Investigación aplicada
Lapis Labs
Modelos más pequeños. Decisiones mejor definidas.
Investigamos cómo construir asistentes más eficientes: modelos con una tarea concreta, herramientas bien elegidas y más procesamiento local.
Proyecto destacado ·
Lapis SAL
Un modelo guía, otro más compacto por destilación y una versión MLX para seleccionar herramientas en inglés y español, con una opción explícita para abstenerse.
Leer la publicación- Proyecto abierto
- Apache 2.0
- PyTorch / MLX
- Inglés y español
“Añade una reunión mañana”
Publicaciones
Anuncios técnicos, método y resultados. La investigación, separada de las actualizaciones de la app.
Modelos abiertos
Checkpoints, runtimes e instrucciones publicados en Hugging Face. Apache 2.0.
lapis-sal-150M
Student · investigación y ajuste
PyTorch FP32
lapis-sal-421M
Teacher · inferencia y destilación
PyTorch FP32
lapis-sal-150M-MLX
Student · Apple Silicon
MLX FP16 · INT8 al cargar
Una tarea concreta. Una evaluación explícita.
Selección de herramientas
Estudiamos la decisión que precede a una acción: elegir una herramienta o reconocer que ninguna encaja.
Destilación y eficiencia
Exploramos cómo transferir las decisiones de un modelo guía a un encoder más compacto.
Inferencia local
Preparamos runtimes para ejecutar modelos acotados en Apple Silicon, con MLX y formatos de precisión reducida.
Publicar también es explicar los límites.
Cada publicación documenta la arquitectura, los formatos disponibles y el contexto de sus resultados. Los checkpoints y sus instrucciones permiten probar el trabajo; la evaluación debe repetirse con datos representativos de cada aplicación.
Los resultados de SAL proceden de un benchmark privado y sintético. No son una garantía de rendimiento general ni una validación de acciones ejecutadas por un asistente.
Estas publicaciones describen investigación. No implican que los modelos o las funciones estén disponibles en la app.