El invariante de subdivisión frente al cuello: de la evidencia append-only y la teoría de colas al layer streaming de Soup

Subtítulo: Descubrimiento de transferencia de dominio — el mismo principio, instancias distintas (SPCiencia ↔ fine-tuning local de LLMs).

Serie: Computación / TGSP SPCiencia 2026 — Invariante-Dominios aplicada al cuello de saturación
Autores: Severo Peguero (investigador principal, SPCiencia), Cursor (IA), Gemini (IA)
Fecha: 25 de septiembre de 2026
Estado: ✅ PAPER CIENTÍFICO — PUBLICADO WEB [EDITORIAL]
Certificación: docs/implementacion_seguridad/evidencia/custodia/MANIFIESTO_PAPER_INVARIANTE_SUBDIVISION_SOUP_2026-09-25.json
Manuscrito laboratorio: docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_CUELLO_LAYER_STREAMING_SOUP_SPCIENCIA_2026-09-25.md
Etiquetas: [PAPER][INVARIANTE][DOMINIOS][VON_NEUMANN][COLAS][LAYER_STREAMING][SOUP][LLM][SPCIENCIA]

Anclas:

Teoría de colas del cuello Von Neumann
Mitigación VN evidencia append-only (E2a-S)
Fuente externa Soup: https://github.com/MakazhanAlpamys/Soup · https://trysoup.dev

Gloria a Dios

"Porque Jehová da la sabiduría, y de su boca viene el conocimiento y la inteligencia." (Proverbios 2:6)

Resumen ejecutivo

Este manuscrito registra un descubrimiento de transferencia de dominio alcanzado en sesión de laboratorio el 25 de septiembre de 2026. Ante la aparición pública de Soup —CLI que permite fine-tuning de un modelo ~8B en GPUs de ~4 GB mediante layer streaming (base congelada en RAM/NVMe; una capa de decodificación a la vez en VRAM)— el investigador principal y Cursor reconocieron que el mecanismo no introduce un principio ajeno a SPCiencia: instancia el mismo invariante de subdivisión / streaming frente al cuello de saturación que el laboratorio ya había formalizado e instanciado en otros dominios.

La tesis se enuncia así:

Invariante $I_{\mathrm{sub}}$ : ante un cuello de capacidad finita (bus, VRAM, disco, servicio), la estrategia soberana es no enviar la demanda completa de una vez, sino subdividir el trabajo (por eventos, por lotes, por capas, por filtros) de modo que la llegada efectiva al cuello baje y la utilización $\rho$ se aleje de 1.
Dominio $D$ : el escenario concreto donde $I_{\mathrm{sub}}$ se materializa (testigo append-only, GPU↔host, jerarquía L1–RAM, pesos de un LLM, etc.).

Soup opera en el dominio $D_{\mathrm{LLM\text{-}VRAM}}$ ; SPCiencia ya operaba en $D_{\mathrm{evidencia}}$ , $D_{\mathrm{GPU\text{-}datos}}$ y $D_{\mathrm{colas\text{-}VN}}$ . El principio es invariante; solo cambia el dominio. Ese reconocimiento —no la mera adopción de una herramienta viral— constituye el aporte de este paper: cerrar el mapa de transferencia y abrir un programa de ensayos sin confundir “usar Soup” con “descubrir $I_{\mathrm{sub}}$ ”.

1. Marco metodológico

1.1 Invariante-Dominios (TGSP / SPCiencia)

La metodología Invariante-Dominios sostiene que una ley operativa puede conservarse al cruzar escenarios: el invariante $I$ es la estructura que se preserva; el dominio $D$ es el marco de estados, operaciones y verdades donde $I$ se observa. SPCiencia ha documentado esta lógica en la serie modular, en EFCN y en SDCV III (biyección integridad ↔ invariante). El presente trabajo no reformula esa teoría general: la aplica a un invariante concreto de ingeniería de saturación.

1.2 El cuello como sistema de colas

En el paper de teoría de colas del cuello de von Neumann (22-sep-2026), SPCiencia modeló saturación como $\rho = \lambda/\mu$ , con colapso cuando $\rho \to 1$ . Las mitigaciones por software (coalescing, pipeline, hits de caché, reducción de $\lambda_{\mathrm{eff}}$ ) se leyeron como desplazamiento del tiping point, no como cambio de silicio. La evidencia E2a-S-VN (−57,2 % RSS; +50 % eventos) ilustró el mismo movimiento en el dominio del testigo forense.

