Moteur : corrections de relecture des garde-fous de fidélité — les variables LLAMA_ARG_* et le glissement par défaut des anciens moteurs se voient aussi

Les garde-fous ne lisaient qu'EXTRA_ARGS et KV_TYPE. Or llama.cpp applique ses
variables LLAMA_ARG_* avant la ligne de commande : un conteneur lancé avec
LLAMA_ARG_CACHE_TYPE_K=q8_0 ou LLAMA_ARG_CACHE_REUSE=256 changeait les calculs
sans un mot. Et un llama-server d'avant --context-shift glisse le contexte PAR
DÉFAUT : il jetait des jetons alors que rien n'était écrit nulle part.

- Type de cache effectif : variables, puis KV_TYPE*, puis EXTRA_ARGS, la
  source la plus forte est nommée dans la note ; warnSlowKV suit.
- --context-shift et --cache-reuse lus aussi dans LLAMA_ARG_CONTEXT_SHIFT et
  LLAMA_ARG_CACHE_REUSE ; moteur ancien (aide sans --context-shift) : on dit
  qu'il glisse et que --no-context-shift l'en empêche. Aucun drapeau ajouté.
- Vision reconnue aussi par --mmproj d'EXTRA_ARGS et LLAMA_ARG_MMPROJ.
- Placement figé lu par tensorOverride : --n-cpu-moe 0 ne compte plus,
  --n-cpu-ffn et LLAMA_ARG_N_CPU_MOE si. Même règle dans l'interface.
- Test du paquet : les étiquettes json:"cache_prompt" des structures sont
  aussi refusées hors du benchmark.

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

internal/loki/backend_serve.go

@@ -341,6 +341,7 @@ func cmdServe(args []string) error {
 	// launchQueuesEnv). Après la sélection GPU, qui fait partie de la réponse.
 	probeServeGPUs(cfg, extra, &si)
 	probeExpertEnv(&si)
+	probeFidelityEnv(&si)
 
 	llmArgs, env, notes := buildServeArgs(cfg, extra, bin, si)
 	applyServeEnv(env)
@@ -361,7 +362,7 @@ func cmdServe(args []string) error {
 	}
 	// Le type EFFECTIF : un -ctk/-ctv d'EXTRA_ARGS l'emporte sur KV_TYPE, et c'est
 	// lui que le moteur accélère ou non.
-	kt, vt, _ := effectiveKVTypes(cfg, extra)
+	kt, vt, _ := effectiveKVTypes(cfg, extra, si.ArgEnv)
 	warnSlowKV(kt, vt)
 
 	fmt.Fprintf(os.Stderr, "[loki serve] %s  model=%s  port=%s\n",
@@ -385,7 +386,7 @@ type serveSysInfo struct {
 
 	LaunchQueues string            // CUDA_SCALE_LAUNCH_QUEUES déjà dans l'environnement : choix de l'utilisateur, intouché
 	GPUs         int               // GPU visibles (CUDA_VISIBLE_DEVICES, sinon nvidia-smi) ; 0 = inconnu ou non sondé
-	ArgEnv       map[string]string // LLAMA_ARG_* de l'environnement qui décident du pipeline et de --fit (serveArgEnv, fitArgEnv)
+	ArgEnv       map[string]string // LLAMA_ARG_* de l'environnement qui décident du pipeline, de --fit et du cache (serveArgEnv, fitArgEnv, fidelityArgEnv)
 	UserEnv      map[string]string // GGML_* des réglages d'expert déjà posés (voir expertEnvKeys) : intouchés
 }
 
@@ -573,11 +574,11 @@ func buildServeArgs(cfg map[string]string, extra []string, bin string, si serveS
 	args = append(args, extra...)
 	// Garde-fous de fidélité (voir backend_serve_fidelity.go) : ils ne touchent à
 	// aucun drapeau, ils DISENT ce que la ligne finale change aux calculs.
-	ek, ev, fromExtra := effectiveKVTypes(cfg, extra)
-	if n := kvFidelityNote(ek, ev, fromExtra, extra); n != "" {
+	ek, ev, src := effectiveKVTypes(cfg, extra, si.ArgEnv)
+	if n := kvFidelityNote(ek, ev, src, extra, si.ArgEnv); n != "" {
 		notes = append(notes, n)
 	}
-	notes = append(notes, lossyCacheNotes(extra, si.MMProj != "")...)
+	notes = append(notes, lossyCacheNotes(extra, si)...)
 	return args, env, notes
 }
 

internal/loki/backend_serve_fidelity.go

@@ -2,6 +2,7 @@ package loki
 
 import (
 	"fmt"
+	"os"
 	"strconv"
 	"strings"
 )
@@ -16,21 +17,55 @@ import (
 //
 // Tout ici est pur : buildServeArgs en tire des notes, cmdServe les écrit.
 
