Align workstation migration and recovery docs with desktop VRAM profile

CHANGELOG.md

@@ -1,3 +1,13 @@
+# 2026-10-12 — VRAM-Reserve und portable CPU-Kompression
+
+- `desktop-64k` mit 4096 MiB Fit-Zielmarge und 64K Kontext als Standard neuer
+  Konfigurationen ergänzt; frühere Profile bleiben verfügbar.
+- Separaten CPU-Kompressionsdienst mit eigener portabler Konfiguration,
+  Geräte-/Op-/KV-Offload-Ausschluss und Installation ohne Aktivierung ergänzt.
+- Migrationsschritte, tatsächliche Workstation-Abnahme und Prüfgrenzen dokumentiert.
+- Bestehende lokale Konfigurationen und laufende Dienste bleiben beim Deployment
+  erhalten; Optionen werden vor dem Modellstart auf Unterstützung geprüft.
+
 # 2026-09-10 — Cleanup-Reparatur und dauerhafte Modelle
 
 - Korrigierte Cleanup-Skripte unter maintenance/ aufgenommen: kein globales

README.md

@@ -5,6 +5,7 @@ Reproduzierbares Benutzer-Deployment für Hermes Agent auf Arch Linux mit:
 - offizieller Hermes-Git-Installation unter `~/.hermes/hermes-agent`
 - von Hermes erzeugtem systemd-User-Service für den Messaging Gateway
 - optionalem lokalen llama.cpp/OpenAI-kompatiblen Modellendpunkt
+- optionalem CPU-Kompressionsserver für Hermes
 - optionalem signal-cli HTTP-Daemon
 - robustem Hermes-Update mit Vorprüfung, Retry, Backup und Rollback
 - regelmäßigen Healthchecks und Selbstheilungsversuchen
@@ -13,10 +14,12 @@ Reproduzierbares Benutzer-Deployment für Hermes Agent auf Arch Linux mit:
 - optionalem CUDA-Build von llama-server, llama-cli und llama-bench
 - Qwen-/RTX-3080-Profilen mit prüfbarem Wechsel und Rückweg
 
-Stand: 2026-09-05. Für deine **bestehende Workstation** zuerst
+Stand: 2026-10-12. Für deine **bestehende Workstation** zuerst
 [`docs/WORKSTATION.md`](docs/WORKSTATION.md) lesen. Der Schnellstart unten ist für
 eine neue Maschine. Hardware-Leistungsgewinne sind noch nicht auf deiner GPU
-gemessen. Es wird kein Gitea-Server angelegt und nichts automatisch gepusht.
+gemessen; die kurze Funktions- und VRAM-Abnahme vom 12.10.2026 ist in
+[RTX3080.md](docs/RTX3080.md) dokumentiert. Der Installer richtet keinen
+Gitea-Server ein und pusht keine Änderungen.
 
