Vision : le modèle peut regarder des vidéos (outil see_video et vidéos jointes), repris d'AJEAN

Reprise des commits 91f7f977 (PR #100 de Trombo38) et 1dfac0cf d'AJEAN.
Une vidéo jointe (mp4, webm, mov, mkv, avi) part au modèle en partie
input_video, et l'outil see_video charge une vidéo du disque, mais
seulement si le moteur actif sait la lire : preset llama.cpp local avec
projecteur (MMPROJ) et binaire dont l'aide annonce --video-fps
(videoInputSupported, aide relue quand le binaire change, chemin des
bibliothèques passé à la seule commande pour ne pas figer binHelp).
Strata et les API externes ignoraient la partie en silence : la vidéo
reste alors un fichier, annoncé avec la marche à suivre (ffmpeg puis
see_image), et see_video n'est pas proposé.

llama.cpp a --video-fps depuis la PR #24318 (fin août 2026) ; l'image
server-cuda officielle, base du conteneur, installe ffmpeg. La consigne
de repli dit quoi faire si ffmpeg manque (installation hors conteneur).

Adapté à Loki :
- la vidéo de see_video est toujours éphémère (jamais dans l'historique,
  KEEP_TURN_IMAGES compris) ; même ordre de refus que see_image, sonde
  /props en dernier, refus sur un poste distant ;
- une vidéo jointe est rangée par référence (loki-vid:, LOKI_HOME/chatvid,
  chiffrée comme le fil), parties recopiées et non mutées comme les
  images ; retirée d'un fil rouvert (stripImageParts, videoLostMarker) et
  effacée par le ménage des médias ;
- marqueur de perte à la compaction, élision dans l'export JSON, relais
  par l'API interne des outils (vision_video).

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

internal/loki/chat_compact.go

@@ -130,7 +130,8 @@ const imageLostMarker = " [image — not kept in the conversation past this poin
 // (userMessageContent : parties texte + image quand la vision est active) porte
 // un tableau de parties ; on en recolle les segments `text` pour que l'estimation
 // de contexte et le transcript de compaction ne partent pas d'un texte vide, et
-// on marque la présence d'une partie `image_url` (voir imageLostMarker) — sans
+// on marque la présence d'une partie `image_url` (voir imageLostMarker) ou
+// `input_video` (videoLostMarker, chat_video.go) — sans
 // quoi elle reste invisible à toute la chaîne de compaction.
 func msgText(m Message) string {
 	switch v := m.Content.(type) {
@@ -146,6 +147,8 @@ func msgText(m Message) string {
 				}
 			case "image_url":
 				b.WriteString(imageLostMarker)
+			case "input_video":
+				b.WriteString(videoLostMarker)
 			}
 		}
 		return b.String()
@@ -163,6 +166,8 @@ func msgText(m Message) string {
 				}
 			case "image_url":
 				b.WriteString(imageLostMarker)
+			case "input_video":
+				b.WriteString(videoLostMarker)
 			}
 		}
 		return b.String()

internal/loki/chat_export.go

@@ -112,7 +112,8 @@ func (c *Conversation) ExportJSON(o exportOpts) ([]byte, error) {
 }
 
 // stripInlineImages remplace les images en base64 (data URI) portées par les
-// messages multimodaux (vision : pièces jointes images + outil see_image) par un
+// messages multimodaux (vision : pièces jointes images et vidéos + outil
+// see_image) par un
 // court marqueur. Sans ça, l'export JSON d'une conversation avec images embarquait
 // plusieurs Mo de base64 par image — un fichier énorme et illisible. Le Markdown,
 // lui, n'était pas concerné : il ne cite que les NOMS de fichiers. Le journal
@@ -145,6 +146,20 @@ func stripInlineImagesValue(v any) any {
 			}
 			cp["image_url"] = c2
 		}
+		// Partie vidéo (input_video, chat_video.go) : même élision, sur les deux
+		// champs que lit llama-server.
+		if iv, ok := cp["input_video"].(map[string]any); ok {
+			c2 := make(map[string]any, len(iv))
+			for k, val := range iv {
+				c2[k] = val
+			}
+			for _, key := range []string{"url", "data"} {
+				if s, ok := c2[key].(string); ok && strings.HasPrefix(s, "data:") {
+					c2[key] = elideDataURI(s)
+				}
+			}
+			cp["input_video"] = c2
+		}
 		return cp
 	}
 	switch parts := v.(type) {

internal/loki/chat_images.go

@@ -123,7 +123,11 @@ const chatImgKeep = 24 * time.Hour
 // rechargé : plus rien ne référence alors les fichiers. Le délai couvre un
 // fil resté ouvert longtemps sans bascule.
 func pruneChatImages() {
-	dir := chatImgDir()
+	pruneMediaDir(chatImgDir())
+	pruneMediaDir(chatVidDir()) // vidéos jointes (chat_video.go), même délai
+}
+
+func pruneMediaDir(dir string) {
 	entries, err := os.ReadDir(dir)
 	if err != nil {
 		return

internal/loki/chat_persist.go

@@ -536,6 +536,7 @@ func (c *Conversation) snapshot() *convSnap {
 	// Images en base64 → références (chat_images.go) avant d'écrire : une photo
 	// jointe pesait des Mo, réécrits en entier à CHAQUE fin de tour.
 	refImagesInMessages(c.Messages)
+	refVideosInMessages(c.Messages) // vidéos jointes, même rangement (chat_video.go)
 	// En plein tour, le journal porte encore un événement par token et chaque
 	// frappe d'outil : on écrit la forme que produira la fin de tour
 	// (compactLog), sans toucher au journal en mémoire que suivent les abonnés.

internal/loki/chat_screenshot.go

@@ -163,7 +163,8 @@ func engineSeesImages() bool {
 // ne garde que la légende (« Capture … », « Image demandée (x.png) : ») et le
 // modèle n'a plus aucun indice qu'il A VU une image — il la redécrit de mémoire
 // au lieu d'y revenir. Même raison que dans msgText, autre bout de la chaîne.
-// Vaut pour toutes les provenances : capture, pièce jointe, see_image.
+// Vaut pour toutes les provenances : capture, pièce jointe, see_image — et pour
+// les vidéos jointes (input_video), marquées par videoLostMarker.
 func stripImageParts(msgs []Message) []Message {
 	for i, m := range msgs {
 		parts, ok := m.Content.([]any)
@@ -171,22 +172,33 @@ func stripImageParts(msgs []Message) []Message {
 			continue
 		}
 		var texts []string
-		dropped := false
+		dropped, droppedVid := false, false
 		for _, p := range parts {
 			pm, ok := p.(map[string]any)
 			if !ok {
 				continue
 			}
-			if pm["type"] == "image_url" {
+			switch pm["type"] {
+			case "image_url":
 				dropped = true
 				continue
+			case "input_video": // vidéo jointe (chat_video.go) : même sort
+				droppedVid = true
+				continue
 			}
 			if t, ok := pm["text"].(string); ok {
 				texts = append(texts, t)
 			}
 		}
-		if dropped {
-			msgs[i].Content = strings.Join(texts, "\n") + imageLostMarker
+		if dropped || droppedVid {
+			text := strings.Join(texts, "\n")
+			if dropped {
+				text += imageLostMarker
+			}
+			if droppedVid {
+				text += videoLostMarker
+			}
+			msgs[i].Content = text
 		}
 	}
 	return msgs