+// fidelityArgEnv : les LLAMA_ARG_* qui, sans drapeau, posent un cache
+// quantifié, un cache approché ou la vision. llama.cpp les applique AVANT la
+// ligne de commande : un -ctk de KV_TYPE ou d'EXTRA_ARGS les écrase, mais seuls
+// ils décident. LLAMA_ARG_NO_CONTEXT_SHIFT est celle des moteurs anciens.
+var fidelityArgEnv = []string{"LLAMA_ARG_CACHE_TYPE_K", "LLAMA_ARG_CACHE_TYPE_V",
+	"LLAMA_ARG_CONTEXT_SHIFT", "LLAMA_ARG_NO_CONTEXT_SHIFT", "LLAMA_ARG_CACHE_REUSE",
+	"LLAMA_ARG_MMPROJ", "LLAMA_ARG_MMPROJ_URL"}
+
+// probeFidelityEnv complète ArgEnv avec fidelityArgEnv. Appelée après
+// probeServeGPUs, qui crée ArgEnv.
+func probeFidelityEnv(si *serveSysInfo) {
+	if si.ArgEnv == nil {
+		si.ArgEnv = map[string]string{}
+	}
+	for _, k := range fidelityArgEnv {
+		if v, ok := os.LookupEnv(k); ok && v != "" {
+			si.ArgEnv[k] = v
+		}
+	}
+}
+
 // effectiveKVTypes donne les types de cache K et V que le moteur utilisera
-// VRAIMENT : ceux du preset (serveKVTypes), puis ceux d'EXTRA_ARGS par-dessus.
-// EXTRA_ARGS ferme la ligne de commande et llama-server retient la dernière
-// occurrence d'un drapeau : un -ctk q8_0 écrit à la main l'emporte sur KV_TYPE.
-// fromExtra dit qu'EXTRA_ARGS a tranché au moins l'un des deux. Vide = défaut
-// du moteur (f16).
-func effectiveKVTypes(cfg map[string]string, extra []string) (k, v string, fromExtra bool) {
-	k, v = serveKVTypes(cfg)
+// VRAIMENT. Trois sources, de la plus faible à la plus forte : les variables
+// LLAMA_ARG_CACHE_TYPE_K/V (lues avant la ligne de commande), le preset
+// (serveKVTypes, traduit en -ctk/-ctv), puis EXTRA_ARGS, qui ferme la ligne :
+// llama-server retient la dernière occurrence d'un drapeau, un -ctk q8_0 écrit
+// à la main l'emporte donc sur KV_TYPE. src nomme la source la plus forte qui a
+// tranché l'un des deux (vide : aucune). Vide = défaut du moteur (f16).
+func effectiveKVTypes(cfg map[string]string, extra []string, argEnv map[string]string) (k, v, src string) {
+	k, v = argEnv["LLAMA_ARG_CACHE_TYPE_K"], argEnv["LLAMA_ARG_CACHE_TYPE_V"]
+	if k != "" || v != "" {
+		src = "défini par LLAMA_ARG_CACHE_TYPE_K/V"
+	}
+	if ck, cv := serveKVTypes(cfg); ck != "" || cv != "" {
+		src = "KV_TYPE"
+		if ck != "" {
+			k = ck
+		}
+		if cv != "" {
+			v = cv
+		}
+	}
 	if s := flagValue(extra, "-ctk", "--cache-type-k"); s != "" {
-		k, fromExtra = s, true
+		k, src = s, "défini par EXTRA_ARGS"
 	}
 	if s := flagValue(extra, "-ctv", "--cache-type-v"); s != "" {
-		v, fromExtra = s, true
+		v, src = s, "défini par EXTRA_ARGS"
 	}
-	return k, v, fromExtra
+	return k, v, src
 }
 
