Hitonabi
d2ab662146
Nutzer-Fund (Screenshots 03.07.): drei UI-Diskrepanzen im Modell-Manager. 1) Augen (VL-8B) hatten ttl 300 + fehlten im Warmup — standen also entgegen dem UI-Versprechen NICHT immer bereit. Jetzt ttl 0 (Box live + Snapshot) und Warmup-Default "fast vision". 2) Warn-Text beschrieb das alte Verdraengungs-Verhalten (seit persistent-Fix falsch) — jetzt: Set bleibt geladen, bei Ueberlauf scheitert das grosse Modell. 3) "Reserviert" als Vorsichts-Schaetzung/Obergrenze gekennzeichnet (68,8 GB Schaetzer vs. 25 GB real — Schaetzer-Umbau ist eigener Faden). Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
115 lines
4.5 KiB
YAML
115 lines
4.5 KiB
YAML
# Auto-generiert von provision.sh - per Mission Control erweiterbar
|
|
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.
|
|
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-mtp --spec-draft-n-max 3
|
|
ttl: 0
|
|
aliases:
|
|
- hermes
|
|
- fast
|
|
# context = nutzbarer Kontext PRO REQUEST (c geteilt durch parallel-Slots).
|
|
capabilities:
|
|
in: [text]
|
|
out: [text]
|
|
tools: true
|
|
context: 65536
|
|
Qwen3.5-122B-A10B:
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3.5-122B-A10B-GGUF/Q4_K_M/Qwen3.5-122B-A10B-Q4_K_M-00001-of-00003.gguf --host 127.0.0.1 --port ${PORT} -c 32768 -ngl 999 -fa on --no-mmap --jinja --cache-reuse 256 -cram 16384
|
|
ttl: 600
|
|
aliases:
|
|
- heavy
|
|
capabilities:
|
|
in: [text]
|
|
out: [text]
|
|
tools: true
|
|
context: 32768
|
|
Qwen3-Coder-Next:
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3-Coder-Next-GGUF/Qwen3-Coder-Next-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --jinja --cache-reuse 256 -cram 16384
|
|
ttl: 600
|
|
aliases:
|
|
- coder
|
|
capabilities:
|
|
in: [text]
|
|
out: [text]
|
|
tools: true
|
|
context: 131072
|
|
Qwen3-VL-8B-Instruct:
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3-VL-8B-Instruct-GGUF/Qwen3VL-8B-Instruct-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 32768 -ngl 999 -fa on --no-mmap --mmproj /srv/models/Qwen3-VL-8B-Instruct-GGUF/mmproj-Qwen3VL-8B-Instruct-F16.gguf --jinja
|
|
# ttl 0 (03.07.): Mitglied des Immer-bereit-Sets — ein Selbstauslöser widerspräche dem UI-Versprechen.
|
|
ttl: 0
|
|
aliases:
|
|
- vision
|
|
capabilities:
|
|
in: [text, image]
|
|
out: [text]
|
|
context: 32768
|
|
Qwen3-Embedding-0.6B:
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3-Embedding-0.6B-GGUF/Qwen3-Embedding-0.6B-Q8_0.gguf --host 127.0.0.1 --port ${PORT} --embedding --pooling last -ngl 999 -fa on --no-mmap -c 8192
|
|
ttl: 0
|
|
aliases:
|
|
- embed
|
|
Qwen3-Coder-30B-A3B-Instruct:
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3-Coder-30B-A3B-Instruct-GGUF/Qwen3-Coder-30B-A3B-Instruct-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --jinja --cache-reuse 256 -cram 16384
|
|
ttl: 300
|
|
aliases:
|
|
- coder-lite
|
|
capabilities:
|
|
in: [text]
|
|
out: [text]
|
|
tools: true
|
|
context: 131072
|
|
gpt-oss-120b:
|
|
# heavy-Kandidat (Bench 02.07.: tg 54-55 t/s vs. Qwen3.5-122B 23,5 t/s = 2,3x, 60 statt
|
|
# 73 GB). Noch OHNE heavy-Alias — erst Qualitaets-Check (deutsch/Reasoning), dann Entscheid.
|
|
cmd: |
|
|
llama-server -m /srv/models/gpt-oss-120b-GGUF/gpt-oss-120b-mxfp4-00001-of-00003.gguf --host 127.0.0.1 --port ${PORT} -c 32768 -ngl 999 -fa on --no-mmap --jinja --cache-reuse 256 -cram 16384
|
|
ttl: 600
|
|
capabilities:
|
|
in: [text]
|
|
out: [text]
|
|
tools: true
|
|
context: 32768
|
|
Qwen3-VL-30B-A3B-Instruct:
|
|
# vision-Upgrade-Kandidat (Bench 02.07.: tg 90-92 t/s, MoE 3B aktiv, stark auf GUI-Benchmarks).
|
|
# Noch OHNE vision-Alias — erst Screenshot-Qualitaets-Check, dann Entscheid (brains-Budget!).
|
|
cmd: |
|
|
llama-server -m /srv/models/Qwen3-VL-30B-A3B-Instruct-GGUF/Qwen3-VL-30B-A3B-Instruct-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 32768 -ngl 999 -fa on --no-mmap --mmproj /srv/models/Qwen3-VL-30B-A3B-Instruct-GGUF/mmproj-F16.gguf --jinja
|
|
ttl: 300
|
|
capabilities:
|
|
in: [text, image]
|
|
out: [text]
|
|
context: 32768
|
|
GLM-4.6V-Flash:
|
|
cmd: |
|
|
llama-server -m /srv/models/GLM-4.6V-Flash-GGUF/GLM-4.6V-Flash-Q4_K_M.gguf --host 127.0.0.1 --port ${PORT} -c 131072 -ngl 999 -fa on --no-mmap --mmproj /srv/models/GLM-4.6V-Flash-GGUF/mmproj-BF16.gguf --jinja
|
|
ttl: 300
|
|
aliases:
|
|
- scout
|
|
capabilities:
|
|
in: [text, image]
|
|
out: [text]
|
|
tools: true
|
|
context: 131072
|
|
groups:
|
|
brains:
|
|
swap: false
|
|
# llama-swap versteht NUR `persistent` (Verdrängungsschutz); `persist` ist der
|
|
# MC2-interne Lese-Key (API/UI) und wird von llama-swap ignoriert. Beide pflegen!
|
|
persist: true
|
|
persistent: true
|
|
members:
|
|
- Qwen3-Embedding-0.6B
|
|
- Qwen3-VL-8B-Instruct
|
|
- Qwen3.6-35B-A3B
|