El invariante de subdivisión en inferencia MoE: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio RAM–SSD (kimi-k3-in-c)

Subtítulo: Segunda instancia independiente del mismo fundamento teórico — de la formalización SPCiencia a la evidencia industrial de Fareed Khan / Kimi K3.

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_INFERENCIA_MOE_KIMI_K3_2026-09-25.json
Manuscrito laboratorio: docs/papers_cientificos/PAPER_INVARIANTE_SUBDIVISION_INFERENCIA_MOE_KIMI_K3_IN_C_SPCIENCIA_2026-09-25.md
Etiquetas: [PAPER][INVARIANTE][DOMINIOS][I_SUB][MOE][INFERENCIA][SSD][KIMI_K3][KIMI_K3_IN_C][FAREED_KHAN][SPCIENCIA]

Anclas:

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 es independiente del paper de Soup / layer streaming del mismo día, pero no introduce un invariante distinto. Formaliza una segunda instancia de dominio del invariante de subdivisión $I_{\mathrm{sub}}$ ya enunciado por SPCiencia: ahora no en el fine-tuning con VRAM limitada, sino en la inferencia de un modelo Mixture-of-Experts (MoE) de frontera bajo un presupuesto extremo de RAM, sustituyendo residencia completa por streaming desde almacenamiento (SSD/NVMe).

La evidencia práctica externa es el proyecto kimi-k3-in-c de Fareed Khan: un motor de inferencia en C99 (~176 KB), sin GPU y sin framework de aprendizaje profundo, que ejecuta Kimi K3 (~2,78 billones de parámetros; checkpoint empaquetado 1,56 TB) con pico de RSS del orden de **8,24 GB**, transmitiendo expertos (y el tronco denso por capas) desde disco. La salida es idéntica byte a byte respecto a presupuestos de memoria mucho mayores; solo cambia el reloj (decenas de segundos por token en el preset de 8 GB).

La tesis del paper:

El fundamento teórico $I_{\mathrm{sub}}$ —subdividir la demanda a un cuello de capacidad finita para mantener $\rho < 1$ — precede y explica el hito de kimi-k3-in-c. El repositorio ajeno es evidencia en la práctica de ese fundamento en el dominio $D_{\mathrm{LLM\text{-}inferencia\text{-}RAM/SSD}}$ , no el origen del invariante ni un producto SPCiencia.

Así se separan con nitidez: (1) la idea nuestra (Invariante-Dominios + $I_{\mathrm{sub}}$ ); (2) la evidencia industrial (Fareed Khan / Moonshot checkpoint / motor C); (3) el dominio distinto respecto a Soup (inferencia–RAM–SSD frente a entrenamiento–VRAM–capas).

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

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 donde $I$ se observa. En el paper de subdivisión frente al cuello (25-sep-2026), SPCiencia enunció operativamente:

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

Ese enunciado se apoyó en la teoría de colas del cuello de von Neumann ( $\rho = \lambda/\mu$ ), en la mitigación append-only E2a y en la transferencia al dominio LLM-VRAM vía Soup. El presente trabajo no reformula $I_{\mathrm{sub}}$ : lo instancia en un dominio que aquel manuscrito dejó abierto o apenas esbozado —la inferencia MoE bajo streaming de pesos desde disco.

1.2 Independencia respecto al caso Soup

Soup responde a: ¿cómo adaptar un LLM cuando la VRAM no cabe la base entera?
kimi-k3-in-c responde a: ¿cómo ejecutar (auditar) un MoE de frontera cuando la RAM no cabe el checkpoint entero?

Son preguntas distintas, unidades de subdivisión distintas (capa de decoder en GPU frente a expertos/tronco leídos desde SSD) y métricas distintas (pico VRAM frente a RSS y s/token). Confundir ambos casos en un solo paper diluiría el aporte: aquí la novedad no es “otra herramienta viral”, sino la segunda fila empírica que confirma que $I_{\mathrm{sub}}$ no es un epifenómeno del fine-tuning.

1.3 Observación externa detonante

El 25 de septiembre de 2026, el investigador principal aportó un reel de Instagram y una transcripción oral, junto con un análisis de Gemini. Cursor verificó el repositorio público y las cifras del README: autor Fareed Khan (corrección de «Farid» en el audio); modelo Kimi K3 (Moonshot AI); motor C99 sin BLAS/framework/GPU; checkpoint ~1,56 TB; RSS ~8,24 GB; salida byte-identical entre presupuestos de memoria. Ese material constituye el caso observado, no la autoría del motor.