 Das Repository enthält **keine Zugangsdaten, Signal-Sitzung oder
 Modellgewichte**. Diese Daten werden lokal angelegt und sind durch `.gitignore`
@@ -43,6 +46,8 @@ Danach die beim ersten Lauf erzeugten lokalen Konfigurationen bearbeiten:
 ```bash
 $EDITOR ~/.config/hermes-stack-maintenance/config.env
 $EDITOR ~/.config/hermes-stack-maintenance/llama.env
+# Bei Nutzung der lokalen Kompression:
+$EDITOR ~/.config/hermes-stack-maintenance/compression.env
 $EDITOR ~/.config/hermes-stack-maintenance/signal-cli.env
 $EDITOR ~/.hermes/.env
 ```
@@ -123,11 +128,17 @@ Start des llama-Dienstes geladen, nicht bei der Konfigurationsprüfung.
 ~/.local/libexec/hermes-stack-llama-report
 ```
 
-`baseline` behält deine bisherigen 64K Kontext / 1536 MiB Fit-Zielmarge.
-`balanced` reduziert nur den Kontext auf 48K; `vram-plus` danach optional die
-Marge auf 1280 MiB. `compact` bietet 32K bei 1536 MiB. Das sind Vergleichsprofile,
-keine Garantie gegen Desktop-Speicherdruck. Details, Messprotokoll und Rücknahme:
-[`docs/RTX3080.md`](docs/RTX3080.md).
+Für neue Konfigurationen ist `desktop-64k` der Standard: 64K Kontext,
+4096 MiB Fit-Zielmarge, Reasoning-Budget 128 ohne Reasoning-Preserve.
+Das priorisiert Spielraum für Browser und Desktop auf einer gemeinsam genutzten
+GPU. Die früheren Profile bleiben für bewusste Vergleiche verfügbar.
+Bestehende Konfigurationen werden nicht umgestellt. Bei expliziten `LLAMA_ARGS`
+und leerem `LLAMA_PROFILE` wirken die Profile nicht.
+
+Der optionale Dienst `llama-compression.service` verwendet eine eigene
+`compression.env`, Port 8081 und CPU-Ausführung einschließlich KV-/Op-Offload.
+Für beide Server werden Modellgewichte separat bereitgestellt. Einrichtung,
+Messgrenzen und Migration: [`docs/RTX3080.md`](docs/RTX3080.md).
 
 Profilwechsel ändern zunächst nur eine separate Auswahl-Datei. Ein Neustart
 benötigt `hermes-stack-llama-restart --jobs-finished`. Der Healthcheck teilt das

config/compression.env.example

@@ -0,0 +1,20 @@
+# Optionaler CPU-Kompressionsserver. Modellgewichte separat bereitstellen.
+# Gleiche Binary-Auswahl wie beim Hauptmodell; bei Bedarf explizit setzen.
+LLAMA_SERVER_BIN=""
+LLAMA_MODEL="$HOME/.local/share/hermes-stack/models/qwen3-1.7b-compression/Qwen3-1.7B-Q4_K_M.gguf"
+LLAMA_HF_REPO=""
+LLAMA_MMPROJ=""
+LLAMA_ALIAS="qwen3-1.7b-compression"
+LLAMA_HOST="127.0.0.1"
+LLAMA_PORT="8081"
+LLAMA_PROFILE=""
+LLAMA_ARGS=(
+  --ctx-size 65536 --rope-scaling yarn --rope-scale 2 --yarn-orig-ctx 32768
+  --parallel 1 --jinja --reasoning-budget 0 --no-reasoning-preserve
+  --n-gpu-layers 0 --device none --no-op-offload --no-kv-offload
+  --threads 8 --threads-batch 8 --flash-attn auto
+  --cache-type-k q8_0 --cache-type-v q8_0 --no-ui
+)
+# 64K-Kontext ist die übernommene Workstation-Konfiguration mit YaRN.
+# Die Binary meldet Kontext über dem Trainingslimit; Qualität bei langen
+# Kompressionsaufgaben auf dem Zielmodell gesondert prüfen.

config/llama-local.env.example

@@ -9,5 +9,5 @@ LLAMA_HF_REPO=""
 LLAMA_ALIAS="qwen38-27b-local"
 LLAMA_HOST="127.0.0.1"
 LLAMA_PORT="8080"
-LLAMA_PROFILE="baseline"
+LLAMA_PROFILE="desktop-64k"
 LLAMA_ARGS=()

config/llama.env.example

@@ -9,9 +9,9 @@ LLAMA_MMPROJ=""
 LLAMA_HOST="127.0.0.1"
 LLAMA_PORT="8080"
 
-# Erster Start unverändert mit 64K / 1536 MiB Fit-Zielmarge.
-# baseline bleibt Standard; vram-64k ist ein optionales Testprofil.
-LLAMA_PROFILE="baseline"
+# Standard für eine gemeinsam mit dem Desktop genutzte GPU: 64K / 4096 MiB.
+# Fit ist ein Planungsziel; die freie Reserve auf der Zielmaschine messen.
+LLAMA_PROFILE="desktop-64k"
 LLAMA_ARGS=()
 # HF lädt beim ersten echten Start herunter. Für offline/reproduzierbar:
 # LLAMA_MODEL und optional LLAMA_MMPROJ setzen; LLAMA_HF_REPO leeren.

docs/CLEANUP_RECOVERY.md

@@ -11,7 +11,9 @@ außerhalb des Caches abgelegt und mit cmp gegen die Quellen geprüft.
 
 Nach Umstellung und kontrolliertem Neustart bestätigte das Serverlog beide
 neuen Pfade. Eine Textanfrage lieferte OK, der Healthcheck Result=success.
-Profil baseline bleibt unverändert (65536 Kontext, 1536 MiB Fit-Zielmarge).
+Historisch blieb damals baseline unverändert (65536 Kontext, 1536 MiB Fit-Zielmarge).
+Seit 12.10.2026 gilt die größere Desktop-Reserve; siehe
+[aktuellen Workstation-Abgleich](WORKSTATION.md#workstation-abgleich-vom-2026-10-12).
 Damit sind Modellstart, kurze Textinferenz und leichte Gesundheitsprüfung
