Spéculation : SPEC=ngram et mtp+ngram, n-grammes du contexte en opt-in

En mode Code, le modèle recopie sans cesse ce qui est déjà dans le
contexte : chemins, diffs, arguments JSON, fichiers réécrits. ngram-mod
de llama.cpp y cherche la suite des 24 derniers jetons et propose d'un
coup les 48 à 64 suivants, sans modèle brouillon. La clé SPEC (off par
défaut, inchangé) gagne deux valeurs : ngram, et mtp+ngram qui y ajoute
la tête MTP. Même vérification exacte que MTP : distribution inchangée,
mais pas le même texte au bit près (vérification par lots), donc on
compare des sessions rejouées, pas des diffs.

- forme explicite seulement : --spec-type ngram-mod
  --spec-ngram-mod-n-match 24 --spec-ngram-mod-n-min 48
  --spec-ngram-mod-n-max 64 ; jamais --spec-default (TODO amont, contenu
  susceptible de changer avec le moteur)
- garde-fou d'aide sur « --spec-ngram-mod-n-match » (pas le simple mot
  ngram-mod, encore listé par les moteurs d'avant le renommage) ; absent =
  SPEC ignoré, note au journal
- mtp+ngram : --spec-type draft-mtp,ngram-mod seulement avec draft-mtp
  dans l'aide ET une tête MTP réelle (tenseur nextn ou MODEL_DRAFT) ;
  sinon n-grammes seuls, avec la raison — jamais « failed to create MTP
  context » en boucle
- EXTRA_ARGS/LLAMA_ARG_* : mêmes exclusions qu'avant, plus --spec_type et
  tout --spec-ngram-* (--spec-type s'additionne sans prévenir) ; pour
  ngram seul, un --spec-draft-* fait aussi taire Loki
- poids sur CPU (experts MoE, -ot, NGL partiel) : refusé tant que
  GGML_OP_OFFLOAD_MIN_BATCH (env ou OP_OFFLOAD_MIN_BATCH) ne dépasse pas
  le lot de vérification de 65 jetons, avec la suggestion
  OP_OFFLOAD_MIN_BATCH=128 ; avertissements pour un modèle plus gros que
  la RAM, les points de reprise d'un hybride, NGL imposé (logits)
- avec ngram, une tête MTP ou MODEL_DRAFT inutilisés sont signalés
- --spec-synth-len/--spec-synth-rates (et LLAMA_ARG_SPEC_SYNTH_LEN) :
  acceptation au hasard, avertissement au lancement ; Loki ne les pose
  jamais
- télémétrie : /api/perf/summary donne draft_n, draft_accepted et
  draft_rate par nature de requête
- UI : deux options du sélecteur de décodage spéculatif ; README et
  configTemplate
- tests : forme explicite, garde d'aide, repli de mtp+ngram, exclusions,
  seuil d'offload, ligne inchangée sans SPEC, acceptation par nature

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

internal/loki/perf_log.go

@@ -453,6 +453,12 @@ type perfKindSum struct {
 	LostEvents        int      `json:"lost_events"`
 	LostTokens        int      `json:"lost_tokens"`
 	TTFTMedianMs      *float64 `json:"ttft_median_ms,omitempty"`
+	// Acceptation du brouillon par nature : un n-gramme paie en mode code
+	// (chemins, diffs recopiés) et presque pas en prose — le taux global
+	// mélangerait les deux. Absent = moteur muet ou spéculation coupée.
+	DraftN        int      `json:"draft_n,omitempty"`
+	DraftAccepted int      `json:"draft_accepted,omitempty"`
+	DraftRate     *float64 `json:"draft_rate,omitempty"`
 }
 
 type perfDepthSum struct {
@@ -550,8 +556,10 @@ func perfSummarize(recs []perfRec) perfSummary {
 		}
 		if r.DraftN != nil {
 			s.DraftN += *r.DraftN
+			k.DraftN += *r.DraftN
 			if r.DraftAcc != nil {
 				s.DraftAccepted += *r.DraftAcc
+				k.DraftAccepted += *r.DraftAcc
 			}
 		}
 	}
@@ -561,6 +569,10 @@ func perfSummarize(recs []perfRec) perfSummary {
 			k.PrefillSecPerTurn = k.PrefillSec / float64(k.Turns)
 		}
 		k.TTFTMedianMs = perfMedian(ttft[kind])
+		if k.DraftN > 0 {
+			r := float64(k.DraftAccepted) / float64(k.DraftN)
+			k.DraftRate = &r
+		}
 	}
 	if sumTotal > 0 {
 		r := float64(sumCached) / float64(sumTotal)