Version 0.15.0

Version consacrée à la vitesse sans dénaturer le modèle : les lots 1, 2 et 3 de performance. Ce qui est sans perte est actif d'office ; tout ce qui change ce que voit le modèle, le placement ou les slots attend une clé. - Version passée à 0.15.0 (run.go, versioninfo.json, ressources Windows régénérées par goversioninfo seul — icônes inchangées). - Notes de release réécrites : actif d'office, opt-in et leurs clés, ordre de test conseillé, ce qui a été écarté (cache-reuse, context-shift, KV quantifié par défaut) et pourquoi. - README : une section « Performance » rassemble toutes les clés (défaut, effet, prix ou zone grise), les outils sans clé, l'ordre de test et les pistes écartées ; le détail de chaque clé y est déplacé depuis « Fonctionnalités », qui n'y renvoie plus que par un lien. - NOTICE inchangé : rien de ces lots ne reprend OpenFox ni AJEAN. Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-11 17:26:57 +02:00 · 2026-10-04 15:32:27 +02:00
1 parent 5d37bef0ce
commit 5dd14c9de5
@@ -356,6 +356,242 @@ Ajoutées par ce fork :
  → maximale) et rejoue le message sans rien perdre de l'historique — une fois,
  puis la traduction est retenue pour ce modèle. La liste est grisée quand le
  raisonnement est coupé pour ce modèle.
 - **Performance** : cache de prompts, slots, décodage spéculatif, placement
  MoE et multi-GPU, optimiseur — tout est rassemblé dans la section
  [Performance](#performance), avec la table des clés et leur défaut.
 - **Discussions multiples** : historique complet dans la barre latérale, titre
  repris du premier message (renommable), suppression. **Chaque discussion a son
  dossier de fichiers** (`workspace/discussions/<id>/`) : les pièces jointes
  déposées, les captures et ce que l'agent écrit y atterrissent, le shell et les
  chemins relatifs du modèle y sont résolus. Changer de discussion change donc
  les fichiers ; supprimer (ou vider) une discussion emporte les siens, pour que
  le disque ne se remplisse pas en silence.
 - **Recherche Hugging Face** intégrée avec verdict mémoire et installation liée
  du projecteur vision (voir [Installer un modèle](#installer-un-modèle)).
 - **Captures de pages web** : l'agent dispose de l'outil `web_screenshot`
  (Chromium via Playwright, inclus dans l'image). Les captures partent en JPEG
  et sont plafonnées à 20 fichiers / 40 Mo par discussion. La description de
  l'outil suit la capacité **réelle** du moteur, sondée sur `/props` : sans
  vision effective, elle dit au modèle « tu ne vois pas l'image » plutôt que de
  lui promettre des yeux qu'il n'a pas — il peut toujours prendre la capture et
  la montrer, sans prétendre la décrire. L'image relayée au moteur reste
  éphémère : la persister gonflait le contexte jusqu'à le faire déborder.
 - **Panneau Fichiers** (bouton dossier de la barre de saisie) : les fichiers de la
  discussion ouverte — dépôts, captures, ce que l'agent y a écrit — avec
  navigation dans les sous-dossiers, téléchargement et suppression. Un dossier
  affiche la taille de **tout** son contenu, c'est ce qu'on libère en le
  supprimant, et le pied donne l'occupation disque de la discussion. Les chemins
  sont bornés à son dossier, liens symboliques résolus des deux côtés : ni le
  reste du disque ni les autres discussions ne sont atteignables. Les fichiers
  d'avant ce rangement que la migration n'a pas su rattacher restent joignables
  par le bouton **hors discussion**, qui disparaît une fois le ménage fait.
 - **Interface « Sober Tech »** : ardoise et sauge, typographie Inter (interface)
  et JetBrains Mono (code, chiffres, chemins) — embarquées dans le binaire, donc
  aucune requête vers un service de polices. Deux variantes : claire par défaut,
  **Deep Dark** (fond `#0F172A`, cartes `#1E293B`) d'un clic depuis l'en-tête.
  L'en-tête porte le titre de la discussion et le **sélecteur de modèle** (le
  changement de preset ne demande plus d'ouvrir les réglages) ; la barre
  latérale s'escamote pour rendre toute la largeur au fil ; les discussions s'y
  cherchent au clavier et les jauges **GPU / VRAM / mémoire vive** restent
  visibles en pied de colonne.
 - **Libérer la VRAM d'un clic** : sur les jauges du moniteur, un bouton décharge
  le modèle et arrête le moteur (ainsi que le serveur de dictée, qui occupe la
  carte lui aussi) pour rendre la mémoire vidéo à une autre application — jeu,
  encodage, autre serveur d'inférence. Le bilan est annoncé en Gio réellement
  rendus, et le même bouton devient **Recharger le modèle** pour reprendre la
  main. Routes : `POST /api/vram/unload` et `POST /api/vram/reload`.
 - **API OpenAI servie par Loki** : `/v1/*` est exposé **sur le port de
  l'interface** (8090) et relayé vers llama-server, au lieu d'annoncer l'adresse
  du moteur. Conséquence directe : l'API est joignable partout où l'interface
  l'est — par l'IP du réseau local comme par un nom de domaine — sans publier de
  second port ni ouvrir le moteur. L'amont annonçait `http://<ip>:8080/v1`, une
  adresse injoignable en conteneur (le port 8080 n'y est pas publié, et l'IP
  détectée est celle du bridge Docker).