2. Observación / caso empírico

2.1 Artefacto y cifras (atribución externa)

Campo	Valor (fuentes públicas del proyecto)
Proyecto	kimi-k3-in-c — https://github.com/FareedKhan-dev/kimi-k3-in-c
Autor del motor	Fareed Khan
Modelo	Kimi K3 (Moonshot AI), MoE ~2,78T parámetros
Checkpoint en disco	~1,56 TB (experts en formato empaquetado ~4-bit)
Motor	C99 portable; binario ~176 KB; 0 GPUs
RAM (preset mínimo)	~8,24 GB peak RSS (medido por el proyecto)
Mecanismo	Streaming de experts (top-k por token) y del tronco denso por capas desde NVMe/SSD
Correctitud	Decode byte-identical entre 8 GB y presupuestos altos; la RAM actúa como dial de velocidad, no como piso de factibilidad
Disco típico	~1,7 TB libres (checkpoint + tronco empaquetado)
Latencia (orden de magnitud)	~26–33 s/token en ~8 GB con streaming dominante; mejora al crecer la RAM residente

El reel popularizó el relato («modelo más grande en laptop con 8 GB»). El laboratorio retiene la cifra y añade la letra pequeña que el discurso viral comprime: sin ~1,7 TB de disco rápido, el experimento doméstico no arranca; sin tolerancia a latencia extrema, no es un producto de chat.

2.2 Lectura en lenguaje de colas

En el paper de teoría de colas del cuello de von Neumann, SPCiencia modeló la saturación con la relación elemental

$\rho = \frac{\lambda}{\mu},$

donde $\lambda$ es la tasa a la que llega trabajo al recurso limitado y $\mu$ es la tasa a la que ese recurso atiende. Cuando $\rho \to 1$ , el sistema se satura: la cola efectiva crece sin cota operativa y el tiping point se vuelve colapso. Esa misma lectura aplica a kimi-k3-in-c, con un matiz de dominio crucial: el cuello primario que el motor protege no es la GPU, sino la RAM residente.

Qué es kimi-k3-in-c, en esta óptica. Fareed Khan construyó un motor de inferencia en C puro (binario del orden de ~176 KB) que ejecuta Kimi K3 —un MoE de frontera (~2,78T parámetros; checkpoint ~1,56 TB en disco)— sin GPU y sin framework de aprendizaje profundo. En lugar de exigir que el modelo entero resida en memoria, el motor lee del SSD solo lo que necesita en cada paso (sobre todo los experts MoE activos para el token en curso, y el tronco denso por capas). Con un pico de RSS del orden de ~8 GB la salida puede ser idéntica byte a byte a la de un presupuesto de RAM mucho mayor; lo que cambia es el reloj (puede situarse en decenas de segundos por token en el preset mínimo).

En el dominio $D_{\mathrm{LLM\text{-}inferencia\text{-}RAM/SSD}}$ la correspondencia con las colas es directa:

el cuello primario es la RAM residente (y, en segundo plano, el ancho de banda del SSD);
$\lambda$ sin subdivisión sería la demanda de cargar todo el checkpoint de una vez;
la unidad de llegada al cuello, bajo kimi-k3-in-c, es el experto (o capa de tronco) necesario ahora, no los ~2,78T parámetros de golpe;
$\rho < 1$ en RAM significa que el pico RSS permanece bajo la capacidad física (~8 GB en el preset mínimo);
el peaje aparece en $\mu$ efectivo del servicio de token: el I/O de disco degrada el throughput hasta segundos por token.

Sin $I_{\mathrm{sub}}$ (carga ingenua)	Con kimi-k3-in-c ( $I_{\mathrm{sub}}$ en inferencia)
$\lambda$ : «quiero los ~1,56 TB ya en memoria»	$\lambda$ baja: solo llega el expert (o capa) de este token
$\mu$ de la RAM no alcanza → colapso / inviabilidad	$\rho_{\mathrm{RAM}} < 1$ (~8 GB bastan para factibilidad)
—	El peaje se mueve al SSD: $\mu$ del disco es más lento → cola temporal ≈ segundos por token

En lenguaje de colas —y sin perder el rigor del modelo $\rho=\lambda/\mu$ — puede decirse: no se elimina la cola; se cambia de mostrador. Se deja de hacer fila en el mostrador «RAM» (sin capacidad para el artefacto completo) y se pasa a hacer fila en el mostrador «disco» (que sí puede servir la demanda, pero despacio). La semántica del decode (el token) se conserva; el tiempo de espera no. Esa identidad byte a byte entre presupuestos de memoria es, en este dominio, el análogo de «misma función / distinto tiping point»: solo se desplaza el coste temporal.

