Enable CPU vision projector for Ultra profile

ATHENA.md

@@ -4,6 +4,8 @@ Stand: **20. September 2026**, auf Athena geprüft. Die fünf Textprofil-Images
 tragen **llama.cpp b29c606** (0.4.1).
 Der [geprüfte Live-Stand](docs/LIVE_STATE.md) beschreibt Profile, GPUs und die
 Abweichung zwischen dem bereitgestellten Stack und dem Git-Checkout.
+Seit dem 24. September verarbeitet auch Ultra Bilder; sein Vision-Projektor
+läuft auf der CPU. [Änderung und Test](docs/ULTRA_CPU_VISION_20260924.md).
 Der [Updatebericht vom 15. September](docs/UPDATE_AUDIT_20260915.md)
 enthält die aktuellen Build- und Testbelege. Der ältere
 [b10930-Bericht](docs/LLAMA_B10930_UPDATE_20260912.md) dokumentiert einen

compose.yaml

@@ -394,9 +394,8 @@ services:
       - --spec-draft-type-v
       - f16
 
-  # Text-only maximum-context profile. This exact IQ4_XS-pure / 256K / 80:20
+  # Maximum-context profile. Keep the vision projector on CPU so images work
-  # combination completed the 220K fill test on RTX 5080 + RTX 3060.
+  # without consuming the tightly budgeted GPU memory of the 256K context.
-  # Deliberately no vision projector: Ultra prioritizes maximum usable context.
   llama-ultra:
     <<: *llama-common
     container_name: mike-ai-llama-ultra
@@ -408,6 +407,9 @@ services:
     command:
       - --model
       - "/models/${ULTRA_MODEL_FILE:?ULTRA_MODEL_FILE is required}"
+      - --mmproj
+      - "/models/${VISION_PROJECTOR_FILE:?VISION_PROJECTOR_FILE is required}"
+      - --no-mmproj-offload
       - --alias
       - qwen-ultra
       - --ctx-size

config/profile-matrix.json

@@ -47,9 +47,9 @@
       "model_env": "ULTRA_MODEL_FILE",
       "model_family": "Qwen3.8-27B IQ4 XS Pure",
       "gpu_split": "80:20",
-      "vision": false,
+      "vision": true,
       "mtp": 2,
-      "description": "Maximaler Textkontext; bewusst ohne Vision-Projektor."
+      "description": "Maximaler Kontext mit Vision-Projektor auf der CPU."
     },
     {
       "id": "uncensored",

docs/CONTAINER_INVENTORY.md

@@ -22,7 +22,7 @@ nicht automatisch ein ungenutzter Rest.
 | `mike-ai-llama-fast` | Qwen3.8-27B `IQ4-MIX`, Qwen-MMProj BF16 | Schnelles Q4-Text-/Vision-Profil mit 76.800 Token Kontext. |
 | `mike-ai-llama-large` | Qwen3.8-27B `IQ4_XS-pure`, Qwen-MMProj BF16 | Q4-Text-/Vision-Profil mit 192.000 Token Kontext und Verteilung auf beide GPUs. |
 | `mike-ai-llama-medium` | Qwen3.8-27B `IQ4_XS-pure`, Qwen-MMProj BF16 | Standard-Q4-Text-/Vision-Profil mit gemeinsamem 160.000-Token-KV-Pool, aktuell zwei Slots und Verteilung auf beide GPUs. |
-| `mike-ai-llama-ultra` | Qwen3.8-27B `IQ4_XS-pure`, ohne Vision-Projektor | Maximales Langkontextprofil mit 262.144 Token Kontext und Verteilung auf beide GPUs. |
+| `mike-ai-llama-ultra` | Qwen3.8-27B `IQ4_XS-pure`, Qwen-MMProj BF16 auf CPU | Text-/Vision-Profil mit 262.144 Token Kontext und Verteilung des Textmodells auf beide GPUs. |
 | `mike-ai-llama-uncensored` | Qwen3.8-27B Abliterated `Q4_K_M`, eigener MMProj F16 | Spezialprofil mit 80.000 Token Kontext und gelockerten Modellgrenzen. |
 | `mike-ai-ltx2-studio` | LTX-Video-Backend | GPU-Worker für lokale Videogenerierung; beim Abgleich gestoppt. |
 | `mike-ai-mcp-athena-operator` | kein Modell | Stellt Hermes begrenzte Werkzeuge zum Prüfen, Ändern, Testen, Sichern und Versionieren von Athena bereit. |

