From ff795ba02697ae23f5b82da690a220e6d59de7c5 Mon Sep 17 00:00:00 2001 From: Hitonabi Date: Fri, 14 Aug 2026 18:07:31 +0200 Subject: [PATCH] feat(models): Upgrade auf Qwen 3.8 27B als neues Hermes-Gehirn und Fast-Modell --- backend/models_catalog.json | 5 +++++ deploy/llama-swap.config.yaml | 24 +++++++++++++++--------- 2 files changed, 20 insertions(+), 9 deletions(-) diff --git a/backend/models_catalog.json b/backend/models_catalog.json index c6c7fb3..efb4410 100644 --- a/backend/models_catalog.json +++ b/backend/models_catalog.json @@ -2,6 +2,11 @@ "_comment": "Kuratierter Modell-Katalog (Cookbook) für Strix Halo / Ryzen AI MAX+ 395 — 128GB unified, bandbreiten-limitiert (256 GB/s). MoE-first. EINE Quelle der Wahrheit für KORREKTE Metadaten (total/active params, moe, generation) → präzise Empfehlungen ohne Namens-Raterei. Inspiriert vom Odysseus-Cookbook (statischer, validierter Katalog statt Live-Scraping). Erweiterbar: neue Modelle hier eintragen. Felder: name (Match-Identifier), repo (HF org/name für Install), family (+Subtyp), generation (numerisch, für Upgrade-Vergleich), total_params_b, active_params_b (=total bei dense), moe, quant, ctx (empfohlen), tools, vision.", "version": "2026-07-03", "models": [ + { + "role": "fast", "name": "Qwen3.8-27B", "repo": "unsloth/Qwen3.8-27B-GGUF", + "family": "qwen", "generation": 3.8, "total_params_b": 27, "active_params_b": 27, + "moe": false, "quant": "Q4_K_M", "ctx": 65536, "tools": true, "vision": true + }, { "role": "fast", "name": "Qwen3.6-35B-A3B", "repo": "Qwen/Qwen3.6-35B-A3B-GGUF", "family": "qwen", "generation": 3.6, "total_params_b": 35, "active_params_b": 3, diff --git a/deploy/llama-swap.config.yaml b/deploy/llama-swap.config.yaml index 9b41679..48dfc57 100644 --- a/deploy/llama-swap.config.yaml +++ b/deploy/llama-swap.config.yaml @@ -3,19 +3,25 @@ healthCheckTimeout: 300 globalTTL: 0 models: - Qwen3.6-35B-A3B: - # parallel 2 + c 131072: 2 Slots à 65k (Slot 2 = Mem0-Lern-Extraktion, blockiert Voice-Turns - # nicht mehr); KV Q8_0 macht das speicherneutral zu vorher (65k f16). Bench 2026-07-02: - # Q8_0 kostet 0 t/s, MTP n-max 3 = +26% vs. ohne Spec. (Q4_K-KV stand mal im Template, - # lief aber NIE live — bewusst bei Q8_0 geblieben: Qualität vor ein paar GB, seit der - # Warm-Set-Diät 07.07. ist RAM nicht mehr der Engpass.) + Qwen3.8-27B: + # Qwen 3.8 27B: Dichtes 27B-Modell mit hybrider Linear-Attention (48/64 Schichten linear), + # nativem Multimodal-Support (mmproj-BF16), Tool-Calling via --jinja. + # parallel 2 + c 131072: 2 Slots à 65k (Slot 2 = Mem0-Lern-Extraktion); KV Q8_0 für hohe Qualität. cmd: | - llama-server -m /srv/models/Qwen3.6-35B-A3B-MTP-GGUF/Qwen3.6-35B-A3B-UD-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --jinja --parallel 2 -cram 16384 -ctk q8_0 -ctv q8_0 --spec-type draft-dflash --spec-draft-model /srv/models/Qwen3.6-35B-A3B-DFlash-GGUF/giocom-Qwen3.6-35B-A3B-DFlash-Q8_0.gguf + llama-server -m /srv/models/Qwen3.8-27B-GGUF/Qwen3.8-27B-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --mmproj /srv/models/Qwen3.8-27B-GGUF/mmproj-BF16.gguf --jinja --parallel 2 -cram 16384 -ctk q8_0 -ctv q8_0 ttl: 0 aliases: - hermes - fast - # context = nutzbarer Kontext PRO REQUEST (c geteilt durch parallel-Slots). + capabilities: + in: [text, image] + out: [text] + tools: true + context: 65536 + Qwen3.6-35B-A3B: + cmd: | + llama-server -m /srv/models/Qwen3.6-35B-A3B-MTP-GGUF/Qwen3.6-35B-A3B-UD-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --jinja --parallel 2 -cram 16384 -ctk q8_0 -ctv q8_0 --spec-type draft-dflash --spec-draft-model /srv/models/Qwen3.6-35B-A3B-DFlash-GGUF/giocom-Qwen3.6-35B-A3B-DFlash-Q8_0.gguf + ttl: 300 capabilities: in: [text] out: [text] @@ -112,4 +118,4 @@ groups: members: - Qwen3-Embedding-0.6B - Qwen3-Reranker-0.6B - - Qwen3.6-35B-A3B + - Qwen3.8-27B