mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-08 05:34:43 +02:00
ALI YESILKAYA
ef15ba25e0
Le heartbeat embed (#28) gardait le slot :1238 chargé mais docs=0 revenait : latence bimodale 16ms / 9-12s. Cause = contention GPU, pas cold-start. nomic (:1238, --n-gpu-layers 99) partageait la RX 6700XT avec le chat qwen3-8b (:1234) ; ROCm sérialise → un embed lancé pendant une génération chat attend ~10s → dépasse le budget recall 4s du STT-server → docs=0 intermittent. - llama_embed_n_gpu_layers: 99 → 0 (CPU). nomic = 137M → ~100ms déterministe, découplé du slot chat. Le template lit déjà la variable. - heartbeat embed conservé comme sonde de vivacité (commentaire ajusté). - incidents-llm-gpu.md : section dédiée + README rôle mis à jour. Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
51 lines
2.5 KiB
YAML
51 lines
2.5 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
|
|
# 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
|