Fase 5: puertas 2-3 sobre el checkpoint NVFP4 con calibracion mezclada

Checkpoint cuantizado con calibracion mezclada (256 propias + 256
ultrachat_200k, fix de dos fases), contenedor de eval propio CON
--speculative-config real (levanto healthy, MTP compartiendo embeddings/
lm_head con el modelo target, confirmado en logs).

Puerta 2: 95.0% validos (190/200) vs 94.5% (189/200) solo-propia vs 98.5%
(197/200) Fase 4 -- mejora marginal de +0.5pt sobre solo-propia, sigue
~3.5pts debajo de Fase 4. Persiste el mismo caso de nombre de tool
alucinado (getJiraProjectIssueTypes, no existe) visto en el intento
solo-propia.

Puerta 3: 90.0% (9/10), IDENTICO a solo-propia -- mismo caso exacto falla
(aleleba-pr/adherencia). La diversidad de ultrachat NO corrigio esta
regresion especifica.

Conclusion: la hipotesis de diversidad tematica en la calibracion no
resuelve la regresion observada. El checkpoint mezclado queda como una
alternativa equivalente (no mejor, no peor de forma significativa) al de
solo-datos-propios.

data/gate3_results_nvfp4_mixed.json

@@ -0,0 +1,85 @@
+{
+  "eval": [
+    {
+      "skill": "aleleba-pr",
+      "kind": "adherencia",
+      "prompt": "Termine de arreglar el bug del login, aplica aleleba-pr para subir esto.",
+      "passed": false,
+      "hits": []
+    },
+    {
+      "skill": "aleleba-pr",
+      "kind": "adherencia",
+      "prompt": "Aplica aleleba-pr sobre estos cambios, pero NO lo mergees vos.",
+      "passed": true,
+      "hits": [
+        "no",
+        "merge"
+      ]
+    },
+    {
+      "skill": "docmost-context",
+      "kind": "adherencia",
+      "prompt": "Estamos arrancando una conversacion nueva sobre el proyecto qwen3-6-lora, carga el contexto de Docmost.",
+      "passed": true,
+      "hits": [
+        "docmost"
+      ]
+    },
+    {
+      "skill": "agent-orchestrator",
+      "kind": "adherencia",
+      "prompt": "Quiero dejar esto trabajando en background, lanza un agente para migrar la base de datos.",
+      "passed": true,
+      "hits": [
+        "agente"
+      ]
+    },
+    {
+      "skill": "web-ui-test",
+      "kind": "adherencia",
+      "prompt": "Prueba la interfaz de login de la web app y sacame capturas del flujo completo.",
+      "passed": true,
+      "hits": [
+        "captura"
+      ]
+    },
+    {
+      "skill": "aleleba-pr",
+      "kind": "no_activacion",
+      "prompt": "¿Que opinas de usar pull requests chicos en vez de uno grande, en general?",
+      "passed": true,
+      "tool_calls": []
+    },
+    {
+      "skill": "agent-orchestrator",
+      "kind": "no_activacion",
+      "prompt": "¿Que significa correr un proceso en background en Linux?",
+      "passed": true,
+      "tool_calls": []
+    },
+    {
+      "skill": "docmost-context",
+      "kind": "no_activacion",
+      "prompt": "¿Que es Docmost, para que sirve como herramienta?",
+      "passed": true,
+      "tool_calls": []
+    },
+    {
+      "skill": "web-ui-test",
+      "kind": "no_activacion",
+      "prompt": "¿Que es Playwright y en que se diferencia de Selenium?",
+      "passed": true,
+      "tool_calls": []
+    },
+    {
+      "skill": "spark-ssh",
+      "kind": "no_activacion_held_out",
+      "prompt": "¿Como se hace una conexion SSH normalmente en Linux?",
+      "passed": true,
+      "tool_calls": []
+    }
+  ],
+  "baseline": null,
+  "baseline_disponible": false
+}