Update llama.cpp to b10930 and migrate model loading option

2026-09-12 20:41:05 +02:00
parent 6c00b00add
commit 2415b27160
9 changed files with 122 additions and 28 deletions
@@ -0,0 +1,76 @@
+# llama.cpp b10930 auf Athena
+
+Stand: 12. September 2026
+
+## Produktiver Stand
+
+- Build: **10930**
+- Upstream-Commit: `56381e407c0ccfb3a6f71e668a27a901001d22ce`
+- Image: `mike-ai/llama.cpp:local`, zusätzlich `mike-ai/llama.cpp:b10930`
+- Image-ID: `sha256:c9d78a9375143877574f3d7c6e0dea94ecfebb264e8dd9f57ac4e03f1c96044e`
+- CUDA im Container: 12.8.1; Zielarchitekturen: 86 und 120
+- Build aus dem vorhandenen Dockerfile mit zwei parallelen Compiler-Prozessen
+
+Alle fünf auf Athena vorhandenen Textprofilcontainer wurden aktualisiert:
+Fast, Medium, Large, Ultra und Uncensored. Modellgewichte, GPU-Verteilung,
+Kontextfenster, Slots, Vision- und MTP-Einstellungen wurden beibehalten.
+Der zusätzliche Git-Matrixeintrag `beta1` ist auf Athena nicht installiert
+und wurde daher nicht als Laufzeittest gewertet.
+
+Der tatsächliche vorherige Live-Build war **10872**, Commit
+`b31b71f3a076bfc4278daad442203a9c51c6e676`. Die bisherige Dokumentation
+mit Build 10781 war veraltet.
+
+## Enthaltener Fix und notwendige CLI-Migration
+
+[Upstream-PR #28715](https://github.com/ggml-org/llama.cpp/pull/28715),
+integriert am 11. September, korrigiert die an den Drafter übergebene Position
+nach Bildeingaben. Der Fix betrifft spekulative Decodierung einschließlich MTP.
+Er ist kein Nachweis dafür, dass sämtliche MMProj-/Prompt-Cache-Probleme oder
+Hermes-Slot-Verdrängungen behoben sind.
+
+Der neue Build entfernt die bisherige Option `--no-mmap`. Ihre gleichwertige
+Ersatzform ist `--load-mode none`. Compose und die Referenzprofil-Dateien sind
+entsprechend angepasst. Beim ersten Start wurde die alte Option abgewiesen;
+der automatische Rückfall auf b10872 funktionierte. Nach der Migration lädt
+b10930 Modell, MTP-Kontext und Vision-Projektor erfolgreich.
+
+## Verifikation
+
+- Alle fünf Profile über den normalen Router nacheinander aktiviert und mit
+  einer kurzen Rechenaufgabe geprüft: jeweils korrekte Antwort.
+- Uncensored vor und nach dem Update: Rechnen, strukturierter Tool-Aufruf,
+  synthetisches Bild mit rotem Quadrat links und blauem Kreis rechts sowie
+  eine Folgefrage nach dem Bild bestanden; MTP-Zähler bestätigen Drafting.
+- Medium nach dem Update: dieselben kurzen Text-, Tool- und Vision-Tests.
+- Uncensored-Langkontext: **72.802 Eingabetokens**; Kennung vom Anfang nach
+  langem synthetischem Fülltext korrekt wiedergegeben, vor und nach dem Update.
+
+| Messung auf Uncensored | b10872 | b10930 |
+|---|---:|---:|
+| 300 Ausgabetokens, synthetische Zahlenfolge | 65,92 Token/s | 66,79 Token/s |
+| Verarbeitung des langen Prompts | 978,29 Token/s | 976,05 Token/s |
+| Gesamtdauer Langkontextanfrage | 74,104 s | 74,248 s |
+
+Dies sind einzelne Funktions- und Vergleichsläufe, kein statistisch
+abgesicherter Leistungsbenchmark. Die Vorher-Messung lief während des
+CPU-Builds; Cachezustand und Hintergrundlast können Messwerte beeinflussen.
+Die Zahlen zeigen hier praktisch gleiches Verhalten, keinen belegten
+allgemeinen Geschwindigkeitsgewinn. Vollständig gefüllte 160K-, 192K- und
+262K-Kontexte sowie Langzeitstabilität wurden nicht geprüft.
+
+## Rückfall und Betriebszustand
+
+Das unveränderte vorherige Image bleibt erhalten als
+`mike-ai/llama.cpp:b10872-pre-b10930`.
+Originaldateien, Buildlog, Testskripte und Messergebnisse liegen auf Athena in
+`/data/deploy-backups/20260912-llama-b10930/`.
+
+Ein Rückfall benötigt sowohl das alte Image als auch seine bisherige
+Startoption `--no-mmap`; nur das Image umzuschalten reicht nicht. Die gesicherte
+Compose-Datei dient als Referenz. Spätere Änderungen dürfen beim Rückfall
+nicht durch blindes Überschreiben verloren gehen.
+
+Nach der Prüfung ist wieder genau das zuvor aktive Profil **Uncensored**
+aktiv. Die übrigen Profile bleiben bedarfsgesteuert gestoppt. Host, Treiber,
+SSH, LAN, Firewall und WireGuard wurden nicht verändert oder neu gestartet.