Eso es exactamente $I_{\mathrm{sub}}$ : subdividir la demanda (por experts / capas) para que el cuello de capacidad finita no se llene de golpe.

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

Dominio $D$	Qué se subdivide	Cuello protegido	Evidencia
Evidencia append-only	Eventos / flushes	RAM ↔ disco (testigo)	E2a-S-VN
Colas VN (formal)	Llegadas filtradas	Bus / $\mu_M$	Paper colas 22-sep-2026
Pesos LLM (fine-tune)	Capas del decoder	VRAM	Soup — layer streaming
Pesos LLM (inferencia MoE)	Experts + capas de tronco	RAM (+ I/O SSD)	kimi-k3-in-c — este paper
IA desde cero (scratch)	Construcción de arquitectura	—	Transformer scratch; no sustituido

La fila en negrita es el aporte de dominio de este manuscrito.

3. Análisis

3.1 Idea nuestra + evidencia ajena

SPCiencia aporta el marco: Invariante-Dominios, $\rho=\lambda/\mu$ , $I_{\mathrm{sub}}$ y la disciplina de no confundir herramienta con principio. Fareed Khan aporta la implementación que hace visible el principio a escala de frontera (2,78T / 1,56 TB → ~8 GB). El paper sostiene que el hito se entiende mejor —y se evita el mito de magia— cuando se lee como instancia de $I_{\mathrm{sub}}$ , no como milagro de marketing.

No se reivindica autoría del código C, del checkpoint Moonshot ni de la cuantización 4-bit. Se reivindica el reconocimiento de isomorfismo y el cierre de la fila «inferencia MoE» en el mapa de transferencia.

3.2 Por qué no colapsa con Soup ni con Inkling

Eje	Soup	kimi-k3-in-c	Inkling (nota de mesa)
Fase	Fine-tune / adaptación	Inferencia / auditoría	Base candidata a FT
Cuello	VRAM	RAM (+ SSD)	Cluster / pod (escala)
Unidad de stream	Capa	Expert (+ trunk)	— (producto, no método)
Rol para $I_{\mathrm{sub}}$	Primera evidencia LLM-train	Segunda evidencia LLM-infer	Fuera de este paper

La idea adelantada de usar nube/pod para entrenar Inkling permanece válida: kimi-k3-in-c no convierte la laptop en plataforma de fine-tune de frontera; la convierte, a lo sumo, en laboratorio de inspección lenta si se dispone de terabytes de disco.

3.3 Soberanía y «IA desde cero»

Para la línea IA desde cero, este caso refuerza una lección de gobernanza: hardware doméstico puede auditar artefactos de frontera cuando $I_{\mathrm{sub}}$ se aplica al I/O, pero la pedagogía del esqueleto Transformer scratch y el entrenamiento serio en pod siguen siendo carriles distintos. Mezclar «corre en 8 GB» con «entrenamos frontera en casa» sería un error de dominio.

4. Límites

No es un ensayo SPCiencia medido en laboratorio propio. Las cifras de RSS y s/token se citan del proyecto público; no se ha ejecutado aún un acta de reproducción bajo handoff del IP (requeriría ~1,7 TB y tiempo de descarga/pack).
Latencia extrema. El caso demuestra factibilidad semántica, no utilidad de producto en tiempo real sobre 8 GB.
Dependencia de disco. El cuello no desaparece: se desplaza hacia el SSD; discos lentos o llenos invalidan el relato «solo 8 GB de RAM».
Atribución. Cualquier divulgación debe nombrar a Fareed Khan, Moonshot/Kimi K3 y el repositorio; SPCiencia no apropia el motor.
Estrellas GitHub. El número citado en el reel (~2600) es efímero; no forma parte de la tesis científica.