 // kvFidelity classe un type de cache par rapport au f16 de référence. Rang 0 =
@@ -56,10 +91,11 @@ func kvFidelity(t string) (rank int, label string) {
 // fidélité et d'où il vient. Le choix reste celui du preset : Loki ne le change
 // jamais, ni dans un sens ni dans l'autre. Pas d'estimation de la VRAM qu'un
 // retour en f16 demanderait : sans les métadonnées du GGUF, ce serait un chiffre
-// inventé. En revanche, si le placement est figé à la main (-ot, --n-cpu-moe…),
-// --fit ne tourne pas et ne rattrapera pas ce surplus — mieux vaut le savoir
-// avant de basculer et de finir en « out of memory ».
-func kvFidelityNote(k, v string, fromExtra bool, extra []string) string {
+// inventé. En revanche, si le placement est figé à la main (-ot, --n-cpu-moe N>0,
+// en drapeau ou en variable : tensorOverride), --fit ne tourne pas et ne
+// rattrapera pas ce surplus — mieux vaut le savoir avant de basculer et de
+// finir en « out of memory ».
+func kvFidelityNote(k, v, src string, extra []string, argEnv map[string]string) string {
 	rk, lk := kvFidelity(k)
 	rv, lv := kvFidelity(v)
 	if rk == 0 && rv == 0 {
@@ -69,13 +105,9 @@ func kvFidelityNote(k, v string, fromExtra bool, extra []string) string {
 	if rv > rk {
 		label = lv
 	}
-	src := "KV_TYPE"
-	if fromExtra {
-		src = "défini par EXTRA_ARGS"
-	}
-	note := fmt.Sprintf("cache KV %s/%s (%s) : %s — choix du preset, laissé tel quel.",
+	note := fmt.Sprintf("cache KV %s/%s (%s) : %s — choix de l'utilisateur, laissé tel quel.",
 		orF16(k), orF16(v), src, label)
-	if placementFixed(extra) {
+	if tensorOverride(extra, argEnv) != "" {
 		note += " Repasser en f16 demande plus de VRAM, et le placement fixé par -ot/--n-cpu-moe " +
 			"empêche --fit de compenser : il faudrait sans doute relever --n-cpu-moe."
 	}
@@ -89,18 +121,12 @@ func orF16(t string) string {
 	return t
 }
 
-// placementFixed : l'utilisateur a placé lui-même des tenseurs. llama.cpp
-// abandonne alors son placement automatique (« tensor_buft_overrides already
-// set by user, abort ») — rien ne viendra absorber un cache plus gros.
-func placementFixed(extra []string) bool {
-	return hasAnyFlag(extra, "-ot", "--override-tensor", "--n-cpu-moe", "-ncmoe", "--cpu-moe", "-cmoe")
-}
-
-// lossyCacheNotes avertit des drapeaux de cache qui changent ce que voit le
+// lossyCacheNotes avertit des réglages de cache qui changent ce que voit le
 // modèle. Seuls deux le font :
 //
-//   - --context-shift : contexte plein → le moteur JETTE des jetons anciens et
-//     continue, le modèle perd une partie de la conversation sans le savoir ;
+//   - le glissement de contexte : contexte plein → le moteur JETTE des jetons
+//     anciens et continue, le modèle perd une partie de la conversation sans le
+//     savoir ;
 //   - --cache-reuse N (N > 0) : recolle des morceaux de cache calculés sous un
 //     AUTRE préfixe, simplement décalés — le résultat n'est plus celui d'un
 //     calcul complet. --cache-reuse 0 le désactive : rien à dire.
@@ -108,46 +134,74 @@ func placementFixed(extra []string) bool {
 // --swa-full n'en fait PAS partie : il garde le cache complet des couches à
 // fenêtre glissante, ce qui rend la réutilisation du préfixe exacte (au prix de
 // VRAM), et ne fait rien sur un modèle sans SWA. Correspondance exacte des noms
-// (hasAnyFlag/flagValue) : --no-context-shift ne déclenche rien, et la dernière
-// occurrence gagne comme dans llama-server.
+// (flagValue) : --no-context-shift ne déclenche rien, et la dernière occurrence
+// gagne comme dans llama-server. Les variables LLAMA_ARG_* comptent quand la
+// ligne de commande se tait.
 //
-// Avec la vision chargée, llama.cpp désactive lui-même les deux (non pris en
-// charge en multimodal) : on le dit plutôt que de crier au loup. Les modèles
-// hybrides ou récurrents les ignorent aussi, mais sans métadonnées du GGUF on
-// ne sait pas les reconnaître ici : on se tait sur ce point plutôt que deviner.
-func lossyCacheNotes(extra []string, mmproj bool) []string {
+// Avec la vision chargée (MMPROJ, --mmproj d'EXTRA_ARGS ou LLAMA_ARG_MMPROJ),
+// llama.cpp désactive lui-même les deux (non pris en charge en multimodal) : on
+// le dit plutôt que de crier au loup. Les modèles hybrides ou récurrents les
+// ignorent aussi, mais sans métadonnées du GGUF on ne sait pas les reconnaître
+// ici : on se tait sur ce point plutôt que deviner.
+func lossyCacheNotes(extra []string, si serveSysInfo) []string {
 	var notes []string
 	ignored := ""
-	if mmproj {
+	if si.MMProj != "" || hasAnyFlag(extra, "-mm", "--mmproj", "-mmu", "--mmproj-url") ||
+		si.ArgEnv["LLAMA_ARG_MMPROJ"] != "" || si.ArgEnv["LLAMA_ARG_MMPROJ_URL"] != "" {
 		ignored = " (vision chargée : llama.cpp l'ignore de toute façon)"
 	}
-	if contextShiftOn(extra) {
-		notes = append(notes, "avertissement : --context-shift (EXTRA_ARGS) — contexte plein, le moteur jette "+
+	switch on, src := contextShift(extra, si.ArgEnv, si.Help); {
+	case on && src == "":
+		notes = append(notes, "avertissement : ce llama-server ancien glisse le contexte par défaut — contexte "+
+			"plein, il jette des jetons anciens et le modèle perd une partie de la conversation sans le savoir"+
+			ignored+". --no-context-shift dans EXTRA_ARGS l'en empêche.")
+	case on:
+		notes = append(notes, "avertissement : --context-shift ("+src+") — contexte plein, le moteur jette "+
 			"des jetons anciens et le modèle perd une partie de la conversation sans le savoir"+ignored+".")
 	}
-	if s := flagValue(extra, "--cache-reuse"); s != "" {
-		if n, err := strconv.Atoi(strings.TrimSpace(s)); err == nil && n > 0 {
-			notes = append(notes, fmt.Sprintf("avertissement : --cache-reuse %d (EXTRA_ARGS) — réutilise des morceaux "+
-				"de cache calculés sous un autre préfixe : les sorties ne sont plus exactement celles d'un calcul "+
-				"complet%s.", n, ignored))
-		}
+	s, src := flagValue(extra, "--cache-reuse"), "EXTRA_ARGS"
+	if s == "" {
+		s, src = si.ArgEnv["LLAMA_ARG_CACHE_REUSE"], "LLAMA_ARG_CACHE_REUSE"
+	}
+	if n, err := strconv.Atoi(strings.TrimSpace(s)); err == nil && n > 0 {
+		notes = append(notes, fmt.Sprintf("avertissement : --cache-reuse %d (%s) — réutilise des morceaux "+
+			"de cache calculés sous un autre préfixe : les sorties ne sont plus exactement celles d'un calcul "+
+			"complet%s.", n, src, ignored))
 	}
 	return notes
 }
 