  - Authentification par la **clé API** du panneau (`Authorization: Bearer …`),
    vérifiée par Loki **et** par le moteur. Sans clé, l'endpoint est ouvert et
    l'interface le dit en rouge.
  - **Adresse publique** : un champ où saisir son domaine, pour le cas du
    reverse proxy où Loki ne voit qu'un appel interne. Laissé vide, l'adresse
    affichée suit celle du navigateur.
  - **TLS** : mettre un reverse proxy devant (Caddy, Nginx, Traefik). Loki
    honore `X-Forwarded-Proto` pour annoncer une adresse en `https`.
  - L'ancienne exposition publique via le relais de l'amont
    (`<machine>.oai.ajean.link`) est retirée de l'interface : elle exigeait un
    jeton de relais que ce fork ne permet plus d'obtenir, l'interrupteur ne
    pouvait donc qu'échouer.
 - **Budget d'appels d'outils** : un tour d'agent n'a aucun plafond — couper une
  recherche légitime est pire que la laisser durer — mais au-delà de 24 appels
  sur un même tour, Loki rappelle au modèle combien il en a déjà faits et lui
  demande de conclure. Le rappel revient tous les 24 appels, en durcissant le
  ton ; il ne coupe jamais le tour, c'est de la pression, pas une barrière.
  Sans lui, un petit modèle qui tourne en rond n'avait rien en face de lui sauf
  le bouton stop (vu en production : 50 appels, 55 minutes, à relire cinq fois
  les mêmes fichiers). Réglable par `AGENT_BUDGET` dans `config.env` —
  `AGENT_BUDGET=off` le désactive complètement.
 - **Identité** : ton prénom et un avatar emoji pour toi et pour Loki, affichés
  dans le fil.
 - **Réglages en modale** : tous les réglages vivent dans une fenêtre à deux
  volets — la nav des sections à gauche (IA, moteur, application), le panneau
  choisi à droite. La barre latérale ne garde que les discussions (les plus
  récentes en tête) et le moniteur machine.
 - **Nom du modèle sur chaque réponse** : une pastille à côté de « Loki » dit
  quel modèle a produit la réponse. Elle est journalisée avec le tour : elle
  survit au rechargement, et un vieux tour garde le modèle de l'époque.
 - **Dictée vocale** : un bouton micro dans la carte de saisie enregistre,
  transcrit **en local** (whisper.cpp, compilé dans l'image ; modèle
  `small-q5_1` multilingue ~190 Mo téléchargé au premier usage dans
  `/data/whisper/`) et pose le texte dans le champ. ⚠️ le navigateur n'autorise
  le micro qu'en **HTTPS** (ou sur `localhost`) — derrière un reverse proxy
  TLS, rien à faire ; en `http://IP:8090`, le bouton l'explique.
 - **Cartes raisonnement/outils à hauteur bornée** : un long raisonnement ne
  fait plus grandir la page de plusieurs écrans — la carte reste à taille fixe
  et défile toute seule pendant la génération. Sur un raisonnement géant, seul
  le bas du bloc est re-rendu en direct (le texte complet est posé à la fin) :
  l'affichage ne se fige plus.
 Retirées par ce fork :
 - **Accès distant via [ajean.link](https://ajean.link)** : la section de
  l'interface et son module JS sont supprimés — un conteneur derrière son
  propre réseau n'en a pas l'usage. Le code serveur du relais reste en place
  mais **inerte** (aucun jeton, aucune section pour en fournir un) : le retirer
  créerait un conflit à chaque reprise de l'amont.
 - **Postes distants** (faire agir l'agent sur un autre PC appairé) : bouton du
  composeur, modales d'appairage et module JS supprimés. Même traitement que
  ci-dessus — les routes `/api/node/*` subsistent mais plus rien ne peut
  générer de code d'appairage, donc aucun poste ne peut se connecter.
 - **Catalogue de modèles distant** : il interrogeait `ajean.link/models.json`,
  sa route n'avait aucun consommateur et son repli embarqué datait de 2024. La
  recherche Hugging Face le remplace.
 ## Performance
 Le but : des tours plus courts **sans dénaturer le modèle**. Rien ici ne
 touche à la quantification des poids, à l'échantillonnage, à la température, au
 budget de raisonnement ni au contenu du contexte. Tout ce qui changerait ce
 qu'envoie Loki au modèle, le placement des poids ou les slots du moteur est
 **désactivé par défaut**, derrière une clé ; sans clé, la requête et la ligne de
 commande restent celles d'avant. Les clés se posent dans le preset (éditeur) ou
 par `loki config set CLÉ valeur` ; celles marquées « moteur relancé » demandent
 un redémarrage du moteur.
 ### Actif par défaut, sans perte
 - **Cache de prompts dimensionné** (`--cache-ram`) : agrandi pour un modèle
  tout-GPU d'après l'état mesuré dans le GGUF, jamais sous le défaut du moteur ;
  et le slot est effacé après un sous-agent, une vérification, une tâche ou un
  bench, pour que la conversation revienne du cache RAM au lieu d'être
  recalculée.
 - **Préfixe stable** : rappels de Loki gardés dans l'historique tels
  qu'envoyés, relance après un 500 sans toucher aux outils ni au système, ligne
  MCP présente dès le premier tour, ordre des trackers fixe.
 - **Comptage du contexte** sans le raisonnement jamais renvoyé : la compaction
  (avec perte) part moins tôt, et son résumé n'est plus amputé de l'état
  d'avancement.
 - **Threads CPU** : sans `THREADS`, le moteur prend ses cœurs physiques (plus
  tous les threads logiques) ; conteneur à l'étroit (cpuset, quota) borné.
