Smart router que clasifica tareas en 8 categorías y rutea entre modelo local (gratis) y Fireworks API (mínimo tokens).
| Categoría | Fuente | Razón |
|---|---|---|
| factual_knowledge | Modelo local (3B GGUF) | Conocimiento básico, modelo pequeño resuelve |
| mathematical_reasoning | Fireworks API | Aritmética precisa, sin alucinaciones |
| sentiment_classification | Modelo local | Clasificación simple positive/negative/neutral |
| text_summarisation | Modelo local | Resumir texto es tarea de compresión |
| named_entity_recognition | Modelo local | Extracción de entidades parseable |
| code_debugging | Fireworks API | Requiere razonamiento profundo de código |
| logical_deductive_reasoning | Fireworks API | Constraints complejos con deducción |
| code_generation | Fireworks API | Generación de código precisa y correcta |
- Clasificación heurística: cero tokens
- 4 categorías van a modelo local: cero tokens
- 4 categorías van a API con system prompts ultra concisos
- max_tokens ajustado por categoría (128-512)
Pipeline completo de descarga → extracción de frames → análisis → generación de captions en 4 estilos.
- formal: Profesional, objetivo, factual
- sarcastic: Seco, irónico, ligeramente burlón
- humorous_tech: Gracioso con referencias tech/programación
- humorous_non_tech: Humor cotidiano sin jerga técnica
- Descarga de video (urllib + ffmpeg fallback)
- Extracción de frames con ffmpeg (6 frames por defecto)
- Detección de escena por URL filename + análisis de frames
- Generación de captions con prompts especializados por estilo
# Build both images
./build.sh all
# Build individual tracks
./build.sh track1
./build.sh track2
# Test locally
./build.sh test
# Push to registry (set DOCKER_REGISTRY env var)
export DOCKER_REGISTRY=ghcr.io/sase-team
./build.sh push- Track 1: ~3-4 GB (modelo GGUF 3B Q4_K_M incluido)
- Track 2: ~500 MB (solo ffmpeg + Python stdlib)
- Ambos bajo el límite de 10 GB del hackathon