5. Conclusiones

$I_{\mathrm{sub}}$ queda reforzado como fundamento teórico SPCiencia con al menos dos dominios LLM explícitos: entrenamiento–VRAM (Soup) e inferencia–RAM/SSD (kimi-k3-in-c).
Este paper es independiente del de Soup: mismo invariante, otro dominio, otra evidencia práctica.
La contribución propia es el cierre conceptual (idea nuestra + evidencia ajena + límites honestos), no la invención del motor C.
Queda abierto un programa de reproducción soberana (acta de corrida, métricas propias) sin confundir nota de mesa con paper publicado.

6. Trazabilidad

Artefacto	Referencia
Este manuscrito web	`sitio-web-prototipo/src/content/es/papers/PAPER_INVARIANTE_SUBDIVISION_INFERENCIA_MOE_KIMI_K3_IN_C_SPCIENCIA_2026-09-25.md`
Fundamento $I_{\mathrm{sub}}$ / Soup	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
Evidencia externa	https://github.com/FareedKhan-dev/kimi-k3-in-c
Sesión detonante	Reel Instagram + Gemini + Cursor, 25-sep-2026

Palabras clave: Invariante-Dominios, $I_{\mathrm{sub}}$ , MoE, inferencia, SSD, streaming, Kimi K3, kimi-k3-in-c, Fareed Khan, RAM, cuello de botella, 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_INFERENCIA_MOE_KIMI_K3_2026-09-25.json

Versión	SHA-256
Manuscrito laboratorio	`c393ce92f4e9f3cb524c24374869186ce41bffeda7b84eadec6fa153bb16c88e`
Web ES (cuerpo)	`dd1e87cefb89bde13fb75b9991ab41bc8fd1211934098daae44250b00b4ecc89`
Web EN (cuerpo)	`aeda5be4823b4e2a879f4247ddd80e22611f1ccd2729fe5d95bae0bd137f650d`
Web RU (cuerpo)	`5f92d8cf35f94c3e58293bebbf8ae8d674114ccb4572b90ad70ef55b22fa288e`

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

Field	Value (project public sources)
Project	kimi-k3-in-c — https://github.com/FareedKhan-dev/kimi-k3-in-c
Engine author	Fareed Khan
Model	Kimi K3 (Moonshot AI), MoE ~2.78T parameters
On-disk checkpoint	~1.56 TB (experts in packed ~4-bit format)
Engine	Portable C99; binary ~176 KB; 0 GPUs
RAM (minimum preset)	~8.24 GB peak RSS (project-measured)
Mechanism	Streaming of experts (top-k per token) and dense trunk by layers from NVMe/SSD
Correctness	Byte-identical decode from 8 GB to high budgets; RAM acts as a speed dial, not a feasibility floor
Typical disk	~1.7 TB free (checkpoint + packed trunk)
Latency (order of magnitude)	~26–33 s/token at ~8 GB with dominant streaming; improves as resident RAM grows

Without $I_{\mathrm{sub}}$ (naive load)	With kimi-k3-in-c ( $I_{\mathrm{sub}}$ in inference)
$\lambda$ : “I want ~1.56 TB in memory now”	$\lambda$ drops: only the expert (or layer) for this token arrives
RAM $\mu$ insufficient → collapse / infeasibility	$\rho_{\mathrm{RAM}} < 1$ (~8 GB suffices for feasibility)
—	The toll moves to the SSD: disk $\mu$ is slower → temporal queue ≈ seconds per token

Domain $D$	What is subdivided	Protected bottleneck	Evidence
Append-only evidence	Events / flushes	RAM ↔ disk (witness)	E2a-S-VN
VN queues (formal)	Filtered arrivals	Bus / $\mu_M$	Queues paper 22 Sep 2026
LLM weights (fine-tune)	Decoder layers	VRAM	Soup — layer streaming
LLM weights (MoE inference)	Experts + trunk layers	RAM (+ SSD I/O)	kimi-k3-in-c — this paper
IA desde cero (scratch)	Architecture construction	—	Transformer scratch; not replaced

Axis	Soup	kimi-k3-in-c	Inkling (desk note)
Phase	Fine-tune / adaptation	Inference / audit	Candidate base for FT
Bottleneck	VRAM	RAM (+ SSD)	Cluster / pod (scale)
Stream unit	Layer	Expert (+ trunk)	— (product, not method)
Role for $I_{\mathrm{sub}}$	First LLM-train evidence	Second LLM-infer evidence	Outside this paper