 - **Deux GPU** : `CUDA_SCALE_LAUNCH_QUEUES=4x` quand le pipeline entre cartes
  est possible (même calcul, seul le prompt peut gagner).
 - **Points de reprise des hybrides** sur un moteur officiel antérieur à
  `b10864` : `--checkpoint-min-step 2048` d'office si la RAM le permet, et un
  avis « moteur trop ancien » ; l'encart « version recommandée » propose la mise
  à jour (sur clic seulement, voir [Mettre à jour llama.cpp](#mettre-à-jour-llamacpp-sans-reconstruire-limage)).
 - **Côté Go** : écriture d'un gros fichier en temps linéaire, persistance de la
  discussion hors du chemin du premier jeton, un seul `nvidia-smi` partagé
  (moniteur et éditeur de preset), stockage Unraid servi par FUSE signalé.
 - **Mesure** : télémétrie par complétion (cache repris, recalculé, brouillon
  accepté) dans l'interface et `GET /api/perf/summary`, sonde du gabarit de
  chat (lecture seule, `/apply-template`), bench honnête en tâche de fond.
 - **Garde-fous** : un cache KV quantifié, `--context-shift` ou `--cache-reuse`
  posés à la main sont signalés ; un mode de chargement résident voué à
  l'échec est refusé (`LOAD_GUARD`) ; avis de placement MoE dans l'éditeur.
 ### Les clés
 | Clé | Défaut | Effet | Prix, zone grise |
 |---|---|---|---|
 | `CACHE_RAM` | auto | cache de prompts en RAM hôte (`--cache-ram`, Mio), copie exacte des conversations quittées | `-1` = RAM non bornée (déconseillé avec un MoE mmappé), `0` = coupé |
 | `CACHE_ISOLATE` | actif | efface le slot après un travail annexe (sous-agent, vérification, tâche, bench) | `off` pour couper ; sans objet avec `SIDE_SLOT` |
 | `THREADS` / `THREADS_BATCH` | vide = cœurs physiques | `-t` / `-tb` | — |
 | `CUDA_LAUNCH_QUEUES` | auto (4x sur ≥ 2 GPU si pipeline) | file de lancements CUDA | `off`, ou `0.25x`…`4x` imposé ; réglage de machine |
 | `CTX_CHECKPOINTS` | moteur (32) | points de reprise par slot d'un hybride | 70 à 200 Mio de RAM hôte chacun |
 | `CKPT_MIN_STEP` | moteur (2048 d'office : hybride, moteur officiel < `b10864`) | espacement minimal des points de reprise | — |
 | `LOAD_GUARD` | actif | refuse un `--load-mode` résident qui ne tient pas en RAM | `off` = lancer quand même |
 | `REASONING_ECHO` | off | renvoie au moteur local la réflexion du modèle, au format entraîné | plus de contexte par tour, compaction plus tôt |
 | `REASONING_PRESERVE` | vide = défaut du moteur | `--reasoning-preserve` / `--no-reasoning-preserve` | change le rendu : `off` rend l'ancien historique à Qwen3.6, mais change celui de Qwen3.8 |
 | `PROJ_SNAPSHOT` | off | bloc projet figé par discussion, changements en `<context_update>` ; date et dossier sortent du système | le modèle lit les changements en tête du message suivant |
 | `PREWARM` | off | `on` : prépare le prochain tour pendant que tu lis ; `full` : aussi la discussion qu'on ouvre | une requête de plus au moteur au repos (1 jeton, jeté) |
 | `COMPACT_CONTINUATION` | off | le résumé de compaction prolonge le prompt en cache au lieu d'une transcription à froid | repli sur l'ancien chemin au moindre écart |
 | `KEEP_TURN_IMAGES` | off | garde dans l'historique les images montrées par les outils | **zone grise** : plus de contexte, compaction plus tôt ; une API externe refacture les images |
 | `NUDGE_IN_TOOL` | off | le rappel de budget d'outils part au bout du dernier résultat d'outil | **zone grise** : un modèle peut moins bien suivre une consigne lue dans un outil |
 | `SIDE_SLOT` | off (moteur relancé) | second slot pour les travaux annexes, la discussion garde le sien | cache KV et état récurrent en double en VRAM |
 | `SLOT_PERSIST` | off | état du slot gardé sur disque à la bascule de preset, rechargé au retour | 2 fichiers de 8 Gio au plus ; refusé avec `SPEC` |
 | `SPEC` | off (moteur relancé) | décodage spéculatif : `auto`, `mtp`, `ngram`, `mtp+ngram` | même distribution, pas le même texte au bit près ; MTP : 1 à 2 Go de VRAM |
 | `MODEL_DRAFT` | — | tête MTP publiée à part ou petit modèle brouillon | VRAM |
 | `SPEC_N_MAX` | moteur (3) | jetons anticipés par étape | — |
 | `SPEC_SAMPLING` | greedy (exact) | `probabilistic` seulement avec `SPEC=mtp` ou `mtp+ngram` | — |
 | `SPLIT_MODE` | couches | `tensor` : parallélisme de tenseurs entre cartes CUDA | expérimental : décodage plus rapide, prefill plus lent |
 | `FIT_TARGET` | 1024 Mio par carte | marge laissée libre par le placement auto (`--fit-target`) | — |
 | `OP_OFFLOAD_MIN_BATCH` | moteur (32) | lot à partir duquel les experts MoE sur CPU sont recopiés vers le GPU | à mesurer |
 | `CUDA_GRAPH_OPT` | off | branches Q/K/V en parallèle au décodage | expérimental ; `off` puis redémarrage s'il plante |
 | `KV_TYPE` (`_K`, `_V`) | f16 | quantification du cache KV | **zone grise** : `q8_0` modifie légèrement les sorties, `q4_0` perte mesurable — jamais posé par Loki |
 | `BATCH` / `UBATCH` | 2048 / 512 | lots du prefill | MoE aux experts en RAM : `UBATCH` 2048+ |
 | `LOKI_PERF_LOG` (environnement) | absent | une ligne `[perf]` par complétion sur stderr | — |
 Outils sans clé, qui ne font rien d'eux-mêmes :
 | Outil | Ce qu'il fait |
 |---|---|
 | **Bench** (bouton, `loki bench`, `--full`) | mesure en tâche de fond, à profondeur réelle avec le mode complet (prefill à froid, tours qui reprennent le cache, decode) |
 | **Optimiseur** (`loki tune`, bouton « Optimiser… ») | cherche lots, threads, marges, placement (`--placement`) et options opt-in (`--opt-in`) sur un moteur d'essai ; rien n'est écrit sans un clic |
 | **Dupliquer en placement auto…** (éditeur, MoE) | copie du preset où `--fit` place les experts au lieu de `-ot` / `--n-cpu-moe` |
 | **Version recommandée** (panneau Moteur) | met à jour llama.cpp vers un build ≥ `b10864`, sur clic, avec retour à la version précédente |
 ### Ordre de test conseillé
 Une étape à la fois, mesurée avant la suivante :
 1. **Bench complet** du preset tel quel : la référence.
