BALASAGUN · el modelo de lenguaje propio de BRAINSTORM

Balasagun: la ciudad del Kutadgu Bilig

Balasagun fue una de las capitales de los karajánidas, en la cuenca del río Chu, en el actual Kirguistán. Yusuf Has Hacib, autor del Kutadgu Bilig, nació en esta ciudad y comenzó aquí su obra; la terminó en Kasgar en 1069–70.

Kutadgu Bilig significa «el conocimiento de ser feliz». Nuestro modelo toma su nombre de esta ciudad.

Cree su propio modelo de lenguaje.

Un modelo de lenguaje de IA hecho para usted, que vive y trabaja en su propio servidor o en GPU alquiladas. Habla el lenguaje de su negocio; salvo que usted decida lo contrario, sus preguntas y sus documentos nunca van a otra empresa de IA.

Pedir presupuesto ¿Cómo funciona?

Estado

En desarrollo · Fase 0 / 3 · octubre de 2026

Cómo funciona

El modelo vive en su servidor

HOTEL · Llega una preguntaUn huésped escribe a recepción: «En la habitación 304 no funciona el aire acondicionado».

HOTEL · El modelo piensaBALASAGUN funciona en el servidor del propio hotel; la pregunta no va a ninguna otra empresa.

HOTEL · Consulta la fuenteConsulta el registro de mantenimiento de la habitación y el sistema del hotel.

HOTEL · ActúaAbre una orden de trabajo para el servicio técnico.

HOTEL · Vuelve la respuestaLa respuesta vuelve al huésped; la orden de trabajo queda en el servicio técnico.

ELECTRICIDAD · Llega una preguntaUn ingeniero pregunta: «El piso tiene 12 kW de potencia instalada. ¿Cuál es la potencia demandada?».

ELECTRICIDAD · El modelo piensaEl modelo piensa en su servidor.

ELECTRICIDAD · Consulta la fuenteLee la regla de simultaneidad en el propio reglamento, no de memoria.

ELECTRICIDAD · ActúaCalcula con una herramienta: 0,6 para los primeros 8 kW y 0,4 para el resto.

ELECTRICIDAD · Vuelve la respuestaLa respuesta vuelve con su fuente: una potencia demandada de 6,4 kW.

Animación: el funcionamiento previsto. El modelo todavía está en desarrollo.

1 · Llega una preguntapregunta un huésped, un empleado o un ingeniero
2 · El modelo piensaen su servidor, sin pasar por otra empresa
3 · Consulta la fuentereglamento, registro de mantenimiento, política del hotel
4 · Actúacalcula, abre una orden de trabajo
5 · Vuelve la respuestajunto con su fuente

¿Qué es BALASAGUN?

Nuestro propio modelo de lenguaje para la ingeniería eléctrica y los hoteles

BALASAGUN es el modelo de lenguaje de IA que estamos entrenando ahora mismo para la ingeniería eléctrica y la gestión hotelera. No entrenamos desde cero: tomamos modelos de lenguaje de código abierto, los entrenamos con nuestra propia experiencia en ingeniería para el sector que se necesite, y los ponemos en servicio y en funcionamiento. Así, en lugar de usar modelos de lenguaje caros, creamos soluciones con nuestro propio modelo de lenguaje. Además, podemos configurar su propio LLM, que desarrollaremos para usted, para que funcione de forma híbrida con los demás LLM que usted elija.

Gestión hotelera
Preguntas de los huéspedes, servicio técnico, seguimiento de la energía y del mantenimiento, tareas del personal. Las reglas y los precios propios del hotel se leen de sus documentos en cada pregunta.
Ingeniería eléctrica
Reglamentos turcos de instalaciones eléctricas interiores, puesta a tierra e instalaciones de potencia (corrientes fuertes); cálculos de caída de tensión, potencia demandada, levantamiento y mediciones.
Primeros usuarios: nuestros propios productos
El software de levantamiento Elektrik GPT, Leyla, la asistente de este sitio, y la plataforma de monitorización energética ARI serán los primeros productos en usar BALASAGUN.
Elektrik GPT Plataforma Energética

Cómo lo hacemos

Su modelo en cinco pasos

Todos los modelos pasan por los mismos cinco pasos. Así estamos entrenando BALASAGUN, y así construimos el suyo.

