mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 14:24:42 +02:00
ALI YESILKAYA
1b85d4ee65
Le grounding RAG du STT ratait par intermittence (docs=0 → réponses génériques) parce que l'instance d'embedding :1238 partait à froid après une pause : la 1ʳᵉ requête mettait 5-8 s et dépassait le timeout 4 s du STT-server (recall + RAG doc). llama-embed-heartbeat : service systemd local sur gpu-01 qui envoie un petit embed à :1238 toutes les 20 s → le slot reste résident/chaud → la 1ʳᵉ vraie requête est rapide → docs>0 fiable. Pendant du llm-heartbeat (slot chat :1234), pour le slot embed. Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
47 lines
2.1 KiB
YAML
47 lines
2.1 KiB
YAML
---
|
|
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
|
|
llama_embed_n_gpu_layers: 99
|
|
llama_embed_pooling: "mean"
|
|
|
|
# Heartbeat embed — garde CHAUD le slot d'embedding (:1238). Sans ça, la 1ʳᵉ requête
|
|
# après une pause part à froid (slot GPU inactif) → latence qui dépassait le timeout 4 s
|
|
# du STT-server → recall mémoire vide ET RAG doc raté (docs=0). Petit embed périodique
|
|
# (modèle minuscule, ~10-50 ms GPU) → le slot reste résident. 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
|