gpu-rent/docs/llm.md

LLM рядом со SwarmUI (opt-in)

По умолчанию поднимается только SwarmUI. Ollama или llama.cpp — отдельно, когда нужны (помощь с промптами и т.п.).

---

Быстрый путь

Вариант A — wizard

gpu-rent setup

Выбери ollama или llamacpp, при Ollama — пресет моделей. Значение пишется в gpu-rent.vars (LLM_RUNTIME=…).

Вариант B — флаг на up

gpu-rent up --yes --ollama
gpu-rent up --yes --llm llamacpp

Вариант C — вручную в vars

LLM_RUNTIME=ollama

Потом обычный gpu-rent up --yes.

Чтобы выключить LLM на следующих сессиях: LLM_RUNTIME=none (на up старые unit’ы gpu-rent-ollama / gpu-rent-llamacpp останавливаются).

Голый gpu-rent без args — help, не up. Двойной клик: GPU_RENT_DEFAULT_ARGS=up --yes в gpu-rent.vars. Полный doctor на up: up -v.

---

Порты (loopback + туннель)

Сервис	На VM	На ноутбуке
SwarmUI	7801	17801
Ollama	11434	17811
llama.cpp	8080	17812

gpu-rent tunnel
gpu-rent open --llm

Клиент Ollama:

# Windows PowerShell
$env:OLLAMA_HOST = "http://127.0.0.1:17811"

После успешного up/tunnel CLI печатает access-card со всеми URL и MCP-сниппетом.

---

Ollama: модели

Файл	Роль
ollama-models.example.yaml	шаблон в git
ollama-models.yaml	твой список (gitignore)

На up при LLM_RUNTIME=ollama CLI делает ollama pull по списку. Уже скачанные теги точно не трогает (foo:3b ≠ foo:7b). Лишние модели на диске не удаляет.

Пресеты setup

preset	tag	зачем
recommended	huihui_ai/qwen2.5-abliterate:7b	RU/EN, ~5 GB, меньше отказов
light	qwen2.5:3b	быстрее, слабее
stock	qwen2.5:7b	официальный
alt	richardyoung/qwen2.5-7b-instruct-abliterated	другой abliterate
empty	[]	только runtime, pull руками

Community abliterate-модели без гарантий безопасности — для личного prompt-help рядом со SwarmUI.

Поле default: true в yaml — preferred модель (лог / подсказка); pull идёт по всему списку.

---

Автотюнинг Ollama под GPU

На установке gpu-rent-ollama читает /mnt/swarm_data/.gpu-rent-gpu.json и пишет env в systemd unit (одна карта вместе со SwarmUI):

Tier (VRAM)	Flash Attn	KEEP_ALIVE	KV cache	GPU_OVERHEAD (запас под Swarm/Krea)
low (<16 GiB)	off	2m	q4_0	6 GiB
mid (16–23)	on*	5m	q8_0	10 GiB
high (24–47)	on*	15m	q8_0	14 GiB
ultra (≥48)	on*	30m	q8_0	20 GiB

*Flash на Ampere+ (compute ≥ 8.0). Всегда NUM_PARALLEL=1, MAX_LOADED_MODELS=1.

Файл: /mnt/swarm_data/.gpu-rent-ollama.env (пересоздаётся на каждом install Ollama).

---

llama.cpp

1. LLM_RUNTIME=llamacpp или up --llamacpp
2. CLI ставит llama-server + systemd gpu-rent-llamacpp
3. Положи GGUF в /mnt/swarm_data/llamacpp/models (SFTP / gpu-rent ssh)
4. systemctl restart gpu-rent-llamacpp на VM

Без GGUF unit может стартовать, но API бесполезен — смотри gpu-rent logs / journalctl -u gpu-rent-llamacpp.

Параметры -ngl / -c ставятся по тому же GPU probe (full offload на mid+, меньше слоёв и ctx на low).

---

Idle-killer и LLM

Busy (не гасить GPU), если:

• идёт ollama pull (маркер младше ~45 мин; старше — сбрасывается);
• в Ollama есть загруженная модель;
• llama.cpp занимает слоты.

Ошибка установки LLM на up — fail (не тихий лог): почини или поставь LLM_RUNTIME=none.

---

Supply-chain (опциональный pin)

По умолчанию install-скрипты тянут upstream без pin (Ollama: curl|sh; llama.cpp: GitHub latest) — риск подмены. В логе будет WARN.

Жёстче — задай env на VM / при bootstrap:

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

LLAMACPP_TAG=b4690
# или LLAMACPP_ASSET_URL=... + LLAMACPP_SHA256=...