benchmark: Task 3.3 auf gpu-pve48 gemessen (llama.cpp, whisper.cpp, Piper), ohne Strommessung

- Katalog: vram_gb für Qwen3-Embedding, Qwen3-4B und Qwen3-8B gemessen, Messwerte als note
- ADR-0006: Nachtrag „Benchmark“ mit Tabellen und Empfehlung zur M4000
  (ja für STT auf pve52, auf pve44/46/48 vorerst nein)
- Plan: Task 3.3 abgehakt, Strommessung, Dialektsätze und D131/D133 offen

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

catalog/models.yaml

@@ -1,4 +1,6 @@
 # Modell-Katalog (SPEC-inventory §2). vram_gb = Gewichte + Mindest-KV-Cache (Richtwerte, per Kalibrierung prüfen).
+# Gemessen am 12.10.2026 (Task 3.3, ADR-0006): llama-server b6000/CUDA 12.4 in gpu-pve48 beim Katalog-Kontext,
+# belegter VRAM inkl. CUDA-Kontext, auf M4000 und P2000 gleich. Ungemessene Einträge bleiben Richtwerte.
 # Ist ein Modell nicht mehr aktuell, wird ein neuer Eintrag ergänzt. Der Wechsel läuft über die Lifecycle-Pipeline.
 # Engine-Grenzen gelten für alle Modelle der Engine (ADR-0006).
 engines:
@@ -24,24 +26,27 @@ models:
     lora: true
   qwen3-8b-q4km:
     kind: llm
-    vram_gb: 7
+    vram_gb: 7.8         # gemessen: 7918 MiB bei 16384 Kontext → nur M4000 (8 GB), auf P2000 scheitert der KV-Cache
     min_cc: 5.0
     engines: [llamacpp]
     context: 16384
+    note: "llama-bench 12.10. (pp512/tg128 t/s): M4000 115/10,0, P2000 152/9,0 (nur mit 512 Kontext)"
   qwen3-4b-q4km:
     kind: llm
-    vram_gb: 4
+    vram_gb: 4.1         # gemessen: 4153 MiB bei 8192 Kontext
     min_cc: 5.0
     engines: [llamacpp]
     context: 8192
     cpu_ok: true         # langsam, aber als Notfall-Verifier nutzbar
+    note: "llama-bench 12.10. (pp512/tg128 t/s): P2000 271/14,5, M4000 197/15,1"
   qwen3-embedding-0.6b-q8:
     kind: embedding
-    vram_gb: 1.5
+    vram_gb: 2.8         # gemessen: 2827 MiB mit -c 8192 -ub 8192 (Compose-Einstellung, großer Rechenpuffer)
     min_cc: 5.0
     engines: [llamacpp]
     context: 8192
     cpu_ok: true
+    note: "llama-bench 12.10. pp512 (Embedding): P2000 1009 t/s, M4000 929 t/s"
   bge-m3-f16:
     kind: embedding
     vram_gb: 2.5
@@ -74,4 +79,4 @@ models:
     vram_gb: 0.2
     engines: [onnx]
     cpu_ok: true
-    note: "schnell auf CPU (≪ Echtzeit), solide Qualität; piper-tts 1.3+ ist GPL-3.0 (eigener Dienst)"
+    note: "schnell auf CPU, gemessen 12.10. mit knaster bench tts (4 vCPU i7-6700): RTF 0,17 (241 Zeichen), 0,11 (596 Zeichen); piper-tts 1.3+ ist GPL-3.0 (eigener Dienst)"