 belegt; ein kompletter Bildjob und der Docker-Netzwerk-Canary wurden bei
 dieser Wiederherstellung noch nicht erneut getestet.

docs/MIGRATION.md

@@ -56,7 +56,16 @@ betreiben. Für Parallelbetrieb die neue Maschine als separates Gerät verknüpf
 inklusive CLI und Benchmark) oder vorhandene Binary verwenden. Die GGUF-Datei
 und einen ggf. benötigten Vision-Projektor übertragen oder beim ersten Start
 über HF beziehen. Danach
-`~/.config/hermes-stack-maintenance/llama.env` anpassen. Modellgewichte gehören
+`~/.config/hermes-stack-maintenance/llama.env` anpassen.
+
+Für eine Workstation mit Desktop auf derselben GPU `desktop-64k` (64K,
+4096 MiB Fit-Zielmarge) als Ausgangspunkt verwenden. Den optionalen lokalen
+Kompressionsserver über `compression.env` auf CPU konfigurieren und seine
+GGUF-Datei separat übertragen. Die vollständige Einrichtung und Abnahme steht
+unter [Desktop-Reserve und CPU-Kompression](RTX3080.md#desktop-reserve-und-cpu-kompression-seit-12102026).
+Auch die eigenen `~/.config/hermes-stack-maintenance/`-Dateien sichern und
+gezielt übertragen; lokale Pfade, Binary-Auswahl und Profil-Override auf der
+neuen Maschine prüfen. Keine vollständige systemd-Konfiguration blind kopieren. Modellgewichte gehören
 wegen Größe und Lizenz nicht in dieses Repository.
 
 Die RTX-3080-Profile sind für 10 GB VRAM und die bisherige CPU ausgelegt; auf
@@ -70,6 +79,8 @@ NVIDIA-/Kernelpakete. Keine Binärkopie des alten CUDA-Builds erzwingen.
 hermes gateway install --force
 systemctl --user daemon-reload
 systemctl --user enable --now signal-cli.service llama-qwen.service
+# Nur nach Einrichtung der optionalen Kompression:
+systemctl --user enable --now llama-compression.service
 systemctl --user enable --now \
   hermes-stack-hermes-update.timer \
   hermes-stack-health.timer \

docs/RTX3080.md

@@ -9,17 +9,22 @@ helfen; weder Voll-Offload noch eine bestimmte Beschleunigung werden versprochen
 
 | Profil | Kontextlimit | Fit-Zielmarge | Einsatz |
 | --- | ---: | ---: | --- |
-| `baseline` | 65536 | 1536 MiB | bisherige Startparameter, Referenz und Rückweg |
+| `desktop-64k` | 65536 | 4096 MiB | Standard für Neuinstallationen mit Desktop auf derselben GPU |
+| `baseline` | 65536 | 1536 MiB | historische Vergleichsparameter |
 | `vram-64k` | 65536 | 1280 MiB | optionaler Vergleich, kein Standard |
 | `balanced` | 49152 | 1536 MiB | erster Vergleich, nur Kontext reduzieren |
 | `vram-plus` | 49152 | 1280 MiB | zweiter Vergleich, kleinere Zielmarge |
 | `compact` | 32768 | 1536 MiB | Alternative für kürzere Sitzungen |
 
-Alle Profile: ein Slot, K/V-Cache q8_0, Flash Attention auto, GPU-Layer auto,
-Fit an, 6 Generierungs-/16 Batch-Threads, Jinja, Reasoning auto/512/preserve,
+Gemeinsam: ein Slot, K/V-Cache q8_0, Flash Attention auto, GPU-Layer auto,
+Fit an, 6 Generierungs-/16 Batch-Threads, Jinja, Reasoning auto,
 Image-Minimum 1024 Tokens und Idle-Sleep nach 300 Sekunden. Modellalias bleibt
 `qwen38-27b-local`. Es werden keine Sampling-Werte oder Hermes-Memories geändert.
 
+`desktop-64k` verwendet Reasoning-Budget 128 ohne Preserve wie die am
+12.10.2026 geprüfte Workstation. Die älteren Vergleichsprofile behalten 512 mit
+Preserve; sie ändern neben der Speicherplanung auch diesen Parameter.
+
 Die Definitionen stehen zentral in `libexec/hermes-stack-llama-run`.
 Die Konfiguration und Optionsnamen werden anhand der installierten Binary
 geprüft. Nicht unterstützte Optionen führen zum Abbruch, nicht zum stillen
@@ -35,14 +40,15 @@ hier bewusst nicht als fertiges Profil vorgesehen.
 
 ## Messung statt Auslastungsziel
 
-1. Zuerst `baseline` mit deiner normalen Browser-/Hyprland-Nutzung messen.
+1. Zuerst `desktop-64k` mit deiner normalen Browser-/Hyprland-Nutzung messen.
 2. Nur bei erneutem Tuning: Jobs beenden, ein Vergleichsprofil wählen
    und kontrolliert neu starten. Für 64K Kontext ist dies `vram-64k`.
 3. Dieselben Aufgaben erneut ausführen: kurze Textantwort, längerer Agent-Task
    mit Tools und eine repräsentative Bildaufgabe. Qualität mitbewerten.
 4. Kalten Start nach Idle-Sleep getrennt von warmem Prompt-Cache messen.
 5. Erst bei genügend Spielraum `vram-plus` probieren. Bei Rucklern, OOM,
-   Grafikfehlern oder deutlich schlechterer Latenz zurück auf `baseline`.
+   Grafikfehlern wieder die größere Reserve von `desktop-64k` verwenden.
+   Latenz und Qualität gegen die eigenen Anforderungen prüfen.
 