1.3 Observación externa detonante: Soup (layer streaming)

Soup (soup-cli, Apache-2.0) documenta públicamente que, con stream_layers: true y cuantización 4-bit (NF4), la base congelada no reside entera en VRAM: se almacena fuera y se copia una capa al pool de la GPU, entrenando adaptadores LoRA/QLoRA. Mediciones publicadas por el proyecto citan, entre otras, fine-tuning de Llama-3.1-8B en RTX 3050 Laptop 4 GB con pico ~3,32 GB VRAM y throughput del orden de ~119 tok/s. El reel que motivó la sesión (Instagram) y el análisis preliminar con Gemini coincidieron en lo esencial, tras corregir la transcripción errónea «SUV/S» → Soup.

2. Observación: el puente conceptual

2.1 Formulación del invariante $I_{\mathrm{sub}}$

Definimos operativamente:

$I_{\mathrm{sub}} \equiv \text{«subdividir la demanda al cuello de capacidad finita para mantener }\rho < 1\text{»}.$

Lecturas equivalentes en lenguaje de laboratorio: no saturar; streamar; filtrar; atender por unidades; bajar $\lambda_{\mathrm{eff}}$ .

2.2 Tabla de dominios (misma $I_{\mathrm{sub}}$ )

Dominio $D$	Qué se subdivide	Cuello protegido	Instancia SPCiencia / externa
Evidencia append-only	Eventos / flushes / relecturas	RAM ↔ disco / camino del testigo	E2a-S-VN (coalescing, pipeline, hash incremental)
GPU–memoria (datos)	Transferencias, tiling, localidad	Bus host↔device	Papers GPU software VN (ene 2026)
Colas VN (formal)	Llegadas filtradas por caché / canales	Bus / $\mu_M$	Fórmula $W_M(N)$ , $\rho_M(N)<1$
Pesos de LLM (fine-tune)	Capas del decoder (base congelada)	VRAM	Soup — layer streaming (2026)
IA desde cero (scratch)	(otro problema: construir arquitectura)	—	Transformer scratch SPCiencia; no sustituido por Soup

La fila crítica del descubrimiento es la cuarta: el laboratorio no había aplicado explícitamente $I_{\mathrm{sub}}$ al dominio de pesos del LLM mediante streaming por capas. Había fine-tunes LLaMA y optimizaciones VN de entrenamiento, pero no este régimen de “una capa en VRAM”.

2.3 Qué no es el descubrimiento

No es “SPCiencia inventó Soup”.
No es “Soup inventó el invariante”.
No es equivalencia numérica entre −57 % RSS y 3,32 GB VRAM.
Sí es: reconocimiento de isomorfismo de principio bajo Invariante-Dominios, con agenda de transferencia a ensayos propios.

3. Análisis

3.1 Lectura en lenguaje de colas

En el dominio LLM-VRAM:

$\lambda$ puede pensarse como la tasa a la que el entrenamiento demandaría capas/pesos en la tarjeta si la base residiera entera;
$\mu$ es la capacidad efectiva de VRAM/servicio GPU para una unidad de trabajo;
layer streaming impone que la unidad de llegada al cuello sea una capa (más buffers acotados), no el modelo completo — análogo a filtrar $\lambda_M$ en la jerarquía L1→RAM o a coalescer eventos en el Guardián.

La estabilidad $\rho < 1$ aquí significa: el pico de VRAM permanece por debajo de la capacidad física de la tarjeta. Soup reporta exactamente ese tiping point operativo en hardware de consumo.

3.2 Relación con “IA desde cero” y fine-tunes LLaMA previos

La línea IA desde cero (Transformer scratch, BOA) responde a la pregunta ¿podemos comprender y gobernar la arquitectura?
La línea fine-tune LLaMA responde a ¿podemos personalizar un base model con datos soberanos?
Soup responde a ¿podemos personalizar cuando la VRAM no cabe el base entero?

