JARVIS: asistente de voz local para Linux

Nucleo propio: oye con whisper.cpp, piensa con un modelo de Ollama, habla
con Piper, y hace RAG sobre los apuntes del usuario. 100% local, sin
cuentas ni claves.

Escrito bajo una restriccion dura, 4 GB de VRAM: el cerebro y whisper
comparten tarjeta y solo caben porque estan dimensionados para ello. El
RAG usa embeddings estaticos con busqueda hibrida; la voz clonada se sirve
de una cache de frases.

Incluye instalador (install.sh), requisitos, y documentacion del stack,
del manejo de root y de las acciones. Los apuntes indexados y el diario NO
se incluyen: son privados y el .gitignore los bloquea.

entrena/README.md

@@ -0,0 +1,61 @@
+# Entrenamiento de JARVIS
+
+El fine-tuning NO sustituye al RAG (nucleo/saber/), lo complementa. El RAG ya
+funciona y da el conocimiento fresco; esto hornea el estilo y los flujos en los
+pesos. Por eso fue: primero RAG, esto despues.
+
+## Los tres pasos
+
+    1. dataset.py    convierte los apuntes de COFRE en pares pregunta-respuesta
+                     (usa el indice de nucleo/saber/, ~10 h con el 4B local)
+    2. afina.py      QLoRA sobre el dataset. --revisa dice si la maquina puede
+    3. exportar      el adaptador a GGUF + Modelfile con ADAPTER, para ollama
+
+## Por que falla hoy: qwen3.5 es MULTIMODAL (16 ago)
+
+Las pruebas de `afina.py` cargan el modelo bien y se caen justo despues, al
+enganchar los adaptadores, con un mensaje que no viene a cuento:
+
+    Incorrect image source. Must be a valid URL starting with `http://`
+
+No es un fallo de red ni de rutas. **`Qwen/Qwen3.5-2B` es `image-text-to-text`**
+—comprobado en la API de HuggingFace, y el propio GGUF lo delata: el
+`model_info` de ollama trae `qwen35.vision.block_count = 24`—. O sea que el
+modelo lleva torre de vision, y `FastLanguageModel` lo mete por el camino de
+solo texto mientras transformers intenta procesar una imagen que no existe.
+
+La pista estaba en el log y se leyo como ruido:
+
+    Unsloth: Explicit target_modules are constrained by the
+    finetune_(vision|language|attention|mlp) filters
+
+Ese aviso solo lo emite el camino multimodal.
+
+Por donde va el arreglo: `FastVisionModel` con `finetune_vision_layers=False`,
+que es la via de unsloth para afinar solo la parte de lenguaje de un modelo con
+vision. **Sin probar todavia.**
+
+De paso, los nombres que no existen en HuggingFace y que las pruebas fueron
+descartando: `Qwen3.5-3B`, `Qwen3.5-3B-Instruct`, `Qwen3.5-1.7B`,
+`Qwen3.5-1.7B-Instruct`, `Qwen3.5-1.5B`. El unico que carga es `Qwen3.5-2B`
+(1,95 GB).
+
+## Donde entrenar
+
+  T1200 (4 GB)   al limite. Turing, sin bf16. Posible pero fragil.
+  3060 (12 GB)   holgado. El sitio natural. El dataset viaja como fichero.
+
+## Para entrenar
+
+    pip install unsloth          # trae peft, trl, bitsandbytes
+    ./afina.py --revisa          # comprueba
+    ./afina.py                   # entrena
+
+## Exportar a ollama (tras entrenar)
+
+    # con llama.cpp:
+    python convert_lora_to_gguf.py jarvis-lora --outfile jarvis-lora.gguf
+    # Modelfile:
+    #   FROM qwen3.5:4b
+    #   ADAPTER ./jarvis-lora.gguf
+    ollama create qwen3.5:4b-jarvis-cofre -f Modelfile