Upload README.md with huggingface_hub

README.md

@@ -45,6 +45,29 @@ Medido sobre estos GGUF exactos servidos con llama.cpp. Script:
 [`agent_actions_eval.py`](https://github.com/lucasmella-stack/daimon) — los JSONs de
 resultados se generan antes de cada publicación.*
 
+### 🔍 Benchmarks de la comunidad (independientes de nuestro propio bench)
+
+Además del benchmark de agent-actions de arriba (que es nuestro propio esquema),
+corrimos Qwen3-4B-Instruct-2507 y este modelo contra benchmarks ESTÁNDAR de la comunidad,
+en las mismas condiciones exactas (misma cuantización GGUF, mismo serving,
+mismo harness) para que la comparación sea justa:
+
+| Benchmark | Base Qwen3-4B-Instruct-2507 | **Este modelo** | |
+|---|---|---|---|
+| HumanEval | 74.4% | **72.6%** | ❌ pierde |
+| MBPP | 82.5% | **75.0%** | ❌ pierde |
+| MMLU (subset) | 68.4% | **68.4%** | ➖ empata |
+| BFCL-lite (tool-calling estandar) | 76.0% | **76.5%** | ✅ gana |
+
+*HumanEval/MBPP: pass@1 con ejecución real de tests ocultos (no similitud de
+texto). MMLU: subset de 15 materias, precisión 0-shot. BFCL-lite: subset AST
+del Berkeley Function-Calling Leaderboard v3 (simple/multiple/parallel/
+parallel_multiple/irrelevance) — mide tool-calling en un esquema DISTINTO al
+nuestro. Si el fine-tune pierde en alguna dimensión, se muestra perdiendo:
+el LoRA se entrenó para el núcleo de Daimon (agent-actions), no es un
+fine-tune general-purpose, y ese trade-off queda documentado acá en vez de
+escondido.
+
 ### 🧠 Con qué se entrenó (por contribución)
 
 - **Acciones de agente (in-house, sintético)** — escenarios browser/computer/code con el