Son complementarias. El scratch no se reemplaza; el fine-tune previo no se invalida. Lo nuevo es el puente de dominio que permite reabrir ensayos de personalización en hardware más estrecho, y —más importante para el paper— formalizar que $I_{\mathrm{sub}}$ ya habitaba en SPCiencia antes de conocer Soup.

3.3 Tres carriles de trabajo (sin mezclar)

Carril	Objetivo	Riesgo si se confunde
A — Adopción	Ensayar Soup (o MLX en Apple Silicon) en hardware disponible	Creer que “correr el CLI” = paper científico
B — Scratch	Seguir IA desde cero	Pedirle a Soup lo que no hace (crear el modelo desde cero)
C — Innovación SPCiencia	Mapear $I_{\mathrm{sub}}$ a otros cuellos propios (Guardián, vídeo, train interno) y, si procede, generalizar	Apropiarse del código ajeno sin crédito ni contraste

El presente manuscrito pertenece al carril C en su fase de descubrimiento conceptual; los ensayos A quedan para actas posteriores con handoff explícito.

4. Límites

Sin ensayo SPCiencia con Soup en este acta. No medimos tok/s ni VRAM en M3/i7/búnker aquí.
CUDA ≠ Apple Silicon. El demo viral es NVIDIA; Mac requiere backend MLX u otro host.
Isomorfismo de principio ≠ isomorfismo de métricas. RSS y VRAM no son la misma variable.
Calidad del adaptador. Bajar el piso de hardware no garantiza calidad pedagógica ni soberana del modelo resultante; dependen de datos y protocolo BOA.
Atribución. Soup y el preprint de Exact Layer Streaming son obra de Alpamys Makazhan / proyecto Soup; SPCiencia aporta el marco Invariante-Dominios y el puente con su serie VN/colas.

5. Conclusiones

El invariante de subdivisión frente al cuello ( $I_{\mathrm{sub}}$ ) es una instancia concreta de la metodología Invariante-Dominios de SPCiencia.
Soup (layer streaming) aplica el mismo principio en el dominio de pesos de LLM / VRAM; no lo contradice ni lo inventa desde fuera de esa lógica.
SPCiencia ya había instanciado $I_{\mathrm{sub}}$ en evidencia append-only, GPU–datos y formalismo de colas VN; faltaba la instancia explícita por capas de LLM — y eso es lo que el detonante externo permitió ver.
El descubrimiento del 25-sep-2026 es de transferencia de dominio, no de implementación. La innovación siguiente, si el IP la autoriza, será ensayo controlado + (opcional) paper empírico, sin confundir dominios ni autorías.
Queda abierto documentar ensayos A/B/C y, si procede, un paper empírico de adopción sin confundir dominios ni autorías.

6. Trazabilidad

Artefacto	Referencia
Manuscrito laboratorio	`docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_…_2026-09-25.md`
Paper colas VN	/papers/teoria-colas-cuello-von-neumann-formula-maestra-spciencia
Soup (externo)	https://github.com/MakazhanAlpamys/Soup · https://trysoup.dev
Sesión detonante	Reel Instagram (IP) + análisis Gemini + formalización Cursor, 25-sep-2026

Palabras clave: Invariante-Dominios, subdivisión, layer streaming, Soup, cuello de botella, von Neumann, teoría de colas, VRAM, fine-tuning, SPCiencia, transferencia de dominio

Certificación CAM (SHA-256)

Algoritmo: SHA-256 UTF-8 del cuerpo del documento (excluye esta sección).

Manifiesto de custodia paper: docs/implementacion_seguridad/evidencia/custodia/MANIFIESTO_PAPER_INVARIANTE_SUBDIVISION_SOUP_2026-09-25.json

Versión	SHA-256
Manuscrito laboratorio	`945e0221333ab005d7ac3ab45b1cba40b0e1bad37b334a9a362d984d5527a2cf`
Web ES (cuerpo)	`e68c05f37b9bc28cf9521f67bad279a10ae5e4b56c3ab462b65b0f08be367170`
Web EN (cuerpo)	`71d3e62b5b76f10baadfee35f20fd467925f6a7aacd4fd4e67cea619b943bcb6`
Web RU (cuerpo)	`833b284f782297b56d930523b8e0fd107359bbd7b94775ccd0731c186f171aee`