Artifact	Reference
This web manuscript	`sitio-web-prototipo/src/content/en/papers/PAPER_INVARIANTE_SUBDIVISION_INFERENCIA_MOE_KIMI_K3_IN_C_SPCIENCIA_2026-09-25.md`
Foundation $I_{\mathrm{sub}}$ / Soup	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
External evidence	https://github.com/FareedKhan-dev/kimi-k3-in-c
Triggering session	Instagram reel + Gemini + Cursor, 25 Sep 2026

Version	SHA-256
Lab manuscript	`c393ce92f4e9f3cb524c24374869186ce41bffeda7b84eadec6fa153bb16c88e`
Web ES (body)	`dd1e87cefb89bde13fb75b9991ab41bc8fd1211934098daae44250b00b4ecc89`
Web EN (body)	`aeda5be4823b4e2a879f4247ddd80e22611f1ccd2729fe5d95bae0bd137f650d`
Web RU (body)	`5f92d8cf35f94c3e58293bebbf8ae8d674114ccb4572b90ad70ef55b22fa288e`

Поле	Значение (публичные источники проекта)
Проект	kimi-k3-in-c — https://github.com/FareedKhan-dev/kimi-k3-in-c
Автор движка	Fareed Khan
Модель	Kimi K3 (Moonshot AI), MoE ~2,78T параметров
Checkpoint на диске	~1,56 TB (эксперты в упакованном ~4-bit формате)
Движок	Переносимый C99; бинарник ~176 KB; 0 GPU
RAM (минимальный пресет)	~8,24 GB peak RSS (измерено проектом)
Механизм	Streaming экспертов (top-k на токен) и плотного ствола по слоям с NVMe/SSD
Корректность	Decode byte-identical от 8 GB до высоких бюджетов; RAM действует как циферблат скорости, а не как пол факсибилити
Типичный диск	~1,7 TB свободно (checkpoint + упакованный ствол)
Латентность (порядок величины)	~26–33 с/токен при ~8 GB при доминирующем streaming; улучшается при росте резидентной RAM

Без $I_{\mathrm{sub}}$ (наивная загрузка)	С kimi-k3-in-c ( $I_{\mathrm{sub}}$ в инференсе)
$\lambda$ : «хочу ~1,56 TB уже в памяти»	$\lambda$ падает: прибывает только expert (или слой) этого токена
$\mu$ RAM недостаточна → коллапс / неосуществимость	$\rho_{\mathrm{RAM}} < 1$ (~8 GB достаточно для факсибилити)
—	Плата уходит на SSD: $\mu$ диска медленнее → временная очередь ≈ секунды на токен

Домен $D$	Что подразделяется	Защищаемое узкое место	Свидетельство
Append-only доказательства	События / flushes	RAM ↔ диск (свидетель)	E2a-S-VN
Очереди VN (формально)	Отфильтрованные прибытия	Шина / $\mu_M$	Статья об очередях 22 сен 2026
Веса LLM (fine-tune)	Слои decoder	VRAM	Soup — layer streaming
Веса LLM (инференс MoE)	Experts + слои ствола	RAM (+ I/O SSD)	kimi-k3-in-c — эта статья
IA desde cero (scratch)	Построение архитектуры	—	Transformer scratch; не замещён

Ось	Soup	kimi-k3-in-c	Inkling (заметка стола)
Фаза	Fine-tune / адаптация	Инференс / аудит	Кандидатная база для FT
Узкое место	VRAM	RAM (+ SSD)	Кластер / pod (масштаб)
Единица stream	Слой	Expert (+ trunk)	— (продукт, не метод)
Роль для $I_{\mathrm{sub}}$	Первое свидетельство LLM-train	Второе свидетельство LLM-infer	Вне этой статьи

Артефакт	Ссылка
Эта web-рукопись	`sitio-web-prototipo/src/content/ru/papers/PAPER_INVARIANTE_SUBDIVISION_INFERENCIA_MOE_KIMI_K3_IN_C_SPCIENCIA_2026-09-25.md`
Основание $I_{\mathrm{sub}}$ / Soup	/papers/invariante-subdivision-cuello-layer-streaming-soup-spciencia
Внешнее свидетельство	https://github.com/FareedKhan-dev/kimi-k3-in-c
Детонирующая сессия	Instagram reel + Gemini + Cursor, 25 сен 2026

