jorgeantonio70/AGI-Multimodal-Molex-DataFactory-4B

Molex DataFactory v7

Resumen

Dataset de episodios de inserción de conectores Molex en placa base, con tres canales sensoriales sincronizados (posición de pinza, fuerzas hápticas y contexto textual del procedimiento) y etiquetas de seguridad de 3 clases. Incluye inyección de fallos de sensor y casos límite deliberadamente ambiguos.

Es el único dataset público de este dominio: los conjuntos de datos de robótica e inspección que lideran la tendencia en Hugging Face cubren vídeo egocéntrico generalista, conducción o manufactura discreta, pero ninguno el ensamblaje de conectores de precisión con instrumentación háptica.

• {n:,} episodios, {T} tokens de contexto por episodio
• Distribución de clases: {dist}
• Generado con data_gen.py (reproducible: --samples {n} --seed {seed})

Posicionamiento frente a los datasets en tendencia

Snapshot de Hugging Face, 14/10/2026 (top 25 por trendingScore):

Dataset	Tend.	Modalidad	Salida	¿Dominio?
datasocial/tiktok-5.6B-videos	175	vídeo social	metadatos	no
FineEnvs/openai-math	80	texto matemático	entorno RL	no
LightwheelAI/EgoDemo / EgoPro	66 / 51	vídeo egocéntrico	etiquetas	/manipulación generalista
LocalLLaMA/typed-decisions	42	texto de oficina	5 decisiones tipadas	workflows
docling-project/DeskForge-1M	23	capturas de pantalla	boxes GUI	no
Vyber07/cyber-security	26	logs	alertas	no
molex_v7.npz (este)	—	numérico + tokens	decisión calibrada	conectores de precisión

La diferencia no es de tamaño sino de tipo de tarea: los datasets en tendencia son corpus o benchmarks de clasificación genérica. Este es un problema de decisión de control en lazo cerrado donde un falso negativo rompe una pieza y donde la probabilidad debe ser interpretable por un software de control.

Metodología de generación

Cada episodio simula el ciclo de 5 fases (aproximación, contacto, inserción, asentamiento, verificación) con:

1. Física dependiente de profundidad: la fricción crece con la profundidad de inserción y se acopla al error lateral; el desalineamiento severo produce wedging (el error crece con la profundidad en vez de disminuir).
2. Fallbacks de sensor (5 %): pico, dropout, saturación del ADC y deriva térmica. Se etiquetan de forma conservadora: una lectura anómala obliga a detenerse aunque sea un falso positivo, que es el comportamiento correcto en control de seguridad.
3. Casos límite con ambigüedad real: las muestras dentro de un ±8 % de un umbral reciben 10 % de ruido de etiqueta (frente al 1,2 % del resto), porque ahí un operador humano también dudaría. Esto es lo que hace que el modelo esté calibrado en vez de sobreconfiado.
4. Canal textual informativo: los tokens de anomalía se emiten cuando ocurre el fallo, de modo que el canal de lenguaje aporta información real y no es un calco de las fuerzas.

Umbrales de seguridad (idénticos a los usados para etiquetar)

Umbral	Valor	Significado
TH_ERR_WARN	0,8 mm	error de pinza máximo tolerado
TH_F_WARN	7 N	fuerza máxima normal
TH_ERR_COL	1,0 mm	desalineación crítica (con F > 6 N)
TH_F_COL	11 N	pico de fuerza ⇒ parada

Contenido

Array	Forma	Tipo	Descripción
gripper	(N, 3)	float32	error de posición de la pinza (x, y, z) en mm
forces	(N, 3)	float32	fuerzas hápticas (fx, fy, fz) en N
tokens	(N, {T})	int64	contexto del procedimiento (vocab 1000)
labels	(N,)	int64	0=OK, 1=PRECAUCION, 2=COLISION
depth	(N,)	float32	profundidad de inserción normalizada (0-1)
severity	(N,)	float32	severidad normalizada (0-1)
fault	(N,)	int8	0=ninguno, 1=pico, 2=dropout, 3=saturado, 4=deriva

Distribución de fallos: {faults} Fases: {phases}

Uso

import numpy as np
from torch.utils.data import TensorDataset
import torch

z = np.load("hf://datasets/{repo}/{fname}")
ds = TensorDataset(torch.from_numpy(z["gripper"]).float(),
                   torch.from_numpy(z["forces"]).float(),
                   torch.from_numpy(z["tokens"]).long(),
                   torch.from_numpy(z["labels"]).long())

Resultados con este dataset

Modelo AGI-Multimodal-Molex-Transformer-4B (6 capas, 5,2 M parámetros) evaluado sobre 20.000 episodios v7 no vistos:

Métrica	Valor
Accuracy	94,12 %
Recall COLISIÓN	94,08 %
Recall PRECAUCIÓN	91,34 %
ECE (error de calibración)	0,0021
Latencia (CPU)	2,6 ms

Comparado con el mismo modelo entrenado con el dataset v6 (200 K, sin fallos de sensor): recall de colisión 89,86 % → 94,08 % con arquitectura y presupuesto idénticos.

Limitaciones

• Sintético: refleja el modelo físico asumido, no una línea real. Antes de producción conviene reentrenar con grabaciones propias (el pipeline import_hf_data.py lo acepta).
• Un único tipo de conector y un solo modo de inserción; no cubre variantes de producto.
• El canal textual usa un vocabulario sintético de 1000 tokens, no lenguaje natural.

Cita

@misc{molexdatav7,
  author  = {Jorge Lopez},
  title   = {Molex DataFactory v7: precision connector insertion episodes with sensor faults},
  year    = {2026},
  note    = {Hugging Face dataset}
}

---

Generado el 14/10/2026 · reproducible con python data_gen_v7.py --samples {n} --seed {seed}