menu
{ "item_title" : "Vertex-Core", "item_author" : [" Denis Sánchez Leyva "], "item_description" : "Lo entrenamos durante once horas. Todo salió perfecto. Y cuando le preguntamos cómo se llamaba, nos dio el nombre de otro.La loss había bajado casi un tercio. La memoria no se desbordó en ningún momento. Técnicamente era impecable. Pero de 3.278 ejemplos de entrenamiento, solo 45 le decían quién era, y el modelo nunca lo aprendió.Este libro cuenta cómo lo arreglamos. Y lo que se rompió cada vez que arreglamos algo.Qué vas a construirTu propio modelo de lenguaje, afinado con QLoRA sobre una base abierta y de licencia comercial (Qwen3-4B, Apache 2.0), exportado a GGUF y corriendo en Ollama y LM Studio en tu propia máquina. Sin nube, sin pagar por cada respuesta, sin que tus datos salgan de casa.Y no se queda en un chat. El modelo aprende a usar herramientas reales a través de MCP: escanea, consulta bases de vulnerabilidades y envía correos sin inventarse los resultados. Al final le pones un guardián contra la inyección de prompts que vigila todo lo que entra y todo lo que sale.Todo en una GTX 1660 Ti de 6 GB, una tarjeta de portátil de hace unos años. El código completo está en GitHub y el modelo terminado, publicado en Hugging Face para que lo descargues.Por qué este libro es distintoEs una bitácora, no un tutorial. Se escribió mientras se hacía, día a día, y no esconde nada: un entorno que tardó más de veinte intentos en arrancar, un bloqueo de seguridad de Windows a las cuatro de la mañana y diez versiones del modelo.Muestra el péndulo que nadie cuenta. Cada defecto que curas crea el contrario. Una versión no sabía quién era. La siguiente lo sabía, pero se inventaba funciones que no existen. La que dejó de inventar se negaba a escribir código. Este libro recorre las cuatro idas y vueltas que hicieron falta para llegar al equilibrio.Es honesto con los límites. Cuando pusimos el modelo frente a una máquina real de laboratorio, el sistema funcionó de maravilla, pero el modelo pasó por alto el hallazgo más obvio. El libro te dice por qué, y dónde está el techo de un modelo pequeño.Los datos son tuyos. No se entrena con respuestas de ChatGPT ni de nadie más. Aprenderás a construir el dataset con tu propio material, a limpiarlo y a pesar cada ingrediente.Lo que aprenderásMontar un entorno de entrenamiento estable en Windows, y leer un traceback para saber quién pide quéQLoRA explicado sin humo, y la trampa silenciosa de la memoria que multiplica por diez el tiempo de entrenamiento sin dar un solo errorPor qué la identidad tiene que quedar en los pesos y no en el system promptCómo evaluar un modelo con rigor, y cómo evaluar al evaluadorEnseñarle a decir no lo sé sin volverlo un cobardeFusionar, cuantizar a GGUF y publicar en Hugging Face con una ficha honestaTool calling con servidores MCP propiosUn proxy de seguridad contra la inyección de promptsPara quién esPara desarrolladores que quieren dejar de alquilar la inteligencia de otros y construir la suya. No necesitas un centro de datos ni ser experto en machine learning: los conceptos se explican cuando aparecen y hay un glosario al final. Sí ayuda saber programar y no tenerle miedo a la línea de comandos.Si tienes una GPU modesta, paciencia para iterar y ganas de entender cómo funciona esto por dentro, ya tienes todo lo necesario.", "item_img_path" : "https://covers1.booksamillion.com/covers/bam/9/79/817/841/9798178411056_b.jpg", "price_data" : { "retail_price" : "19.99", "online_price" : "19.99", "our_price" : "19.99", "club_price" : "19.99", "savings_pct" : "0", "savings_amt" : "0.00", "club_savings_pct" : "0", "club_savings_amt" : "0.00", "discount_pct" : "10", "store_price" : "" } }
Vertex-Core|Denis Sánchez Leyva

Vertex-Core : Afina tu propio LLM con una GPU de 6 GB

local_shippingShip to Me
In Stock.
FREE Shipping for Club Members help

Overview

Lo entrenamos durante once horas. Todo salió perfecto. Y cuando le preguntamos cómo se llamaba, nos dio el nombre de otro.

