import os _ROOT = os.path.abspath(os.path.join(os.path.dirname(__file__), '..')) # ─── Modelos ───────────────────────────────────────────────────────────────── TROCR_MODEL_PATH = os.getenv("TROCR_MODEL_PATH", os.path.join(_ROOT, "data", "models", "trocr_finetuned")) # Modelo Qwen para los comentarios (coach fine-tuned con LoRA, en GGUF). # QWEN_MODEL_PATH es la ruta LOCAL del archivo. Si ese archivo no existe (p. ej. # en el deploy, donde el GGUF no está en el repo por peso), qwen.py lo descarga # automáticamente de QWEN_COACH_REPO en HF Hub — mismo patrón que TrOCR. _QWEN_COACH = os.path.join(_ROOT, "data", "models", "qwen-coach-q4_k_m.gguf") QWEN_MODEL_PATH = os.getenv("QWEN_MODEL_PATH") or _QWEN_COACH # Repo público de HF Hub con el GGUF del coach. AJUSTA al nombre real de tu repo. QWEN_COACH_REPO = os.getenv("QWEN_COACH_REPO", "SamilG2/qwen-coach-checkscan") QWEN_COACH_FILENAME = os.getenv("QWEN_COACH_FILENAME", "qwen-coach-q4_k_m.gguf") # ─── Stockfish (motor UCI) ─────────────────────────────────────────────────── # En Windows colocar stockfish.exe en backend/engines/ (ver AGENTS.md). _DEFAULT_STOCKFISH = os.path.join(os.path.dirname(__file__), "engines", "stockfish.exe" if os.name == "nt" else "stockfish") STOCKFISH_PATH = os.getenv("STOCKFISH_PATH", _DEFAULT_STOCKFISH) STOCKFISH_DEPTH = int(os.getenv("STOCKFISH_DEPTH", "15")) STOCKFISH_THREADS = int(os.getenv("STOCKFISH_THREADS", "2")) STOCKFISH_HASH_MB = int(os.getenv("STOCKFISH_HASH_MB", "256")) # ─── TrOCR (inferencia) ────────────────────────────────────────────────────── # Batch size para transcribir celdas (mayor → menos forward passes, más RAM). TROCR_BATCH_SIZE = int(os.getenv("TROCR_BATCH_SIZE", "8")) # Cuantización INT8 dinámica en CPU (3-4x más rápido, <1% pérdida de accuracy). # Se desactiva automáticamente si hay GPU CUDA disponible. TROCR_QUANTIZE = os.getenv("TROCR_QUANTIZE", "auto").lower() # "auto" | "true" | "false" # ─── Modelo de comentarios (entrenador) ────────────────────────────────────── # Selecciona qué modelo genera la retroalimentación estratégica por jugada: # "deterministic" → Experimento A: modelo determinístico propio (modules.deterministic) # "qwen" → Experimento B: LLM Qwen2.5 (modules.llm) # Ambos son intercambiables; se conserva Qwen para la comparación (DO-002). COACH_MODEL = os.getenv("COACH_MODEL", "deterministic").lower() # ─── App ───────────────────────────────────────────────────────────────────── MAX_UPLOAD_MB = 10 ALLOWED_EXTENSIONS = {"jpg", "jpeg", "png"}