internal/loki/chat_video.go

@@ -0,0 +1,333 @@
+package loki
+
+// chat_video.go — vidéos vues par le modèle (repris d'AJEAN, PR #100 et son
+// correctif « vidéo envoyée seulement si le moteur sait la lire »).
+//
+// Trois morceaux :
+//   - videoInputSupported : le moteur actif sait-il lire une partie
+//     `input_video` ? Seul un llama.cpp local récent le fait (option
+//     --video-fps, décodage par ffmpeg). Une API externe ou Strata ignorent la
+//     partie SANS erreur : le modèle ne recevait que le texte et cherchait à voir
+//     la vidéo avec see_image. Ailleurs, la vidéo reste un simple fichier, avec
+//     la marche à suivre (videoFallbackNote) ;
+//   - une vidéo JOINTE au message est rangée PAR RÉFÉRENCE, comme les images
+//     (chat_images.go) : une fois sur disque sous LOKI_HOME/chatvid/, chiffrée
+//     comme le fil, et l'historique n'en garde que « loki-vid:<nom> ».
+//     expandVideoRefs remet les octets juste avant l'envoi au moteur ;
+//   - la vidéo chargée par l'outil see_video (chat_video_tool.go) est, elle,
+//     TOUJOURS éphémère : elle part dans le tour en cours et jamais dans
+//     l'historique, KEEP_TURN_IMAGES compris (des milliers de jetons visuels).
+//
+// Écart avec l'amont : comme les images, un fil rechargé perd ses vidéos
+// (stripImageParts, avec videoLostMarker) et pruneChatImages vide aussi
+// chatvid/ — Loki ne rejoue jamais un média d'un fil rouvert.
+
+import (
+	"context"
+	"crypto/sha256"
+	"encoding/base64"
+	"encoding/hex"
+	"os"
+	"os/exec"
+	"path/filepath"
+	"strings"
+	"sync"
+	"time"
+)
+
+const vidRefScheme = "loki-vid:"
+
+func chatVidDir() string { return filepath.Join(LokiHome(), "chatvid") }
+
+// maxVideoBytes borne la taille d'une vidéo montrée au modèle : le moteur en
+// tire des images à --video-fps (4 par seconde par défaut), donc une vidéo
+// longue = des dizaines de milliers de jetons visuels. Au-delà, le contexte
+// sature sans que le modèle puisse raisonner dessus.
+const maxVideoBytes = 200 << 20 // 200 Mio
+
+// videoMimes : les extensions qu'on peut ENVOYER AU MODÈLE comme vidéo (partie
+// input_video). Le moteur décode lui-même avec ffmpeg ; un format hors de cette
+// liste reste un simple fichier du dossier de travail.
+var videoMimes = map[string]string{
+	".mp4":  "video/mp4",
+	".webm": "video/webm",
+	".mov":  "video/quicktime",
+	".mkv":  "video/x-matroska",
+	".avi":  "video/x-msvideo",
+}
+
+// videoMime renvoie le type MIME vidéo d'un nom de fichier, ou "" si ce n'est
+// pas une vidéo qu'on sait montrer au modèle.
+func videoMime(name string) string {
+	return videoMimes[strings.ToLower(filepath.Ext(name))]
+}
+
+// videoFallbackNote : consigne quand le moteur ne lit pas la vidéo. Le fichier
+// reste utilisable : quelques images extraites avec ffmpeg, puis see_image.
+// ffmpeg est dans l'image Docker de Loki (l'image serveur officielle de
+// llama.cpp l'installe pour son décodage vidéo) ; une installation hors
+// conteneur peut ne pas l'avoir, d'où la dernière phrase.
+const videoFallbackNote = "Le moteur actif ne lit pas la vidéo directement. Pour en voir le contenu, extrais quelques images avec ffmpeg (par exemple `ffmpeg -i <vidéo> -vf fps=1 frame_%03d.jpg`) puis regarde-les avec see_image ; si ffmpeg est absent, dis-le plutôt que de deviner le contenu.\n"
+
+// videoLostMarker : équivalent d'imageLostMarker pour une partie input_video
+// (résumé de compaction, fil rechargé).
+const videoLostMarker = " [video — not kept in the conversation past this point; call see_video on the file again if you still need to watch it]"
+
+// videoPart construit la partie multimodale {type:input_video, input_video:{url}}
+// — le format que llama-server lit une fois --mmproj chargé.
+func videoPart(b []byte, mime string) map[string]any {
+	return map[string]any{
+		"type": "input_video",
+		"input_video": map[string]any{
+			"url": "data:" + mime + ";base64," + base64.StdEncoding.EncodeToString(b),
+		},
+	}
+}
+
+// videoInputSupported : le moteur actif sait-il lire une partie input_video ?
+// Preset local avec projecteur (MMPROJ) ET binaire dont l'aide annonce
+// --video-fps. Variable : remplaçable dans les tests.
+var videoInputSupported = func() bool {
+	cfg := ReadConfig()
+	if isExternalConfig(cfg) || isStrataConfig(cfg) || strings.TrimSpace(cfg["MMPROJ"]) == "" {
+		return false
+	}
+	bin := strings.TrimSpace(cfg["BIN"])
+	if bin == "" {
+		return false
+	}
+	if !filepath.IsAbs(bin) {
+		bin = filepath.Join(LokiHome(), bin)
+	}
+	return binHelpHasVideo(prebuiltResolveBin(bin))
+}
+
+var videoCapCache sync.Map // "binaire\x00mtime" → bool
+
+// binHelpHasVideo lit l'aide du binaire, une fois par binaire ET par date de
+// modification (un moteur mis à jour en place est relu). Volontairement à part
+// de binHelp : celle-ci garde aussi une aide VIDE pour toujours, et l'appeler
+// avant le lancement du moteur (chemin des bibliothèques pas encore posé)
+// figerait « aucune capacité » pour le vrai lancement. Ici, le chemin des
+// bibliothèques est passé à la seule commande (libraryPathEnv).
+func binHelpHasVideo(bin string) bool {
+	st, err := os.Stat(bin)
+	if err != nil || st.IsDir() {
+		return false
+	}
+	key := bin + "\x00" + st.ModTime().String()
+	if v, ok := videoCapCache.Load(key); ok {
+		return v.(bool)
+	}
+	ctx, cancel := context.WithTimeout(context.Background(), 5*time.Second)
+	defer cancel()
+	cmd := exec.CommandContext(ctx, bin, "--help")
+	cmd.Env = libraryPathEnv(filepath.Dir(bin))
+	out, _ := cmd.CombinedOutput()
+	ok := strings.Contains(string(out), "--video-fps")
