chore(nlp): los ids de modelo viven en un solo sitio (#116)

[g-garciac2022]

Cierra #116.

Tres modelos, ocho declaraciones de su identificador repartidas por el
backend. Cambiar el modelo de una señal en un sitio y no en los otros dejaba las
dos fachadas —REST y MCP— respondiendo con modelos distintos al mismo titular,
y sin que nada fallara: los dos caminos seguían devolviendo una etiqueta válida.

Salió al preparar #115, que es precisamente un cambio de modelo.

Por qué no se había hecho antes

El TODO que lo registraba nombraba también el obstáculo: unificar leyendo de
MODEL_CARDS["name"] exigía normalizar antes ese campo, que valía
"facebook/bart-large-mnli" en tres fichas y "Léxico por reglas (…)" en dos.
Un solo campo intentando ser identificador de máquina y etiqueta para personas.

La separación

Campo	Quién lo consume	Ejemplo
signal	/analyze, para buscar la ficha de cada resultado	detect_clickbait
model_id	el orquestador y la tool, para construir la llamada	facebook/bart-large-mnli
name	la interfaz	BART-large MNLI (zero-shot por inferencia)

model_id es None en el léxico y el lineal: no son modelos descargables, y esa
distinción se consulta desde fuera. El campo entra también en FichaModelo, el
TypedDict que MCP publica como outputSchema de describe_models — si sólo
estuviera en el diccionario, el contrato publicado y la realidad divergirían.

Una divergencia que ya estaba ahí

IncoherenceDetector.MODEL decía "all-MiniLM-L6-v2" mientras su ficha decía
"sentence-transformers/all-MiniLM-L6-v2". Dos cadenas distintas para el mismo
modelo. Resolvían igual, así que no rompía nada y podía durar indefinidamente
con la divulgación diciendo una cosa y el código cargando otra.

Es el caso que mejor ilustra la issue: el daño de la duplicación no es que falle,
es que no falla.

Unificar no basta

Poner el id en un sitio no impide que vuelva a salir de ahí. Lo que lo impide es
un test que capture con qué modelo se llama de verdad por cada camino:
sustituye el backend por un espía, invoca las tools por el protocolo y las
señales por el orquestador, y compara lo capturado contra la ficha.

Y como un test de regresión que nunca se ha visto fallar no demuestra nada, se
verificó introduciendo cada divergencia posible:

tool MCP con otro id                                       lo caza
orquestador REST con otro id                               lo caza
detector con el nombre desnudo (la divergencia que HABÍA)  lo caza

Lo que sigue duplicado, a propósito

Las etiquetas candidatas ["clickbait", "factual news"] siguen en
orchestrator.py y en tool.py. Una ficha divulga qué es una señal, no cómo
se la invoca; y #115 sustituye ese modelo por un clasificador, que no lleva
etiquetas candidatas. Queda anotado en el código como decisión, no como olvido.

Un fichero que viaja de más

Incluye backend/evaluation/eval_candidatos.py, la comparativa de modelos que
sustenta la decisión de #115. No pertenece a esta issue; se adelanta aquí porque
#115 arranca inmediatamente después y el módulo ya está medido y verificado.

Verificación

192 tests pasan (dos nuevos), ruff y formato limpios.