquete de forma independiente.
Codificador industrial y kernels de GPU
El codificador industrial y los kernels de GPU están disponibles bajo licencia.
Colaboradores
Estamos abiertos a socios de investigación, programas públicos de I+D y equipos que distribuyen o sirven modelos grandes.
Formas de colaborar
Colaboraciones selectivas y acotadas:
- Revisiones de arquitectura
- Due diligence técnica
- Integraciones piloto
06 Contacto
Hablemos.
Para colaboraciones de investigación, programas de I+D, revisiones técnicas o conversaciones sobre pilotos, escríbenos.
Correohello@spiralthink.com
LinkedInlinkedin.com/company/spiralthink
Datos de la empresa
SpiralThink, S.L.
NIF B66136813
Avda. Montbenidorm 6
03502 Benidorm (Alicante), España
SpiralThink, S.L.
NIF B66136813
Avda. Montbenidorm 6
03502 Benidorm (Alicante), España