Fix: "Modelle finden" bevorzugt faehigste passende Modelle (kein Downgrade) + Rollen-Farben zentral

- discover.rank_runnable: rankt jetzt fit-level > params_b(desc) > downloads -> fuer die
  128GB-Box wird das faehigste passende (MoE-)Modell empfohlen statt kleiner Populaer-Modelle.
  Top-4-Anzeige nutzt dasselbe Ranking.
- maintenance.model_upgrades: schlaegt KEIN Downgrade mehr vor (rec.params_b >= installiert*0.95).
  Behebt: fast 35B-A3B -> 4B wurde faelschlich als Upgrade angeboten.
- Frontend: Rollen-Farb-Mapping zentralisiert in ModelBadges (ROLE_TONE/roleTone);
  Cockpit/RolesCard/ActiveModelsCard nutzen es statt eigener Duplikate.

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

backend/services/discover.py

@@ -47,12 +47,18 @@ def _fetch_author_models(author: str) -> list:
 
 
 def rank_runnable(models: list[dict]) -> list[dict]:
-    """EINE Quelle der Wahrheit fürs Ranking lauffähiger Modelle:
-    bestes Fit-Level zuerst (perfect < marginal), bei Gleichstand meistgeladen.
-    Zu große Modelle (too_tight) fliegen raus."""
+    """EINE Quelle der Wahrheit fürs Ranking lauffähiger Modelle für DIESE Hardware:
+    1) nur was komfortabel passt (perfect vor marginal, too_tight fliegt raus),
+    2) das FÄHIGSTE zuerst — mehr Parameter = mehr Können (bei MoE bleibt es dank
+       aktiver-Param-Schätzung schnell),
+    3) bei Gleichstand das meistgeladene.
+    So bevorzugt die 128-GB-Box große (MoE-)Modelle statt kleiner Populär-Modelle —
+    und „Modelle finden" schlägt nie ein Downgrade vor (z.B. 35B-A3B → 4B)."""
     return sorted(
         [m for m in models if m["fit"]["level"] != "too_tight"],
-        key=lambda m: (_FIT_ORDER[m["fit"]["level"]], -int(m.get("downloads") or 0)),
+        key=lambda m: (_FIT_ORDER[m["fit"]["level"]],
+                       -float(m.get("params_b") or 0.0),
+                       -int(m.get("downloads") or 0)),
     )
 
 
@@ -97,9 +103,8 @@ def refresh_discover(ram_gb: float) -> dict:
     for c in CATEGORIES:
         items = by_cat[c["role"]]
         ranked = rank_runnable(items)
-        # Top 4 je Kategorie (für die Anzeige) — gerankt, dann nach Downloads aufgefüllt.
-        items.sort(key=lambda x: (x["fit"]["level"] != "too_tight", x["downloads"]), reverse=True)
-        top = items[:4]
+        # Top 4 je Kategorie = die best-gerankten (fähigstes-was-passt zuerst).
+        top = ranked[:4]
         if top:
             cats.append({
                 "role": c["role"], "title": c["title"], "icon": c["icon"],

backend/services/maintenance.py

@@ -164,6 +164,12 @@ def model_upgrades() -> list[dict]:
 
     installed = llamaswap.list_models()
     active_roles = {m["role"] for m in installed if m.get("role")}
+    # Größtes installiertes Modell je Rolle (params_b) — Basis für „kein Downgrade".
+    inst_params: dict[str, float] = {}
+    for m in installed:
+        r, pb = m.get("role"), (m.get("capabilities") or {}).get("params_b")
+        if r and pb:
+            inst_params[r] = max(inst_params.get(r, 0.0), float(pb))
 
     cmds = " ".join(str(s.get("cmd", "")).lower()
                     for s in (llamaswap.read_config().get("models") or {}).values())
@@ -178,6 +184,14 @@ def model_upgrades() -> list[dict]:
         rec = c.get("recommended")
         if not rec:
             continue
+        # KEIN Downgrade: Empfehlung nur, wenn sie mind. so „groß"/fähig ist wie das
+        # installierte Modell der Rolle (verhindert z.B. fast 35B-A3B → 4B).
+        rec_model = next((x for x in c.get("models", []) if x.get("repo") == rec), None)
+        rec_params = float((rec_model or {}).get("params_b") or 0.0)
+        cur = inst_params.get(role, 0.0)
+        if cur and rec_params and rec_params < cur * 0.95:
+            continue
+
         base = rec.split("/")[-1].lower()
         stem = base[:-5] if base.endswith("-gguf") else base
         if base in cmds or (stem and stem in cmds):