160 lines
11 KiB
Markdown
160 lines
11 KiB
Markdown
---
|
||
title: "noris AI Platform"
|
||
category: systems
|
||
tags: [ai, llm, noris, gpu, embeddings]
|
||
created: "2026-09-27"
|
||
modified: "2026-09-29"
|
||
---
|
||
|
||
# noris AI Platform (ai.noris.de)
|
||
|
||
> Interne AI-Plattform der noris Network AG. Bereitstellung von LLMs, Embeddings und Image Generation.
|
||
|
||
## Endpoints
|
||
- **Version (public, ohne Auth):** `GET https://ai.noris.de/api/version` → `"v2.4.0-enterprise"` (Stand 2026-11-21; Enterprise = Projects/`x-bf-project-id` vorhanden)
|
||
- **Admin-Ebene bleibt noris-gated:** `/metrics`, `/api/config`, `/api/providers`, `/api/keys`, `/api/logs` und alle `/api/governance/*` antworten mit unserem Inference-VK **401 JSON "Unauthorized"** (Pfad existiert, kein 404). Scope-Anforderung für read-only-Zugang liegt bei `~/docs/requests/2026-11-21-ai-noris-admin-scope.md`.
|
||
- **Gescopter Admin-Token seit 2026-11-21** in 1P (`ai.noris.de Admin Token (scoped)`, `bfst-…`, 48 Zeichen; gilt auf prod **und** ai-dev). Read: `/api/config`, `/api/providers` (8), `/api/keys` (24), `/api/governance/virtual-keys` (**879 VKs**, inkl. `value` = VK-Secrets im Klartext!), `…/teams` (68), `…/customers` (45), VK-Detail inkl. `rate_limit`. **403:** `/metrics`, `/api/logs`, `/api/governance/budgets|rate-limits|projects`, `/api/permissions|roles`. → Inventar + Per-VK-Rate-Limits abgedeckt; Observability/Budgets weiter offen. Token wie Produktions-Admin behandeln (tenant-weit lesbar).
|
||
- **Access-Profile & Propagation:** Default-Profil `adfs_users` (id 1, **434 Nutzer**, Stand **v13**) = vllm **15 Einträge** (Katalog-15 minus `qsu/deepseek-v41-flash-1017`, plus `qsu/qwen-image-2-1`), qwen-image, typesafe, drama-3, **Kokoro-TTS**, **`qsu/inkling-2-mini`** (2026-11-21 ergänzt, mit Kokoro in einem Rutsch propagiert, je ~3 s, Usage erhalten). Template-PUT allein wirkt **nicht** — sonst `403 provider_blocked`; wirksam ist `POST …/access-profiles/1/propagate {"fields":["provider_configs"]}` (dry_run zeigt 434). `admin_profile` (id 2) = Wildcard, keine Limits. Workflow im Skill `ai-noris-inference-api`.
|
||
- **Chat:** `https://ai.noris.de/v1/chat/completions`
|
||
- **Embeddings:** `https://ai.noris.de/v1/embeddings`
|
||
- **Images:** ⚠️ `/v1/images/generations` wird vom Bifrost Gateway **NICHT** unterstützt. Image-Gen-Modelle (qwen-image-2-1) werden über `/v1/chat/completions` angesprochen — das Bild kommt als base64-PNG im `content`-Array zurück (Typ `image_url`, `data:image/png;base64,...`). Siehe `references/vllm-image-generation.md` im Skill `serving-llms-vllm`.