Cómo crece

De un modelo abierto a su modelo

1 · Se elige un modelo abiertoSe elige un modelo base con licencia para uso comercial (Apache 2.0). Sin entrenamiento desde cero.

2 · Se añade su conocimientoSe añaden reglamentos, sus propios documentos y reglas aprobadas por expertos; se traza la fuente de cada registro.

3 · Ajuste fino en una GPUAjuste fino con LoRA en una GPU: el modelo aprende el lenguaje de su negocio.

4 · El examenSe prueba con nuestro propio conjunto de pruebas. Si no supera al modelo base, no entra en producción.

5 · Se instala para ustedSe instala en su propio servidor o en una GPU alquilada dedicada a usted.

1 · Se elige un modelo abiertoApache 2.0, con licencia para uso comercial; la licencia se lee en la ficha del modelo
2 · Se añade su conocimientoreglamentos, sus documentos, reglas aprobadas por expertos; se traza la fuente de cada registro
3 · Ajuste fino en una GPULoRA; sin entrenamiento desde cero
4 · El examennuestro propio conjunto de pruebas; si no supera al modelo base, no entra en producción
5 · Se instala para ustedsu propio servidor o una GPU alquilada dedicada a usted; para datos personales recomendamos su propio servidor

Nuestros compromisos

Cuatro compromisos

Sus datos, bajo su control
El modelo se entrena y funciona en su propio servidor o en una GPU alquilada dedicada a usted. Para los modelos que vayan a tratar datos personales, recomendamos su propio servidor. Las peticiones al modelo en la nube de otra empresa de IA solo se envían en las tareas que usted elija, y solo si usted lo desea.
Un modelo con licencia clara, datos trazables
El modelo base siempre tiene licencia para uso comercial (Apache 2.0 / MIT). Cada registro de entrenamiento conserva su fuente y su nota de licencia, y puede retirarse del entrenamiento con un solo comando.
Nada de memorizar
La información que cambia, como precios, números de artículo y políticas, nunca la memoriza el modelo; se lee del documento en cada pregunta. Cuando la información cambia, no hace falta volver a entrenar el modelo.
Nada entra en producción sin medirse
Cada versión se compara con el modelo base en nuestro propio conjunto de pruebas; una versión que no lo supera no se utiliza. Nuestro objetivo para la primera versión de BALASAGUN: al menos 10 puntos más en total y ningún área con un retroceso de más de 2 puntos.

Dónde estamos ahora

Estado real

La primera versión aún no se ha entrenado; actualizamos esta sección a medida que avanzamos.

0ahora
Conjunto de pruebas y competición de modelos base
1
Canalización de datos
2
Entrenamiento de la primera versión (v0.1)
3
Puesta en servicio e integración
v1
Versión ampliada

Infraestructura de entrenamiento

El modelo de entrenamiento de BALASAGUN

Lo que hemos hecho hasta ahora, con los registros reales: la competición de modelos base y el primer entrenamiento de prueba con LoRA. El entrenamiento completo es el siguiente paso; aquí mostramos exactamente lo que ocurrió.

Competición de modelos base

Cinco modelos de código abierto compitieron en 50 preguntas de nuestro propio conjunto de pruebas (25 de electricidad, 25 de hotel); un modelo juez de pesos abiertos puntuó las respuestas. Elegimos como base Qwen3.6-35B-A3B: el primero en ingeniería eléctrica, con licencia Apache-2.0 y adecuado para servir juntos los dos adaptadores de dominio en una sola GPU.