+	videoCapCache.Store(key, ok)
+	return ok
+}
+
+// --- Vidéos jointes, par référence -------------------------------------------
+
+var vidExtByMime = map[string]string{
+	"video/mp4":        ".mp4",
+	"video/webm":       ".webm",
+	"video/quicktime":  ".mov",
+	"video/x-matroska": ".mkv",
+	"video/x-msvideo":  ".avi",
+}
+
+// storeChatVideo range les octets d'une vidéo et renvoie sa référence. Chiffrée
+// comme le fil quand la mémoire l'est ; verrouillée : refus, la vidéo reste en
+// base64 dans le message (rien ne se perd).
+func storeChatVideo(b []byte, mime string) (string, error) {
+	ext := vidExtByMime[mime]
+	if ext == "" {
+		ext = ".vid"
+	}
+	sum := sha256.Sum256(b)
+	name := hex.EncodeToString(sum[:16]) + ext
+	dir := chatVidDir()
+	if err := os.MkdirAll(dir, 0o700); err != nil {
+		return "", err
+	}
+	p := filepath.Join(dir, name)
+	if _, err := os.Stat(p); err != nil {
+		enc, err := encodeMemContent(b)
+		if err != nil {
+			return "", err
+		}
+		tmp := p + ".tmp"
+		if err := os.WriteFile(tmp, enc, 0o600); err != nil {
+			return "", err
+		}
+		if err := os.Rename(tmp, p); err != nil {
+			return "", err
+		}
+	}
+	return vidRefScheme + name, nil
+}
+
+// Cache des data-URL reconstituées (même raison que imgCache : un tour d'agent
+// renvoie tout l'historique à chaque étape). Borné en taille.
+var (
+	vidCacheMu    sync.Mutex
+	vidCache      = map[string]string{}
+	vidCacheOrder []string
+	vidCacheBytes int
+)
+
+const vidCacheMax = 64 << 20
+
+func chatVideoDataURL(ref string) (string, bool) {
+	name := strings.TrimPrefix(ref, vidRefScheme)
+	if name == "" || strings.ContainsAny(name, `/\`) || strings.Contains(name, "..") {
+		return "", false
+	}
+	vidCacheMu.Lock()
+	if u, ok := vidCache[name]; ok {
+		vidCacheMu.Unlock()
+		return u, true
+	}
+	vidCacheMu.Unlock()
+	raw, err := os.ReadFile(filepath.Join(chatVidDir(), name))
+	if err != nil {
+		return "", false
+	}
+	b, err := decodeMemContent(raw)
+	if err != nil {
+		return "", false
+	}
+	mime := "video/mp4"
+	for m, e := range vidExtByMime {
+		if strings.HasSuffix(name, e) {
+			mime = m
+		}
+	}
+	u := "data:" + mime + ";base64," + base64.StdEncoding.EncodeToString(b)
+	vidCacheMu.Lock()
+	if _, ok := vidCache[name]; !ok {
+		vidCache[name] = u
+		vidCacheOrder = append(vidCacheOrder, name)
+		vidCacheBytes += len(u)
+		for vidCacheBytes > vidCacheMax && len(vidCacheOrder) > 1 {
+			old := vidCacheOrder[0]
+			vidCacheOrder = vidCacheOrder[1:]
+			vidCacheBytes -= len(vidCache[old])
+			delete(vidCache, old)
+		}
+	}
+	vidCacheMu.Unlock()
+	return u, true
+}
+
+// partVideoURL : l'adresse d'une partie input_video (url, sinon data — les deux
+// formes que lit llama-server), "" pour toute autre partie.
+func partVideoURL(p map[string]any) string {
+	if p["type"] != "input_video" {
+		return ""
+	}
+	iv, _ := p["input_video"].(map[string]any)
+	if iv == nil {
+		return ""
+	}
+	u, _ := iv["url"].(string)
+	if u == "" {
+		u, _ = iv["data"].(string)
+	}
+	return u
+}
+
+// refVideosInMessages remplace les vidéos en base64 des messages par des
+// références. Comme refImagesInMessages, les parties modifiées sont RECOPIÉES,
+// jamais mutées (persist peut tourner pendant qu'un runChat sérialise ces mêmes
+// maps). Renvoie true si quelque chose a changé.
+func refVideosInMessages(msgs []Message) bool {
+	changed := false
+	for mi, m := range msgs {
+		parts := contentParts(m.Content)
+		var np []map[string]any
+		for pi, p := range parts {
+			u := partVideoURL(p)
+			if !strings.HasPrefix(u, "data:video/") {
+				continue
+			}
+			i := strings.Index(u, ";base64,")
+			if i < 0 {
+				continue
+			}
+			b, err := base64.StdEncoding.DecodeString(u[i+8:])
+			if err != nil {
+				continue
+			}
+			ref, err := storeChatVideo(b, u[5:i])
+			if err != nil {
+				continue
+			}
+			if np == nil {
+				np = append([]map[string]any(nil), parts...)
+			}
+			np[pi] = map[string]any{"type": "input_video", "input_video": map[string]any{"url": ref}}
+		}
+		if np != nil {
+			msgs[mi].Content = np
+			changed = true
+		}
+	}
+	return changed
+}
+
+// hasInlineVideos : au moins une vidéo encore en base64 dans ces messages ?
+func hasInlineVideos(msgs []Message) bool {
+	for _, m := range msgs {
+		for _, p := range contentParts(m.Content) {
+			if strings.HasPrefix(partVideoURL(p), "data:video/") {
+				return true
+			}
+		}
+	}
+	return false
+}
+
+// expandVideoRefs renvoie une COPIE des messages prête pour le modèle : chaque
+// référence de vidéo redevient sa data-URL. Les messages sans référence sont
+// partagés tels quels. Une vidéo introuvable devient une mention textuelle.
+func expandVideoRefs(msgs []Message) []Message {
+	out := msgs
+	copied := false
+	for i, m := range msgs {
+		parts := contentParts(m.Content)
+		has := false
+		for _, p := range parts {
+			if strings.HasPrefix(partVideoURL(p), vidRefScheme) {
+				has = true
+				break
+			}
+		}
+		if !has {
+			continue
+		}
+		if !copied {
+			out = append([]Message(nil), msgs...)
+			copied = true
+		}
+		np := make([]map[string]any, 0, len(parts))
+		for _, p := range parts {
+			u := partVideoURL(p)
+			if !strings.HasPrefix(u, vidRefScheme) {
+				np = append(np, p)
+				continue
+			}
+			if d, ok := chatVideoDataURL(u); ok {
+				np = append(np, map[string]any{"type": "input_video", "input_video": map[string]any{"url": d}})
+			} else {
+				np = append(np, map[string]any{"type": "text", "text": "[vidéo indisponible : fichier supprimé]"})
+			}
+		}
+		m.Content = np
+		out[i] = m
+	}
+	return out
+}