 ```bash
 ~/.local/libexec/hermes-stack-llama-profile list
@@ -80,10 +86,10 @@ zwingend automatisch. Lange alte Sitzungen nicht ungeprüft fortsetzen; eine
 frische Sitzung für den Vergleich verwenden. Das Deployment überschreibt deine
 `config.yaml` bewusst nicht.
 
-## Rückkehr
+## Zur größeren Desktop-Reserve zurückkehren
 
 ```bash
-~/.local/libexec/hermes-stack-llama-profile baseline
+~/.local/libexec/hermes-stack-llama-profile desktop-64k
 ~/.local/libexec/hermes-stack-llama-restart --jobs-finished
 ```
 
@@ -98,3 +104,92 @@ für Fit-Marge, Kontext, Cache und Idle-Sleep; geprüft am 2026-09-05. Maßgebli
 für deinen Rechner bleibt `llama-server --help` seiner tatsächlich installierten
 Version. Die Profile übernehmen die von dir gezeigten Modellparameter; sie
 sind noch kein auf deiner GPU gemessener Optimalwert.
+
+## Desktop-Reserve und CPU-Kompression seit 12.10.2026
+
+Auf der RTX 3080 mit NVIDIA Open 615.78.08 standen vor den GUI-Abstürzen
+NVKMS-Allokationsfehler und `NV_ERR_NO_MEMORY` im Kerneljournal; danach folgten
+anhaltende GSP-Zustandsfehler und Abstürze neuer GPU-Anwendungen. VRAM-Druck ist
+belegt, die vollständige Kausalkette zum Treiberfehler nicht. Eine spätere
+Momentaufnahme mit freiem Speicher schließt frühere Lastspitzen nicht aus.
+
+Die aktive Workstation-Konfiguration wurde auf 4096 MiB Fit-Zielmarge geändert.
+Das Kompressionsmodell bekam zusätzlich zu `--n-gpu-layers 0` die Optionen
+`--device none --no-op-offload --no-kv-offload`. Nur null GPU-Layer hatte zuvor
+noch etwa 700 MiB VRAM belegt. `MemoryHigh`/`MemoryMax` begrenzen RAM, nicht VRAM.
+
+Kurze produktive Abnahme am 12.10.2026: CPU-Kompression antwortet, Hauptmodell
+verarbeitet einen Text mit 984 Eingabetokens und erkennt ein synthetisches
+96×96-Bild. Mindestens 4096 MiB VRAM frei während dieser Tests; keine neuen
+NVIDIA-/CUDA-OOM-Fehler im Prüfzeitraum. Kein Nachweis langfristiger
+Treiberstabilität, maximaler Kontext-/Bildlast oder einer bestimmten Leistung.
+Das Hauptmodell behält 64K Kontext und GPU-Visionprojektor. Bei weiterem
+Speicherdruck zuerst Reserve messen; optional `--no-mmproj-offload` prüfen,
+Kontextkürzungen mit Hermes abstimmen. Mehr CPU-Offload kann langsamer sein.
+
+### Auf einer neuen Workstation einrichten
+
+Nach `./install.sh` und Bereitstellung der Modellgewichte:
+
+1. In `llama.env` Binary/Modell/Projektor setzen; `LLAMA_PROFILE="desktop-64k"`
+   und `LLAMA_ARGS=()` verwenden. Ein eventuell aus dem alten Rechner kopiertes
+   `llama-profile.env` kann die Profilwahl überschreiben. Über den Profilhelfer
+   bewusst `desktop-64k` wählen. Die lokale Modellvorlage verwendet `$HOME`.
+2. In `compression.env` CPU-Binary bzw. die gemeinsame CUDA-Binary, Modellpfad
+   und Port prüfen. Die CUDA-Binary kann mit `--device none` auf CPU rechnen.
+3. Beide Konfigurationen ohne Modellstart prüfen:
+
+   ```bash
+   ~/.local/libexec/hermes-stack-llama-run --check