Modelo	Total	Electricidad	Hotel
google/gemma-4-26B-A4B-it	87,2	76,0	98,4
Qwen/Qwen3.6-35B-A3Belegido	84,6	86,4	82,8
google/gemma-4-12B-it	79,6	64,0	95,2
Qwen/Qwen3.5-9B	73,8	72,4	75,2
mistralai/Mistral-Small-3.2-24B-Instruct-2506	64,6	55,2	74,0

Puntuación sobre 100 · juez: Qwen3.8-27B · 19 de octubre de 2026

Primer entrenamiento de prueba con LoRA

Antes del entrenamiento completo probamos el montaje de principio a fin: se entrenaron dos adaptadores LoRA (electricidad, hotel) durante 20 pasos cada uno sobre la misma base. El entrenamiento funcionó; el paso siguiente, la puesta en servicio con vLLM, falló en esta prueba y se está corrigiendo.

GPU: NVIDIA A100 SXM 80 GB (alquilada, RunPod)
VRAM utilizada: 69,3 GB (máximo 69,6 GB)
Carga del modelo: 228 s
Entrenamiento: 2 adaptadores × 20 pasos, 42 s
Parámetros entrenados: 3.440.640 por adaptador (LoRA r=16)
Loss: electricidad 3,89 → 0,88 · hotel 2,13 → 0,31
Tiempo del pod: 17 min; eliminado al terminar el trabajo

Del registro del pod (tal cual)

15:18:59Z {"olay": "yuklendi", "sn": 228.0, "vram_gb": 69.3, "sinif": "Qwen3_5MoeForCausalLM"}
15:19:00Z {"olay": "adaptor", "adaptor": "elektrik", "egitilebilir": 3440640}
15:19:03Z {"olay": "adim", "adaptor": "elektrik", "adim": 0, "loss": 3.892}
15:19:22Z {"olay": "adim", "adaptor": "elektrik", "adim": 19, "loss": 0.8816}
15:19:22Z {"olay": "adaptor", "adaptor": "otel", "egitilebilir": 3440640}
15:19:23Z {"olay": "adim", "adaptor": "otel", "adim": 0, "loss": 2.1289}
15:19:41Z {"olay": "adim", "adaptor": "otel", "adim": 19, "loss": 0.306}
15:19:42Z {"olay": "egitim_bitti", "sn": 270.4, "vram_gb_max": 69.6}
15:20:00Z vLLM version 0.31.0 · model Qwen/Qwen3.6-35B-A3B · lora_modules: elektrik, otel
Durum: BAŞARISIZ — vLLM kapandı (vllm-exited) · GPU: NVIDIA A100-SXM4-80GB · süre: 17 dk

Horas en UTC. Las líneas son el registro de nuestro propio script de entrenamiento.

Desde la consola de RunPod

Tarjetas de GPU en la consola de RunPod; la tarjeta A100 SXM con 80 GB de VRAM aparece resaltada. — Selección de GPU: el entrenamiento de prueba se hizo en una A100 SXM 80 GB (resaltada). Los precios y la disponibilidad son valores en tiempo real.

Registro de auditoría de RunPod con las filas de creación y eliminación del pod; el correo electrónico y los ID de clave están ocultos. — Registro de auditoría: el pod de prueba se creó a las 18:07 y se eliminó a las 18:25 (hora de Turquía). Los datos de la cuenta están ocultos.

Software que utilizamos

Qwen3.6-35B-A3B
modelo base (Apache-2.0)
PyTorch + Hugging Face Transformers
carga y entrenamiento del modelo
PEFT (LoRA)
adaptadores de dominio (electricidad, hotel)
vLLM 0.31.0
evaluación y puesta en servicio (endpoint compatible con OpenAI)
Pods de GPU de RunPod
servidores alquilados con A100 80 GB y RTX A6000 48 GB
Hugging Face Hub
repositorios privados para modelos y adaptadores
Python 3.12 + uv
canalización de datos, conjunto de pruebas y evaluadores
Vigilante de costes + limpiador de Oracle
el pod se apaga al terminar su trabajo; un pod olvidado se elimina tras 1,5 horas

Siguiente paso: el entrenamiento completo

Entrenamiento LoRA en bf16 con datos aprobados por expertos, en una GPU de 80–96 GB (A100 80 GB o RTX PRO 6000 96 GB). Cada adaptador se mide con el conjunto de pruebas de su propio dominio; una versión que no supera al modelo base no entra en producción.

