Fix: Modell-Manager Rollen-Taxonomie vereinheitlicht (5 Rollen) + echter Vocab-Check

- Rollen ueberall = fast/heavy/coder/vision/scout (eine Quelle der Wahrheit):
  sources.py CATEGORIES (agent/reasoning raus, fast/heavy rein), llamaswap.ROLE_IDS,
  maintenance ROLE_MAP entfernt (Discover-Rollen == Serving-Rollen), Discover.tsx
  ROLE_METADATA, ModelBadges.ROLES, ActiveModelsCard (stale reasoning-Farbe raus).
  Behebt: Discover zeigte "Reasoning"/"agent"; aus Discover installierte Modelle
  landeten in keinem Cockpit-Slot.
- gguf_meta: Vocab-Check jetzt ECHT - sha256 ueber die vollstaendige Token-Liste statt
  nur Metadaten. Familienunabhaengig (Qwen/Llama/Mistral/...). Verifiziert: Coder + Qwen3-0.6B
  byte-identisch (kompatibel), Qwen3.6 abweichend (inkompatibel), 0.11s/Scan.
- RolesCard SPEC-Badge -> spec_active (Konsistenz mit Cockpit).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

backend/services/gguf_meta.py

@@ -11,6 +11,7 @@ Fälle zu unterscheiden (Qwen2.5 vs Qwen3 vs Qwen3.6 etc.). Die llama.cpp-Prüfu
 beim Laden bleibt der letzte Schiedsrichter.
 """
 
+import hashlib
 import struct
 from functools import lru_cache
 
@@ -79,16 +80,26 @@ def _read_fingerprint(path: str) -> dict | None:
             r.u32()                 # version
             r.u64()                 # tensor_count
             kv_count = r.u64()
-            fp: dict = {"model": None, "pre": None, "arch": None, "n_vocab": None}
+            fp: dict = {"model": None, "pre": None, "arch": None, "n_vocab": None,
+                        "tokens_sha": None}
             for _ in range(kv_count):
                 key = r.gstr()
                 vtype = r.u32()
                 if key == "tokenizer.ggml.tokens" and vtype == _T_ARRAY:
                     etype = r.u32()
-                    fp["n_vocab"] = r.u64()
+                    count = r.u64()
-                    # Wir haben alles (model/pre kommen vor tokens) → abbrechen.
+                    fp["n_vocab"] = count
                     if etype != _T_STRING:
                         return None
+                    # ECHTE Vocab-Identität: sha256 über die tatsächliche Token-Liste
+                    # (familienunabhängig — funktioniert für Qwen, Llama, Mistral, …).
+                    h = hashlib.sha256()
+                    h.update(count.to_bytes(8, "little"))
+                    for _ in range(count):
+                        n = r.u64()
+                        h.update(r.read(n))
+                    fp["tokens_sha"] = h.hexdigest()
+                    # model/pre kommen vor tokens → wir haben alles. Abbrechen.
                     break
                 if key in _WANT_STRINGS and vtype == _T_STRING:
                     val = r.gstr()
@@ -112,12 +123,12 @@ def _cached(path: str, mtime: float, size: int) -> tuple | None:
     fp = _read_fingerprint(path)
     if fp is None:
         return None
-    return (fp.get("model"), fp.get("pre"), fp.get("n_vocab"), fp.get("arch"))
+    return (fp.get("model"), fp.get("pre"), fp.get("n_vocab"), fp.get("arch"), fp.get("tokens_sha"))
 
 
 def fingerprint(path: str) -> dict | None:
     """Tokenizer-Fingerprint eines GGUF (gecacht nach Pfad+mtime+size).
-    Returns dict(model, pre, n_vocab, arch) oder None wenn nicht lesbar."""
+    Returns dict(model, pre, n_vocab, arch, tokens_sha) oder None wenn nicht lesbar."""
     import os
     try:
         st = os.stat(path)
@@ -126,16 +137,18 @@ def fingerprint(path: str) -> dict | None:
     t = _cached(path, st.st_mtime, st.st_size)
     if t is None:
         return None
-    return {"model": t[0], "pre": t[1], "n_vocab": t[2], "arch": t[3]}
+    return {"model": t[0], "pre": t[1], "n_vocab": t[2], "arch": t[3], "tokens_sha": t[4]}
 