internal/loki/chat_video_test.go

@@ -0,0 +1,332 @@
+package loki
+
+import (
+	"encoding/base64"
+	"encoding/json"
+	"os"
+	"path/filepath"
+	"runtime"
+	"strings"
+	"testing"
+	"time"
+)
+
+// videoEngine simule un moteur qui sait (ou non) lire la vidéo.
+func videoEngine(t *testing.T, ok bool) {
+	t.Helper()
+	prev := videoInputSupported
+	videoInputSupported = func() bool { return ok }
+	t.Cleanup(func() { videoInputSupported = prev })
+}
+
+// engineSees amorce le cache de la sonde /props : aucun llama-server ne tourne
+// pendant les tests.
+func engineSees(t *testing.T, seen bool) {
+	t.Helper()
+	visionProbeMu.Lock()
+	visionProbeAt, visionProbeSeen = time.Now(), seen
+	visionProbeMu.Unlock()
+	t.Cleanup(func() { visionProbeMu.Lock(); visionProbeAt = time.Time{}; visionProbeMu.Unlock() })
+}
+
+// Une vidéo en base64 part sur disque et revient identique à l'envoi au modèle ;
+// l'historique ne garde qu'une référence de quelques octets.
+func TestVideoRefsRoundTrip(t *testing.T) {
+	testHome(t)
+	raw := []byte(strings.Repeat("\x00\x00\x00\x18ftypmp42-fake-video-bytes", 5000))
+	url := "data:video/mp4;base64," + base64.StdEncoding.EncodeToString(raw)
+	msgs := []Message{
+		{Role: "user", Content: []map[string]any{
+			{"type": "text", "text": "regarde la vidéo"},
+			{"type": "input_video", "input_video": map[string]any{"url": url}},
+		}},
+		{Role: "assistant", Content: "vu"},
+	}
+	// Relu depuis le JSON (forme []any), comme après un redémarrage.
+	var reread []Message
+	b, _ := json.Marshal(msgs)
+	_ = json.Unmarshal(b, &reread)
+
+	for _, set := range [][]Message{msgs, reread} {
+		orig := contentParts(set[0].Content)[1]
+		if !hasInlineVideos(set) || !refVideosInMessages(set) || hasInlineVideos(set) {
+			t.Fatal("la vidéo aurait dû être rangée par référence")
+		}
+		// Recopiée, jamais mutée : un runChat en vol peut lire ces mêmes maps.
+		if partVideoURL(orig) != url {
+			t.Fatal("refVideosInMessages a muté la partie d'origine")
+		}
+		js, _ := json.Marshal(set)
+		if len(js) > 500 || !strings.Contains(string(js), vidRefScheme) {
+			t.Fatalf("historique encore lourd : %d octets", len(js))
+		}
+		out := expandVideoRefs(set)
+		if got := partVideoURL(contentParts(out[0].Content)[1]); got != url {
+			t.Fatal("la vidéo renvoyée au modèle diffère de l'originale")
+		}
+		// L'historique lui-même n'est pas modifié par l'expansion.
+		if u := partVideoURL(contentParts(set[0].Content)[1]); !strings.HasPrefix(u, vidRefScheme) {
+			t.Fatal("expandVideoRefs ne doit pas toucher l'historique")
+		}
+	}
+	// Fichier effacé (ménage) : une mention, pas une requête qui échoue.
+	_ = os.RemoveAll(chatVidDir())
+	vidCacheMu.Lock()
+	vidCache, vidCacheOrder, vidCacheBytes = map[string]string{}, nil, 0
+	vidCacheMu.Unlock()
+	out := expandVideoRefs(msgs)
+	if p := contentParts(out[0].Content)[1]; p["type"] != "text" || !strings.Contains(p["text"].(string), "indisponible") {
+		t.Fatalf("vidéo disparue : %v", p)
+	}
+}
+
+// userMessageContent : une vidéo jointe devient une partie input_video (et une
+// image jointe reste une partie image_url), quand la vision est active et que
+// le moteur lit la vidéo.
+func TestUserMessageContentVideo(t *testing.T) {
+	videoEngine(t, true)
+	visionOn(t)
+	engineSees(t, true)
+	dir, err := uploadsDir()
+	if err != nil {
+		t.Fatal(err)
+	}
+	if err := os.WriteFile(filepath.Join(dir, "clip-test.mp4"), []byte("fake-mp4-bytes"), 0o600); err != nil {
+		t.Fatal(err)
+	}
+	if err := os.WriteFile(filepath.Join(dir, "photo.png"), pngPixel, 0o600); err != nil {
+		t.Fatal(err)
+	}
+	in := []attachInfo{
+		{Name: "clip-test.mp4", Path: "uploads/clip-test.mp4", Size: 14},
+		{Name: "photo.png", Path: "uploads/photo.png", Size: int64(len(pngPixel))},
+	}
+	parts, ok := userMessageContent(in, "décris ce clip").([]map[string]any)
+	if !ok || len(parts) != 3 {
+		t.Fatalf("attendu texte + image + vidéo, obtenu %#v", parts)
+	}
+	if parts[0]["type"] != "text" || parts[1]["type"] != "image_url" || parts[2]["type"] != "input_video" {
+		t.Fatalf("ordre des parties : %v %v %v", parts[0]["type"], parts[1]["type"], parts[2]["type"])
+	}
+	if u := partVideoURL(parts[2]); !strings.HasPrefix(u, "data:video/mp4;base64,") {
+		t.Fatalf("data URI vidéo inattendue : %.40q", u)
+	}
+	// Montrée, elle n'est plus annoncée comme simple fichier.
+	if txt := parts[0]["text"].(string); strings.Contains(txt, "clip-test.mp4") || strings.Contains(txt, "ffmpeg") {
+		t.Fatalf("vidéo vue annoncée comme fichier : %q", txt)
+	}
+}
+
+// Moteur sans vidéo (API externe, Strata, llama.cpp ancien) : il ignorait la
+// partie input_video sans erreur et le modèle ne recevait que le texte. La
+// vidéo doit alors être annoncée comme fichier, avec la marche à suivre
+// (ffmpeg puis see_image), et see_video doit le dire au lieu de charger.
+func TestVideoUnsupportedEngine(t *testing.T) {
+	videoEngine(t, false)
+	visionOn(t)
+	engineSees(t, true)
+	dir, err := uploadsDir()
+	if err != nil {
+		t.Fatal(err)
+	}
+	vname := "clip-test.mp4"
+	if err := os.WriteFile(filepath.Join(dir, vname), []byte("fake-mp4-bytes"), 0o600); err != nil {
+		t.Fatal(err)
+	}
+	content := userMessageContent([]attachInfo{{Name: vname, Path: "uploads/" + vname, Size: 14}}, "décris ce clip")
+	s, ok := content.(string)
+	if !ok {
+		t.Fatalf("attendu du texte seul (pas de partie input_video), obtenu %T", content)
+	}
+	if !strings.Contains(s, "uploads/"+vname) || !strings.Contains(s, "ffmpeg") || !strings.HasSuffix(s, "décris ce clip") {
+		t.Fatalf("chemin et consigne ffmpeg attendus : %q", s)
+	}
+	if msg, part := toolSeeVideo(filepath.Join(dir, vname)); part != nil || !strings.Contains(msg, "ffmpeg") {
+		t.Fatalf("see_video doit refuser avec la consigne ffmpeg : %q", msg)
+	}
+	// Ni outil annoncé, ni consigne quand ce n'est pas une vidéo.
+	for _, tl := range EnabledTools(Caps{Agent: true}) {
+		if tl.Function.Name == "see_video" {
+			t.Fatal("see_video annoncé alors que le moteur ne lit pas la vidéo")
+		}
+	}
+	if s := attachNote([]attachInfo{{Name: "a.txt", Path: "uploads/a.txt", Size: 1}}); strings.Contains(s, "ffmpeg") {
+		t.Fatalf("consigne vidéo sur un fichier texte : %q", s)
+	}
+}
+
+// see_video : annoncé avec see_image quand le moteur lit la vidéo.
+func TestSeeVideoAnnonce(t *testing.T) {
+	videoEngine(t, true)
+	visionOn(t)
+	has := func(caps Caps) bool {
+		for _, tl := range EnabledTools(caps) {