|
||
|
||
## Modelle
|
||
| Typ | Modell-ID | Hinweise |
|
||
|-----|-----------|----------|
|
||
| Flagship LLM | `glm-5-2` | ⚠️ **DOWN seit 2026-10-02** — `release/glm-5-2` hängt (0 Bytes). Siehe Ausfall-Log. |
|
||
| General | `gemma-4-31b-it` | Vision-fähig. ⚠️ `release/gemma-4-31b-it` → **403 model_blocked** für VM107-Key |
|
||
| Large MoE | `gpt-oss-120b` | ✅ verifiziert 200 |
|
||
| Mid-range | `qwen3.6-27b` | ✅ verifiziert 200 |
|
||
| Mid-range | `qwen3.8-27b` | ✅ verifiziert 200 |
|
||
| Fast | `ds-v4-flash` | Low-latency, Paperless OCR. ✅ `qsu/deepseek-v41-flash` verifiziert 200 |
|
||
| Embedding | `harrier` | Vektorembettungen |
|
||
| STT | `vllm/qsu/voxtral-small-24b-2507` | `/v1/audio/transcriptions`, funktioniert (2026-11-21: 200) |
|
||
| STT | `vllm/qsu/nemotron-3.5-transcribe` | ⚠️ im Katalog, aber Transcribe-Route upstream **404** (2026-11-21); gleiche Datei mit voxtral = 200 → Deployment-Lücke, keine Auth-Frage |
|
||
| Image Gen | `qwen-image-2-1` | Via `/v1/chat/completions` (NOT images/generations). Base64-PNG im content-Array. ~30s/ Bild. |
|
||
|
||
### Deployment-Lanes
|
||
Modelle existieren in zwei Lanes: `release/*` und `qsu/*`. **Nicht deckungsgleich** —
|
||
ein Key kann `qsu/x` erlauben und `release/x` blocken (und umgekehrt).
|
||
Bei Key-Problemen immer beide Lanes gegentesten.
|
||
|
||
**NAMESPACE-SCHEMA-FALLE (2026-10-11/12):** Es existieren ZWEI ID-Schemata parallel:
|
||
`vllm/<lane>/<modell>` (legacy, funktional) und `<owner>/<lane>/<modell>`
|
||
(z.B. `glm-5.3/release/glm-5-3` — globales Hermes-Default). Diese sind
|
||
Virtual-Key-Realms: `glm-5.3/release/glm-5-3-flash` → 403 `model_blocked`,
|
||
während `vllm/release/glm-5-3-flash` mit DEMSELBEN Key 200 OK liefert.
|
||
Zudem wandern Modelle in die Lane-Namespaces: die bare Form `vllm/<modell>`
|
||
stirbt (harrier-Fall 12.10.: `vllm/harrier-oss-v1-0.6b` → 403,
|
||
`vllm/release/harrier-oss-v1-0.6b` → 200, dims 1024). BEFALLENE Konsumenten
|
||
waren recipe-pipeline (generate_embeddings/semantic_search/recipe_mcp_server)
|
||
— alle 12.10. umgestellt. Beim Pinnen von Jobs/Configs immer die
|
||
`vllm/release/*`-Form verwenden und bei 403 model_blocked ALLE vorhandenen
|
||
Consumer-Skripte nach der alten ID greppen.
|
||
|
||
### `/v1/models` ist KEINE Verfügbarkeitsliste
|
||
Sie listet Modelle, die der Key nicht nutzen darf (→ 403 `model_blocked`) und
|
||
auch solche, deren Backend hängt (→ curl `code=000`).
|
||
|
||
## Ausfall-Log
|
||
|
||
| Datum | Modell | Symptom | Status |
|
||
|-------|--------|---------|--------|
|
||
| 2026-10-02 | `release/glm-5-2` | TCP-Connect OK (0.69s), TLS OK, **0 Bytes Response** (ttfb=∞), stream + non-stream, von 2 Hosts reproduziert | offen |
|
||
|
||
**Log-Signatur:**
|
||
```
|
||
httpx.ReadError: [Errno 32] Broken pipe
|
||
→ openai.APIConnectionError: Connection error.
|
||
→ 3 Retries → "Provider has been unresponsive (no response received)
|
||
for 5 consecutive stale attempts"
|
||
```
|
||
**Diagnose:** `curl code=000` bei erfolgreichem `time_connect`/`time_appconnect`
|
||
⇒ Modell-Backend defekt, nicht Infrastruktur. Siehe [[patterns/llm-backend-hang-diagnosis]] (PAT-015).