 
 def vocab_key(path: str) -> tuple | None:
-    """Vergleichsschlüssel für Vocab-Kompatibilität: (model, pre, n_vocab).
+    """ECHTER Vergleichsschlüssel für Vocab-Kompatibilität: (model, pre, n_vocab, sha256
-    Genau diese Identität verlangt llama.cpp für Speculative Decoding."""
+    der vollständigen Token-Liste). Vergleicht den TATSÄCHLICHEN Vokabular-Inhalt, nicht
+    nur Metadaten — familienunabhängig (Qwen, Llama, Mistral, …). Genau diese Identität
+    verlangt llama.cpp für Speculative Decoding."""
     fp = fingerprint(path)
-    if not fp or fp["n_vocab"] is None:
+    if not fp or fp["n_vocab"] is None or not fp.get("tokens_sha"):
         return None
-    return (fp["model"], fp["pre"], fp["n_vocab"])
+    return (fp["model"], fp["pre"], fp["n_vocab"], fp["tokens_sha"])
 
 
 def compatible(target_path: str, draft_path: str) -> bool | None:

backend/services/llamaswap.py

@@ -20,8 +20,9 @@ from config import (
 
 log = logging.getLogger(__name__)
 
-# Kanonische Rollen (vereinheitlicht ggü. v1: kein manager/reviewer mehr).
+# Kanonische Serving-Rollen — EINE Quelle der Wahrheit (identisch zu sources.ROLE_IDS,
-ROLE_IDS = {"vision", "coder", "agent", "scout"}
+# maintenance, frontend ModelBadges.ROLES). Kein agent/reasoning mehr.
+ROLE_IDS = {"fast", "heavy", "coder", "vision", "scout"}
 
 _CTX_RE = re.compile(r"-(?:c|-ctx-size)\s+(\d+)")
 _PATH_RE = re.compile(r"-(?:m|-model)\s+([^\s]+)")

backend/services/maintenance.py

@@ -169,18 +169,10 @@ def model_upgrades() -> list[dict]:
                     for s in (llamaswap.read_config().get("models") or {}).values())
     out = []
 
-    ROLE_MAP = {
+    # Discover-Rollen == Serving-Rollen (fast/heavy/coder/vision/scout) → kein Mapping mehr.
-        "agent": "fast",
-        "scout": "fast",
-        "coder": "coder",
-        "vision": "vision"
-    }
-
     for c in disc.get("categories", []):
-        disc_role = c["role"]
+        role = c["role"]
-        mapped_role = ROLE_MAP.get(disc_role, disc_role)
+        if role not in active_roles:        # nur Rollen, die bereits ein Modell haben
-        
-        if mapped_role not in active_roles:
             continue
 
         rec = c.get("recommended")
@@ -190,7 +182,7 @@ def model_upgrades() -> list[dict]:
         stem = base[:-5] if base.endswith("-gguf") else base
         if base in cmds or (stem and stem in cmds):
             continue
-        out.append({"role": mapped_role, "title": c["title"], "repo": rec})
+        out.append({"role": role, "title": c["title"], "repo": rec})
     return out
 
 

backend/services/sources.py

@@ -1,24 +1,31 @@
 """
 Vertrauenswürdige Quellen + Kategorien für die automatische Modell-Entdeckung.
-Portiert aus Mission Control v1 (sources.py). Rollen sind die EINE Quelle der
+Rollen = die EINE Quelle der Wahrheit, identisch zu den llama-swap-Serving-Rollen
-Wahrheit (vereinheitlicht): vision · coder · agent · scout.
+und der UI: fast · heavy · coder · vision · scout.
 """
 
