From 7a3333b2f818cdbde438ad3afa004126951a0e48 Mon Sep 17 00:00:00 2001
From: GRayHook <s@marinkevich.ru>
Date: Wed, 5 Aug 2026 18:42:39 +0700
Subject: [PATCH] bump

---
 .env               | 6 +++---
 docker-compose.yml | 6 +++++-
 podman-llama.sh    | 5 ++++-
 3 files changed, 12 insertions(+), 5 deletions(-)

diff --git a/.env b/.env
index 16bcfac..4f20641 100644
--- a/.env
+++ b/.env
@@ -1,14 +1,14 @@
-MODEL_FILE=Qwen3.6-35B-A3B-MXFP4_MOE.gguf
+MODEL_FILE=Qwen3.5-9B-MTP-UD-Q4_K_XL.gguf
 # Для -1 в .env лучше кавычки — иначе часть парсеров .env ломается на ведущем минусе.
 N_GPU_LAYERS="-1"
 
 # Доп. ключи docker-compose (опционально; дефолты заданы в compose)
 CTX_SIZE=65536
-THREADS=8
+THREADS=1
 CACHE_TYPE_K=q8_0
 CACHE_TYPE_V=q8_0
 
 # MoE (Qwen3.5-35B-A3B-Q4_K_M / MXFP4_MOE и т.д.): при OOM на GPU — CPU_MOE=1 или частично N_CPU_MOE=8
 # Для dense (Qwopus 27B, Qwen 9B) держите оба 0.
 CPU_MOE=0
-N_CPU_MOE=29
+N_CPU_MOE=0
diff --git a/docker-compose.yml b/docker-compose.yml
index 26f1ffd..218f779 100644
--- a/docker-compose.yml
+++ b/docker-compose.yml
@@ -18,7 +18,7 @@ version: "3.8"
 
 services:
   llama-server:
-    image: ghcr.io/ggml-org/llama.cpp:server-cuda
+    image: ghcr.io/ggml-org/llama.cpp:server-cuda13
     container_name: llama-server
     ports:
       # Явный IPv4 на хосте (избегаем привязки только к [::] в части окружений).
@@ -43,6 +43,10 @@ services:
       - "0.0.0.0"
       - "--port"
       - "8080"
+      - "--spec-type"
+      - "draft-mtp"
+      - "--spec-draft-n-max"
+      - "3"
       - "--n-cpu-moe"
       - "${N_CPU_MOE:-99}"
       - "-c"
diff --git a/podman-llama.sh b/podman-llama.sh
index 50da5ea..de29e54 100755
--- a/podman-llama.sh
+++ b/podman-llama.sh
@@ -9,6 +9,8 @@
 # Переменные — как в compose / .env: PORT, MODEL_FILE, CPU_MOE, N_CPU_MOE, CTX_SIZE,
 #   CACHE_TYPE_K, CACHE_TYPE_V, THREADS; образ: IMAGE (по умолчанию server-cuda).
 # Порт на хосте: только IPv4 (BIND_HOST по умолчанию 0.0.0.0), иначе Podman часто вешает [::].
+# Монтирование models: по умолчанию :ro,z (SELinux — иначе часто Permission denied в rootless).
+#   Свой суффикс: PODMAN_MODELS_OPTS=z  или  PODMAN_MODELS_OPTS=Z  или пусто PODMAN_MODELS_OPTS=
 
 set -euo pipefail
 
@@ -32,6 +34,7 @@ fi
 : "${THREADS:=8}"
 : "${IMAGE:=ghcr.io/ggml-org/llama.cpp:server-cuda}"
 : "${BIND_HOST:=0.0.0.0}"
+: "${PODMAN_MODELS_OPTS:=z}"
 
 # Разбить по пробелам для podman (пусто = только CDI-устройство).
 # Пример: PODMAN_GPU_FLAGS='--gpus all'
@@ -44,7 +47,7 @@ podman run -d \
   --shm-size 1g \
   --ulimit memlock=-1:-1 \
   -p "${BIND_HOST}:${PORT}:8080" \
-  -v "${ROOT}/models:/models:ro" \
+  -v "${ROOT}/models:/models:ro${PODMAN_MODELS_OPTS:+,${PODMAN_MODELS_OPTS}}" \
   -e NVIDIA_VISIBLE_DEVICES=all \
   -e "LLAMA_ARG_CPU_MOE=${CPU_MOE}" \
   "${PODMAN_GPU_FLAGS_ARR[@]}" \