docs: add Spanish README

README.es-ES.md

@@ -0,0 +1,133 @@
+# LUT-based Mixed-Precision GEMM (mpGEMM)
+
+## Descripción General
+
+mpGEMM es una librería de Multiplicación de Matrices General (GEMM) de precisión mixta y alto rendimiento, optimizada para despliegues de IA en sistemas embebidos y con recursos restringidos. Aprovecha Tablas de Búsqueda (LUTs) precomputadas para acelerar la multiplicación de matrices de precisión mixta entre enteros de pocos bits (INT4) y FP16, mejorando significativamente la velocidad de inferencia y reduciendo la carga computacional.
+
+## Características Principales
+
+* **Computación de Precisión Mixta**: Soporta pesos cuantizados en INT4 combinados con matrices de activación en FP16.
+* **Optimización mediante Tablas de Búsqueda (LUT)**: Reemplaza la descuantización en tiempo de ejecución con búsquedas en LUT, reduciendo drásticamente la complejidad computacional.
+* **Soporte para Múltiples Backends**:
+
+  * GEMM Naive (INT y FP32)
+  * GEMM LUT optimizado con SIMD (AVX2)
+  * GEMM optimizado con Intel MKL
+* **Post-procesamiento**: Proporciona adición de bias y funciones de activación (ReLU, Sigmoid, Tanh, Linear).
+* **Herramientas de Benchmarking**: Incluye herramientas para la medición de latencia a través de diferentes tamaños de matriz y backends computacionales.
+* **Utilidades de Cuantización**: Funciones para cuantización/descuantización INT4.
+* **Integración de API de Python**: Integra a la perfección un backend en C++ con Python para facilitar su uso.
+
+## Instalación
+
+### Requisitos Previos
+
+* Python 3.10 o superior
+* Pybind11
+* Intel MKL (opcional, para computaciones FP32 aceleradas)
+
+### Compilación y Configuración
+
+```bash
+# Instalar dependencias
+sudo apt-get install python3-pybind11 intel-mkl-full
+
+# Clonar el repositorio
+git clone <repo_url>
+cd mpGEMM
+
+# Compilar el proyecto con MKL
+make USE_MKL=1
+
+## O compilar el proyecto sin MKL
+make
+```
+
+## Uso
+
+### Ejemplo de API de Python
+
+```python
+import mpgemm
+import numpy as np
+
+# === Paso 1: Inicializar motor ===
+gemm = mpgemm.Engine(backend="lut")  # opciones: "lut", "naive", "mkl"
+
+# === Paso 2: Preparar entradas ===
+M, K, N = 4, 4, 4  # Tamaño pequeño para demostración
+weights = np.random.randint(0, 16, (M, K), dtype=np.uint8)
+activations = np.random.randn(K, N).astype(np.float16)
+bias = np.random.randn(N).astype(np.float16)
+
+# === Paso 3: Generar LUT para int4 × fp16 ===
+gemm.generate_lut(bit_width=4)
+
+# === Paso 4: Multiplicación de matrices
+output = gemm.matmul(weights, activations, M=M, K=K, N=N)
+
+# === Paso 5: Post-procesamiento opcional ===
+output = gemm.add_bias(output, bias)
+output = gemm.apply_activation(output, "relu")
+
+# === Paso 6: Salida ===
+print("Output shape:", output.shape)
+print("Output values:\n", output)
+```
+
+Ejemplo completo: scripts/example.py
+
+### Benchmarking
+
+```bash
+# Ejecutar benchmarks integrados
+make run
+
+# Script de benchmarking automatizado (promediando múltiples ejecuciones)
+python3 scripts/benchmark.py --runs 10
+```
+
+## Estructura del Proyecto
+
+```
+mpGEMM/
+├── src/
+│   ├── matrix.hpp
+│   ├── matrix_ops.hpp
+│   ├── layout_policies.hpp
+│   ├── storage_policies.hpp
+│   ├── lut_utils.hpp
+│   ├── post_processing.hpp
+│   ├── quant_utils.hpp
+│   ├── gemm_engine.hpp
+│   └── bindings.cpp
+├── tests/
+│   ├── test_correctness.cpp
+│   ├── test_api.py
+│   └── run_benchmark.cpp
+├── scripts/
+│   └── benchmark.py
+├── doc/
+│   └── proposal.md
+├── .github/workflows/
+│   └── ci.yml
+├── Makefile
+└── README.md
+```
+
+## Pruebas y Verificación
+
+* **Pruebas de corrección**: Aseguran la precisión numérica de las operaciones matriciales.
+* **Pruebas de benchmark**: Comparan la latencia entre los backends naive, LUT y MKL.
+
+Ejecutar pruebas con:
+
+```bash
+make test
+make pytest
+```
+
+## Referencias
+
+* [DeepGEMM](https://openaccess.thecvf.com/content/CVPR2023W/ECV/papers/Ganji_DeepGEMM.pdf)
+* [T-MAC](https://arxiv.org/html/2407.00088v1)