radar: mehrdeutigen Ablenker im Pruefstand entschaerft, Baseline-Cache kennt den Probenstand

Der Ablenker "system_speicher" passte zur Platz-Frage besser als die erwartete Antwort
(das Live-Hirn waehlte ihn am 23.09.). Weil schon ein Vorteil fuer "bestanden" reicht,
haette dieses Rauschen allein einen Kandidaten durchbringen koennen. Aendern sich die
Proben, misst baseline() jetzt neu statt alte Werte zu vergleichen. Dazu: uebersprungene
Radar-Eintraege zeigen kein "passt nicht" mehr.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

deploy/bench/pruefstand.py

@@ -60,6 +60,9 @@ SERVER_LOG = os.path.join(tempfile.gettempdir(), "pruefstand-server.log")
 HERMES = os.path.expanduser("~/.local/bin/hermes")
 
 CTX_STANDARD = 65536
+# Stand der Proben. Ändern sich Aufgaben oder Werkzeuge, ist eine gecachte Baseline nicht mehr
+# vergleichbar — baseline() misst dann neu. Bei jeder Änderung an den Proben hochzählen.
+PRUEFSTAND_VERSION = 2
 # Flags wie am 17.09. (der Kontext kommt je Kandidat dazu): voller GPU-Offload, Flash-Attention,
 # kein mmap (--load-mode none, das alte --no-mmap gibt es seit b10936 nicht mehr), ein Slot,
 # KV-Cache q8_0 wie im Betrieb.
@@ -236,7 +239,7 @@ _ABLENKER = {
     "nerdquiz": ("NerdQuiz", ("frage_holen", "punkte")),
     "projekt": ("Projekte", ("status", "anlegen")),
     "modell": ("KI-Modelle", ("auflisten", "laden")),
-    "system": ("Box-System", ("temperatur", "speicher", "prozesse")),
+    "system": ("Box-System", ("temperatur", "arbeitsspeicher", "prozesse")),   # nicht „speicher“: klang nach Platte
     "datei": ("Dateien", ("suchen", "kopieren", "verschieben")),
     "aufgabe": ("Aufgaben", ("anlegen", "erledigen", "auflisten")),
     "browser": ("Browser-Tabs", ("auflisten", "schliessen")),
@@ -951,7 +954,8 @@ def baseline(rolle: str, cache_pfad: str, *, kennung: str, bild: bool = False, f
     Rückgabe {"kennung", "zeit", "werte"} oder None, wenn es weder Cache noch Messung gibt."""
     cache = _lies_json(cache_pfad)
     eintrag = cache.get(rolle) if isinstance(cache.get(rolle), dict) else None
-    passend = eintrag if eintrag and eintrag.get("kennung") == kennung else None
+    passend = (eintrag if eintrag and eintrag.get("kennung") == kennung
+               and eintrag.get("version") == PRUEFSTAND_VERSION else None)
     if passend and time.time() - float(passend.get("zeit") or 0) < max_alter_tage * 86400:
         return passend
     protokoll(f"  Baseline {rolle} wird neu gemessen ({modell or ALIAS[rolle]} über llama-swap)")
@@ -962,7 +966,7 @@ def baseline(rolle: str, cache_pfad: str, *, kennung: str, bild: bool = False, f
     except Exception as e:
         protokoll(f"  Baseline {rolle} nicht messbar: {e}")
         return passend   # lieber einen Monat alt als gar nicht vergleichen
-    neu = {"kennung": kennung, "zeit": time.time(), "werte": werte}
+    neu = {"kennung": kennung, "version": PRUEFSTAND_VERSION, "zeit": time.time(), "werte": werte}
     cache[rolle] = neu
     _schreibe_json(cache_pfad, cache)
     return neu