feat(episode): DEPURA_cmo-qued-el-requisito-rq-1-a-rq-5_S20260923.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD

Skill: NONE | Type: troubleshooting
Summary: EPISODIO 1 — MEMORIA: Cómo quedó el requisito (RQ-1 a RQ-5)

episodes/DEPURA_cmo-qued-el-requisito-rq-1-a-rq-5_S20260923.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD.md

@@ -0,0 +1,41 @@
+---
+episode_id: "7c827909-15a8-46c1-9302-a6092e197caa"
+puente_flat: "DEPURA_cmo-qued-el-requisito-rq-1-a-rq-5_S20260923.R1_XX.ops.2.hot_inf.in.cc.es.000.MGQ_J.PMCFK_E.SGNFD"
+session_code: "S20260923.SID027AD4ABD902"
+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: Cómo quedó el requisito (RQ-1 a RQ-5)"
+source_type: "claude_code"
+trust_boundary: "internal"
+created_at: "2026-09-23T19:30:19.631149+00:00"
+relectura_tagged: false
+forgejo_commit_sha: "pending"
+---
+
+Quedó guardado en git (`3439fdab`) y en la memoria.
+
+### Cómo quedó el requisito (RQ-1 a RQ-5)
+| # | Qué exige |
+|---|---|
+| **RQ-1** | Cada decisión del carril rápido deja un registro: el texto enviado (ya saneado), las probabilidades de Jev, la decisión final, si **resultó correcta** y **en qué parte del ecosistema** se decidió |
+| **RQ-2** | El alumno aprende de la **decisión verificada**, no solo de Jev. Las probabilidades de Jev sirven como "pista del maestro", pero la verdad la pone Fable o el resultado real. Así el oráculo propio **no hereda el defecto medido de Jev** (rebajar el riesgo) |
+| **RQ-3** | Al corpus solo entra lo que ya pasó el filtro de salida. El corpus vive **en casa** y nunca va a terceros |
+| **RQ-4** | Los oráculos se entrenan para la NVIDIA Spark y **se examinan con este mismo banco** antes de reemplazar a Jev en cualquier lugar |
+| **RQ-5** | ⚠️ **Licencia pendiente:** los términos del revendedor no se pudieron leer (la página dio error 404). Antes de entrenar en serio hace falta una revisión legal |
+
+`★ Insight ─────────────────────────────────────`
+- Esta técnica se llama **destilación**: un modelo grande (el maestro) le enseña a uno pequeño (el alumno). La clave es que el alumno no copie solo la respuesta, sino **cuánta seguridad tenía el maestro**. Un "70 % seguro" le enseña más que un "sí" a secas.
+- Tu diseño tiene una ventaja sobre la destilación clásica: aquí hay **corrección**. Donde Jev se equivocó, la etiqueta verdadera la pone Fable. El alumno puede terminar **mejor que el maestro** en justo los puntos donde el maestro falla.
+`─────────────────────────────────────────────────`
+
+La generación de los 10.000 sigue en curso: van los primeros archivos de la ola 1.
+
+- ✅ **Hice:** convertí tu idea en 5 requisitos obligatorios del diseño, en la decisión y en la memoria (`3439fdab`), y confirmé que los bancos v2, v3 y v4 ya son el primer corpus.
+- ⏳ **Falta:** terminar los 10.000 casos, y revisar la licencia del revendedor antes de entrenar.
+- 💡 **Mi consejo:** guardar la *duda* de Jev, no solo su respuesta, es lo que hace que un modelo pequeño aprenda de verdad. Y la corrección de Fable es el ingrediente que lo vuelve mejor que su maestro.
+
+**Para avanzar:** no hace falta que decidas nada ahora. Sigo con la ola de generación y te aviso con los resultados.