From a82a5e092220f11df3059a83761397f79af62c02 Mon Sep 17 00:00:00 2001 From: webbrain-one <295484252+webbrain-one@users.noreply.github.com> Date: Mon, 3 Aug 2026 05:24:08 +0300 Subject: [PATCH] docs: add Spanish README --- README.es-ES.md | 75 +++++++++++++++++++++++++++++++++++++++++++++++++ 1 file changed, 75 insertions(+) create mode 100644 README.es-ES.md diff --git a/README.es-ES.md b/README.es-ES.md new file mode 100644 index 0000000..092de2f --- /dev/null +++ b/README.es-ES.md @@ -0,0 +1,75 @@ + + +# AI Engineering 101 +Todo lo que necesitas saber para comenzar con la Ingeniería de IA. En este repositorio, estoy documentando mis notas de aprendizaje sobre Ingeniería de IA. + +## Tabla de Contenidos +- [AI Engineering 101](#ai-engineering-101) + - [Tabla de Contenidos](#table-of-contents) + - [Vibe Coding](#vibe-coding) + - [Investigación](#research) + - [Infraestructura de Agentes](#agent-infra) + - [Infraestructura Multimodal](#multimodal-infra) + - [Entrenamiento](#training) + - [Servicio](#serving) + - [Núcleos GPU](#gpu-kernels) + - [Ingeniería](#engineering) + - [Mejores Prácticas para Núcleos](#kernel-best-practices) + - [Mejores Prácticas para PyTorch](#pytorch-best-practices) + - [Mejores Prácticas Multimodales](#multimodal-best-practices) + - [Mejores Prácticas para Ray](#ray-best-practices) + +## Vibe Coding +- [Una guía breve (Claude Code)](./Vibe/readme.md) para introducir el vibe coding a personas no técnicas. +- [Una guía breve (OpenCode)](./Vibe/opencode.md) para introducir el vibe coding a ingenieros. + + + +## Investigación +_Avances en investigación sobre infraestructura de agentes e infraestructura multimodal_ + +### Agent Infra +> La infraestructura de agentes se centra en optimizar el rendimiento en tiempo de ejecución de los agentes en lugar de crearlos. Para más información, consulta [Why agent infrastructure matters](https://blog.langchain.com/why-agent-infrastructure/) y [Agent Engineering: A New Discipline](https://blog.langchain.com/agent-engineering-a-new-discipline/). + +1. [Identifying the Risks of LM Agents with an LM-Emulated Sandbox](https://arxiv.org/abs/2309.15817). ICLR 2024. +2. [Autellix: An Efficient Serving Engine for LLM Agents as General Programs](https://arxiv.org/abs/2502.13965). arXiv 2025. + +### Multimodal Infra +> Si deseas aprender más sobre modelos multimodales, consulta [Understanding Multimodal LLMs](https://magazine.sebastianraschka.com/p/understanding-multimodal-llms?utm_source=publication-search). + +#### Entrenamiento +1. [DistTrain: Addressing Model and Data Heterogeneity with Disaggregated Training for Multimodal Large Language Models](https://arxiv.org/abs/2408.04275). arXiv 2024. +2. [DISTMM: Accelerating Distributed Multimodal Model Training](https://www.usenix.org/system/files/nsdi24-huang.pdf). NSDI 2024. +3. [PipeWeaver: Addressing Data Dynamicity in Large Multimodal Model Training with Dynamic Interleaved Pipeline](https://arxiv.org/abs/2504.14145). arXiv 2025. +#### Servicio +1. [Approximate Caching for Efficiently Serving Text-to-Image Diffusion Models](https://www.usenix.org/conference/nsdi24/presentation/agarwal-shubham). NSDI 2024. +2. [Katz: Efficient Workflow Serving for Diffusion Models with Many Adapters](https://www.usenix.org/system/files/atc25-li-suyi-katz.pdf). ATC 2025. +3. [Understanding Diffusion Model Serving in Production: A Top-Down Analysis of Workload, Scheduling, and Resource Efficiency](https://dl.acm.org/doi/10.1145/3772052.3772206). SoCC 2025. +#### Núcleos GPU +1. [Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency](https://arxiv.org/abs/2510.08431). arXiv 2025. + - Núcleo JVP de FlashAttention-2 para entrenamiento +2. [SageAttention: Accurate 8-Bit Attention for Plug-and-play Inference Acceleration](https://arxiv.org/abs/2410.02367). ICLR 2025. + - Núcleo de atención de 8 bits para inferencia +3. [SLA: Beyond Sparsity in Diffusion Transformers via Fine-Tunable Sparse-Linear Attention](https://arxiv.org/abs/2509.24006). arXiv 2025. + - Núcleo de atención dispersa para inferencia + +## Ingeniería +_Mejores prácticas de ingeniería para construir sistemas de IA_ + +### Mejores Prácticas para Núcleos +1. [OpenAI Triton Best Practices](./Engineering/Kernel/triton_tutorial.md) + - Un tutorial práctico sobre las mejores prácticas para escribir núcleos GPU eficientes utilizando Triton. + +### Mejores Prácticas para PyTorch +1. [Optimize Training Performance in PyTorch](./Engineering/PyTorch/training_optim.md) + - Utilización de FLOPs del modelo (MFU), PyTorch Profiler y Nsight Systems para monitoreo de rendimiento, Triton y Nsight Compute para optimización de núcleos. + + +### Mejores Prácticas Multimodales + +1. [Disaggregated Hybrid Parallelism with Ray](https://github.com/ray-project/multimodal-training) + - Un marco de trabajo para entrenar modelos de visión y lenguaje utilizando paralelismo híbrido desagregado, donde cada componente del modelo adopta su estrategia de paralelización óptima de forma independiente. + +### Mejores Prácticas para Ray +1. [Use Ray for Distributed Machine Learning Apps](./Engineering/Ray/ray_ml_apps.md) + - Escalado de aplicaciones de aprendizaje automático utilizando Ray.