88 lines
4.0 KiB
Markdown
88 lines
4.0 KiB
Markdown
# Aktueller produktiver Laufzustand
|
||
|
||
Stand: 7. September 2026
|
||
|
||
## FLUX.2 Klein 9B FP8 Beta
|
||
|
||
Die bisherige 4B-Bildinferenz wurde testweise durch FLUX.2 Klein 9B FP8
|
||
ersetzt. Athenas Profile Controller stellt dafür einen exklusiven Zwei-GPU-Pfad
|
||
bereit:
|
||
|
||
- RTX 5080: 9B-FP8-Diffusionstransformer und VAE-Decoding
|
||
- RTX 3060: Qwen3-8B-Textencoder in NF4
|
||
- Qwen3-TTS und aktives llama.cpp-Profil werden für den Bildauftrag pausiert
|
||
- Piper bleibt währenddessen als CPU-TTS verfügbar
|
||
- nach Abschluss werden TTS und das vorherige Textprofil wiederhergestellt
|
||
|
||
Ein vollständiger Aufruf über Athenas OpenAI-kompatiblen Router wurde mit
|
||
HTTP 200, einem korrekt gespeicherten 1024×1024-PNG und anschließender
|
||
Wiederherstellung von Qwen3-TTS und `qwen-fast` erfolgreich geprüft. Ein
|
||
isolierter Vergleich ergab ungefähr 14,6 Sekunden Bildlaufzeit mit dem
|
||
GPU-Textencoder gegenüber 102,1 Sekunden mit CPU-Textencoder. Diese Werte sind
|
||
eine lokale Einzelmessung und keine allgemeine Modellgarantie.
|
||
|
||
Das Modell ist nicht kommerziell lizenziert. Die Bedingungen der beiden
|
||
zugriffsbeschränkten Black-Forest-Labs-Repositories müssen vor dem Download
|
||
akzeptiert werden. Details stehen in [FLUX_9B_BETA.md](FLUX_9B_BETA.md).
|
||
|
||
## Lokale Spracherkennung
|
||
|
||
Athena betreibt Whisper.cpp v1.9.1 mit `large-v3-turbo` als CPU-Dienst. Der
|
||
Profile Router veröffentlicht ihn als OpenAI-kompatiblen Endpunkt
|
||
`/v1/audio/transcriptions`; Standardsprache ist Deutsch. Modell und Download
|
||
bleiben im persistenten Docker-Volume `whisper-data` erhalten.
|
||
|
||
Ein lokaler Rundlauftest (Athena-TTS → WAV → Athena-STT) wurde erfolgreich
|
||
durchgeführt. OpenClaw ist ebenfalls auf diesen lokalen Endpunkt eingestellt
|
||
und wurde mit `openclaw infer audio transcribe` erfolgreich geprüft. Für den
|
||
lokalen Provider ist der Zugriff auf Athenas private IP ausdrücklich erlaubt;
|
||
andere private Ziele werden dadurch nicht freigeschaltet.
|
||
|
||
## Produktive llama.cpp-Runtime
|
||
|
||
Alle Textprofile verwenden llama.cpp Build 10781,
|
||
Commit `c7bda030e7faee594dbe7550185e857351ad405d`. Der Stand enthält die ab
|
||
Build 10751 verfügbare Korrektur für eine zwischenzeitliche
|
||
MTP-/KV-Cache-Initialisierungsregression. Der vorherige produktive Stand war
|
||
Build 10718, Commit `41ef91f7c8046087cdfbb276b79bff311ecf1c6d`, und bleibt über das alte
|
||
lokale Image `mike-ai/llama.cpp:b10718-fallback` als unmittelbarer
|
||
Rückfallpunkt erhalten.
|
||
|
||
Build 10781 wurde nach dem Bau produktiv verifiziert: Alle fünf
|
||
Profilcontainer verwenden dasselbe neue Image, ausschließlich Medium läuft,
|
||
Qwen Medium ist mit 160.000 Tokens Kontext gesund, der MTP-Kontext wurde
|
||
erfolgreich initialisiert, der Vision-Projektor geladen und eine lokale
|
||
Textprobe korrekt beantwortet.
|
||
|
||
## Qwen Medium: Vision-Projektor wieder aktiviert
|
||
|
||
`qwen-medium` läuft wieder mit dem Qwen-Vision-Projektor. Der Projektor wird
|
||
über `--mmproj-offload --mmproj-device CUDA1` gezielt auf der RTX 3060 geladen.
|
||
Der vorübergehende Text-only-Workaround ist damit auf ausdrücklichen Wunsch
|
||
beendet.
|
||
|
||
Dabei gilt ausdrücklich:
|
||
|
||
- Der Gesamtkontext bleibt bei **160.000 Tokens**.
|
||
- Das Profil verwendet wieder **einen Slot**. Die getestete Zwei-Slot-Variante
|
||
ist nicht produktiv.
|
||
- **MTP / Speculative Decoding bleibt aktiviert**; MTP wurde nicht entfernt.
|
||
- Modell, Quantisierung, GPU-Aufteilung und KV-Cache-Quantisierung bleiben
|
||
unverändert.
|
||
- Bildanalyse ist im Medium-Profil wieder verfügbar.
|
||
- Der bekannte llama.cpp-/MMProj-Cachefehler kann weiterhin vollständige
|
||
Prompt-Neuverarbeitung in späteren Turns auslösen. Diese Einschränkung wird
|
||
zugunsten der benötigten Vision-Funktion bewusst akzeptiert.
|
||
|
||
Referenz:
|
||
|
||
- https://github.com/ggml-org/llama.cpp/issues/19858
|
||
- https://github.com/ggml-org/llama.cpp/issues/21133
|
||
|
||
## Separates bekanntes Problem
|
||
|
||
Automatische Hermes-Hintergrundanfragen können weiterhin den einzigen aktiven
|
||
llama.cpp-Slot belegen und damit den Cache eines großen Chats verdrängen. Dieses
|
||
Slot-Eviction-Problem ist unabhängig vom MMProj-Workaround und muss separat in
|
||
der Hermes-Auxiliary-/Hintergrundverarbeitung geklärt werden.
|