-// contextShiftOn : --context-shift et --no-context-shift peuvent cohabiter
-// (preset copié, puis corrigé) ; comme llama-server, la dernière occurrence
-// décide.
-func contextShiftOn(extra []string) bool {
-	on := false
+// contextShift dit si le moteur glissera le contexte, et qui l'a décidé (vide :
+// son propre défaut). --context-shift et --no-context-shift peuvent cohabiter
+// dans EXTRA_ARGS (preset copié, puis corrigé) ; comme llama-server, la
+// dernière occurrence décide. Sans drapeau, la variable du moteur, puis son
+// défaut — qui a changé : les llama-server d'avant --context-shift (mi-2025) ne
+// connaissent que --no-context-shift et GLISSENT par défaut. Aide vide (moteur
+// inconnu) : on ne suppose rien.
+func contextShift(extra []string, argEnv map[string]string, help string) (on bool, src string) {
+	set := false
 	for _, a := range extra {
 		name, _, _ := strings.Cut(a, "=")
 		switch name {
 		case "--context-shift":
-			on = true
+			on, set = true, true
 		case "--no-context-shift":
-			on = false
+			on, set = false, true
 		}
 	}
-	return on
+	if set {
+		return on, "EXTRA_ARGS"
+	}
+	if strings.Contains(help, "--no-context-shift") && !strings.Contains(help, "--context-shift") {
+		// Moteur ancien : seul LLAMA_ARG_NO_CONTEXT_SHIFT (lu comme un booléen
+		// vrai) l'arrête ; LLAMA_ARG_CONTEXT_SHIFT lui est inconnue.
+		if envTruthy(argEnv["LLAMA_ARG_NO_CONTEXT_SHIFT"]) {
+			return false, "LLAMA_ARG_NO_CONTEXT_SHIFT"
+		}
+		return true, ""
+	}
+	if envTruthy(argEnv["LLAMA_ARG_CONTEXT_SHIFT"]) {
+		return true, "LLAMA_ARG_CONTEXT_SHIFT"
+	}
+	return false, ""
 }

