editor de texto enriquecido nativo

 Analizando tu código, veo que estás utilizando un editor de texto enriquecido nativo del navegador mediante el elemento HTML con el atributo contenteditable="true" (en tu archivo index.html):

html
<div id="editor" contenteditable="true" spellcheck="true"></div>

Este es el editor de texto enriquecido más básico y nativo que puedes usar, que aprovecha la funcionalidad integrada del navegador.

Comentarios

Publicar un comentario

Entradas populares de este blog

Los 3 mejores LLMs ligeros y open source para tu caso

   Los 3 mejores LLMs ligeros y open source para tu caso 1. Phi-2 (Microsoft) Tamaño : ~2.7B parámetros. Rendimiento : Excelente comprensión de texto para su tamaño. Ideal para : Tareas de NLP como resumen, clasificación, QA. Requisitos : Funciona bien en CPU (8-16 GB RAM). Uso en Python : transformers + torch o ggml con llama-cpp-python . Ventajas : Entrenado en corpus limpio. Ligero y rápido en CPU. Instalación rápida : bash Copiar Editar pip install transformers torch python Copiar Editar from transformers import AutoTokenizer, AutoModelForCausalLM model = AutoModelForCausalLM.from_pretrained( "microsoft/phi-2" ) tokenizer = AutoTokenizer.from_pretrained( "microsoft/phi-2" ) 2. TinyLlama (1.1B) Tamaño : 1.1B parámetros. Modelo : Basado en arquitectura LLaMA optimizada. Rendimiento : Sorprendentemente bueno en tareas como resumen y chat general. Ventajas : Extremadamente ligero (corre en CPU sin problemas). ...
Leer más

Mistral 7B Instruct cuantizado

 Perfecto. Te explico cómo puedes usar Mistral 7B Instruct cuantizado (Q4) en tu computadora local (Core i5, 16 GB de RAM) usando Python y la biblioteca llama-cpp-python . Este modelo es excelente para generar resúmenes estructurados como actas de audiencia judicial. ✅ Requisitos Python 3.9+ Modelo cuantizado de Mistral 7B Instruct (formato GGUF, Q4 o Q5) Bibliotecas : llama-cpp-python , requests (opcional) 🔹 Paso 1: Instalar dependencias bash pip install llama-cpp-python Si usas Windows y tienes problemas con dependencias, instala con: bash pip install llama-cpp-python --extra-index-url https://abetlen.github.io/llama-cpp-python/whl/cpu 🔹 Paso 2: Descargar el modelo Ve a TheBloke/Mistral-7B-Instruct-v0.1-GGUF y descarga el archivo: ✅ mistral-7b-instruct-v0.1.Q4_K_M.gguf (versión ligera que funciona en CPU) Guárdalo en una carpeta, por ejemplo: bash Copiar Editar ./modelos/mistral-7b-instruct-v0.1.Q4_K_M.gguf 🔹 Paso 3: Script en Python para ge...
Leer más