+   HERMES_LLAMA_CONFIG="$HOME/.config/hermes-stack-maintenance/compression.env" \
+     ~/.local/libexec/hermes-stack-llama-run --check
+   ```
+
+4. Hermes' Hauptmodell auf `http://127.0.0.1:8080/v1`, Alias
+   `qwen38-27b-local`, und den separaten Kompressionsanbieter auf
+   `http://127.0.0.1:8081/v1`, Alias `qwen3-1.7b-compression`, konfigurieren.
+   Bestehende `config.yaml` übernehmen und mit der installierten Hermes-Version
+   abgleichen; keine Zugangsdaten oder allgemeine Modellantworten überschreiben.
+5. Erst ohne laufende Backend-Aufträge aktivieren:
+
+   ```bash
+   systemctl --user daemon-reload
+   systemctl --user enable --now llama-compression.service llama-qwen.service
+   ```
+
+   Bei bereits laufenden Diensten aktiviert `enable --now` keine neuen
+   Einstellungen: nach Abschluss aller Anfragen gezielt neu starten.
+
+6. Mit normalem Browser-/Desktopbetrieb Text- und Bildanfragen prüfen und
+   `nvidia-smi` im Sekundentakt beobachten. Für diese 10-GB-Klasse mindestens
+   etwa 3 GiB tatsächlich freie Reserve unter den eigenen Aufgaben anstreben;
+   4096 MiB Fit-Zielmarge ist nur der Ausgangspunkt. CPU-Kompression sollte
+   nicht als NVIDIA-Verbraucher erscheinen. Journal auf neue CUDA-OOM-, NVKMS-
+   und GSP-Fehler prüfen. Aufwachen nach Idle-Sleep separat testen.
+
+Die Unit-Vorlage verwendet den üblichen Konfigurationspfad unter `~/.config`.
+Bei abweichendem `XDG_CONFIG_HOME` den Environment-Pfad in der Unit ebenfalls
+anpassen. Auch vorhandene `ExecStart`-Drop-ins vor der Übernahme prüfen.
+
+Der Installer installiert den Kompressionsdienst, aktiviert ihn aber nicht und
+lädt keine Kompressionsgewichte herunter. Fehlende `compression.env` wird
+angelegt, eine bestehende Datei bleibt erhalten. Die alte Workstation nutzt
+aktuell explizite Argumente im Hauptmodell und eine direkte Kompressions-Unit;
+diese portable Repo-Variante bildet die wirksamen Optionen ab. Ein erneuter
+Installerlauf ersetzt Units/Wrapper nach Sicherung, startet aber keine laufenden
+Modellserver neu. Für bestehende Setups deshalb zuerst sichern und den geplanten
+Dienstwechsel ohne laufende Anfragen durchführen.
+
+### Rücknahme auf einer Zielmaschine
+
+Vor Änderungen `llama.env`, `llama-profile.env` (falls vorhanden),
+`compression.env` und bestehende Units/Drop-ins sichern. Die Installer-Sicherung
+enthält ersetzte Units/Wrapper; unveränderte Konfigurationen separat sichern.
+Bei Rücknahme die betroffenen Dateien gezielt wiederherstellen, `daemon-reload`
+ausführen und die beiden Server nach Abschluss der Anfragen neu starten.
+Die früheren Profile sind Vergleichsmöglichkeiten, kein bewiesener stabiler
+Rückfallweg bei Speicherdruck.
+
+Quellen: [llama.cpp: Serveroptionen](https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md),
+[ähnlicher NVIDIA-GSP-Bericht](https://github.com/NVIDIA/open-gpu-kernel-modules/issues/1408).
+Der dort genannte Display-Wakeup-Auslöser ist lokal nicht bewiesen.