+			if tl.Function.Name == "see_video" {
+				return true
+			}
+		}
+		return false
+	}
+	if !has(Caps{Agent: true}) {
+		t.Fatal("see_video absent alors que le moteur lit la vidéo")
+	}
+	if has(Caps{}) {
+		t.Fatal("see_video hors du mode agent")
+	}
+	if toolCallLabel("see_video", map[string]any{"file": "a.mp4"}) != "a.mp4" {
+		t.Fatal("libellé de see_video vide : l'outil s'exécuterait sur une chaîne vide")
+	}
+	if dedupableTool("see_video") {
+		t.Fatal("see_video dédupliqué : le rappel rendrait « déjà fait » sans la vidéo")
+	}
+}
+
+// toolSeeVideo : chaque refus nomme son motif ; un mp4 présent est chargé et
+// relayé dans un message utilisateur qui nomme le fichier.
+func TestToolSeeVideo(t *testing.T) {
+	videoEngine(t, true)
+	home := visionOn(t)
+	engineSees(t, true)
+	if err := os.MkdirAll(filepath.Join(home, "dossier.mp4"), 0o755); err != nil {
+		t.Fatal(err)
+	}
+	gros := filepath.Join(home, "gros.mp4")
+	f, _ := os.Create(gros)
+	_ = f.Truncate(maxVideoBytes + 1)
+	f.Close()
+	_ = os.WriteFile(filepath.Join(home, "vide.webm"), nil, 0o600)
+	cas := []struct{ path, attendu string }{
+		{"", "chemin de fichier manquant"},
+		{filepath.Join(home, "notes.txt"), "format non reconnu comme vidéo"},
+		{filepath.Join(home, "nulle-part.mp4"), "introuvable"},
+		{filepath.Join(home, "dossier.mp4"), "dossier"},
+		{gros, "trop lourde"},
+		{filepath.Join(home, "vide.webm"), "fichier vide"},
+	}
+	for _, c := range cas {
+		msg, part := toolSeeVideo(c.path)
+		if part != nil || !strings.HasPrefix(msg, "[erreur]") || !strings.Contains(msg, c.attendu) {
+			t.Errorf("%q : %q, attendu une erreur contenant %q", c.path, msg, c.attendu)
+		}
+	}
+	p := filepath.Join(home, "clip.MOV")
+	if err := os.WriteFile(p, []byte("fake-mov"), 0o600); err != nil {
+		t.Fatal(err)
+	}
+	msg, part := toolSeeVideo(p)
+	if part == nil || msg != "[ok] vidéo chargée : clip.MOV" {
+		t.Fatalf("attendu un [ok] : %q / %v", msg, part)
+	}
+	if u := partVideoURL(part); u != "data:video/quicktime;base64,"+base64.StdEncoding.EncodeToString([]byte("fake-mov")) {
+		t.Fatalf("partie inattendue : %v", part)
+	}
+	// Le moteur en service ne voit pas : on le dit au lieu d'envoyer 200 Mio.
+	engineSees(t, false)
+	if msg, part := toolSeeVideo(p); part != nil || !strings.Contains(msg, "ne traite pas les images") {
+		t.Fatalf("moteur aveugle : %q", msg)
+	}
+	// Relais : passé par l'API interne comme see_image (toolStepExtras).
+	_, _, relay := toolStepExtras("see_video", "clip.MOV", toolExecResult{Result: "[ok]", VisionVideo: videoPart([]byte("x"), "video/mp4")})
+	if relay == nil {
+		t.Fatal("aucun relais pour see_video")
+	}
+	rp := contentParts(relay.Content)
+	if relay.Role != "user" || rp[0]["text"] != "Vidéo demandée (clip.MOV) :" || rp[1]["type"] != "input_video" {
+		t.Fatalf("relais inattendu : %#v", relay)
+	}
+}
+
+// Sans projecteur ou sur un poste distant : refus explicite, avant toute
+// question au moteur.
+func TestSeeVideoSansVision(t *testing.T) {
+	videoEngine(t, true)
+	testHome(t)
+	if msg, part := toolSeeVideo("a.mp4"); part != nil || !strings.Contains(msg, "MMPROJ") {
+		t.Fatalf("sans vision : %q", msg)
+	}
+}
+
+// videoInputSupported : jamais pour une API externe, Strata, un preset sans
+// projecteur ou sans moteur ; sinon, l'aide du binaire fait foi.
+func TestVideoInputSupportedPresets(t *testing.T) {
+	testHome(t)
+	cas := []map[string]string{
+		{"BIN": "llama-server", "MODEL": "m.gguf"},                                    // pas de projecteur
+		{"MMPROJ": "mm.gguf", "MODEL": "m.gguf"},                                      // pas de moteur
+		{"MMPROJ": "mm.gguf", "BIN": "introuvable/llama-server"},                      // moteur absent
+		{"MMPROJ": "mm.gguf", extKeyFlag: "1", extKeyVision: "1"},                     // API externe
+		{"MMPROJ": "mm.gguf", "ENGINE": engineStrata, "BIN": "/bin/sh", "MODEL": "m"}, // Strata
+	}
+	for _, cfg := range cas {
+		if err := WriteConfig(cfg); err != nil {
+			t.Fatal(err)
+		}
+		if videoInputSupported() {
+			t.Errorf("%v : vidéo annoncée", cfg)
+		}
+	}
+}
+
+// L'aide du binaire décide, relue quand le binaire change (mise à jour en place).
+func TestBinHelpHasVideo(t *testing.T) {
+	if runtime.GOOS == "windows" {
+		t.Skip("faux moteur en sh")
+	}
+	dir := t.TempDir()
+	bin := filepath.Join(dir, "llama-server")
+	write := func(help string, mt time.Time) {
+		if err := os.WriteFile(bin, []byte("#!/bin/sh\necho '"+help+"'\n"), 0o755); err != nil {
+			t.Fatal(err)
+		}
+		_ = os.Chtimes(bin, mt, mt)
+	}
+	write("--mmproj FILE", time.Now().Add(-time.Hour))
+	if binHelpHasVideo(bin) {
+		t.Fatal("moteur sans --video-fps annoncé comme lisant la vidéo")
+	}
+	write("--video-fps N   target fps", time.Now())
+	if !binHelpHasVideo(bin) {
+		t.Fatal("moteur mis à jour : --video-fps non relu")
+	}
+}
+
+// Compaction, fil rechargé, export : la vidéo n'est jamais rejouée ni
+// recopiée, mais sa perte reste visible.
+func TestVideoPerdueVisible(t *testing.T) {
+	part := videoPart([]byte(strings.Repeat("v", 3000)), "video/mp4")
+	m := Message{Role: "user", Content: []map[string]any{{"type": "text", "text": "regarde"}, part}}
+	if got := msgText(m); got != "regarde"+videoLostMarker {
+		t.Fatalf("msgText : %q", got)
+	}
+	var reread []Message
+	b, _ := json.Marshal([]Message{m})
+	_ = json.Unmarshal(b, &reread)
+	out := stripImageParts(reread)
+	if s, ok := out[0].Content.(string); !ok || s != "regarde"+videoLostMarker {
+		t.Fatalf("fil rechargé : %#v", out[0].Content)
+	}
+	exp := stripInlineImages([]Message{m})
+	js, _ := json.Marshal(exp)
+	if len(js) > 400 || !strings.Contains(string(js), "élidé") {
+		t.Fatalf("export : %s", js)
+	}
+	if partVideoURL(contentParts(m.Content)[1]) == "" || !strings.HasPrefix(partVideoURL(part), "data:video/mp4;base64,") {
+		t.Fatal("l'export a touché le message vivant")
+	}
+}
+
+// Le ménage des médias vide aussi les vidéos jointes trop vieilles.
+func TestPruneChatVideos(t *testing.T) {
+	testHome(t)
+	ref, err := storeChatVideo([]byte("vieille"), "video/webm")
+	if err != nil || !strings.HasSuffix(ref, ".webm") {
+		t.Fatalf("rangement : %q %v", ref, err)
+	}
+	p := filepath.Join(chatVidDir(), strings.TrimPrefix(ref, vidRefScheme))
+	old := time.Now().Add(-2 * chatImgKeep)
+	_ = os.Chtimes(p, old, old)
+	pruneChatImages()
+	if _, err := os.Stat(p); !os.IsNotExist(err) {
+		t.Fatal("vieille vidéo gardée")
+	}
+}