Para su sector

También podemos crear uno para su sector.

Igual que creamos BALASAGUN para nosotros, configuramos y entrenamos su propio modelo de lenguaje para su sector: en su propio servidor o en GPU alquiladas.

Sanidad
Información al paciente, búsqueda en protocolos y guías de medicamentos. Los datos de los pacientes se quedan en el servidor del hospital.
Derecho
Archivo de expedientes y búsqueda de jurisprudencia, borradores de escritos. Los expedientes de los clientes se quedan en el despacho.
Finanzas y contabilidad
Lectura de facturas, consultas sobre normativa, resúmenes de cuentas. Los registros financieros se quedan en el servidor de la empresa.
Fabricación
Manuales de máquinas, registros de mantenimiento, diagnóstico de averías. Los datos de producción se quedan en la fábrica.
Energía e infraestructuras
Informes de campo, registros de averías, documentación de las plantas. Los datos de la red y de las plantas se quedan con usted.
Sector público y ayuntamientos
Respuestas a las solicitudes de los ciudadanos, búsqueda de normativa. Los datos personales se quedan en el servidor de la institución.
Educación
Contenidos de los cursos y un asistente de conocimiento interno. Los datos de los alumnos se quedan en el centro educativo.
Comercio minorista y electrónico
Catálogo de productos, atención al cliente, reglas de devolución. Los datos de los clientes se quedan con usted.

¿Su sector no aparece? Escríbanos; hablemos primero de su negocio y de sus datos.Pedir presupuesto

Cómo trabajamos juntos

De la primera conversación a un modelo en funcionamiento

El plazo y el precio dependen de su negocio y de sus datos; tras la reunión inicial le enviamos un presupuesto por escrito.

1. Reunión inicial
Hablamos de su negocio, de sus datos y de sus requisitos de privacidad.
2. Inventario de datos y conjunto de pruebas
Determinamos qué documentos y registros se van a usar y creamos un conjunto de pruebas con sus preguntas reales.
3. Modelo piloto
Ponemos a competir modelos base candidatos, adaptamos el ganador mediante ajuste fino y le entregamos el informe de medición.
4. Instalación
Instalamos el modelo en su propio servidor o en una GPU alquilada dedicada a usted y lo conectamos a sus sistemas.
5. Mantenimiento y nuevas versiones
Actualizamos el modelo con nuevos documentos y preguntas, y volvemos a medir cada versión.

Instalación de servidores y centro de datos (F09)

Pedir presupuesto

Cuéntenos su sector y sus datos; le prepararemos un presupuesto para su propio modelo.

Escríbanos brevemente sobre su negocio y los datos de que dispone; le responderemos para concertar una reunión inicial.

Nuestro propio modelo de lenguaje para la ingeniería eléctrica y los hoteles

Gestión hotelera

Ingeniería eléctrica

Primeros usuarios: nuestros propios productos

Su modelo en cinco pasos

De un modelo abierto a su modelo

Cuatro compromisos

Sus datos, bajo su control

Un modelo con licencia clara, datos trazables

Nada de memorizar

Nada entra en producción sin medirse

Estado real

El modelo de entrenamiento de BALASAGUN

Competición de modelos base

Primer entrenamiento de prueba con LoRA

Desde la consola de RunPod

Software que utilizamos

Siguiente paso: el entrenamiento completo

También podemos crear uno para su sector.

Sanidad

Derecho

Finanzas y contabilidad

Fabricación

Energía e infraestructuras

Sector público y ayuntamientos

Educación

Comercio minorista y electrónico

De la primera conversación a un modelo en funcionamiento

1. Reunión inicial

2. Inventario de datos y conjunto de pruebas

3. Modelo piloto

4. Instalación

5. Mantenimiento y nuevas versiones

Cuéntenos su sector y sus datos; le prepararemos un presupuesto para su propio modelo.