La loss había bajado casi un tercio. La memoria no se desbordó en ningún momento. Técnicamente era impecable. Pero de 3.278 ejemplos de entrenamiento, solo 45 le decían quién era, y el modelo nunca lo aprendió.


Este libro cuenta cómo lo arreglamos. Y lo que se rompió cada vez que arreglamos algo.


Qué vas a construir

Tu propio modelo de lenguaje, afinado con QLoRA sobre una base abierta y de licencia comercial (Qwen3-4B, Apache 2.0), exportado a GGUF y corriendo en Ollama y LM Studio en tu propia máquina. Sin nube, sin pagar por cada respuesta, sin que tus datos salgan de casa.


Y no se queda en un chat. El modelo aprende a usar herramientas reales a través de MCP: escanea, consulta bases de vulnerabilidades y envía correos sin inventarse los resultados. Al final le pones un guardián contra la inyección de prompts que vigila todo lo que entra y todo lo que sale.


Todo en una GTX 1660 Ti de 6 GB, una tarjeta de portátil de hace unos años. El código completo está en GitHub y el modelo terminado, publicado en Hugging Face para que lo descargues.


Por qué este libro es distinto

Es una bitácora, no un tutorial. Se escribió mientras se hacía, día a día, y no esconde nada: un entorno que tardó más de veinte intentos en arrancar, un bloqueo de seguridad de Windows a las cuatro de la mañana y diez versiones del modelo.


Muestra el péndulo que nadie cuenta. Cada defecto que curas crea el contrario. Una versión no sabía quién era. La siguiente lo sabía, pero se inventaba funciones que no existen. La que dejó de inventar se negaba a escribir código. Este libro recorre las cuatro idas y vueltas que hicieron falta para llegar al equilibrio.


Es honesto con los límites. Cuando pusimos el modelo frente a una máquina real de laboratorio, el sistema funcionó de maravilla, pero el modelo pasó por alto el hallazgo más obvio. El libro te dice por qué, y dónde está el techo de un modelo pequeño.


Los datos son tuyos. No se entrena con respuestas de ChatGPT ni de nadie más. Aprenderás a construir el dataset con tu propio material, a limpiarlo y a pesar cada ingrediente.


Lo que aprenderás

  • Montar un entorno de entrenamiento estable en Windows, y leer un traceback para saber quién pide qué

  • QLoRA explicado sin humo, y la trampa silenciosa de la memoria que multiplica por diez el tiempo de entrenamiento sin dar un solo error

  • Por qué la identidad tiene que quedar en los pesos y no en el system prompt

  • Cómo evaluar un modelo con rigor, y cómo evaluar al evaluador

  • Enseñarle a decir "no lo sé" sin volverlo un cobarde

  • Fusionar, cuantizar a GGUF y publicar en Hugging Face con una ficha honesta

  • Tool calling con servidores MCP propios

  • Un proxy de seguridad contra la inyección de prompts


Para quién es

Para desarrolladores que quieren dejar de alquilar la inteligencia de otros y construir la suya. No necesitas un centro de datos ni ser experto en machine learning: los conceptos se explican cuando aparecen y hay un glosario al final. Sí ayuda saber programar y no tenerle miedo a la línea de comandos.


Si tienes una GPU modesta, paciencia para iterar y ganas de entender cómo funciona esto por dentro, ya tienes todo lo necesario.

This item is Non-Returnable

Details

  • ISBN-13: 9798178411056
  • ISBN-10: 9798178411056
  • Publisher: Independently Published
  • Publish Date: October 2026
  • Dimensions: 9 x 6 x 0.17 inches
  • Shipping Weight: 0.27 pounds
  • Page Count: 84

Related Categories

You May Also Like...

    1

BAM Customer Reviews