docs/VALIDATION.md

@@ -1,3 +1,16 @@
+# Validierung vom 2026-10-12
+
+- `make test`: Shell-Syntaxprüfung, Secret-Mustercheck und **26 isolierte
+  Funktionstests bestanden**, einschließlich separater CPU-Kompressionskonfiguration.
+- `git diff --check`: erfolgreich.
+- Neue Profil- und Kompressionsvorlagen mit der installierten llama.cpp-Binary
+  auf unterstützte Optionsnamen geprüft, ohne Modellstart.
+- ShellCheck ist lokal nicht installiert; weiterhin über Gitea-CI vorgesehen.
+- Die aktive Workstation-Konfiguration wurde vor der Repo-Änderung mit echten
+  Text-/Bildanfragen und mindestens 4096 MiB freiem VRAM geprüft. Die portablen
+  Installer-/Wrapperdateien wurden nicht erneut auf den laufenden Rechner
+  installiert. Keine neue Workstation eingerichtet und kein Langzeitnachweis.
+
 # Validierung vom 2026-09-05
 
 Ausgeführt in einer isolierten Arbeitsumgebung, nicht auf der Workstation:

docs/WORKSTATION.md

@@ -60,7 +60,7 @@ LLAMA_ALIAS="qwen38-27b-local"
 LLAMA_MMPROJ=""
 LLAMA_HOST="127.0.0.1"
 LLAMA_PORT="8080"
-LLAMA_PROFILE="baseline"
+LLAMA_PROFILE="desktop-64k"
 LLAMA_ARGS=()
 ```
 
@@ -90,7 +90,8 @@ der neue Standard: HTTP-Probleme werden gemeldet, nicht durch Neustarts behandel
 ## 3. Optimieren und zurücksetzen
 
 Nun gemäß [RTX3080.md](RTX3080.md) jeweils nur ein Profil vergleichen. Zurück:
-Profil `baseline` wählen und kontrolliert neustarten. Für vollständige Rückkehr
+Bei Speicherdruck die größere Reserve von `desktop-64k` verwenden. Die
+früheren Vergleichsprofile bieten keine Stabilitätsgarantie. Für vollständige Rückkehr
 alte llama.env und ggf. alte Unit/Wrapper aus der Deployment-Sicherung einzeln
 wiederherstellen, `daemon-reload` und Neustart nach Jobende. Nicht pauschal ein
 Archiv über dein gesamtes Home extrahieren. Die Datei `llama-profile.env` hat nur
@@ -98,7 +99,7 @@ bei aktivem Profilbetrieb Vorrang; ihre vorherigen Stände liegen daneben.
 
 ## Workstation-Abgleich vom 2026-09-09
 
-Alltagsprofil bleibt baseline: 65536 Kontext, Fit-Zielmarge 1536 MiB.
+Historischer Stand (durch den Abgleich vom 12.10.2026 abgelöst): baseline, 65536 Kontext, Fit-Zielmarge 1536 MiB.
 Die zwei kurzen Texttests vom 5. September ergaben im Mittel rund 2,58 tok/s
 für baseline und 2,62 tok/s für vram-64k. Das belegt keinen belastbaren
 Geschwindigkeitsvorteil. Im fünfminütigen Desktop-/Bildtest mit vram-64k
@@ -126,3 +127,23 @@ Ein echter Update-/Rollback-Lauf der neuen Fassung war damit noch nicht geprüft
 Modell und Projektor liegen jetzt außerhalb von ~/.cache. Die korrigierten
 Cleanup-Skripte sind unter ~/Scripts installiert. Details und Prüfgrenzen:
 [CLEANUP_RECOVERY.md](CLEANUP_RECOVERY.md).
+
+
+## Workstation-Abgleich vom 2026-10-12
+
+Nach NVIDIA-Speicherallokationsfehlern und GUI-Abstürzen wurde der aktive
+Hauptserver auf 4096 MiB Fit-Zielmarge bei unverändert 65536 Kontext umgestellt.
+Die aktive `llama.env` enthält dafür explizite `LLAMA_ARGS` bei leerem
+`LLAMA_PROFILE`; Profilwechsel wirken dort erst nach bewusster Umstellung auf
+Profilbetrieb. Reasoning: auto, Budget 128, kein Preserve.
+
+Die bestehende Kompressions-Unit wurde um `--device none --no-op-offload
+--no-kv-offload` ergänzt. Der vorher mit null GPU-Layern weiterhin belegte
