Merge branch 'claude/ajean-loki-container-fork-aep9r2'

internal/loki/backend_serve.go

@@ -101,7 +101,6 @@ func cmdServe(args []string) error {
 
 	llmArgs := []string{bin,
 		"-m", model,
-		"-ngl", get("NGL", "999"),
 		"-c", get("CTX", "32768"),
 		"-t", get("THREADS", "0"),
 		"-tb", get("THREADS_BATCH", "0"),
@@ -110,6 +109,16 @@ func cmdServe(args []string) error {
 		"--host", get("HOST", "0.0.0.0"),
 		"--port", get("PORT", "8080"),
 	}
+	// NGL=auto : on n'envoie PAS -ngl, et llama.cpp choisit lui-même combien de
+	// couches tiennent dans la VRAM libre (common_fit_params). Il s'en abstient
+	// dès que la valeur est imposée — « n_gpu_layers already set by user to 999,
+	// abort » — d'où des cudaMalloc en échec, un repli partiel sur le CPU et un
+	// débit effondré alors que le GPU tourne à 100 %.
+	// Le défaut reste 999 (tout sur le GPU) : omettre -ngl sur un llama.cpp
+	// antérieur à cet ajustement automatique le ferait tourner 100 % CPU.
+	if ngl := get("NGL", "999"); !strings.EqualFold(ngl, "auto") {
+		llmArgs = append(llmArgs, "-ngl", ngl)
+	}
 	if ktv != "" {
 		llmArgs = append(llmArgs, "-ctk", ktv)
 	}

internal/loki/sys_service.go

@@ -67,7 +67,7 @@ var configTemplate = []struct{ key, help string }{
 	{"HOST", "adresse d'écoute du moteur (défaut 0.0.0.0)"},
 	{"PORT", "port du moteur (défaut 8080)"},
 	{"CTX", "taille du contexte (défaut 32768)"},
-	{"NGL", "couches déportées sur le GPU (défaut 999 = tout)"},
+	{"NGL", "couches déportées sur le GPU (défaut 999 = tout ; auto = ce qui tient en VRAM)"},
 	{"BATCH", "batch (défaut 2048)"},
 	{"UBATCH", "micro-batch (défaut 512)"},
 	{"THREADS", "threads CPU, 0 = auto"},

internal/loki/ui/index.html

@@ -1902,8 +1902,8 @@ button:hover{border-color:var(--dim);color:var(--text)}
             <span class="pe-row-c"><input id="s-ctx" class="pe-val" type="number" min="0" step="1024" placeholder="32768" oninput="cfgWriteKey('CTX', this.value)"><span class="pe-unit">tok</span></span>
           </div>
           <div class="pe-row">
-            <span class="pe-row-l">Couches sur GPU<span class="pe-sub">999 = tout sur le GPU</span></span>
-            <span class="pe-row-c"><input id="s-ngl" class="pe-val" type="number" min="0" step="1" placeholder="999" oninput="cfgWriteKey('NGL', this.value)"></span>
+            <span class="pe-row-l">Couches sur GPU<span class="pe-sub">999 = tout sur le GPU · auto = ce qui tient en VRAM</span></span>
+            <span class="pe-row-c"><input id="s-ngl" class="pe-val" type="text" inputmode="numeric" placeholder="999" oninput="cfgWriteKey('NGL', this.value)"></span>
           </div>
           <div class="pe-row">
             <span class="pe-row-l">Experts MoE sur CPU<span class="pe-sub">vide = non</span></span>

internal/loki/ui/src/index.tmpl.html

@@ -720,8 +720,8 @@
             <span class="pe-row-c"><input id="s-ctx" class="pe-val" type="number" min="0" step="1024" placeholder="32768" oninput="cfgWriteKey('CTX', this.value)"><span class="pe-unit">tok</span></span>
           </div>
           <div class="pe-row">
-            <span class="pe-row-l">Couches sur GPU<span class="pe-sub">999 = tout sur le GPU</span></span>
-            <span class="pe-row-c"><input id="s-ngl" class="pe-val" type="number" min="0" step="1" placeholder="999" oninput="cfgWriteKey('NGL', this.value)"></span>
+            <span class="pe-row-l">Couches sur GPU<span class="pe-sub">999 = tout sur le GPU · auto = ce qui tient en VRAM</span></span>
+            <span class="pe-row-c"><input id="s-ngl" class="pe-val" type="text" inputmode="numeric" placeholder="999" oninput="cfgWriteKey('NGL', this.value)"></span>
           </div>
           <div class="pe-row">
             <span class="pe-row-l">Experts MoE sur CPU<span class="pe-sub">vide = non</span></span>