Версия	SHA-256
Лабораторная рукопись	`c393ce92f4e9f3cb524c24374869186ce41bffeda7b84eadec6fa153bb16c88e`
Web ES (тело)	`dd1e87cefb89bde13fb75b9991ab41bc8fd1211934098daae44250b00b4ecc89`
Web EN (тело)	`aeda5be4823b4e2a879f4247ddd80e22611f1ccd2729fe5d95bae0bd137f650d`
Web RU (тело)	`5f92d8cf35f94c3e58293bebbf8ae8d674114ccb4572b90ad70ef55b22fa288e`

El invariante de subdivisión en inferencia MoE: evidencia práctica de IsubI_{\mathrm{sub}}Isub​ en el dominio RAM–SSD (kimi-k3-in-c)

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

1.2 Independencia respecto al caso Soup

1.3 Observación externa detonante

2. Observación / caso empírico

2.1 Artefacto y cifras (atribución externa)

2.2 Lectura en lenguaje de colas

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

3. Análisis

3.1 Idea nuestra + evidencia ajena

3.2 Por qué no colapsa con Soup ni con Inkling

3.3 Soberanía y «IA desde cero»

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

El invariante de subdivisión en inferencia MoE: evidencia práctica de IsubI_{\mathrm{sub}}Isub​ en el dominio RAM–SSD (kimi-k3-in-c)

Gloria a Dios

Resumen ejecutivo

1. Marco metodológico

1.1 Fundamento teórico SPCiencia (ya establecido)

1.2 Independencia respecto al caso Soup

1.3 Observación externa detonante

2. Observación / caso empírico

2.1 Artefacto y cifras (atribución externa)

2.2 Lectura en lenguaje de colas

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

3. Análisis

3.1 Idea nuestra + evidencia ajena

3.2 Por qué no colapsa con Soup ni con Inkling

3.3 Soberanía y «IA desde cero»

4. Límites

5. Conclusiones

6. Trazabilidad

Certificación CAM (SHA-256)

The subdivision invariant in MoE inference: practical evidence for IsubI_{\mathrm{sub}}Isub​ in the RAM–SSD domain (kimi-k3-in-c)

Glory to God

Executive summary

1. Methodological frame

1.1 SPCiencia theoretical foundation (already established)

1.2 Independence from the Soup case

1.3 External triggering observation

2. Observation / empirical case

2.1 Artifact and figures (external attribution)

2.2 Reading in queueing language

2.3 Expanded domain table (same IsubI_{\mathrm{sub}}Isub​)

3. Analysis

3.1 Our idea + external evidence

3.2 Why it does not collapse with Soup or Inkling

3.3 Sovereignty and “IA desde cero”

4. Limits

5. Conclusions

6. Traceability

CAM Certification (SHA-256)

Инвариант подразделения в инференсе MoE: практическое свидетельство IsubI_{\mathrm{sub}}Isub​ в домене RAM–SSD (kimi-k3-in-c)

Слава Богу

Резюме

1. Методологическая рамка

1.1 Теоретическое основание SPCiencia (уже установлено)

1.2 Независимость от случая Soup

1.3 Внешнее детонирующее наблюдение

2. Наблюдение / эмпирический случай

2.1 Артефакт и цифры (внешняя атрибуция)

2.2 Чтение на языке очередей

2.3 Расширенная таблица доменов (тот же IsubI_{\mathrm{sub}}Isub​)

3. Анализ

3.1 Наша идея + чужое свидетельство

3.2 Почему не сливается с Soup и Inkling

3.3 Суверенитет и «IA desde cero»

4. Пределы

5. Выводы

6. Прослеживаемость

Сертификация CAM (SHA-256)

El invariante de subdivisión en inferencia MoE: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio RAM–SSD (kimi-k3-in-c)

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

El invariante de subdivisión en inferencia MoE: evidencia práctica de $I_{\mathrm{sub}}$ en el dominio RAM–SSD (kimi-k3-in-c)

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

The subdivision invariant in MoE inference: practical evidence for $I_{\mathrm{sub}}$ in the RAM–SSD domain (kimi-k3-in-c)

2.3 Expanded domain table (same $I_{\mathrm{sub}}$ )

Инвариант подразделения в инференсе MoE: практическое свидетельство $I_{\mathrm{sub}}$ в домене RAM–SSD (kimi-k3-in-c)

2.3 Расширенная таблица доменов (тот же $I_{\mathrm{sub}}$ )