# llama-server — Inférence LLM (gpu-01)

llama-server (llama.cpp compilé with ROCm 7.x) tourne en service systemd sur **gpu-01** (`192.168.10.20:1234`).
API 100% compatible OpenAI — remplace LM Studio pour l'inférence.

---

## Service systemd

```bash
# Depuis gpu-01
sudo systemctl status llama-server
sudo systemctl restart llama-server
sudo journalctl -u llama-server -f
sudo journalctl -u llama-server -n 50
```

---

## Modèle actuel

| Paramètre | Valeur |
|---|---|
| Modèle | Qwen2.5-14B-Instruct Q4_K_M |
| Alias API | `qwen2.5-14b-instruct` |
| Chemin | `/mnt/models/bartowski/Qwen2.5-14B-Instruct-GGUF/Qwen2.5-14B-Instruct-Q4_K_M.gguf` |
| Contexte | 16384 tokens (limité par VRAM — voir ci-dessous) |
| GPU offload | 99 layers (tout sur GPU) |
| Parallélisme | 1 slot (requis pour Hermes — voir bug parallel) |
| Embeddings | activés (`--embeddings --pooling mean`) |

### Contrainte VRAM (12 GB RX 6700XT)

| Élément | VRAM |
|---|---|
| Modèle Q4_K_M 14B | ~8 GB |
| KV cache à 16384 ctx | ~3 GB |
| **Total** | **~11 GB** ✅ |

À 32768 tokens de contexte, le KV cache monte à ~6 GB → total ~14 GB → segfault.
**Ne pas augmenter `llama_ctx_size` au-delà de 16384 pour le 14B.**

---

## Embeddings

llama-server expose `/v1/embeddings` avec `--embeddings --pooling mean`.
Le flag `--pooling mean` est obligatoire pour les LLM causaux (sinon : erreur 400
`Pooling type 'none' is not OAI compatible`).

```bash
# Test embeddings depuis storage-01
curl -s -X POST http://192.168.10.20:1234/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen2.5-14b-instruct","input":["test"]}' | jq '.data[0].embedding | length'
# → 5120 (dimension Qwen2.5-14B)
```

---

## Performances (RX 6700XT, ROCm 7.x)

| Métrique | Qwen2.5-7B | Qwen2.5-14B |
|---|---|---|
| Prefill | ~400 tok/s | ~200 tok/s |
| Génération | ~70 tok/s | ~35 tok/s |
| TTFT Hermes (15k tokens) | ~35s | ~75s |
| VRAM modèle | ~4 GB | ~8 GB |

---

## Validation API

```bash
# Depuis storage-01 ou n'importe quelle machine du LAN cluster
curl -s http://192.168.10.20:1234/v1/models | jq '.data[].id'

# Test inférence rapide
curl http://192.168.10.20:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen2.5-14b-instruct",
    "messages": [{"role": "user", "content": "Dis bonjour"}],
    "max_tokens": 50
  }'
```

---

## Changer de modèle

1. Modifier `host_vars/gpu-01/vars.yml` :
   ```yaml
   llama_model_path: "/mnt/models/bartowski/NouveauModele.gguf"
   llama_model_alias: "nouveau-alias"
   llama_ctx_size: 16384   # ajuster selon VRAM disponible
   ```

2. Redéployer :
   ```bash
   ansible-playbook -i inventory.yml playbooks/gpu-01.yml --tags llama_server
   ```

3. Mettre à jour LiteLLM (alias `hermes-default`) :
   ```bash
   ansible-playbook -i inventory.yml playbooks/storage-01.yml --tags litellm
   ```

---

## Build (source)

```bash
# Sur gpu-01 — rebuild si besoin
cd /opt/llama.cpp
git pull
cmake -B build \
  -DGGML_HIP=ON \
  -DAMDGPU_TARGETS=gfx1030 \
  -DCMAKE_BUILD_TYPE=Release \
  -DCMAKE_HIP_COMPILER=/opt/rocm/llvm/bin/clang++ \
  -DCMAKE_PREFIX_PATH=/opt/rocm
cmake --build build --target llama-server -j$(nproc)
sudo systemctl restart llama-server
```

---

## Points d'attention

| Sujet | Détail |
|---|---|
| GPU non officiel | RX 6700XT (gfx1031) — `HSA_OVERRIDE_GFX_VERSION=10.3.0` dans le service |
| ROCm version | 7.2.3 — libs dans `/opt/rocm` |
| VRAM limite | 14B + 16k ctx = ~11 GB — ne pas dépasser 16384 tokens |
| parallel=1 obligatoire | `--parallel 4` divise le ctx en slots → contexte insuffisant pour Hermes |
| pooling mean obligatoire | sans `--pooling mean` l'endpoint `/v1/embeddings` retourne erreur 400 |
| Gemma 4 interdit | Crash ROCm sur prompts >800 tokens |
| Modèles sur NFS | `/mnt/models` monté depuis storage-01 (NFS) |