mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 12:44:41 +02:00
ALI YESILKAYA
de1cd6c407
Le `dnf upgrade` du rôle common avait bumpé gpu-01 en AlmaLinux 9.8, mais repo.radeon.com ne publie pas latest/rhel/9.8 (ni 9.5) — seulement 9.4/9.6/9.7. `make apply-gpu` échouait alors dès `common` sur « Cannot download repomd.xml » pour le repo amdgpu. - rocm_rhel_version 9.4 → 9.7 (dernière mineure publiée par radeon) + piège documenté dans le README rocm (avec workaround live /etc/dnf/vars/amdgpudistro). - Pin llama_server_commit au commit construit sur g01 : sans pin le rôle clonait HEAD → rebuild (~15 min) + restart GPU non déterministe à chaque apply. - Réconciliation du drop-in llama-embed (ubatch 2048) dans l'unit rendu par le rôle (apply ciblé) ; drop-in temporaire supprimé. RAG validé (rag-query OK). - Doc : etat-cluster + journal 2026-06-22 mis à jour. Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
61 lines
3.3 KiB
YAML
61 lines
3.3 KiB
YAML
---
|
|
llama_server_port: 1234
|
|
llama_server_host: "0.0.0.0"
|
|
llama_amdgpu_targets: "gfx1030"
|
|
# Commit llama.cpp pinné. Sans pin, le rôle clonait HEAD → chaque `make apply-gpu` pouvait se
|
|
# déclarer « changed » et déclencher un rebuild complet (~15 min) + restart du llama-server GPU,
|
|
# de façon non déterministe. Pinné = build reproductible et apply idempotent. Pour monter de
|
|
# version : bumper ce SHA puis relancer un apply (le rebuild sera alors voulu et explicite).
|
|
llama_server_commit: "84de01a1f1c847292b8d90a9c0bff6619f2919be"
|
|
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
|