docs/LIVE_STATE.md

@@ -1,5 +1,10 @@
 # Geprüfter Live-Stand auf Athena
 
+Nachtrag vom 24. September 2026: Ultra verarbeitet nun Bilder mit einem
+CPU-seitigen BF16-Vision-Projektor. Der Stand und der Funktionstest sind in
+[Ultra-Vision mit CPU-Projektor](ULTRA_CPU_VISION_20260924.md) dokumentiert.
+Die folgende Tabelle bildet weiterhin den historischen Stand vom 21. September ab.
+
 Stand: **21. September 2026**. Quelle: lesender SSH-Abgleich von Docker,
 Compose-Dateien, Git-Inhalten, Images, Health-Endpunkten und Backup-Timern.
 Containerzustände sind Momentaufnahmen; der Controller darf Profile danach

docs/STANDARD_PROFILE_MATRIX.md

@@ -9,7 +9,7 @@ Standardprofil: **medium** · globales Ausgabelimit: **8192 Token**
 | fast | `qwen-fast` | 76,800 | 1 | Qwen3.8-27B IQ4 Mix | 5080 only | ja | 2 |
 | medium | `qwen-medium` | 160,000 | 1 | Qwen3.8-27B IQ4 XS Pure | 85:15 | ja | 2 |
 | large | `qwen-large` | 192,000 | 1 | Qwen3.8-27B IQ4 XS Pure | 86:14 | ja | 2 |
-| ultra | `qwen-ultra` | 262,144 | 1 | Qwen3.8-27B IQ4 XS Pure | 80:20 | nein | 2 |
+| ultra | `qwen-ultra` | 262,144 | 1 | Qwen3.8-27B IQ4 XS Pure | 80:20 | ja | 2 |
 | uncensored | `qwen-uncensored` | 80,000 | 1 | Qwen3.8-27B Abliterated Q4_K_M | 90:10 | ja | 2 |
 
 ## Zweck
@@ -17,5 +17,5 @@ Standardprofil: **medium** · globales Ausgabelimit: **8192 Token**
 - **fast**: Schnelles Profil für kurze Chats und zügige Werkzeugaufgaben.
 - **medium**: Ausgewogenes Standardprofil für Alltag und lange agentische Aufgaben.
 - **large**: Großes Profil für umfangreiche Dokumente und lange technische Arbeiten.
-- **ultra**: Maximaler Textkontext; bewusst ohne Vision-Projektor.
+- **ultra**: Maximaler Kontext mit Vision-Projektor auf der CPU.
 - **uncensored**: Weniger restriktives Spezialprofil; Werkzeugrechte bleiben unverändert.

docs/ULTRA_CPU_VISION_20260924.md

@@ -0,0 +1,23 @@
+# Ultra-Vision mit CPU-Projektor
+
+Stand: 24. September 2026. Ultra verwendet weiterhin Qwen3.8-27B IQ4_XS Pure
+mit 262.144 Token Kontext. Der BF16-Vision-Projektor wird mit `--mmproj`
+geladen und durch `--no-mmproj-offload` auf der CPU gehalten. So kann Ultra
+Bilder verarbeiten, ohne den knapp bemessenen GPU-Speicher des 256K-Profils
+zusätzlich mit dem Projektor zu belegen. Router und Profilmatrix melden Ultra
+als vision-fähig.
+
+Der frühere text-only-Modus war die Ursache dafür, dass der Router Bildanfragen
+an `qwen-ultra` abwies. Ein Test über den Router nach dem Deployment lieferte
+HTTP 200 für ein einzelnes synthetisches Farbbild (`Red`) und für fünf
+synthetische Bilder (`5`). Der Ultra-Start lud den multimodalen Projektor.
+Gemessen wurden 11,47 Sekunden bis zur Betriebsbereitschaft und 1,66 bzw.
+0,9 Sekunden für die beiden kleinen Testanfragen. Große Screenshots und lange
+Kontexte wurden damit nicht vermessen; deren Laufzeit kann deutlich höher
+sein. Nach dem Test wurde Medium wieder aktiviert, Ultra ist gestoppt.
+
+Vor der Änderung wurden die drei produktiven Dateien auf Athena unter
+`/var/tmp/ultra-vision-cpu-20260924/` gesichert. Ein Rückbau muss Compose,
+Router-Profilregister und Profilmatrix gemeinsam auf den vorigen Stand setzen
+und den Router neu laden. Das Verzeichnis liegt nur temporär auf dem Host;
+die dauerhafte Versionierung erfolgt im Git-Repository.

