gpu-rent/docs/llm.md

LLM рядом со SwarmUI (opt-in)

По умолчанию поднимается только SwarmUI. Ollama — отдельно (помощь с промптами, Assistent chat и т.п.). llama.cpp снят из продукта: LLM_RUNTIME только none | ollama (leftover unit gpu-rent-llamacpp на up стопается).

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

gpu-rent setup

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

B — флаг на up

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

LLM_RUNTIME=ollama

Потом gpu-rent up --yes.

Выключить: LLM_RUNTIME=none (на up старые LLM unit’ы на VM останавливаются). Journal: gpu-rent logs -u ollama (алиас → systemd gpu-rent-ollama).

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

gpu-rent tunnel
gpu-rent open --llm

$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.

Qwen3-VL (huihui_ai/qwen3-vl-abliterated:…) требует Ollama ≥ 0.12.7. Тег :8b-instruct — чат Instruct; :latest у этой библиотеки — Thinking, не ставить дефолтом.

Пресеты (меню)

#	ключ	tag / смысл
1	recommended	huihui_ai/qwen3-vl-abliterated:8b-instruct — RU + vision, ~6.1 GB; запасной huihui_ai/qwen2.5-vl-abliterated:7b
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

Рекомендуемый пресет — abliterated Qwen3-VL Instruct; light / text / big пока Qwen2.5. Официальные censored-теги (qwen2.5vl:…) в меню нет.

default: true в yaml — preferred в логе и в Assistent/ollama-roles.json → default_chat (Assistent UI + warmup); 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*	5m	q8_0	10 GiB	16k
high (24–47)	on*	5m	q8_0	14 GiB	16k
ultra (≥48)	on*	30m	q8_0	20 GiB	32k

*Flash на Ampere+ (compute ≥ 8.0). NUM_PARALLEL=2, MAX_LOADED_MODELS=2 (chat VL + memory embed). Memory models use use: memory and a CPU Modelfile (num_gpu 0) so embed does not steal VRAM from the chat model. Ollama default num_ctx is 4096; we set OLLAMA_CONTEXT_LENGTH so Assistent + vision fits. Mid/high keep-alive is 5m because Assistent parks the chat model before Generate (AssistentParkLlm) and warms after. Env: /mnt/swarm_data/.gpu-rent-ollama.env.

Personas: laptop assistent-personas/ → on up / seed-personas overlay folders under /mnt/swarm_data/Assistent/personas/<id>/ (+ _base/assistant.json with default_persona / num_ctx). Shelves are short JSON files (not a long prompt). See extensions.md. Optional FTS examples: datasets/README (search.jsonl → Assistent/civitai-examples.jsonl). Journal: gpu-rent logs -u ollama.

ollama-models.yaml entries:

- name: huihui_ai/qwen3-vl-abliterated:8b-instruct
  use: chat
  default: true
- name: huihui_ai/qwen2.5-vl-abliterated:7b
  use: chat
- name: nomic-embed-text
  use: memory

Roles are written to /mnt/swarm_data/Assistent/ollama-roles.json for the Assistent extension (chat / memory lists + default_chat for UI default and warmup).

---

Idle-killer и LLM

Busy (не гасить GPU):

• очередь / loading SwarmUI (Generate) — даже если Ollama /api/ps пуст после ParkLlm;
• ollama pull (маркер младше ~3 ч; refresh во время pull);
• 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:

# Pin must be ≥ 0.12.7 if you use Qwen3-VL (see above)
OLLAMA_VERSION=0.12.7
OLLAMA_SHA256=<sha256 of ollama-linux-amd64.tgz>

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