# 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:
  llamacpp: {min_cc: 5.0, note: "CUDA-12-Build mit sm_52/61 – einzige Engine für Maxwell/Pascal"}
  vllm:     {min_cc: 7.0}
  pytorch:  {min_cc: 7.5, note: "Maxwell/Pascal nur bis torch 2.14 cu126, bf16/SDPA fehlen → sehr langsam (Qwen3-TTS auf P40: RTF ~7)"}
  onnx:     {min_cc: 0.0, note: "läuft auch auf CPU"}

models:
  qwen3-14b-awq:
    kind: llm
    vram_gb: 14
    min_cc: 7.5          # AWQ-Kernels in vLLM ab Turing
    engines: [vllm]
    context: 32768
    lora: true
  qwen3-8b-awq:
    kind: llm
    vram_gb: 9
    min_cc: 7.5
    engines: [vllm]
    context: 32768
    lora: true
  qwen3-8b-q4km:
    kind: llm
    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: 4.1         # 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: 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
    min_cc: 5.0
    engines: [llamacpp]
    context: 8192
    cpu_ok: true
  bge-reranker-v2-m3-q8:
    kind: reranker
    vram_gb: 1.5
    min_cc: 5.0
    engines: [llamacpp]
    context: 8192
    cpu_ok: true
  # --- TTS (ADR-0006) ---
  qwen3-tts-1.7b:
    kind: tts
    vram_gb: 8           # bf16; mit faster-qwen3-tts (CUDA Graphs)
    min_cc: 8.0          # bf16
    engines: [pytorch]
    note: "Apache 2.0, Deutsch, Voice Cloning/Design. Auf Ada geschätzt RTF 0,3–0,5 (messen)"
  qwen3-tts-0.6b:
    kind: tts
    vram_gb: 4
    min_cc: 8.0
    engines: [pytorch]
    note: "Apache 2.0, Deutsch"
  piper-de-thorsten-medium:
    kind: tts
    vram_gb: 0.2
    engines: [onnx]
    cpu_ok: true
    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)"