 2. **`PREWARM=on` et `COMPACT_CONTINUATION=on`**, puis une vraie session de
   travail ; `GET /api/perf/summary` dit, par nature de requête
   (`kinds.main`…), combien de fois et de jetons le cache a été perdu
   (`lost_events`, `lost_tokens`) et le prefill par tour.
 3. **Optimiseur** (« Optimiser… ») sur le preset en service : lots, threads,
   marges.
 4. **MoE aux experts en RAM** : « Dupliquer en placement auto… », bascule sur
   la copie, `successfully fit params` au journal, bench complet des deux.
 5. **Mise à jour du moteur** vers la version recommandée si l'encart s'affiche
   (points de reprise des hybrides, MTP rapide) ; vérifier le rendu du gabarit
   dans le panneau.
 6. **`SPEC=auto`** (ou `mtp`) si le modèle a une tête MTP : bench, puis
   `draft_rate` dans `/api/perf/summary`.
 ### Ce qui a été écarté, et pourquoi
 - **`--cache-reuse`** : réutilise des morceaux de cache calculés sous un autre
  contexte, donc change les sorties ; llama.cpp le coupe d'ailleurs pour les
  hybrides et le multimodal. Signalé s'il est posé à la main.
 - **`--context-shift`** à la place de la compaction : retire des jetons du
  contexte (perte), et ne marche pas sur les hybrides. Signalé lui aussi.
 - **Cache KV quantifié par défaut** : `q8_0` n'est pas exact, `q4_0` perd
  mesurablement, pour un gain d'environ 2 Gio sur un 27B hybride (16 couches
  sur 64 portent du KV). Reste un choix explicite et étiqueté (`KV_TYPE`).
 - Aussi : `-sm tensor` par défaut (prefill plus lent, expérimental), plus de
  slots par défaut (OOM : états récurrents par slot), `--cache-ram -1` (RAM
  non bornée), et tout réglage d'échantillonnage ou de quantification « pour
  aller plus vite ».
 ### Détail des clés et des outils
 - **Bench** (bouton du preset, `loki bench`, `--full` pour le mode complet) :
  en tâche de fond (`POST /api/bench`, progression et annulation), chat,
  tâches et compaction refusés le temps de la mesure. Le mode rapide mesure une
  ligne courte avec le gabarit, le raisonnement et l'échantillonnage du preset ;
  le mode complet ajoute un prefill à froid à profondeur réelle (jusqu'à 32 k
  jetons, 16 k si des poids tournent sur CPU) et trois tours qui reprennent le
  cache — reprise lue dans `cache_n`, jamais supposée. Rien n'est enregistré
  sans réponses valides et timings réels ; l'empreinte du preset accompagne
  chaque mesure.
 - **Raisonnement renvoyé au modèle** (clé `REASONING_ECHO`, **off** par défaut,
  `loki config set REASONING_ECHO on`) : le raisonnement que le moteur local a
  séparé (`reasoning_content`) est gardé avec chaque message et renvoyé au même
@@ -747,110 +983,6 @@ Ajoutées par ce fork :
  decode) — sinon l'ancienne version est rétablie et le moteur relancé. Pendant
  la mesure, le chat est indisponible : prévoir 10 à 40 minutes selon la taille
  du modèle (un modèle relu depuis un disque lent recharge à chaque essai).
 - **Discussions multiples** : historique complet dans la barre latérale, titre
  repris du premier message (renommable), suppression. **Chaque discussion a son
  dossier de fichiers** (`workspace/discussions/<id>/`) : les pièces jointes
  déposées, les captures et ce que l'agent écrit y atterrissent, le shell et les
  chemins relatifs du modèle y sont résolus. Changer de discussion change donc
  les fichiers ; supprimer (ou vider) une discussion emporte les siens, pour que
  le disque ne se remplisse pas en silence.
 - **Recherche Hugging Face** intégrée avec verdict mémoire et installation liée
  du projecteur vision (voir [Installer un modèle](#installer-un-modèle)).
