Harden and demote experimental Hermes compressor

.env.example

@@ -12,8 +12,8 @@ XTTS_CACHE_DIR=/data/models/xtts-v2-cache
 XTTS_GPU_DEVICE=GPU-4834d9d7-5b61-3004-1fb3-4ae49d482d4b
 AI_DNS=192.168.1.1
 
-# Dedicated Hermes context compressor on the RTX 3060.
+# Experimental context-compression benchmark service on the RTX 3060.
-COMPRESSION_MODEL_FILE=qwen3.5-2b-compression/Qwen_Qwen3.5-2B-Q4_K_M.gguf
+COMPRESSION_MODEL_FILE=qwen3.5-4b-compression/Qwen_Qwen3.5-4B-Q4_K_M.gguf
 COMPRESSION_CONTEXT=65536
 COMPRESSION_GPU_DEVICE=GPU-4834d9d7-5b61-3004-1fb3-4ae49d482d4b
 

README.md

@@ -10,9 +10,12 @@ zusammen mit dem übrigen Appdata gesichert.
 - `compose.yaml` ist der einzige Einstieg für die KI-Dienste auf Athena.
 - Genau ein llama.cpp-Profil ist aktiv. Der Router schaltet zwischen Fast,
   Medium, Large, Ultra und Uncensored.
-- Ein unabhängiges Qwen3.5-2B-Modell auf der RTX 3060 komprimiert Hermes-Chats
+- Ein unabhängiges Qwen3.5-4B-Testmodell läuft auf der RTX 3060 über
-  über `http://192.168.1.212:8099/v1`. Es läuft ohne Thinking mit 65K Kontext
+  `http://192.168.1.212:8099/v1`. Es ist ein optionaler Benchmark-Endpunkt und
-  und blockiert dadurch weder Router noch das aktive 27B-Hauptmodell.
+  ausdrücklich **nicht** global für Hermes-Kompression aktiviert: technische
+  End-to-End-Tests zeigten trotz hoher Gesamttreue ausgelassene ältere
+  `KEY=value`-Zustände. Produktive Kompression übernimmt das jeweils gewählte
+  27B-Hauptprofil.
 - Der **Athena Operator** bleibt als einziger hostgebundener administrativer
   MCP direkt auf Athena. MCPHub veröffentlicht seinen vorhandenen
   WireGuard-HTTP-Endpunkt zentral unter `/mcp/athena-operator`; es gibt keinen

compose.yaml

@@ -97,7 +97,7 @@ services:
     cap_drop: [ALL]
     command:
       - --model
-      - "/models/${COMPRESSION_MODEL_FILE:-qwen3.5-2b-compression/Qwen_Qwen3.5-2B-Q4_K_M.gguf}"
+      - "/models/${COMPRESSION_MODEL_FILE:-qwen3.5-4b-compression/Qwen_Qwen3.5-4B-Q4_K_M.gguf}"
       - --alias
       - qwen-compression
       - --ctx-size
@@ -117,6 +117,21 @@ services:
       - --port
       - "8099"
       - --metrics
+      # Official Qwen3.5 non-thinking sampler. The presence penalty is
+      # essential here: without it one technical YAML benchmark repeated the
+      # summary structure for more than 40K tokens.
+      - --temperature
+      - "1.0"
+      - --top-p
+      - "1.0"
+      - --top-k
+      - "20"
+      - --presence-penalty
+      - "2.0"
+      # Hermes' own summary ceiling is 10K. Keep a little completion margin,
+      # but never allow an accidental repetition loop to fill the 65K slot.
+      - --n-predict
+      - "12000"
       - --n-gpu-layers
       - all
       - --device

config/install.env.example

@@ -72,9 +72,9 @@ EXPERIMENTAL_MODEL_SHA256=40fac4050e940397dbf13087afd50f4734a11805bf9d65ef8ddd74
 VISION_PROJECTOR_FILE=qwen/mmproj-BF16.gguf
 VISION_PROJECTOR_URL=https://huggingface.co/unsloth/Qwen3.8-27B-GGUF/resolve/main/mmproj-BF16.gguf
 VISION_PROJECTOR_SHA256=83ee4f4f205fa514161778c41df1ea14144faa0f713510893b63c2395f5c2d53
-COMPRESSION_MODEL_FILE=qwen3.5-2b-compression/Qwen_Qwen3.5-2B-Q4_K_M.gguf
+COMPRESSION_MODEL_FILE=qwen3.5-4b-compression/Qwen_Qwen3.5-4B-Q4_K_M.gguf
-COMPRESSION_MODEL_URL=https://huggingface.co/bartowski/Qwen_Qwen3.5-2B-GGUF/resolve/main/Qwen_Qwen3.5-2B-Q4_K_M.gguf
+COMPRESSION_MODEL_URL=https://huggingface.co/bartowski/Qwen_Qwen3.5-4B-GGUF/resolve/main/Qwen_Qwen3.5-4B-Q4_K_M.gguf
-COMPRESSION_MODEL_SHA256=57a1085840f497d764a7fc5d346922dbde961efb54cc792ea81d694fd846a1d8
+COMPRESSION_MODEL_SHA256=13c16f426047e2de38cd075bdade4a7bcbc8c774384876f677740cda65f8a983
 COMPRESSION_CONTEXT=65536
 COMPRESSION_GPU_DEVICE=GPU-4834d9d7-5b61-3004-1fb3-4ae49d482d4b
 # All standard profiles use the MTP tensor embedded in their GGUF. A separate

docs/STANDARD_PROFILE_MATRIX.md

@@ -30,19 +30,26 @@ und einer bewussten Aktualisierung dieser Datei.
 - Das gesonderte Experimentalprofil gehört nicht zur Benutzer-Matrix und wird
   in Open WebUI nicht als reguläres Modell angeboten.
 