+VRAM wurde freigegeben. Kurze Text-/Bildtests bestanden mit mindestens 4096 MiB
+freiem VRAM und ohne neue NVIDIA-/CUDA-OOM-Fehler. Langzeitstabilität bleibt offen.
+
+Diese aktiven Änderungen wurden separat installiert. Die neuen portablen
+Repo-Dateien wurden danach aufgenommen und getestet, aber nicht erneut über
+`install.sh` auf die Workstation ausgerollt. Der aktuelle Betrieb bleibt bei den
+bereits geprüften Einstellungen. Details zur Übertragung und zu bestehenden
+Units/Drop-ins stehen in [RTX3080.md](RTX3080.md).

install.sh

@@ -105,6 +105,8 @@ install_config_if_missing \
   "$ROOT_DIR/config/config.env.example" "$config_dir/config.env"
 install_config_if_missing \
   "$ROOT_DIR/config/llama.env.example" "$config_dir/llama.env"
+install_config_if_missing \
+  "$ROOT_DIR/config/compression.env.example" "$config_dir/compression.env"
 install_config_if_missing \
   "$ROOT_DIR/config/signal-cli.env.example" "$config_dir/signal-cli.env"
 

libexec/hermes-stack-llama-profile

@@ -8,10 +8,10 @@ runner="$(dirname -- "${BASH_SOURCE[0]}")/hermes-stack-llama-run"
 case "${1:-list}" in
   list)
     printf '%-12s %8s %10s\n' Profil Kontext Fit-MiB \
-      baseline 65536 1536 vram-64k 65536 1280 \
+      desktop-64k 65536 4096 baseline 65536 1536 vram-64k 65536 1280 \
       balanced 49152 1536 vram-plus 49152 1280 compact 32768 1536
     exit 0 ;;
-  baseline|vram-64k|balanced|vram-plus|compact) selected="$1" ;;
+  desktop-64k|baseline|vram-64k|balanced|vram-plus|compact) selected="$1" ;;
   *)
     printf 'Unbekanntes Profil. Verfügbare Profile: %s list\n' "$0" >&2
     exit 2 ;;

libexec/hermes-stack-llama-run

@@ -72,7 +72,10 @@ fi
 
 profile_args=()
 if [[ -n "${LLAMA_PROFILE:-}" ]]; then
+  reasoning_budget=512
+  reasoning_preserve=--reasoning-preserve
   case "$LLAMA_PROFILE" in
+    desktop-64k) ctx=65536; margin=4096; reasoning_budget=128; reasoning_preserve=--no-reasoning-preserve ;;
     baseline) ctx=65536; margin=1536 ;;
     vram-64k) ctx=65536; margin=1280 ;;
     balanced) ctx=49152; margin=1536 ;;
@@ -86,7 +89,7 @@ if [[ -n "${LLAMA_PROFILE:-}" ]]; then
 
   profile_args=(
     --ctx-size "$ctx" --parallel 1 --jinja
-    --reasoning auto --reasoning-budget 512 --reasoning-preserve
+    --reasoning auto --reasoning-budget "$reasoning_budget" "$reasoning_preserve"
     --flash-attn auto --threads 6 --threads-batch 16
     --n-gpu-layers auto --fit on --fit-target "$margin"
     --cache-type-k q8_0 --cache-type-v q8_0

systemd/user/llama-compression.service

@@ -0,0 +1,20 @@
+[Unit]
+Description=Hermes auxiliary compression LLM (CPU)
+After=default.target
+StartLimitIntervalSec=300
+StartLimitBurst=3
+
+[Service]
+Type=simple
+Environment=HERMES_LLAMA_CONFIG=%h/.config/hermes-stack-maintenance/compression.env
+ExecStart=%h/.local/libexec/hermes-stack-llama-run
+Restart=on-failure
+RestartSec=30
+Nice=10
+MemoryHigh=8G
+MemoryMax=12G
+OOMPolicy=stop
+TimeoutStopSec=60
+
+[Install]
+WantedBy=default.target

tests/test_llama.py

@@ -13,9 +13,10 @@ RUNNER = ROOT / "libexec/hermes-stack-llama-run"
 PROFILE = ROOT / "libexec/hermes-stack-llama-profile"
 RESTART = ROOT / "libexec/hermes-stack-llama-restart"