platform/hermes/skills/athena-operator/references/architecture-and-modes.md

@@ -32,7 +32,7 @@ gateway, UI, CPU-STT, backup and operator containers may remain active.
 - Fast: Qwen3.8-27B IQ4-MIX, 76,800 tokens.
 - Medium: Qwen3.8-27B IQ4_XS-pure, 160,000 tokens, vision.
 - Large: the same Q4 model, 192,000 tokens, vision.
-- Ultra: the same Q4 model, 262,144 tokens, no vision projector.
+- Ultra: the same Q4 model, 262,144 tokens, vision projector on CPU.
 - Uncensored: Abliterated Q4_K_M, 80,000 tokens, vision.
 
 Medium, Large, Ultra and Beta distribute their runtime across both GPUs. Do not

platform/llama/README.md

@@ -16,10 +16,10 @@ nach Standardbenchmark, Tool-Calling-Test und Kontexttest übernommen.
 
 - Fast: Qwen3.8-27B IQ4-MIX mit MTP2
 - Medium und Large: Qwen3.8-27B IQ4_XS Pure mit MTP3
-- Ultra: Qwen3.8-27B IQ4_XS Pure mit MTP2 und maximalem Textkontext
+- Ultra: Qwen3.8-27B IQ4_XS Pure mit MTP2, maximalem Kontext und Vision-Projektor auf CPU
 - Uncensored: Blackfrost Qwen3.8-27B Abliterated Q4_K_M mit MTP2
-- Fast, Medium, Large und Uncensored: integrierte Vision; der jeweilige
+- Alle fünf Profile: integrierte Vision. Bei Fast, Medium, Large und
-  Projektor liegt vollständig auf der RTX 3060
+  Uncensored liegt der Projektor auf der RTX 3060; bei Ultra auf der CPU.
 
 Die produktive Runtime ist seit dem 12. September 2026 auf llama.cpp
 **Build 10930**, Commit `56381e407c0ccfb3a6f71e668a27a901001d22ce`,

platform/profiles/profile-ultra.conf

@@ -3,4 +3,4 @@ Description=Legacy native Qwen Ultra 256K profile (Docker is the production path
 
 [Service]
 ExecStart=
-ExecStart=/opt/mike-ai/llama.cpp/build/bin/llama-server --model /opt/mike-ai/models/qwen3.8-27b-iq4-xs-pure/qwen3.8-27b-IQ4_XS-pure.gguf --alias qwen-ultra --ctx-size 262144 --flash-attn on --cache-type-k q4_0 --cache-type-v q4_0 --cache-prompt --cache-reuse 256 --cache-ram 8192 --threads 6 --threads-batch 6 --batch-size 64 --ubatch-size 32 --parallel 1 --jinja --reasoning auto --host 127.0.0.1 --port 8080 --metrics --fit off --n-gpu-layers all --load-mode none --temperature 0.2 --top-p 0.8 --top-k 20 --device CUDA0,CUDA1 --main-gpu 0 --split-mode layer --tensor-split 80,20 --spec-type draft-mtp --spec-draft-n-max 2 --spec-draft-type-k f16 --spec-draft-type-v f16
+ExecStart=/opt/mike-ai/llama.cpp/build/bin/llama-server --model /opt/mike-ai/models/qwen3.8-27b-iq4-xs-pure/qwen3.8-27b-IQ4_XS-pure.gguf --mmproj /opt/mike-ai/models/qwen3.8-27b-nvfp4/mmproj-BF16.gguf --no-mmproj-offload --alias qwen-ultra --ctx-size 262144 --flash-attn on --cache-type-k q4_0 --cache-type-v q4_0 --cache-prompt --cache-reuse 256 --cache-ram 8192 --threads 6 --threads-batch 6 --batch-size 64 --ubatch-size 32 --parallel 1 --jinja --reasoning auto --host 127.0.0.1 --port 8080 --metrics --fit off --n-gpu-layers all --load-mode none --temperature 0.2 --top-p 0.8 --top-k 20 --device CUDA0,CUDA1 --main-gpu 0 --split-mode layer --tensor-split 80,20 --spec-type draft-mtp --spec-draft-n-max 2 --spec-draft-type-k f16 --spec-draft-type-v f16

router/router_profiles.json

@@ -18,7 +18,7 @@
     "ultra": {
       "context": 262144,
       "model_alias": "qwen-ultra",
-      "vision": false
+      "vision": true
     },
     "uncensored": {
       "context": 80000,