john/ember-memory-test
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

feat(episode): TRAZA_opinin-de-fable-qu-blueprint-de-nvidia-s_S20260913.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD

Browse source 
Skill: NONE | Type: troubleshooting
Summary: EPISODIO 1 — MEMORIA: Opinión de Fable: qué blueprint de NVIDIA sirve como labor
This commit is contained in:
Ember 2026-09-13 19:08:23 +00:00
parent 2a449df645
commit ab59093f60
1 changed files with 27 additions and 0 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

27
episodes/TRAZA_opinin-de-fable-qu-blueprint-de-nvidia-s_S20260913.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md Normal file
View file

@ -0,0 +1,27 @@
---
episode_id: "9bc57175-239f-4837-a073-84126096328e"
puente_flat: "TRAZA_opinin-de-fable-qu-blueprint-de-nvidia-s_S20260913.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD"
session_code: "S20260913.SIDE55529A2E3F4"
acto_dialogico: "informar"
actor_flujo: "multi_actor"
criticidad_aegis: "low"
skill_dominante: "NONE"
fase_proyecto: "operations"
tipo_semantico: "troubleshooting"
summary_one_line: "EPISODIO 1 — MEMORIA: Opinión de Fable: qué blueprint de NVIDIA sirve como laborat"
source_type: "claude_code"
trust_boundary: "internal"
created_at: "2026-09-13T19:08:23.381572+00:00"
relectura_tagged: false
forgejo_commit_sha: "pending"
---
## Opinión de Fable: qué blueprint de NVIDIA sirve como laboratorio Ember en la DGX Spark GB10
**Respuesta corta:** ningún blueprint del catálogo se instala "tal cual" como laboratorio Ember. El que mejor encaja como **arquitectura objetivo** es **AI-Q Blueprint for intelligent agents** (agente que conecta, recupera y razona sobre datos propios), y la forma correcta de montarlo en la Spark es por la **ruta nativa de playbooks de DGX Spark** (`rag-ai-workbench` + `nim-llm`/`vllm` + `txt2kg` + `open-webui`), no por el paquete de datacenter. Lo que sigue es el porqué.
**Lo verificado hoy (hard_fact, dos lecturas web).** El catálogo tiene 32 blueprints. Solo cinco tocan RAG o recuperación de documentos: Enterprise RAG Pipeline, AI-Q, Nsight Copilot (el único que dice literalmente "on DGX Spark" con RAG), Streaming Data to RAG (radio y sensores, nicho) y VSS (video). La familia NemoClaw (Hermes Agent, OpenClaw, Deep Agents Code) aparece a la vez en blueprints y en los playbooks de Spark, lo que confirma soporte oficial en esa máquina. La página de Spark lista playbooks de servicio local (vllm, trt-llm, nim-llm, llama-cpp, sglang), de conocimiento (rag-ai-workbench, txt2kg, nemoclaw), interfaz (open-webui) y clúster de 2 o 3 Sparks.
**La restricción real de la GB10 (soft_fact, spec pública, no re-medida hoy).** Es ARM64 (Grace) con 128 GB de memoria unificada a unos 273 GB/s. La capacidad sobra; el ancho de banda no. Por eso los modelos MoE (mezcla de expertos, pocos parámetros activos por token) rinden bien y los densos de 70B se arrastran. Eso coincide con la nota que ya guardaste en memoria: "GB10 solo MoE". Los blueprints Enterprise RAG y AI-Q fueron diseñados para x86 con varias GPU H100/L40S y 4 o 5 microservicios NIM simultáneos más Milvus GPU. Portarlos entero exige que cada NIM tenga imagen ARM64, cosa parcial y que hay que verificar contenedor por contenedor antes de prometer nada.
**Ranking para Ember (inference de Fable):**