 OPTIONS = """--model --hf-repo --mmproj --alias --host --port --ctx-size --parallel
---jinja --reasoning --reasoning-budget --reasoning-preserve --flash-attn --threads
+--jinja --reasoning --reasoning-budget --reasoning-preserve --no-reasoning-preserve --flash-attn --threads
 --threads-batch --n-gpu-layers --fit --fit-target --cache-type-k --cache-type-v
---sleep-idle-seconds --image-min-tokens --cors-origins --no-ui"""
+--sleep-idle-seconds --image-min-tokens --cors-origins --no-ui --rope-scaling --rope-scale --yarn-orig-ctx
+--device --no-op-offload --no-kv-offload"""
 
 
 class LlamaTests(unittest.TestCase):
@@ -72,7 +73,8 @@ class LlamaTests(unittest.TestCase):
         return result
 
     def test_profile_values(self):
-        for name, ctx, margin in [("baseline", "65536", "1536"),
+        for name, ctx, margin in [("desktop-64k", "65536", "4096"),
+                                  ("baseline", "65536", "1536"),
                                   ("vram-64k", "65536", "1280"),
                                   ("balanced", "49152", "1536"),
                                   ("vram-plus", "49152", "1280"),
@@ -85,6 +87,28 @@ class LlamaTests(unittest.TestCase):
                 self.assertEqual(args.count("--ctx-size"), 1)
                 self.assertIn("qwen38-27b-local", args)
 
+    def test_cpu_compression_template_uses_separate_config(self):
+        model = self.root / "compression model.gguf"
+        model.touch()
+        template = (ROOT / "config/compression.env.example").read_text()
+        template = template.replace('LLAMA_SERVER_BIN=""',
+                                    f'LLAMA_SERVER_BIN={shlex.quote(str(self.server))}')
+        template = template.replace(
+            'LLAMA_MODEL="$HOME/.local/share/hermes-stack/models/qwen3-1.7b-compression/Qwen3-1.7B-Q4_K_M.gguf"',
+            f'LLAMA_MODEL={shlex.quote(str(model))}')
+        config = self.config / "compression.env"
+        config.write_text(template)
+        self.env["HERMES_LLAMA_CONFIG"] = str(config)
+        self.run_tool(RUNNER)
+        args = self.record.read_text().splitlines()
+        self.assertEqual(args[args.index("--port") + 1], "8081")
+        self.assertEqual(args[args.index("--device") + 1], "none")
+        self.assertIn("--no-op-offload", args)
+        self.assertIn("--no-kv-offload", args)
+        self.assertIn(str(model), args)
+        self.assertNotIn("qwen38-27b-local", args)
+        self.assertNotIn("--fit-target", args)
+
     def test_check_does_not_run_inference(self):
         self.run_tool(RUNNER, "--check")
         self.assertFalse(self.record.exists())

uninstall.sh

@@ -8,9 +8,11 @@ units=(
   hermes-stack-health.service hermes-stack-health.timer
   hermes-stack-signal-health.service hermes-stack-signal-health.timer
   hermes-stack-signal-update-check.service hermes-stack-signal-update-check.timer
-  llama-qwen.service signal-cli.service
+  llama-qwen.service llama-compression.service signal-cli.service
 )
 
+systemctl --user disable --now llama-compression.service 2>/dev/null || true
+
 systemctl --user disable --now \
   hermes-stack-hermes-update.timer \
   hermes-stack-health.timer \