# LLM рядом со SwarmUI (opt-in)

По умолчанию поднимается **только SwarmUI**. Ollama — отдельно (помощь с промптами и т.п.).

Интерактивные вопросы — **нумерованные меню** (Enter = вариант со ←). Ключ словом (`recommended`, `keep`) тоже принимается.

Три стека на GPU:

| # | стек | смысл |
| --- | --- | --- |
| 1 | SwarmUI | только генерация картинок |
| 2 | SwarmUI + LLM | UI + Ollama на той же карте |
| 3 | только LLM | **без** SwarmUI — только Ollama |

Флаги: `up --yes --llm-only --ollama` / `--no-swarm --ollama`. Vars: `ENABLE_SWARMUI=false` или `WORKLOAD=llm`.

---

## Быстрый путь

### A — wizard

```text
gpu-rent setup
```

Меню: runtime → пресет моделей → опционально local-watchdog. Пишет `LLM_RUNTIME` в `gpu-rent.vars`.

### B — флаг на `up`

```text
gpu-rent up --yes --ollama
gpu-rent up --yes --llm ollama
gpu-rent up --yes --llm-only --ollama   # без SwarmUI
```

С `--yes` пресеты не спрашивает (берёт существующий yaml / example).

### C — vars вручную

```env
LLM_RUNTIME=ollama
```

Потом `gpu-rent up --yes`.

Выключить: `LLM_RUNTIME=none` (на `up` старые LLM unit’ы на VM останавливаются).

Голый `gpu-rent` без args — **help**. Двойной клик: `GPU_RENT_DEFAULT_ARGS=up --yes`. Полный doctor на up: `up -v`.

---

## Порты (loopback + туннель)

| Сервис | На VM | На ноутбуке |
| --- | --- | --- |
| SwarmUI | 7801 | **17801** |
| Ollama | 11434 | **17811** |

```text
gpu-rent tunnel
gpu-rent open --llm
```

```powershell
$env:OLLAMA_HOST = "http://127.0.0.1:17811"
```

После `up`/`tunnel` — access-card с URL и MCP-сниппетом.

---

## Ollama

| Файл | Роль |
| --- | --- |
| `ollama-models.example.yaml` | шаблон в git |
| `ollama-models.yaml` | список тегов (gitignore); лаунчер копирует example при отсутствии |

На `up` — `ollama pull` по списку, сверка с **`/api/tags`**. Слой 100% без `status=success` не считается успехом (кэш ≠ модель в Assistent). Если тега всё ещё нет — warning, **GPU не гасим**. Лишнее на диске не удаляет.

После успешного тега — **warmup**: 1-token `POST /api/chat`, чтобы веса (~6 GB VL) легли в VRAM до первого сообщения в Assistent. То же при `gpu-rent tunnel`, если `/api/ps` пуст. Промах warmup — warning, GPU не гасим.

### Пресеты (меню)

| # | ключ | tag / смысл |
| --- | --- | --- |
| 1 | **recommended** | `huihui_ai/qwen2.5-vl-abliterated:7b` — RU + vision, ~6 GB |
| 2 | light | `…:3b` — то же, мало VRAM (~3 GB) |
| 3 | text | `huihui_ai/qwen2.5-abliterate:7b` — RU, без vision (~5 GB) |
| 4 | big | `huihui_ai/qwen2.5-vl-abliterated:32b` — RU + vision (~21 GB) |
| 5 | empty | только runtime |
| — | keep | не трогать yaml |

Все пресеты (кроме `empty`) — **abliterated** Qwen2.5 с нормальным русским. Официальные censored-теги (`qwen2.5vl:…`) в меню нет.

`default: true` в yaml — preferred в логе; pull идёт по всему списку.

---

## Автотюнинг Ollama

Unit `gpu-rent-ollama` читает `/mnt/swarm_data/.gpu-rent-gpu.json`:

| Tier (VRAM) | Flash Attn | KEEP_ALIVE | KV cache | GPU_OVERHEAD | CONTEXT |
| --- | --- | --- | --- | --- | --- |
| low (<16 GiB) | off | 2m | q4_0 | 6 GiB | 8k |
| mid (16–23) | on* | 15m | q8_0 | 10 GiB | 16k |
| high (24–47) | on* | 15m | q8_0 | 14 GiB | 16k |
| ultra (≥48) | on* | 30m | q8_0 | 20 GiB | 32k |

\*Flash на Ampere+ (compute ≥ 8.0). `NUM_PARALLEL=1`, `MAX_LOADED_MODELS=1`. Ollama default `num_ctx` is 4096; we set `OLLAMA_CONTEXT_LENGTH` so Assistent + vision fits. Env: `/mnt/swarm_data/.gpu-rent-ollama.env`.

---

## Idle-killer и LLM

Busy (не гасить GPU):

- `ollama pull` (маркер младше ~45 мин; старше сбрасывается);
- загруженная модель в Ollama.

Ошибка установки LLM на `up` — **fail** (не тихий лог).

---

## Supply-chain (опциональный pin)

По умолчанию install тянет upstream без pin (`WARN` в логе). Жёстче:

```bash
OLLAMA_VERSION=0.6.5
OLLAMA_SHA256=<sha256 of ollama-linux-amd64.tgz>
```

Готовые кейсы — в `gpu-rent.vars.example`.