Feat: kuratierter Modell-Katalog (Cookbook) - korrekte Metadaten statt Namens-Raterei

Inspiriert von Odysseus' Cookbook: backend/models_catalog.json mit echten Metadaten
(total/active params, moe, generation) je Rolle. services/catalog.py: Laden, Name-Match,
MoE-bewusstes Scoring (Wissen + Tempo via tps -> MoE-first auf der bandbreiten-Box), Fit.
- discover.py: Empfehlung jetzt KATALOG-FIRST (kuratiert, korrekt), HF-Dynamik als Ergaenzung/Fallback.
- maintenance.model_upgrades: Metadaten aus Katalog -> praezise Familie/Generation/Groesse + MoE-first
  (dense ersetzt MoE nur bei grossem Wissens-Sprung). Behebt Coder-Next=7B-Fehlschaetzung,
  Qwen2.5-VL-Generations-Downgrade, falsches dense-scout-Upgrade.
- fit.py: MXFP4/FP8/AWQ in der Quant-Tabelle.

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

backend/services/discover.py

@@ -19,6 +19,7 @@ import httpx
 import logging
 
 from config import DISCOVER_CACHE_PATH, DISCOVER_TTL
+from services import catalog
 from services.caps import capabilities
 from services.fit import evaluate_fit, extract_params_b, max_ctx_for
 from services.sources import CATEGORIES, SKIP_TOKENS, TRUSTED_AUTHORS
@@ -100,7 +101,7 @@ def refresh_discover(ram_gb: float) -> dict:
                 continue
             seen.add(rid)
             raw.append(m)
-    if ok == 0:
+    if ok == 0 and not catalog.entries():
         raise RuntimeError("Keine Quelle erreichbar.")
 
     by_cat: dict[str, list] = {c["role"]: [] for c in CATEGORIES}
@@ -125,15 +126,25 @@ def refresh_discover(ram_gb: float) -> dict:
 
     cats = []
     for c in CATEGORIES:
-        items = by_cat[c["role"]]
-        ranked = rank_runnable(items)
-        # Top 4 je Kategorie = die best-gerankten (fähigstes-was-passt zuerst).
-        top = ranked[:4]
-        if top:
+        role = c["role"]
+        # 1) KATALOG zuerst (kuratierte, korrekte Metadaten, MoE-bewusst gerankt) —
+        #    macht die Empfehlung präzise statt Namens-Raterei.
+        cat_entries = sorted(catalog.entries_for_role(role),
+                             key=lambda e: -catalog.stack_score(e, ram_gb))
+        cat_models = [m for m in (catalog.to_model_dict(e, ram_gb) for e in cat_entries)
+                      if m["fit"]["level"] != "too_tight"]
+        # 2) HF-Dynamik als Ergänzung (nicht-kuratierte Funde), dedupliziert.
+        hf_ranked = rank_runnable(by_cat[role])
+        seen = {catalog._norm(m["repo"]) for m in cat_models}
+        extra = [h for h in hf_ranked if catalog._norm(h["repo"]) not in seen]
+        combined = cat_models + extra
+        if combined:
             cats.append({
-                "role": c["role"], "title": c["title"], "icon": c["icon"],
-                "models": top,
-                "recommended": ranked[0]["repo"] if ranked else None,
+                "role": role, "title": c["title"], "icon": c["icon"],
+                "models": combined[:6],
+                # Empfehlung = bester KURATIERTER Eintrag, sonst beste HF-Fundstelle.
+                "recommended": (cat_models[0]["repo"] if cat_models
+                                else (hf_ranked[0]["repo"] if hf_ranked else None)),
             })
 
     data = {"updated": time.time(), "categories": cats}