internal/loki/backend_serve_fidelity_test.go

@@ -10,6 +10,7 @@ import (
 	"net/http/httptest"
 	"net/url"
 	"path/filepath"
+	"reflect"
 	"strconv"
 	"strings"
 	"sync"
@@ -17,27 +18,36 @@ import (
 )
 
 func TestEffectiveKVTypes(t *testing.T) {
+	const ea, kv = "défini par EXTRA_ARGS", "KV_TYPE"
+	const env = "défini par LLAMA_ARG_CACHE_TYPE_K/V"
 	for _, c := range []struct {
-		name      string
-		cfg       map[string]string
-		extra     string
-		k, v      string
-		fromExtra bool
+		name   string
+		cfg    map[string]string
+		extra  string
+		argEnv map[string]string
+		k, v   string
+		src    string
 	}{
-		{"rien : défaut moteur", map[string]string{}, "", "", "", false},
-		{"KV_TYPE seul", map[string]string{"KV_TYPE": "q8_0"}, "", "q8_0", "q8_0", false},
+		{"rien : défaut moteur", map[string]string{}, "", nil, "", "", ""},
+		{"KV_TYPE seul", map[string]string{"KV_TYPE": "q8_0"}, "", nil, "q8_0", "q8_0", kv},
 		{"EXTRA_ARGS l'emporte sur KV_TYPE", map[string]string{"KV_TYPE": "f16"},
-			"--cache-type-k q8_0 --cache-type-v q8_0", "q8_0", "q8_0", true},
+			"--cache-type-k q8_0 --cache-type-v q8_0", nil, "q8_0", "q8_0", ea},
 		{"formes courtes, la dernière gagne", map[string]string{},
-			"-ctk q4_0 -ctv q4_0 -ctk q8_0", "q8_0", "q4_0", true},
-		{"forme --flag=valeur", map[string]string{}, "--cache-type-v=q8_0", "", "q8_0", true},
+			"-ctk q4_0 -ctv q4_0 -ctk q8_0", nil, "q8_0", "q4_0", ea},
+		{"forme --flag=valeur", map[string]string{}, "--cache-type-v=q8_0", nil, "", "q8_0", ea},
 		{"K seul dans EXTRA_ARGS, V du preset", map[string]string{"KV_TYPE_V": "q4_0"},
-			"-ctk q8_0", "q8_0", "q4_0", true},
+			"-ctk q8_0", nil, "q8_0", "q4_0", ea},
+		// Les variables passent AVANT la ligne de commande : seules, elles
+		// décident ; un -ctk venu de KV_TYPE les écrase.
+		{"variables seules", map[string]string{}, "",
+			map[string]string{"LLAMA_ARG_CACHE_TYPE_K": "q8_0", "LLAMA_ARG_CACHE_TYPE_V": "q8_0"}, "q8_0", "q8_0", env},
+		{"KV_TYPE_K écrase la variable K, la variable V reste", map[string]string{"KV_TYPE_K": "f16"}, "",
+			map[string]string{"LLAMA_ARG_CACHE_TYPE_K": "q4_0", "LLAMA_ARG_CACHE_TYPE_V": "q8_0"}, "f16", "q8_0", kv},
 	} {
 		t.Run(c.name, func(t *testing.T) {
-			k, v, fe := effectiveKVTypes(c.cfg, splitArgs(c.extra))
-			if k != c.k || v != c.v || fe != c.fromExtra {
-				t.Fatalf("got %q/%q extra=%v, want %q/%q extra=%v", k, v, fe, c.k, c.v, c.fromExtra)
+			k, v, src := effectiveKVTypes(c.cfg, splitArgs(c.extra), c.argEnv)
+			if k != c.k || v != c.v || src != c.src {
+				t.Fatalf("got %q/%q src=%q, want %q/%q src=%q", k, v, src, c.k, c.v, c.src)
 			}
 		})
 	}
@@ -45,27 +55,35 @@ func TestEffectiveKVTypes(t *testing.T) {
 