 # HF-Orgs, die zuverlässig aktuelle, hochwertige GGUF-Quants veröffentlichen.
 TRUSTED_AUTHORS = ["unsloth", "bartowski", "ggml-org", "lmstudio-community"]
 
+# Kanonische Rollen — eine Quelle der Wahrheit (deckt sich mit llamaswap.ROLE_IDS,
+# maintenance.ROLE_MAP, frontend ModelBadges.ROLES + Discover.ROLE_METADATA).
+ROLE_IDS = ["fast", "heavy", "coder", "vision", "scout"]
+
 # Kategorien (Reihenfolge = Anzeige + Zuordnungs-Priorität). Ein Modell wird der
 # ERSTEN Kategorie zugeordnet, deren Stichwort im Repo-Namen vorkommt; sonst „scout".
-# Die `role` ist zugleich der Alias-Vorschlag und gehört zu ROLE_IDS.
+# Die `role` ist zugleich der Alias-Vorschlag und EINE der 5 kanonischen Rollen.
 CATEGORIES = [
     {"role": "vision", "title": "Bilder verstehen", "icon": "eye",
      "kw": ["-vl-", "-vl", "vision", "llava", "multimodal", "-mm-", "pixtral"]},
     {"role": "coder", "title": "Coden & Programmieren", "icon": "code",
      "kw": ["coder", "-code-", "code-", "codestral", "starcoder"]},
-    {"role": "agent", "title": "Agenten & Tool-Use", "icon": "layers",
+    {"role": "heavy", "title": "Schweres Reasoning", "icon": "brain",
-     "kw": ["hermes", "-tool", "command-r", "watt", "-fc-", "function"]},
+     "kw": ["reasoning", "-think", "thinking", "gpt-oss", "deepseek-r", "-r1", "qwq",
-    {"role": "scout", "title": "Allrounder & Chat", "icon": "compass",
+            "-70b", "-72b", "-120b", "-123b", "-235b", "-405b", "-a10b", "-a22b"]},
-     "kw": []},  # Fallback: instruct/chat-Modelle
+    {"role": "fast", "title": "Schnelles Alltags-Hirn", "icon": "zap",
+     "kw": ["-a3b", "-a1", "-a2", "-30b", "-32b", "-14b", "-8b", "-7b", "-4b", "-moe"]},
+    {"role": "scout", "title": "Multimodal-Allrounder", "icon": "compass",
+     "kw": []},  # Fallback: instruct/chat-Modelle, die in keine Spezialrolle fallen
 ]
 
 # Repo-Namensteile, die bei der Entdeckung übersprungen werden (Roh-/Spezialformate).

frontend/dist/index.html

@@ -7,7 +7,7 @@
     <link rel="manifest" href="/manifest.webmanifest" />
     <link rel="icon" type="image/svg+xml" href="/favicon.svg" />
     <title>Mission Control 2.0</title>
-    <script type="module" crossorigin src="/assets/index-D9tRIUA4.js"></script>
+    <script type="module" crossorigin src="/assets/index-CrPS-3Fn.js"></script>
     <link rel="stylesheet" crossorigin href="/assets/index-CjZVMvhL.css">
   </head>
   <body>

frontend/src/components/dashboard/ActiveModelsCard.tsx

@@ -8,7 +8,6 @@ const ROLE_TONE: Record<string, string> = {
   fast: "bg-cyan-500/15 text-cyan-400 border-cyan-500/25",
   heavy: "bg-amber-500/15 text-amber-400 border-amber-500/25",
   coder: "bg-violet-500/15 text-violet-400 border-violet-500/25",
-  reasoning: "bg-emerald-500/15 text-emerald-400 border-emerald-500/25",
   vision: "bg-pink-500/15 text-pink-400 border-pink-500/25",
   scout: "bg-teal-500/15 text-teal-400 border-teal-500/25",
   hermes: "bg-indigo-500/15 text-indigo-400 border-indigo-500/25",