internal/loki/chat_video_tool.go

@@ -0,0 +1,91 @@
+package loki
+
+// chat_video_tool.go — l'outil see_video (repris d'AJEAN) : le modèle charge
+// lui-même un fichier vidéo du disque dans sa VISION, sans que l'utilisateur ait
+// à le joindre. Même mécanique que see_image (chat_vision_tool.go) : le résultat
+// de l'outil reste un accusé texte, la vidéo part juste après dans un message
+// utilisateur multimodal (partie input_video), que llama-server décode en
+// images avec ffmpeg. Toujours ÉPHÉMÈRE : jamais dans l'historique.
+//
+// Annoncé seulement quand le moteur sait lire la vidéo (videoInputSupported) ;
+// appelé quand même, il le dit avec la marche à suivre (ffmpeg puis see_image).
+
+import (
+	"fmt"
+	"os"
+	"path/filepath"
+	"strings"
+)
+
+// toolSeeVideo lit un fichier vidéo et renvoie (accusé texte, partie input_video).
+// La partie vaut nil en cas d'erreur : l'appelant n'injecte alors rien. Même
+// ordre de refus que toolSeeImage, la sonde du moteur en dernier.
+func toolSeeVideo(path string) (string, map[string]any) {
+	if !visionEnabled() {
+		return "[erreur] la vision n'est pas active sur ce preset (aucun projecteur MMPROJ configuré) — impossible de voir une vidéo", nil
+	}
+	if agentTargetSlug() != "" {
+		return "[erreur] voir une vidéo n'est pas possible sur un poste distant (le fichier est sur l'autre machine)", nil
+	}
+	if path == "" {
+		return "[erreur] chemin de fichier manquant", nil
+	}
+	if !videoInputSupported() {
+		return "[erreur] " + strings.TrimSuffix(videoFallbackNote, "\n"), nil
+	}
+	abs := resolveAgentPath(path)
+	mime := videoMime(abs)
+	if mime == "" {
+		return "[erreur] format non reconnu comme vidéo (attendu : mp4, webm, mov, mkv, avi) : " + path, nil
+	}
+	st, err := os.Stat(abs)
+	if err != nil {
+		return "[erreur] fichier introuvable : " + path, nil
+	}
+	if st.IsDir() {
+		return "[erreur] c'est un dossier, pas une vidéo : " + path, nil
+	}
+	if st.Size() > maxVideoBytes {
+		return fmt.Sprintf("[erreur] vidéo trop lourde (%s, max %s) — coupe-la en un clip plus court : %s",
+			humanBytes(st.Size()), humanBytes(maxVideoBytes), path), nil
+	}
+	if !engineSeesImages() {
+		return "[erreur] le moteur en service ne traite pas les images (projecteur non chargé ?) — impossible de voir " + path, nil
+	}
+	b, err := os.ReadFile(abs)
+	if err != nil {
+		return "[erreur] lecture impossible : " + err.Error(), nil
+	}
+	if len(b) == 0 {
+		return "[erreur] fichier vide : " + path, nil
+	}
+	return "[ok] vidéo chargée : " + filepath.Base(abs), videoPart(b, mime)
+}
+
+// seeVideoMessage emballe la partie vidéo dans le message utilisateur qui la
+// porte jusqu'au modèle ; la légende nomme le fichier (voir seeImageMessage).
+func seeVideoMessage(label string, vid map[string]any) Message {
+	text := "Vidéo :"
+	if label != "" {
+		text = "Vidéo demandée (" + label + ") :"
+	}
+	return Message{Role: "user", Content: []map[string]any{
+		{"type": "text", "text": text},
+		vid,
+	}}
+}
+
+// seeVideoTool — schéma envoyé au modèle, tenu court comme seeImageTool.
+func seeVideoTool() Tool {
+	return Tool{Type: "function", Function: ToolFunction{
+		Name:        "see_video",
+		Description: "Ouvre un fichier vidéo du disque pour la REGARDER (mp4, webm, mov, mkv, avi). Clips courts.",
+		Parameters: map[string]any{
+			"type": "object",
+			"properties": map[string]any{
+				"file": map[string]any{"type": "string", "description": "Chemin de la vidéo (relatif au dossier de travail, ou absolu)"},
+			},
+			"required": []string{"file"},
+		},
+	}}
+}

