Blackcode

Qué es y para quién

Blackcode es un motor open source, escrito en Python, para entrenar y servir modelos de IA en local: no depende de la nube ni de LLMs de terceros. Está pensado para desarrolladores, equipos y empresas que quieren entrenar y servir sus propios modelos, con sus propios datos, en su propio hardware. Todo corre en local, sin telemetría: los datos nunca salen de la máquina.

Por qué existe

Hoy entrenar o adaptar un modelo de IA suele implicar unir varias piezas sueltas —preparación de datos, fine-tuning eficiente, evaluación, servidor de inferencia— y volver a escribir ese "pegamento" en cada proyecto. Blackcode unifica ese flujo completo (datos → entrenamiento → evaluación → servicio) en una arquitectura de plugins con una sola configuración declarativa en YAML. El mismo flujo sirve para:

• Fine-tuning de LLMs open source (Llama, Mistral, Qwen…) con QLoRA / LoRA.
• ML clásico (clasificación / regresión con scikit-learn) — funciona en CPU.
• Trainers propios, registrados como plugins sin tocar el núcleo.

Principios de diseño

• Privacidad por defecto: sin llamadas salientes ni reporting (report_to=[]).
• Núcleo ligero: pip install blackcode solo trae PyYAML; lo pesado (torch, transformers, sklearn) son extras opcionales.
• Hardware autodetectado: Blackcode inspecciona CUDA/MPS/CPU y VRAM y elige la estrategia (full / lora / qlora / cpu), o se puede imponer una propia.
• Extensible: añadir un backend nuevo es registrar una clase con un decorador o un entry point.
• Reproducible: una ejecución equivale a un YAML versionable en git.

Instalación

Una sola línea (macOS y Linux; en Windows vía WSL). El instalador resuelve dependencias del sistema (Homebrew, Python ≥ 3.10, git) y deja el comando blackcode listo:

curl -fsSL https://blackmind.cl/blackcode/install.sh | bash

O con pip, si ya gestionas tus propios entornos:

# Núcleo (ligero)
pip install blackcode

# Con fine-tuning de LLMs
pip install 'blackcode[llm]'

# Con ML clásico y/o servidor
pip install 'blackcode[sklearn]' 'blackcode[serve]'

# Todo
pip install 'blackcode[all]'

Uso rápido

# 1. ¿Qué hardware tengo y qué estrategia me conviene?
blackcode doctor

# 2. Crear un proyecto (carpeta autónoma con su configuración)
blackcode init mi-proyecto
cd mi-proyecto

# 3. Entrenar (carga datos -> entrena -> evalúa)
blackcode train

# 4. Servir el modelo con una API compatible con OpenAI
blackcode serve

Estado y licencia

El proyecto está en estado alpha: la arquitectura y la API del núcleo son estables, mientras que los trainers concretos siguen evolucionando (ver ROADMAP.md en el repo). Se distribuye bajo licencia Apache-2.0. Las contribuciones de nuevos trainers, exportadores (GGUF/ONNX) y métricas son especialmente bienvenidas (ver CONTRIBUTING.md).