|
||
|
||
## Context-Fenster (Hermes-Auflösung, 2026-11-02)
|
||
|
||
Der Katalog liefert `max_context_length` **verschachtelt**
|
||
(`input_modalities[].supported_inputs = {value, unit}`, Bifrost schema 2.4).
|
||
Hermes parst nur Top-Level-Keys → erkennt die Werte nicht und fällt auf
|
||
`DEFAULT_CONTEXT_LENGTHS` zurück. Deshalb sind die Fenster in den Hermes-
|
||
Instanzen **explizit gepinnt**:
|
||
|
||
| Ebene | Key | Wirkung |
|
||
|---|---|---|
|
||
| Default-Modell | `model.context_length` | nur für das konfigurierte Default-Modell (Scope-Check in `agent_init`) |
|
||
| Jedes Modell | `providers.noris.models.<id>.context_length` | greift auch bei Wechsel/Fallback |
|
||
|
||
Gesetzt (E2E via `lcm_status` verifiziert): lokal default + 4 Profile +
|
||
Sarah-Hermes (VM107) = **1.048.576**; Per-Modell-Overrides aus dem Live-Katalog
|
||
(29 Fenster), u. a. `glm-5-3` 1.048.576 (vorher hardcodiert 1.310.720),
|
||
`gpt-oss-120b` 131.072, `qwen3.8-27b` 262.144.
|
||
|
||
Ohne Pin: `deepseek-v41-flash` → 128.000 (Catch-all `deepseek`),
|
||
`glm-5-3` → 1.310.720, unbekannt → 256.000. Details:
|
||
`docs/solutions/bug-fixes/2026-11-02-hermes-context-length-bifrost-nested.md`.
|
||
|
||
## Verbraucher
|
||
- **Hermes Agent** — seit 2026-10-20 **alle 5 lokalen Profile** (`default`,
|
||
`dynamic-coach`, `infra-sre`, `nutrition-coach`, `personal-coach`) auf
|
||
`vllm/release/glm-5-3` (provider `noris`), Fallback-Kette
|
||
`vllm/release/glm-5-3-flash` → `anthropic/claude-haiku-4-5-20251001`.
|
||
Vorher: default `qsu/deepseek-v41-flash-1017`, die 4 Profile `glm-5-2`
|
||
(infra-sre: `moonshotai/kimi-k2.6`). E2E-verifiziert (5/5 Turns „PONG").
|
||
- **Sarah-Hermes (VM107)** — separate Instanz, weiterhin
|
||
`qsu/deepseek-v41-flash` (nicht Teil der Profil-Umstellung)
|
||
- **HA LLM Vision** — `gemma-4-31b-it` für Bildanalyse (Frigate Events)
|
||
- **Paperless** — `ds-v4-flash` für OCR/Kategorisierung
|
||
- **Personal Coach Bot** — via noris direkt
|
||
- **Dynamic Coach** — via noris direkt, `qwen-image-2-1` für Visualisierungen
|
||
- **HolmesGPT (K8s, ns `holmes`)** — SRE-Bot (Robusta-Helm-Chart): `noris-glm` → `openai/vllm/release/glm-5-3` seit 2026-10-20 (vorher glm-5-2, das seit 10-02 DOWN war — Holmes-RCA lief also ins Leere). Values in `iac-homelab/clusters/main/apps/holmes.yaml` (ArgoCD-App `holmes`, Helm-Chart 0.36.0); ConfigMap-Refresh braucht Root-App-Refresh + `kubectl rollout restart` (envFrom/Volume-Config wird nicht hot-reloaded).
|
||
- **Paperless-AI (K8s, ns `paperless`)** — `PAPERLESS_AI_LLM_MODEL=vllm/release/glm-5-3` seit 2026-10-20 (vorher `vllm/release/deepseek-v4-flash`); Embeddings bleiben harrier. Config in `iac-homelab/clusters/main/paperless/configmap.yaml`.