 func TestKVFidelityNote(t *testing.T) {
 	for _, c := range []struct {
-		name      string
-		k, v      string
-		fromExtra bool
-		extra     string
-		want      []string // fragments attendus ; nil = aucune note
+		name   string
+		k, v   string
+		src    string
+		extra  string
+		argEnv map[string]string
+		want   []string // fragments attendus ; nil = aucune note
+		fit    bool     // la note doit parler de --fit (placement figé)
 	}{
-		{"défaut moteur : rien à dire", "", "", false, "", nil},
-		{"f16 explicite : rien à dire", "f16", "f16", false, "", nil},
-		{"f32 ne perd rien", "f32", "f32", false, "", nil},
-		{"q8_0 : léger écart", "q8_0", "q8_0", false, "", []string{"q8_0/q8_0", "KV_TYPE", "modifie légèrement"}},
-		{"q4_0 : perte mesurable", "q4_0", "q4_0", false, "", []string{"perte mesurable"}},
-		{"mixte : le pire des deux", "q8_0", "q4_0", false, "", []string{"perte mesurable"}},
-		{"bf16 : numérique différente", "bf16", "bf16", false, "", []string{"mantisse"}},
-		{"V seul quantifié", "", "q8_0", false, "", []string{"f16/q8_0"}},
-		{"type inconnu : supposé altérer", "q3_k", "q3_k", false, "", []string{"modifie les sorties"}},
-		{"venu d'EXTRA_ARGS, placement figé : --fit ne compense pas", "q8_0", "q8_0", true,
-			"-ot per_layer_token_embd.weight=CPU --n-cpu-moe 40 --cache-type-k q8_0",
-			[]string{"défini par EXTRA_ARGS", "relever --n-cpu-moe"}},
+		{"défaut moteur : rien à dire", "", "", "", "", nil, nil, false},
+		{"f16 explicite : rien à dire", "f16", "f16", "KV_TYPE", "", nil, nil, false},
+		{"f32 ne perd rien", "f32", "f32", "KV_TYPE", "", nil, nil, false},
+		{"q8_0 : léger écart", "q8_0", "q8_0", "KV_TYPE", "", nil,
+			[]string{"q8_0/q8_0", "KV_TYPE", "modifie légèrement"}, false},
+		{"q4_0 : perte mesurable", "q4_0", "q4_0", "KV_TYPE", "", nil, []string{"perte mesurable"}, false},
+		{"mixte : le pire des deux", "q8_0", "q4_0", "KV_TYPE", "", nil, []string{"perte mesurable"}, false},
+		{"bf16 : numérique différente", "bf16", "bf16", "KV_TYPE", "", nil, []string{"mantisse"}, false},
+		{"V seul quantifié", "", "q8_0", "KV_TYPE", "", nil, []string{"f16/q8_0"}, false},
+		{"type inconnu : supposé altérer", "q3_k", "q3_k", "KV_TYPE", "", nil, []string{"modifie les sorties"}, false},
+		{"venu d'EXTRA_ARGS, placement figé : --fit ne compense pas", "q8_0", "q8_0", "défini par EXTRA_ARGS",
+			"-ot per_layer_token_embd.weight=CPU --n-cpu-moe 40 --cache-type-k q8_0", nil,
+			[]string{"défini par EXTRA_ARGS", "relever --n-cpu-moe"}, true},
+		// --n-cpu-moe 0 ne place rien : --fit tourne, rien à en dire.
+		{"--n-cpu-moe 0 : placement libre", "q8_0", "q8_0", "défini par EXTRA_ARGS",
+			"--n-cpu-moe 0 -ctk q8_0 -ctv q8_0", nil, []string{"q8_0/q8_0"}, false},
+		{"experts sur CPU par variable : placement figé aussi", "q8_0", "q8_0", "KV_TYPE", "",
+			map[string]string{"LLAMA_ARG_N_CPU_MOE": "30"}, []string{"relever --n-cpu-moe"}, true},
 	} {
 		t.Run(c.name, func(t *testing.T) {
-			got := kvFidelityNote(c.k, c.v, c.fromExtra, splitArgs(c.extra))
+			got := kvFidelityNote(c.k, c.v, c.src, splitArgs(c.extra), c.argEnv)
 			if c.want == nil {
 				if got != "" {
 					t.Fatalf("note inattendue : %q", got)
@@ -77,34 +95,62 @@ func TestKVFidelityNote(t *testing.T) {
 					t.Fatalf("note %q sans %q", got, w)
 				}
 			}
-			if !strings.Contains(c.extra, "-ot") && strings.Contains(got, "--fit") {
-				t.Fatalf("placement libre, mais la note parle de --fit : %q", got)
+			if strings.Contains(got, "--fit") != c.fit {
+				t.Fatalf("note %q : mention de --fit attendue = %v", got, c.fit)
 			}
 		})
 	}
 }
 