internal/loki/llm_client.go

@@ -515,6 +515,12 @@ func EnabledTools(caps Caps) []Tool {
 	// pas — il promettrait alors de regarder, puis se contredirait.
 	if caps.Agent && visionEnabled() {
 		tools = append(tools, seeImageTool())
+		// Voir une vidéo : seulement si le moteur sait la lire (llama.cpp local
+		// avec --video-fps, chat_video.go). Ailleurs, la vidéo resterait lettre
+		// morte : Strata et les API externes ignorent la partie sans erreur.
+		if videoInputSupported() {
+			tools = append(tools, seeVideoTool())
+		}
 	}
 	if caps.Agent && (caps.Internet || caps.Code) && screenshotAvailable() {
 		tools = append(tools, webScreenshotTool())
@@ -670,12 +676,12 @@ func fillToolResult(ev *ToolUsedEvent, result string) *ToolUsedEvent {
 //   - leur résultat dépend de l'ÉTAT VIVANT de la page (un browser_snapshot sans
 //     argument a forcément la même clé de dédup à chaque appel, alors que la page
 //     a changé) — les dédupliquer fige l'IA sur un vieux cliché ;
-//   - surtout, browser_screenshot et see_image portent leur IMAGE dans un message
+//   - surtout, browser_screenshot et see_image (see_video : sa vidéo) portent leur IMAGE dans un message
 //     à part (visionImg) que le chemin de dédup ne rejoue PAS : l'IA recevrait
 //     « [déjà fait] » SANS l'image et tournerait en boucle.
 func dedupableTool(name string) bool {
 	switch name {
-	case "bash", "bash_bg", "bash_tail", "see_image":
+	case "bash", "bash_bg", "bash_tail", "see_image", "see_video":
 		return false
 	}
 	return !strings.HasPrefix(name, "browser_")
@@ -1121,7 +1127,7 @@ func toolCallLabel(name string, args map[string]any) string {
 	switch name {
 	case "mem_search", "web_search", "web_images", "recall_search":
 		label, _ = args["query"].(string)
-	case "mem_read", "mem_add", "mem_edit", "edit", "write", "read", "git_diff", "see_image":
+	case "mem_read", "mem_add", "mem_edit", "edit", "write", "read", "git_diff", "see_image", "see_video":
 		label, _ = args["file"].(string)
 	case "recall":
 		label, _ = args["id"].(string)
@@ -1221,9 +1227,10 @@ type chatPayloadOpts struct {
 func buildChatPayload(ep chatEndpoint, sent []Message, temperature float64, o chatPayloadOpts) map[string]any {
 	payload := map[string]any{
 		"model": ep.Model,
-		// Les images de l'historique y sont rangées par référence
-		// (chat_images.go) : on remet leurs octets juste avant l'envoi.
-		"messages":    expandImageRefs(sent),
+		// Les images et vidéos de l'historique y sont rangées par référence
+		// (chat_images.go, chat_video.go) : on remet leurs octets juste avant
+		// l'envoi.
+		"messages":    expandVideoRefs(expandImageRefs(sent)),
 		"stream":      true,
 		"temperature": temperature,
 		// include_usage → chunk final avec `usage.prompt_tokens` = taille TOTALE
@@ -2343,7 +2350,7 @@ func runChatLoop(ctx context.Context, kt *keepImages, messages []Message, tools
 				var diffAdd, diffDel int // vrais totaux (diff est tronqué pour l'UI)
 				// visionImg : partie image_url rendue par see_image, réinjectée après
 				// le résultat de l'outil (un message `tool` ne porte que du texte).
-				var visionImg map[string]any
+				var visionImg, visionVideo map[string]any
 				// Appel rigoureusement identique déjà exécuté dans ce tour : on ne le
 				// rejoue pas. Les petits modèles réémettent volontiers deux fois la
 				// même écriture ; la rejouer produisait une fausse erreur (« old
@@ -2375,7 +2382,7 @@ func runChatLoop(ctx context.Context, kt *keepImages, messages []Message, tools
 				} else {
 					ex = execTool(ctx, tc.Function.Name, args, label, caps)
 				}
-				result, diff, diffAdd, diffDel, visionImg = ex.Result, ex.Diff, ex.Added, ex.Removed, ex.VisionImg
+				result, diff, diffAdd, diffDel, visionImg, visionVideo = ex.Result, ex.Diff, ex.Added, ex.Removed, ex.VisionImg, ex.VisionVideo
 				if ex.Ask != nil {
 					cb(StreamEvent{Ask: ex.Ask})
 				}
@@ -2433,6 +2440,13 @@ func runChatLoop(ctx context.Context, kt *keepImages, messages []Message, tools
 				if visionImg != nil {
 					messages, extra = kt.relay(messages, extra, seeImageMessage(label, visionImg), stepStart)
 				}
+				// see_video a réussi : même relais, toujours ÉPHÉMÈRE — dans
+				// `messages` seulement, jamais dans `extra`, KEEP_TURN_IMAGES
+				// compris (une vidéo pèse des milliers de jetons visuels, et
+				// kt.relay ne sait ranger que des images).
+				if visionVideo != nil {
+					messages = append(messages, seeVideoMessage(label, visionVideo))
+				}
 			}
 			// Compaction EN COURS DE TOUR. Le seuil n'était testé qu'AU DÉBUT du tour :
 			// une boucle d'outils peut à elle seule remplir la fenêtre (résultats
@@ -2616,7 +2630,10 @@ type toolExecResult struct {
 	Added     int            `json:"added,omitempty"`
 	Removed   int            `json:"removed,omitempty"`
 	VisionImg map[string]any `json:"vision_img,omitempty"`
-	Ask       *AskEvent      `json:"ask,omitempty"`
+	// VisionVideo : partie input_video rendue par see_video (chat_video_tool.go),
+	// relayée au modèle comme l'image, mais toujours éphémère.
+	VisionVideo map[string]any `json:"vision_video,omitempty"`
+	Ask         *AskEvent      `json:"ask,omitempty"`
 }
 