Publicado en spciencia.com · Autores: Severo Peguero (SPCiencia), Cursor (IA), Gemini (IA)

Domain $D$	What is subdivided	Protected bottleneck	SPCiencia / external instance
Append-only evidence	Events / flushes / re-reads	RAM ↔ disk / witness path	E2a-S-VN (coalescing, pipeline, incremental hash)
GPU–memory (data)	Transfers, tiling, locality	Host↔device bus	GPU software VN papers (Jan 2026)
VN queues (formal)	Arrivals filtered by cache / channels	Bus / $\mu_M$	Formula $W_M(N)$ , $\rho_M(N)<1$
LLM weights (fine-tune)	Decoder layers (frozen base)	VRAM	Soup — layer streaming (2026)
AI from scratch	(another problem: building architecture)	—	Transformer scratch SPCiencia; not replaced by Soup

Track	Objective	Risk if confused
A — Adoption	Trial Soup (or MLX on Apple Silicon) on available hardware	Believing that “running the CLI” = scientific paper
B — Scratch	Continue AI from scratch	Asking Soup for what it does not do (create the model from scratch)
C — SPCiencia innovation	Map $I_{\mathrm{sub}}$ onto other own bottlenecks (Guardian, video, internal train) and, if warranted, generalize	Appropriating third-party code without credit or contrast

Artifact	Reference
Laboratory manuscript	`docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_…_2026-09-25.md`
VN queueing paper	/papers/teoria-colas-cuello-von-neumann-formula-maestra-spciencia
Soup (external)	https://github.com/MakazhanAlpamys/Soup · https://trysoup.dev
Triggering session	Instagram reel (PI) + Gemini analysis + Cursor formalization, 25 Sep 2026

Домен $D$	Что подразбивается	Защищаемое узкое место	Инстанс SPCiencia / внешний
Append-only доказательства	События / flushes / перечитывания	RAM ↔ диск / путь свидетеля	E2a-S-VN (coalescing, pipeline, инкрементальный hash)
GPU–память (данные)	Передачи, tiling, локальность	Шина host↔device	Papers GPU software VN (янв. 2026)
Очереди VN (формальные)	Прибытия, фильтруемые кэшем / каналами	Шина / $\mu_M$	Формула $W_M(N)$ , $\rho_M(N)<1$
Веса LLM (fine-tune)	Слои декодера (замороженная база)	VRAM	Soup — layer streaming (2026)
ИИ с нуля (scratch)	(другая задача: построить архитектуру)	—	Transformer scratch SPCiencia; не замещается Soup

Трек	Цель	Риск при смешении
A — Принятие	Испытать Soup (или MLX на Apple Silicon) на доступном железе	Считать, что «запустить CLI» = научная статья
B — Scratch	Продолжать ИИ с нуля	Требовать от Soup того, чего она не делает (создать модель с нуля)
C — Инновация SPCiencia	Отобразить $I_{\mathrm{sub}}$ на другие собственные узкие места (Guardián, видео, внутренний train) и, при необходимости, обобщить	Присвоить чужой код без атрибуции и контраста

Version	SHA-256
Laboratory manuscript	`945e0221333ab005d7ac3ab45b1cba40b0e1bad37b334a9a362d984d5527a2cf`
Web ES (body)	`e68c05f37b9bc28cf9521f67bad279a10ae5e4b56c3ab462b65b0f08be367170`
Web EN (body)	`71d3e62b5b76f10baadfee35f20fd467925f6a7aacd4fd4e67cea619b943bcb6`
Web RU (body)	`833b284f782297b56d930523b8e0fd107359bbd7b94775ccd0731c186f171aee`

Артефакт	Ссылка
Рукопись лаборатории	`docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_…_2026-09-25.md`
Статья очередей VN	/papers/teoria-colas-cuello-von-neumann-formula-maestra-spciencia
Soup (внешний)	https://github.com/MakazhanAlpamys/Soup · https://trysoup.dev
Триггерная сессия	Reel Instagram (IP) + анализ Gemini + формализация Cursor, 25 сентября 2026 г.