 - **Captures de pages web** : l'agent dispose de l'outil `web_screenshot`
  (Chromium via Playwright, inclus dans l'image). Les captures partent en JPEG
  et sont plafonnées à 20 fichiers / 40 Mo par discussion. La description de
  l'outil suit la capacité **réelle** du moteur, sondée sur `/props` : sans
  vision effective, elle dit au modèle « tu ne vois pas l'image » plutôt que de
  lui promettre des yeux qu'il n'a pas — il peut toujours prendre la capture et
  la montrer, sans prétendre la décrire. L'image relayée au moteur reste
  éphémère : la persister gonflait le contexte jusqu'à le faire déborder.
 - **Panneau Fichiers** (bouton dossier de la barre de saisie) : les fichiers de la
  discussion ouverte — dépôts, captures, ce que l'agent y a écrit — avec
  navigation dans les sous-dossiers, téléchargement et suppression. Un dossier
  affiche la taille de **tout** son contenu, c'est ce qu'on libère en le
  supprimant, et le pied donne l'occupation disque de la discussion. Les chemins
  sont bornés à son dossier, liens symboliques résolus des deux côtés : ni le
  reste du disque ni les autres discussions ne sont atteignables. Les fichiers
  d'avant ce rangement que la migration n'a pas su rattacher restent joignables
  par le bouton **hors discussion**, qui disparaît une fois le ménage fait.
 - **Interface « Sober Tech »** : ardoise et sauge, typographie Inter (interface)
  et JetBrains Mono (code, chiffres, chemins) — embarquées dans le binaire, donc
  aucune requête vers un service de polices. Deux variantes : claire par défaut,
  **Deep Dark** (fond `#0F172A`, cartes `#1E293B`) d'un clic depuis l'en-tête.
  L'en-tête porte le titre de la discussion et le **sélecteur de modèle** (le
  changement de preset ne demande plus d'ouvrir les réglages) ; la barre
  latérale s'escamote pour rendre toute la largeur au fil ; les discussions s'y
  cherchent au clavier et les jauges **GPU / VRAM / mémoire vive** restent
  visibles en pied de colonne.
 - **Libérer la VRAM d'un clic** : sur les jauges du moniteur, un bouton décharge
  le modèle et arrête le moteur (ainsi que le serveur de dictée, qui occupe la
  carte lui aussi) pour rendre la mémoire vidéo à une autre application — jeu,
  encodage, autre serveur d'inférence. Le bilan est annoncé en Gio réellement
  rendus, et le même bouton devient **Recharger le modèle** pour reprendre la
  main. Routes : `POST /api/vram/unload` et `POST /api/vram/reload`.
 - **API OpenAI servie par Loki** : `/v1/*` est exposé **sur le port de
  l'interface** (8090) et relayé vers llama-server, au lieu d'annoncer l'adresse
  du moteur. Conséquence directe : l'API est joignable partout où l'interface
  l'est — par l'IP du réseau local comme par un nom de domaine — sans publier de
  second port ni ouvrir le moteur. L'amont annonçait `http://<ip>:8080/v1`, une
  adresse injoignable en conteneur (le port 8080 n'y est pas publié, et l'IP
  détectée est celle du bridge Docker).
  - Authentification par la **clé API** du panneau (`Authorization: Bearer …`),
    vérifiée par Loki **et** par le moteur. Sans clé, l'endpoint est ouvert et
    l'interface le dit en rouge.
  - **Adresse publique** : un champ où saisir son domaine, pour le cas du
    reverse proxy où Loki ne voit qu'un appel interne. Laissé vide, l'adresse
    affichée suit celle du navigateur.
  - **TLS** : mettre un reverse proxy devant (Caddy, Nginx, Traefik). Loki
    honore `X-Forwarded-Proto` pour annoncer une adresse en `https`.
  - L'ancienne exposition publique via le relais de l'amont
    (`<machine>.oai.ajean.link`) est retirée de l'interface : elle exigeait un
    jeton de relais que ce fork ne permet plus d'obtenir, l'interrupteur ne
    pouvait donc qu'échouer.
 - **Budget d'appels d'outils** : un tour d'agent n'a aucun plafond — couper une
  recherche légitime est pire que la laisser durer — mais au-delà de 24 appels
  sur un même tour, Loki rappelle au modèle combien il en a déjà faits et lui
  demande de conclure. Le rappel revient tous les 24 appels, en durcissant le
  ton ; il ne coupe jamais le tour, c'est de la pression, pas une barrière.
  Sans lui, un petit modèle qui tourne en rond n'avait rien en face de lui sauf
  le bouton stop (vu en production : 50 appels, 55 minutes, à relire cinq fois
  les mêmes fichiers). Réglable par `AGENT_BUDGET` dans `config.env` —
  `AGENT_BUDGET=off` le désactive complètement.
 - **Identité** : ton prénom et un avatar emoji pour toi et pour Loki, affichés
  dans le fil.
 - **Réglages en modale** : tous les réglages vivent dans une fenêtre à deux
  volets — la nav des sections à gauche (IA, moteur, application), le panneau
  choisi à droite. La barre latérale ne garde que les discussions (les plus
  récentes en tête) et le moniteur machine.
 - **Nom du modèle sur chaque réponse** : une pastille à côté de « Loki » dit
  quel modèle a produit la réponse. Elle est journalisée avec le tour : elle
  survit au rechargement, et un vieux tour garde le modèle de l'époque.