 func TestLossyCacheNotes(t *testing.T) {
+	// Aides des deux générations de llama-server : l'ancienne ne connaît que
+	// --no-context-shift et glisse par défaut, la récente ne glisse pas.
+	const helpShiftOld = "--no-context-shift   disables context shift on infinite text generation (default: disabled)"
+	const helpShiftNew = "--context-shift, --no-context-shift   whether to use context shift on infinite text generation (default: disabled)"
+	envOf := func(kv ...string) map[string]string {
+		m := map[string]string{}
+		for i := 0; i+1 < len(kv); i += 2 {
+			m[kv[i]] = kv[i+1]
+		}
+		return m
+	}
 	for _, c := range []struct {
-		name   string
-		extra  string
-		mmproj bool
-		want   []string // un fragment par note attendue, dans l'ordre
+		name  string
+		extra string
+		si    serveSysInfo
+		want  []string // un fragment par note attendue, dans l'ordre
 	}{
-		{"rien", "", false, nil},
-		{"--context-shift", "--context-shift", false, []string{"jette des jetons"}},
-		{"--no-context-shift ne déclenche rien", "--no-context-shift", false, nil},
-		{"la dernière occurrence décide", "--context-shift --no-context-shift", false, nil},
-		{"--cache-reuse 256", "--cache-reuse 256", false, []string{"--cache-reuse 256"}},
-		{"--cache-reuse=256", "--cache-reuse=256", false, []string{"--cache-reuse 256"}},
-		{"--cache-reuse 0 : désactivé", "--cache-reuse 0", false, nil},
-		{"--swa-full est sans perte", "--swa-full", false, nil},
-		{"les deux", "--context-shift --cache-reuse 64", false, []string{"jette", "--cache-reuse 64"}},
-		{"vision : llama.cpp les ignore, on le dit", "--context-shift --cache-reuse 64", true,
-			[]string{"l'ignore", "l'ignore"}},
+		{"rien", "", serveSysInfo{}, nil},
+		{"--context-shift", "--context-shift", serveSysInfo{}, []string{"--context-shift (EXTRA_ARGS)"}},
+		{"--no-context-shift ne déclenche rien", "--no-context-shift", serveSysInfo{}, nil},
+		{"la dernière occurrence décide", "--context-shift --no-context-shift", serveSysInfo{}, nil},
+		{"--cache-reuse 256", "--cache-reuse 256", serveSysInfo{}, []string{"--cache-reuse 256 (EXTRA_ARGS)"}},
+		{"--cache-reuse=256", "--cache-reuse=256", serveSysInfo{}, []string{"--cache-reuse 256"}},
+		{"--cache-reuse 0 : désactivé", "--cache-reuse 0", serveSysInfo{}, nil},
+		{"--swa-full est sans perte", "--swa-full", serveSysInfo{}, nil},
+		{"les deux", "--context-shift --cache-reuse 64", serveSysInfo{}, []string{"jette", "--cache-reuse 64"}},
+		{"vision (MMPROJ) : llama.cpp les ignore, on le dit", "--context-shift --cache-reuse 64",
+			serveSysInfo{MMProj: "/m/mmproj.gguf"}, []string{"l'ignore", "l'ignore"}},
+		{"vision par --mmproj d'EXTRA_ARGS : pareil", "--mmproj mmproj-F16.gguf --cache-reuse 64",
+			serveSysInfo{}, []string{"l'ignore"}},
+		// Les variables du moteur comptent quand la ligne de commande se tait.
+		{"LLAMA_ARG_CACHE_REUSE", "", serveSysInfo{ArgEnv: envOf("LLAMA_ARG_CACHE_REUSE", "128")},
+			[]string{"--cache-reuse 128 (LLAMA_ARG_CACHE_REUSE)"}},
+		{"--cache-reuse 0 d'EXTRA_ARGS écrase la variable", "--cache-reuse 0",
+			serveSysInfo{ArgEnv: envOf("LLAMA_ARG_CACHE_REUSE", "128")}, nil},
+		{"LLAMA_ARG_CONTEXT_SHIFT=1", "", serveSysInfo{Help: helpShiftNew, ArgEnv: envOf("LLAMA_ARG_CONTEXT_SHIFT", "1")},
+			[]string{"(LLAMA_ARG_CONTEXT_SHIFT)"}},
+		{"moteur récent sans drapeau : rien", "", serveSysInfo{Help: helpShiftNew}, nil},
+		// Défaut d'un moteur ancien : il jette des jetons sans qu'on ait rien écrit.
+		{"moteur ancien : glisse par défaut, on le dit", "", serveSysInfo{Help: helpShiftOld},
+			[]string{"glisse le contexte par défaut"}},
+		{"moteur ancien, --no-context-shift : rien", "--no-context-shift", serveSysInfo{Help: helpShiftOld}, nil},
+		{"moteur ancien, LLAMA_ARG_NO_CONTEXT_SHIFT=1 : rien", "",
+			serveSysInfo{Help: helpShiftOld, ArgEnv: envOf("LLAMA_ARG_NO_CONTEXT_SHIFT", "1")}, nil},
+		{"moteur inconnu (aide vide) : on ne suppose rien", "", serveSysInfo{}, nil},
 	} {
 		t.Run(c.name, func(t *testing.T) {
-			got := lossyCacheNotes(splitArgs(c.extra), c.mmproj)
+			got := lossyCacheNotes(splitArgs(c.extra), c.si)
 			if len(got) != len(c.want) {
 				t.Fatalf("notes = %q, en attendait %d", got, len(c.want))
 			}
@@ -236,12 +282,23 @@ func TestCleCacheReserveeAuBench(t *testing.T) {
 		if err != nil {
 			t.Fatal(err)
 		}
+		banned := func(s string) bool { return s == "cache_prompt" || s == "n_cache_reuse" }
 		ast.Inspect(file, func(n ast.Node) bool {
+			// Un champ de structure sérialisé (étiquette json:"cache_prompt")
+			// enverrait la clé aussi sûrement qu'une map : on lit les étiquettes.
+			if f, ok := n.(*ast.Field); ok && f.Tag != nil {
+				if tag, err := strconv.Unquote(f.Tag.Value); err == nil {
+					if name, _, _ := strings.Cut(reflect.StructTag(tag).Get("json"), ","); banned(name) {
+						t.Errorf("%s : champ %q hors du benchmark", fset.Position(f.Pos()), name)
+					}
+				}
+				return true
+			}
 			lit, ok := n.(*ast.BasicLit)
 			if !ok || lit.Kind != token.STRING {
 				return true
 			}
-			if s, err := strconv.Unquote(lit.Value); err == nil && (s == "cache_prompt" || s == "n_cache_reuse") {
+			if s, err := strconv.Unquote(lit.Value); err == nil && banned(s) {
 				t.Errorf("%s : clé %q hors du benchmark", fset.Position(lit.Pos()), s)
 			}
 			return true

