---
llama_server_port: 1234
llama_server_host: "0.0.0.0"
llama_amdgpu_targets: "gfx1030"
rocm_path: "/opt/rocm"
hsa_override_gfx_version: "10.3.0"

# Modèle à charger au démarrage
llama_model_path: ""
llama_model_alias: ""
llama_ctx_size: 32768
llama_n_gpu_layers: 99
llama_parallel: 1
llama_embeddings: true
llama_pooling: "mean"

# Instance dédiée embeddings (modèle spécialisé, ex. nomic-embed-text) — séparée du
# serveur de chat :1234. Désactivée par défaut ; activée via host_vars (gpu-01).
# Partage le même binaire /opt/llama.cpp et le même GPU (modèle minuscule, ~300 Mo VRAM).
llama_embed_enabled: false
llama_embed_port: 1238
llama_embed_model_path: ""          # chemin GGUF sur /mnt/models (NFS)
llama_embed_model_url: ""           # URL de téléchargement (HuggingFace) — get_url si absent
llama_embed_model_alias: "nomic-embed-text"
llama_embed_ctx_size: 2048
# Batch physique (ubatch) = contexte : en mode --embeddings avec pooling, toute l'entrée doit
# tenir dans UN seul ubatch. Le défaut llama.cpp (512) fait échouer en HTTP 500 tout chunk
# > 512 tokens (« input too large to process. increase the physical batch size ») — c'est ce
# qui faisait rater ~46 chunks du RAG (CHUNK_MAX=2000 chars ≈ 700 tokens). Aligné sur ctx-size.
llama_embed_ubatch_size: 2048
# CPU par défaut (0 couche GPU). nomic-embed-text est minuscule (137M) → ~100 ms en CPU,
# DÉTERMINISTE. Sur GPU (99) il partage la RX 6700XT avec le chat qwen3-8b (:1234) et tombe
# dans la file derrière une génération → latence BIMODALE (16 ms ou 9-12 s, voire timeout) →
# dépasse le budget recall 4 s du STT-server → docs=0 intermittent. Le CPU découple
# totalement l'embed du slot chat. Cf. admin/incidents-llm-gpu.md.
llama_embed_n_gpu_layers: 0
llama_embed_pooling: "mean"

# Heartbeat embed — sonde de vivacité du slot :1238 (petit embed périodique). Depuis le
# passage en CPU (llama_embed_n_gpu_layers: 0), le slot ne refroidit plus et ne subit plus
# la contention GPU → le heartbeat sert surtout de probe (logge les KO). Cf. admin/ia/stt.md.
llama_embed_heartbeat_enabled: true
llama_embed_heartbeat_interval: 20  # s entre deux pings (< idle avant refroidissement)
llama_embed_heartbeat_timeout: 15   # s max par ping

# Watchdog — auto-réparation du llama-server figé (wedge ROCm gfx1031).
# Sonde une VRAIE génération sur :1234 (pas seulement /health, qui ment quand le
# slot d'inférence est bloqué — cf. admin/incidents-llm-gpu.md). Sur N échecs
# consécutifs → `systemctl restart llama-server` en local (tourne en root).
llama_watchdog_enabled: true
llama_watchdog_port: "{{ llama_server_port }}"
llama_watchdog_model: "{{ llama_model_alias }}"
llama_watchdog_service: "llama-server"
llama_watchdog_interval: 20         # s entre deux sondes
llama_watchdog_timeout: 15          # s max par sonde (génération triviale)
llama_watchdog_failures: 3          # échecs consécutifs avant restart