 - **Dictée vocale** : un bouton micro dans la carte de saisie enregistre,
  transcrit **en local** (whisper.cpp, compilé dans l'image ; modèle
  `small-q5_1` multilingue ~190 Mo téléchargé au premier usage dans
  `/data/whisper/`) et pose le texte dans le champ. ⚠️ le navigateur n'autorise
  le micro qu'en **HTTPS** (ou sur `localhost`) — derrière un reverse proxy
  TLS, rien à faire ; en `http://IP:8090`, le bouton l'explique.
 - **Cartes raisonnement/outils à hauteur bornée** : un long raisonnement ne
  fait plus grandir la page de plusieurs écrans — la carte reste à taille fixe
  et défile toute seule pendant la génération. Sur un raisonnement géant, seul
  le bas du bloc est re-rendu en direct (le texte complet est posé à la fin) :
  l'affichage ne se fige plus.
 Retirées par ce fork :
 - **Accès distant via [ajean.link](https://ajean.link)** : la section de
  l'interface et son module JS sont supprimés — un conteneur derrière son
  propre réseau n'en a pas l'usage. Le code serveur du relais reste en place
  mais **inerte** (aucun jeton, aucune section pour en fournir un) : le retirer
  créerait un conflit à chaque reprise de l'amont.
 - **Postes distants** (faire agir l'agent sur un autre PC appairé) : bouton du
  composeur, modales d'appairage et module JS supprimés. Même traitement que
  ci-dessus — les routes `/api/node/*` subsistent mais plus rien ne peut
  générer de code d'appairage, donc aucun poste ne peut se connecter.
 - **Catalogue de modèles distant** : il interrogeait `ajean.link/models.json`,
  sa route n'avait aucun consommateur et son repli embarqué datait de 2024. La
  recherche Hugging Face le remplace.
 ## Différences avec l'amont
@@ -1,93 +1,149 @@
-# Loki 0.14.0
+# Loki 0.15.0
-Loki rattrape AJEAN jusqu'à la 0.17.6 et reprend une série d'idées d'OpenFox
+Une version entièrement consacrée à la vitesse, avec une règle tenue de bout en
-pour le mode Code. Le gros du travail est invisible : des discussions qui ne se
+bout : **ne jamais dénaturer le modèle**. Rien ne touche à la quantification
-bloquent plus sur un contexte plein, des réponses qui survivent à une coupure
+des poids, à l'échantillonnage, à la température, au budget de raisonnement ni
-réseau, un agent de code qui gaspille moins de tours.
+au contenu du contexte. Ce qui est sans perte est actif d'office ; tout ce qui
 changerait ce que voit le modèle, le placement des poids ou les slots du moteur
 attend une clé. Sans clé, la requête et la ligne de commande restent celles
 d'avant.
-## Le contexte ne bloque plus la discussion
+La section **Performance** du README rassemble toutes les clés, leur défaut et
 leur prix.
-Sur une fenêtre de 65k, un tour qui lisait plusieurs gros fichiers d'un coup
+## Actif d'office, sans perte
 passait de 60 % à plus de 130 % sans jamais compacter, et le moteur répondait
 par un 400 qui figeait la discussion.
- Le compactage en cours de tour compte aussi les résultats d'outils que le
+**La conversation n'est plus recalculée pour rien.**
  moteur n'a pas encore vus.
 - Tout résultat d'outil est borné à 30 000 caractères **pour le modèle** ;
  l'interface garde le résultat complet (« voir plus »).
 - En dernier recours, les gros résultats sont tronqués puis les plus vieux
  échanges retirés, au lieu de laisser remonter l'erreur.
 - Le compactage ne fait plus répondre deux fois à une vieille question, et le
  texte écrit avant un appel d'outil n'est plus rangé en double.
-## Presets : API compatible OpenAI
+- **Cache de prompts dimensionné** : le moteur garde en RAM une copie exacte des
  conversations qu'il quitte. Son défaut ne tenait pas une conversation de 30 à
  65 k jetons à côté d'un vérificateur ou d'un sous-agent : il l'évinçait, et
  tout était recalculé (30 à 80 s sur un 27B). Il est maintenant agrandi pour un
  modèle tout-GPU, et le slot est effacé après chaque travail annexe pour que la
  conversation revienne du cache.
 - **Préfixe stable** : les rappels de Loki entrent dans l'historique tels
  qu'envoyés, la relance après un 500 ne change plus les outils, la ligne MCP ne
  manque plus au premier tour après un démarrage, l'ordre des trackers ne bouge
  plus. Chacun de ces écarts faisait recalculer toute la boucle d'outils.
 - **Compaction moins tôt** : le raisonnement que Loki ne renvoie jamais ne
  compte plus dans le contexte. La compaction (qui perd de l'information)
  partait vers 44-47 k au lieu de 49 k sur une fenêtre de 65 k. Son résumé n'est
  plus amputé de l'état d'avancement.
 - **Hybrides (Qwen3.5/3.6) sur un moteur ancien** : `--checkpoint-min-step 2048`
  d'office quand la RAM le permet, pour ne plus retomber jusqu'à ~8 k jetons en
  arrière à chaque reprise.
-Les presets d'API externe gagnent ce qui leur manquait :
+**Le matériel est mieux employé.**
- une case **« le modèle accepte les images »** pour un modèle distant
+- **Threads CPU** : « auto » veut dire les cœurs physiques, plus tous les
-  multimodal ;
+  threads logiques — c'est le décodage des experts MoE sur CPU qui payait.
- plus de `chat_template_kwargs` (propre à llama.cpp) envoyé à l'API : une API
+- **Deux GPU** : file de lancements CUDA élargie quand le pipeline entre cartes
-  stricte répondait 400 et **chaque compactage échouait** ;
+  est possible (même calcul ; seul le prompt peut gagner).