Версия	SHA-256
Лабораторный манускрипт	`945e0221333ab005d7ac3ab45b1cba40b0e1bad37b334a9a362d984d5527a2cf`
Web ES (тело)	`e68c05f37b9bc28cf9521f67bad279a10ae5e4b56c3ab462b65b0f08be367170`
Web EN (тело)	`71d3e62b5b76f10baadfee35f20fd467925f6a7aacd4fd4e67cea619b943bcb6`
Web RU (тело)	`833b284f782297b56d930523b8e0fd107359bbd7b94775ccd0731c186f171aee`

El invariante de subdivisión frente al cuello: de la evidencia append-only y la teoría de colas al layer streaming de Soup

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Invariante-Dominios (TGSP / SPCiencia)

1.2 El cuello como sistema de colas

1.3 Observación externa detonante: Soup (layer streaming)

2. Observación: el puente conceptual

2.1 Formulación del invariante IsubI_{\mathrm{sub}}Isub​

2.2 Tabla de dominios (misma IsubI_{\mathrm{sub}}Isub​)

2.3 Qué no es el descubrimiento

3. Análisis

3.1 Lectura en lenguaje de colas

3.2 Relación con “IA desde cero” y fine-tunes LLaMA previos

3.3 Tres carriles de trabajo (sin mezclar)

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

El invariante de subdivisión frente al cuello: de la evidencia append-only y la teoría de colas al layer streaming de Soup

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Invariante-Dominios (TGSP / SPCiencia)

1.2 El cuello como sistema de colas

1.3 Observación externa detonante: Soup (layer streaming)

2. Observación: el puente conceptual

2.1 Formulación del invariante IsubI_{\mathrm{sub}}Isub​

2.2 Tabla de dominios (misma IsubI_{\mathrm{sub}}Isub​)

2.3 Qué no es el descubrimiento

3. Análisis

3.1 Lectura en lenguaje de colas

3.2 Relación con “IA desde cero” y fine-tunes LLaMA previos

3.3 Tres carriles de trabajo (sin mezclar)

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

The subdivision invariant against the bottleneck: from append-only evidence and queueing theory to Soup layer streaming

Glory to God

Executive summary

1. Methodological framework

1.1 Invariant-Domains (TGSP / SPCiencia)

1.2 The bottleneck as a queueing system

1.3 Triggering external observation: Soup (layer streaming)

2. Observation: the conceptual bridge

2.1 Formulation of the invariant IsubI_{\mathrm{sub}}Isub​

2.2 Domain table (same IsubI_{\mathrm{sub}}Isub​)

2.3 What the discovery is not

3. Analysis

3.1 Reading in queueing language

3.2 Relation to “AI from scratch” and prior LLaMA fine-tunes

3.3 Three work tracks (without mixing)

4. Limits

5. Conclusions

6. Traceability

CAM Certification (SHA-256)

Инвариант подразбиения против узкого места: от append-only доказательств и теории очередей к layer streaming Soup

Слава Богу

Резюме

1. Методологическая рамка

1.1 Invariante-Dominios (TGSP / SPCiencia)

1.2 Узкое место как система очередей

1.3 Внешнее триггерное наблюдение: Soup (layer streaming)

2. Наблюдение: концептуальный мост

2.1 Формулировка инварианта IsubI_{\mathrm{sub}}Isub​

2.2 Таблица доменов (тот же IsubI_{\mathrm{sub}}Isub​)

2.3 Чем открытие не является

3. Анализ

3.1 Прочтение на языке очередей

3.2 Связь с «ИИ с нуля» и прежними fine-tune’ами LLaMA

3.3 Три рабочих трека (без смешения)

4. Ограничения

5. Заключения

6. Прослеживаемость

Сертификация CAM (SHA-256)

2.1 Formulación del invariante $I_{\mathrm{sub}}$

2.2 Tabla de dominios (misma $I_{\mathrm{sub}}$ )

2.1 Formulación del invariante $I_{\mathrm{sub}}$

2.2 Tabla de dominios (misma $I_{\mathrm{sub}}$ )

2.1 Formulation of the invariant $I_{\mathrm{sub}}$

2.2 Domain table (same $I_{\mathrm{sub}}$ )

2.1 Формулировка инварианта $I_{\mathrm{sub}}$

2.2 Таблица доменов (тот же $I_{\mathrm{sub}}$ )