|
||
|
||
## Related
|
||
- [[systems/frigate]] — nutzt noris AI für Event-Klassifizierung
|
||
- [[systems/homeassistant]] — LLM Vision Integration
|
||
- [[systems/paperless]] — OCR via ds-v4-flash
|
||
- [[systems/sarah-hermes]] — Verbraucher, Ausfall 2026-10-02
|
||
- [[patterns/llm-backend-hang-diagnosis]] — PAT-015
|
||
|
||
## 11.11.2026 — Upstream-VK gewechselt, Bifrost-Volume-Incident, Log-Retention
|
||
|
||
- **Upstream-Key** der Fleet-Bifrost ist jetzt der neue ai.noris.de-VK (Endung `…5a34`).
|
||
Kette: 1P `noris-api-key/credential` → ESO `bifrost-noris-key` → Env `NORIS_API_KEY`.
|
||
Der Key gilt nur auf ai.noris.de; gegen den lokalen Bifrost ist er 401.
|
||
- **Incident:** Bifrost-CrashLoop, Meldung `/app/data is not writable` — echte Ursache
|
||
**ENOSPC**: `logs.db` 20,97 GB im 20-Gi-PVC. Fix: PVC auf 40 Gi erweitert (jetzt 50 %).
|
||
- **Log-Retention:** `client_config.log_retention_days` stand auf **365**, jetzt **14**
|
||
(PUT `/api/config` mit vollem `client_config`). Bestehende 21 GB altern aus; für
|
||
sofortige Freigabe müsste `logs.db` in einem Wartungsfenster gelöscht werden
|
||
(ArgoCD selfHeal verhindert `scale --replicas=0`).
|
||
- **Nicht verfügbar in OSS:** Projects (Enterprise-Feature) und per-VK-Budgets über API
|
||
(`POST /api/governance/budgets|rate-limits` → 405; `…/budgets/{id}/override` erwartet
|
||
einen in `config.json` deklarierten Budget-Eintrag). Per-Agent-Trennung bleibt
|
||
Accounting über die 17 VKs (Prometheus `bifrost_input_tokens_total`).
|
||
|
||
## Durchsatz-Benchmark (2026-11-21, single-stream, ai.noris.de)
|
||
|
||
Gemessen mit Streaming (`stream_options.include_usage`), 512-Token-Läufe,
|
||
`decode_tps = (completion_tokens-1)/(t_last - t_first)` — reine Decode-Rate
|
||
ohne TTFT und ohne Queueing:
|
||
|
||
| Modell | Lane | decode tok/s (Median) | Streuung | TTFT warm | 4× parallel (Aggregat) |
|
||
|---|---|---|---|---|---|
|
||
| `vllm/qsu/inkling-2-mini` | qsu | **~195–200** (1024-Tok-Lauf: 226) | σ ≈ 3 | 0,19–0,38 s | 413 tok/s (per Stream unverändert ~210) |
|
||
| `vllm/release/qwen3.8-27b` | release | **~160** (1024-Tok-Lauf: 160) | bimodal: 1 von 6 Läufen ~62 | 0,22–0,43 s | 229 tok/s (per Stream 61–151) |
|
||
|
||
Lesart:
|
||
- `inkling-2-mini` ist ~20–25 % schneller im Decode und deutlich stabiler;
|
||
Parallelität kostet dort nur TTFT (Queueing), nicht Decode-Rate.
|
||
- `qwen3.8-27b` fällt sporadisch auf ~62 tok/s (Faktor 2,6) — vermutlich
|
||
anderes Backend/Worker oder Batch-Zustand, nicht clientseitig. Bei
|
||
Latenz-SLAs den schlechten Modus einplanen, nicht den Median.
|
||
- Beide Modelle liefern `reasoning_content`; bei `inkling-2-mini` wird
|
||
`chat_template_kwargs: {"enable_thinking": false}` **ignoriert**
|
||
(Reasoning-Anteil bleibt, `content` kann leer sein, wenn das Token-Budget
|
||
im Reasoning verbraucht wird). Bei `finish_reason=length` daher
|
||
`max_tokens` großzügig wählen oder `usage.completion_tokens` statt Text
|
||
prüfen.
|
||
- Beide nur als Einzel-Stream gemessen; Aggregat-Zahlen sind kein
|
||
Kapazitätsversprechen des Gateways (gemeinsame Queue).
|