 - **reprise automatique** quand le flux se coupe en pleine réponse (Wi-Fi, VPN,
  proxy) : jusqu'à 5 fois, le modèle reprend là où il s'était arrêté ;
 - un 401, 429 ou 502 n'est plus pris pour un appel d'outil mal formé ;
 - le débit est mesuré même quand l'API ne le donne pas ; le benchmark refuse de
  mesurer un moteur local qui n'est pas celui du preset ; le badge des réponses
  porte le nom du modèle distant.
-## Mode Code
+**Loki lui-même pèse moins.**
- **La vérification attend que le builder ait fini.** Il marque chaque critère
+- Écrire un gros fichier ne coûte plus un temps quadratique côté Go (jusqu'à
-  `completed` une fois fait ; tant qu'il en reste d'ouverts, il est relancé au
+  8 s de CPU volées au décodage sur un MoE).
-  lieu de payer une passe de vérification sur un travail inachevé. Plus aucune
+- L'enregistrement de la discussion ne retarde plus le premier jeton.
-  vérification ne part quand il vient de poser une question.
+- Un seul `nvidia-smi` pour tous les onglets, aucun pour un onglet caché, un
- **Écriture refusée dès son chemin** : un `write` sur un fichier jamais lu
+  seul à l'ouverture de l'éditeur de preset.
-  était refusé après tout le fichier généré. Le chemin passe maintenant en
+- Unraid : un `/data` ou `/models` servi par la couche FUSE est signalé, avec
-  premier et le refus coupe la génération aussitôt.
+  le remède.
 - **Appel d'outil écrit en texte** (`<tool_call>`, format XML de Qwen3-Coder) :
  repéré pendant le flux, coupé, et la relance cite l'extrait fautif.
 - `read_file`, `str_replace`, `old_string`… appris d'autres agents sont
  traduits vers les vrais outils.
 - Les consignes du dépôt (**AGENTS.md**, CLAUDE.md) font partie du contexte.
 - Terminal : `cmd | tail -N` rend le **vrai** code de sortie, la sortie déjà
  produite est gardée au délai dépassé, les couleurs ANSI sont retirées.
 - `git_status` / `git_diff` trouvent le dépôt cloné dans un sous-dossier.
 - Le compactage garde les fichiers touchés, les erreurs résolues et l'état des
  critères.
-## Tâches et chat
+**On peut enfin mesurer.**
- **« Rappelle-moi dans 20 minutes »** : `task_create` accepte `in_minutes` ou
+- Chaque réponse dit ce qu'elle a repris du cache, recalculé et accepté du
-  `at`, à l'heure du navigateur (le conteneur tourne en UTC).
+  brouillon ; `GET /api/perf/summary` en fait la synthèse par nature de requête
- **Écrire pendant que l'IA répond** : le message part en file et le modèle en
+  (`lost_events`, `lost_tokens` : le cache perdu, et après quoi).
-  tient compte dans la suite de sa réponse ; deux appareils qui envoient en
+- **Bench** honnête, en tâche de fond : mode complet à profondeur réelle, tours
-  même temps ne se refusent plus.
+  qui reprennent le cache, rien d'enregistré sans timings réels.
- Longues discussions : au chargement, les 20 derniers échanges, le début d'un
+- Une sonde du gabarit de chat dit, sans rien envoyer au modèle, si le rendu
-  clic ; la liste des discussions se dessine par pages et montre la nouvelle
+  reste stable d'un message à l'autre.
  dès le premier message.
 - Mémoire : un mode par projet, et un quatrième, « recherche ».
 - Appels d'outils parallèles séparés selon leur index ; bascule de preset par
  identifiant ; un raisonnement qui reprend après la réponse a sa propre bulle.
-## Sécurité et données
+**Garde-fous.** Un cache KV quantifié, `--context-shift` ou `--cache-reuse`
 posés à la main sont signalés. Un mode de chargement résident voué à l'échec
 (poids restés en RAM au-delà de 90 %) est refusé avec la raison en clair —
 `LOAD_GUARD=off` pour passer outre ; le refus n'est plus relancé en boucle par
 systemd, et un moteur Vulkan sur cartes mixtes n'est plus refusé à tort.
- **Un site tiers ne peut plus piloter Loki** depuis le navigateur (Origin /
+## En opt-in : à essayer, à mesurer
  Sec-Fetch-Site, DNS rebinding). ⚠️ Derrière un reverse proxy par nom de
  domaine, définis une clé de pilotage ou `LOKI_TRUSTED_HOSTS` **avant** la mise
  à jour, et vérifie que le proxy transmet l'en-tête `Host` d'origine.
 - **Chiffrement de la mémoire** : l'activer rendait illisibles la discussion
  active et le mode Code. Corrigé ; une base déjà touchée est réparée au
  déverrouillage. Les résultats d'outils (« voir plus ») et les images du fil
  sont désormais chiffrés eux aussi, et les images effacées après 24 h.