frontend/src/components/dashboard/RolesCard.tsx

@@ -57,7 +57,7 @@ export function RolesCard() {
                               PC
                             </span>
                           )}
-                          {m.spec_draft_model && (
+                          {m.spec_active && (
                             <span className="text-[7px] leading-none font-mono font-bold bg-emerald-500/10 text-emerald-400 border border-emerald-500/20 px-1 py-0.5 rounded" title={`Speculative Decoding aktiv (Draft: ${m.spec_draft_model})`}>
                               SPEC
                             </span>

frontend/src/components/models/ModelBadges.tsx

@@ -1,7 +1,8 @@
 import { type Fit } from "@/lib/api"
 import { cn } from "@/lib/utils"
 
-export const ROLES = ["fast", "heavy", "coder", "agent", "vision", "scout"]
+// Die 5 kanonischen Serving-Rollen (identisch zu Backend sources.py/llamaswap.ROLE_IDS).
+export const ROLES = ["fast", "heavy", "coder", "vision", "scout"]
 
 export function FitBadge({ fit }: { fit: Fit }) {
   const tone = {

frontend/src/views/models/Discover.tsx

@@ -1,5 +1,5 @@
 import { useState } from "react"
-import { Download, Search, Star, Layers, Check, Bot, Eye, Code, Brain, Compass, ChevronDown, ChevronUp } from "lucide-react"
+import { Download, Search, Star, Layers, Check, Zap, Eye, Code, Brain, Compass, ChevronDown, ChevronUp } from "lucide-react"
 import { api } from "@/lib/api"
 import { useModels, useUpdates, useDiscover } from "@/lib/queries"
 import { cn } from "@/lib/utils"
@@ -7,30 +7,31 @@ import { fmtBytes } from "@/lib/format"
 import { FitBadge } from "@/components/models/ModelBadges"
 import { AddModel } from "./AddModel"
 
+// Die 5 kanonischen Rollen (identisch zu sources.py / ModelBadges.ROLES).
 const ROLE_METADATA: Record<string, { title: string; desc: string; icon: any }> = {
-  vision: {
+  fast: {
-    title: "Bilder & Vision",
+    title: "Schnelles Alltags-Hirn",
-    desc: "Verarbeitet Bilder, Screenshots und visuelle Diagramme in multimodalen Chats.",
+    desc: "Schnelle MoE-Antworten für Chat, Zusammenfassungen und alltägliche Aufgaben.",
-    icon: Eye
+    icon: Zap
+  },
+  heavy: {
+    title: "Schweres Reasoning",
+    desc: "Große Modelle für komplexe Logik, Mathematik und tiefgründiges Planen.",
+    icon: Brain
   },
   coder: {
     title: "Coden & Entwicklung",
     desc: "Autovervollständigung, Refactoring und Codegenerierung direkt in deiner IDE.",
     icon: Code
   },
-  reasoning: {
+  vision: {
-    title: "Logik & Nachdenken",
+    title: "Bilder & Vision",
-    desc: "Komplexe logische Gedankengänge, Mathematik und tiefgründiges Planen (Reasoning).",
+    desc: "Verarbeitet Bilder, Screenshots und visuelle Diagramme in multimodalen Chats.",
-    icon: Brain
+    icon: Eye
-  },
-  agent: {
-    title: "Autonomer Agent (Hermes)",
-    desc: "Führt selbstständig Terminalbefehle aus und interagiert mit deinem Homelab.",
-    icon: Bot
   },
   scout: {
-    title: "Allrounder & Chat",
+    title: "Multimodal-Allrounder",
-    desc: "Schnelle Antworten, Zusammenfassungen, Übersetzungen und alltägliche Fragen.",
+    desc: "Multimodaler Allrounder für schnelle Antworten, Übersetzungen und Alltag.",
     icon: Compass
   }
 }