internal/loki/ui/index.html

@@ -5889,8 +5889,11 @@ function syncKVSub(){
     const label = KV_FIDELITY[worst] || 'modifie les sorties';
     parts.push((xk || xv ? 'défini par EXTRA_ARGS : ' : '') + (k||'f16')+'/'+(v||'f16')+' — '+label);
     // Placement figé à la main : --fit ne tourne pas et n'absorbera pas le
-    // surplus d'un retour en f16.
-    if(eaTokens().some(a => ['-ot','--override-tensor','--n-cpu-moe','-ncmoe','--cpu-moe','-cmoe'].includes(a.split('=')[0])))
+    // surplus d'un retour en f16. Comme tensorOverride côté Go : un
+    // --n-cpu-moe 0 ne place rien.
+    const placed = f => { const n = eaLastValue(f).trim(); return n !== '' && n !== '0'; };
+    if(eaTokens().some(a => ['-ot','--override-tensor','--cpu-moe','-cmoe'].includes(a.split('=')[0])) ||
+       placed(['--n-cpu-moe','-ncmoe']) || placed(['--n-cpu-ffn','-ncffn']))
       parts.push('repasser en f16 : plus de VRAM, --n-cpu-moe à relever');
   }
   let shift = false;

internal/loki/ui/src/js/07-models.js

@@ -972,8 +972,11 @@ function syncKVSub(){
     const label = KV_FIDELITY[worst] || 'modifie les sorties';
     parts.push((xk || xv ? 'défini par EXTRA_ARGS : ' : '') + (k||'f16')+'/'+(v||'f16')+' — '+label);
     // Placement figé à la main : --fit ne tourne pas et n'absorbera pas le
-    // surplus d'un retour en f16.
-    if(eaTokens().some(a => ['-ot','--override-tensor','--n-cpu-moe','-ncmoe','--cpu-moe','-cmoe'].includes(a.split('=')[0])))
+    // surplus d'un retour en f16. Comme tensorOverride côté Go : un
+    // --n-cpu-moe 0 ne place rien.
+    const placed = f => { const n = eaLastValue(f).trim(); return n !== '' && n !== '0'; };
+    if(eaTokens().some(a => ['-ot','--override-tensor','--cpu-moe','-cmoe'].includes(a.split('=')[0])) ||
+       placed(['--n-cpu-moe','-ncmoe']) || placed(['--n-cpu-ffn','-ncffn']))
       parts.push('repasser en f16 : plus de VRAM, --n-cpu-moe à relever');
   }
   let shift = false;