-## Moteur
+| Clé | Ce qu'elle fait |
 |---|---|
 | `PREWARM=on` | prépare le prochain tour pendant que tu lis (`full` : aussi la discussion qu'on ouvre) |
 | `COMPACT_CONTINUATION=on` | le résumé de compaction prolonge le prompt en cache au lieu d'être calculé à froid |
 | `PROJ_SNAPSHOT=on` | bloc projet figé par discussion, changements livrés à part ; date et dossier sortent du système |
 | `REASONING_ECHO=on` | renvoie au moteur local la réflexion du modèle, au format entraîné |
 | `SPEC=auto` / `mtp` | décodage spéculatif MTP (tête détectée dans le fichier, garde-fous VRAM) |
 | `SPEC=ngram` / `mtp+ngram` | n-grammes du contexte, utiles en mode Code |
 | `SIDE_SLOT=on` | second slot pour les travaux annexes (VRAM en double) |
 | `SLOT_PERSIST=on` | état du slot gardé à la bascule de preset |
 | `SPLIT_MODE=tensor` | parallélisme de tenseurs entre cartes (expérimental) |
 | `FIT_TARGET`, `OP_OFFLOAD_MIN_BATCH`, `CUDA_GRAPH_OPT` | réglages d'expert pour cartes inégales et MoE |
 | `KEEP_TURN_IMAGES=on` | **zone grise** : garde les images des outils dans l'historique |
 | `NUDGE_IN_TOOL=on` | **zone grise** : rappel de budget dans le résultat d'outil |
- `--mlock` seul ne coupe plus le mmap (OOM au chargement).
+Et deux outils qui ne font rien d'eux-mêmes :
- Port déjà occupé refusé avec un message clair ; cache KV lent signalé.
+
- Réponses web compressées en gzip.
+- **Optimiseur** (`loki tune`, bouton « Optimiser… ») : cherche lots, threads,
  marges et placement sur un moteur d'essai isolé ; rien n'est écrit sans un
  clic, et l'application est vérifiée puis défaite si le moteur ne tient pas.
 - **« Dupliquer en placement auto… »** pour un MoE aux experts placés à la
  main : une copie du preset où `--fit` les répartit.
 ## Ordre de test conseillé
 Une étape à la fois, mesurée avant la suivante :
 1. **Bench complet** du preset tel quel : la référence.
 2. **`PREWARM` + `COMPACT_CONTINUATION`**, une vraie session de travail, puis
   `/api/perf/summary` : le cache perdu (`lost`) doit baisser.
 3. **Optimiseur** sur le preset en service.
 4. **MoE** : « Dupliquer en placement auto… », bench complet des deux.
 5. **Mise à jour du moteur** vers la version recommandée (encart du panneau
   Moteur).
 6. **`SPEC=auto`** (ou `mtp`) si le modèle a une tête MTP.
 ## Moteur : version recommandée et retour arrière
 Quand le moteur officiel est antérieur à `b10864`, le panneau Moteur dit ce
 qu'une mise à jour apporte (points de reprise des hybrides, MTP rapide) et la
 propose — sur clic seulement, version vérifiée sur le registre. La version
 quittée est gardée : **Revenir à la version précédente** y ramène sans réseau.
 Depuis `b10763`, llama-server garde par défaut la réflexion des tours passés :
 un gabarit comme Qwen3.6 la rendrait vide. Avant de basculer, Loki le détecte et
 propose `REASONING_PRESERVE=off` ; après, il compare le rendu de l'ancien et du
 nouveau moteur et signale le premier écart.
 ## Ce qui a été écarté
 - **`--cache-reuse`** : réutilise du cache calculé sous un autre contexte, donc
  change les sorties.
 - **`--context-shift`** : retire des jetons du contexte, et ne marche pas sur
  les hybrides.
 - **Cache KV quantifié par défaut** : `q8_0` n'est pas exact, `q4_0` perd
  mesurablement, pour ~2 Gio gagnés sur un 27B hybride. Reste un choix
  explicite (`KV_TYPE`).
 ## Autres corrections
 - Une compaction en plein tour ne fait plus disparaître le rappel des pages
  mémoire lues.
 - Un `loki tune` tué net ne laisse plus le moteur arrêté ; lancé avec un autre
  `LOKI_HOME` que l'interface (`sudo`), il refuse au lieu de charger un essai à
  côté d'un moteur vivant.
 - L'ancienne option « n-grammes (mod) » de l'éditeur rejoint `SPEC=ngram`, avec
  une migration proposée (jamais faite d'office).
 - Accès refusé : l'interface dit pourquoi et comment le lever.
 ## Mise à jour
 ```
 docker compose pull && docker compose up -d
 ```
 Installation systemd (`loki install`) : l'unité du moteur gagne
 `RestartPreventExitStatus=78`. `loki update` ne réécrit pas les unités ;
 `sudo loki install`, ou `sudo systemctl edit loki-engine` avec cette ligne dans
 `[Service]`, la met à jour.
@@ -2,13 +2,13 @@
  "FixedFileInfo": {
    "FileVersion": {
      "Major": 0,
-      "Minor": 14,
+      "Minor": 15,
      "Patch": 0,
      "Build": 0
    },
    "ProductVersion": {
      "Major": 0,
-      "Minor": 14,
+      "Minor": 15,
      "Patch": 0,
      "Build": 0
    },
@@ -25,7 +25,7 @@
    "LegalCopyright": "Copyright (c) 2026 Loki contributors. MIT License.",
    "OriginalFilename": "loki.exe",
    "ProductName": "Loki",
-    "ProductVersion": "0.14.0",
+    "ProductVersion": "0.15.0",
    "Comments": "https://github.com/R0m1k3/Loki — projet open source (MIT)"
  },
  "VarFileInfo": {
@@ -11,7 +11,7 @@ import (
 	"strings"
 )
-const Version = "0.14.0"
+const Version = "0.15.0"
 // Main est le vrai main() du binaire (cmd/loki ne fait que l'appeler).
 func Main() {