 // execToolHook : nil en service. Les tests de parité Go/Rust
@@ -2631,11 +2648,13 @@ func execTool(ctx context.Context, name string, args map[string]any, label strin
 	result := ""
 	var diff []DiffLine
 	var diffAdd, diffDel int
-	var visionImg map[string]any
+	var visionImg, visionVideo map[string]any
 	var ask *AskEvent
 	switch name {
 	case "see_image":
 		result, visionImg = toolSeeImage(label)
+	case "see_video":
+		result, visionVideo = toolSeeVideo(label)
 	case "recall":
 		result = toolRecall(args)
 	case "recall_search":
@@ -2820,5 +2839,5 @@ func execTool(ctx context.Context, name string, args map[string]any, label strin
 			result = "[erreur] outil inconnu: " + name
 		}
 	}
-	return toolExecResult{Result: result, Diff: diff, Added: diffAdd, Removed: diffDel, VisionImg: visionImg, Ask: ask}
+	return toolExecResult{Result: result, Diff: diff, Added: diffAdd, Removed: diffDel, VisionImg: visionImg, VisionVideo: visionVideo, Ask: ask}
 }

internal/loki/web_internal_tool.go

@@ -84,5 +84,9 @@ func toolStepExtras(name, label string, res toolExecResult) (image, shot string,
 		m := seeImageMessage(label, res.VisionImg)
 		relay = &m
 	}
+	if res.VisionVideo != nil {
+		m := seeVideoMessage(label, res.VisionVideo)
+		relay = &m
+	}
 	return image, shot, relay
 }

internal/loki/web_upload.go

@@ -152,10 +152,19 @@ func attachNote(files []attachInfo) string {
 		head = "Fichiers joints à ce message, déposés dans ton dossier de travail :"
 	}
 	var lines []string
+	video := false
 	for _, f := range files {
 		lines = append(lines, fmt.Sprintf("- %s (%s)", f.Path, humanBytes(f.Size)))
+		video = video || videoMime(f.Name) != ""
 	}
-	return head + "\n" + strings.Join(lines, "\n") + "\n\n"
+	note := head + "\n" + strings.Join(lines, "\n") + "\n"
+	// Vidéo jointe que le moteur ne sait pas lire (chat_video.go) : dire comment
+	// la regarder quand même, au lieu de laisser le modèle tâtonner — Strata et
+	// les API externes ignoraient la vidéo en silence.
+	if video && visionEnabled() && !videoInputSupported() {
+		note += videoFallbackNote
+	}
+	return note + "\n"
 }
 
 // imageMimes : les extensions qu'on peut ENVOYER AU MODÈLE comme image (contenu
@@ -189,9 +198,11 @@ func visionEnabled() bool {
 
 // userMessageContent construit le champ Content du message utilisateur. Cas
 // courant : une simple chaîne (note des fichiers joints + texte). Quand la vision
-// est active ET qu'au moins une pièce jointe est une image, on renvoie le format
-// multimodal d'OpenAI — une partie `text` suivie d'une partie `image_url` par
-// image (data URI base64) — que llama-server comprend une fois --mmproj chargé :
+// est active ET qu'au moins une pièce jointe est une image (ou une vidéo que le
+// moteur sait lire), on renvoie le format multimodal d'OpenAI — une partie
+// `text` suivie d'une partie `image_url` par image (data URI base64) et d'une
+// partie `input_video` par vidéo — que llama-server comprend une fois --mmproj
+// chargé :
 // le modèle VOIT alors l'image au lieu de devoir l'ouvrir comme un fichier binaire.
 // Les images ainsi intégrées sortent de la note textuelle (inutile de dire au
 // modèle d'aller ouvrir un fichier qu'il a déjà sous les yeux) ; les autres
@@ -209,31 +220,43 @@ func userMessageContent(files []attachInfo, prompt string) any {
 	if err != nil {
 		return attachNote(files) + prompt
 	}
-	var imgParts []map[string]any
+	var imgParts, vidParts []map[string]any
 	var textFiles []attachInfo
 	for _, f := range files {
-		mime := imageMime(f.Name)
-		if mime == "" {
-			textFiles = append(textFiles, f)
+		if mime := imageMime(f.Name); mime != "" {
+			b, err := os.ReadFile(filepath.Join(dir, f.Name))
+			if err != nil {
+				textFiles = append(textFiles, f) // illisible ici : au moins l'annoncer comme fichier
+				continue
+			}
+			// Photo prise au téléphone : l'orientation vit dans un tag EXIF que le
+			// projecteur ignore (il voit les pixels bruts, donc l'image couchée), et
+			// une image de plusieurs milliers de pixels ne fait que gonfler le base64
+			// — voir prepareImageForModel (web_upload_orient.go).
+			b, mime = prepareImageForModel(b, mime)
+			imgParts = append(imgParts, imageURLPart(b, mime))
 			continue
 		}
-		b, err := os.ReadFile(filepath.Join(dir, f.Name))
-		if err != nil {
-			textFiles = append(textFiles, f) // illisible ici : au moins l'annoncer comme fichier
+		// Vidéo : seulement si le moteur sait la lire (chat_video.go) ; sinon
+		// elle reste un fichier, annoncé avec la marche à suivre (attachNote).
+		// Pas de redimensionnement : le moteur échantillonne les images lui-même.
+		if mime := videoMime(f.Name); mime != "" && videoInputSupported() {
+			b, err := os.ReadFile(filepath.Join(dir, f.Name))
+			if err != nil || len(b) == 0 || len(b) > maxVideoBytes {
+				textFiles = append(textFiles, f)
+				continue
+			}
+			vidParts = append(vidParts, videoPart(b, mime))
 			continue
 		}
-		// Photo prise au téléphone : l'orientation vit dans un tag EXIF que le
-		// projecteur ignore (il voit les pixels bruts, donc l'image couchée), et
-		// une image de plusieurs milliers de pixels ne fait que gonfler le base64
-		// — voir prepareImageForModel (web_upload_orient.go).
-		b, mime = prepareImageForModel(b, mime)
-		imgParts = append(imgParts, imageURLPart(b, mime))
+		textFiles = append(textFiles, f)
 	}
-	if len(imgParts) == 0 {
+	if len(imgParts) == 0 && len(vidParts) == 0 {
 		return attachNote(files) + prompt
 	}
 	parts := []map[string]any{{"type": "text", "text": attachNote(textFiles) + prompt}}
-	return append(parts, imgParts...)
+	parts = append(parts, imgParts...)
+	return append(parts, vidParts...)
 }
 
 // workspaceRel dit si `abs` se trouve DANS le dossier de travail de l'agent et,