-## Hermes-Kompressionsmodell
+## Experimentelles Hermes-Kompressionsmodell
 
-Das Hilfsmodell `qwen-compression` ist kein Chatprofil. Qwen3.5-2B Q4_K_M
+Der Alias `qwen-compression` ist kein Chatprofil. Qwen3.5-4B Q4_K_M läuft
-läuft unabhängig mit 65.536 Token Kontext auf der RTX 3060 und ist nur über
+unabhängig mit 65.536 Token Kontext auf der RTX 3060 und ist nur über
-WireGuard auf Port 8099 erreichbar. Hermes erzwingt dafür Non-Thinking.
+WireGuard auf Port 8099 erreichbar. Non-Thinking und ein 12K-Notausgangslimit
+verhindern bekannte Wiederholungsschleifen. Das Modell ist absichtlich **nicht
+global in Hermes aktiviert**; produktive Kompression nutzt das gewählte
+27B-Hauptprofil.
 
-- 30.245 Token, kalter Prompt: 4.519,7 Prefill-Tok/s.
+- 12 technische Fälle: 79,27 % exakte Anker im reinen Modellteil und 98,78 %
-- Ausgabe im 30K-Qualitätstest: 117,1 Tok/s; vier von fünf ungefilterten
+  im vollständigen Hermes-Lean-Ergebnis; 10 von 12 formal bestanden.
-  Ankern bewahrt.
+- Echter 205K-Token-End-to-End-Lauf: Kompression auf 22,8K in 199 Sekunden,
-- Echter Hermes-Hilfsmodellaufruf: 158 Token in 4,6 Sekunden; alle geforderten
+  aber ältere `BUILD_ID`- und kurze Git-HEAD-Zustände gingen verloren.
-  Pfade, Ports, Verbote und der Commit-Anker wurden bewahrt.
+- Lange technische Einzeltests benötigten 120 bis 185 Sekunden; Ausgabe bei
-- Zusätzlicher Speicherbedarf auf der RTX 3060: rund 1,8 GiB; nach dem Laden
+  großem Kontext etwa 50 Tok/s.
-  blieben im gemessenen Produktionszustand rund 4,5 GiB frei.
+- Speicherbelegung der RTX 3060 im gemessenen Gesamtzustand: 9.450 MiB,
+  verbleibend rund 2.460 MiB.
+- Sicherheitsentscheidung: als reproduzierbarer Testdienst behalten, aber
+  erst nach zuverlässig vollständiger technischer Zustandsbewahrung als
+  globalen Kompressor freigeben.
 
 ## Nachweise
 

platform/hermes/config.yaml

@@ -86,7 +86,7 @@ compression:
   threshold: 0.82
   target_ratio: 0.35
   tail_mode: "lean"
-  protect_last_n: 12
+  protect_last_n: 20
   protect_first_n: 0
   proactive_prune_tokens: 50000
   proactive_prune_min_result_chars: 4000
@@ -99,16 +99,6 @@ auxiliary:
   # actual chat, so keep the original timestamp/session id instead.
   title_generation:
     enabled: false
-  compression:
-    provider: "openai-api"
-    model: "qwen-compression"
-    base_url: "http://192.168.1.212:8099/v1"
-    api_key: "local"
-    reasoning_effort: "none"
-    extra_body:
-      chat_template_kwargs:
-        enable_thinking: false
-    timeout: 600
 
 # The full hermes-cli preset injects several large, overlapping schemas on
 # every turn. Athena already exposes browsing, orchestration and host services

platform/hermes/install-profiles.sh

@@ -33,16 +33,13 @@ create_profile() {
   docker exec "$HERMES_CONTAINER" hermes -p "$name" config unset compression.threshold_tokens || true
   docker exec "$HERMES_CONTAINER" hermes -p "$name" config set compression.threshold 0.82
   docker exec "$HERMES_CONTAINER" hermes -p "$name" config set compression.target_ratio 0.35
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set compression.protect_last_n 12
+  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set compression.protect_last_n 20
   docker exec "$HERMES_CONTAINER" hermes -p "$name" config set compression.protect_first_n 0
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.provider openai-api
+  # The small compressor remains an opt-in benchmark endpoint. It is not safe
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.model qwen-compression
+  # as a global technical-session compressor: end-to-end tests showed that it
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.base_url http://192.168.1.212:8099/v1
+  # can omit older exact KEY=value state. Remove stale opt-in settings so the
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.api_key local
+  # selected 27B profile performs production compaction.
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.reasoning_effort none
+  docker exec "$HERMES_CONTAINER" hermes -p "$name" config unset auxiliary.compression || true
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.extra_body \
-    '{"chat_template_kwargs":{"enable_thinking":false}}'
-  docker exec "$HERMES_CONTAINER" hermes -p "$name" config set auxiliary.compression.timeout 600
   docker exec "$HERMES_CONTAINER" hermes -p "$name" config set platform_toolsets.cli \
     '["web","terminal","file","skills","todo","memory","vision","tts"]'
   [[ $(docker exec "$HERMES_CONTAINER" hermes -p "$name" config get model.default) == "$model" ]] || \