Record model decision (Qwen3-32B FP8) and vLLM SM120 caveat

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

TODO.md

@@ -26,7 +26,8 @@ Server is delivered; base setup + NVIDIA driver are done (see `SETUP.md`).
 - [ ] Role `llm_stack` — docker compose: vLLM (fixed `--gpu-memory-utilization`),
       embedding server, Open WebUI + pgvector, reverse proxy, oikb timer.
       Tag compose tasks with `compose` so `just compose` works.
-- [ ] Pin versions at install time (vLLM / Open WebUI / oikb / model) per §5
+- [ ] Smoke-test a vLLM container on the server (official images may not support SM120)
+      — pin the working image, then build `llm_stack`. Start model: Qwen3-32B FP8
 - [ ] OCR pipeline for ~166k scanned PDFs (§2.1) — own work block, competes with vLLM for the GPU
 - [ ] TLS: currently plain HTTP on `chat.phytron.local`; retrofit an internal CA
       certificate (AD passwords travel in clear text until then)

server/phy-z-srv-gpu01/notes/20260710-projektplan.md

@@ -156,14 +156,29 @@ und Indexgröße (§2.6).
   Share-Liste, LDAP-Parameter)
 - Alles außer GPU-Rolle ist vorab in einer Wegwerf-VM testbar (`just run`-Pfad)
 
-### 2.5 Modell-Shortlist (finale Wahl erst bei Installation!)
+### 2.5 Modell-Shortlist — Entscheidung 2026-09-03
 
-Kandidaten heute: Qwen3-32B FP8 (Favorit: Deutsch, Durchsatz), gpt-oss-120b
-(mehr Qualität, weniger Parallelität), Embeddings bge-m3 / multilingual-e5.
-**Nicht jetzt festlegen** — Modell-Landschaft und vLLM-Support in einigen
-Monaten neu sichten (§ Wiedereinstieg). Kleines deutsches Eval-Set (20–30
-Fragen mit erwarteten Antworten aus dem Bestand) schon jetzt mit dem Kunden
-sammeln — das ist später das Abnahmekriterium.
+**Startmodell: Qwen3-32B FP8.** Begründung: ~35 GB VRAM, damit reichlich Reserve
+für KV-Cache (~25 parallele Nutzer) und das Embedding-Modell daneben; gutes
+Deutsch; hoher Durchsatz. Alternative bei Qualitätsbedarf: gpt-oss-120b
+(MoE, ~60–65 GB) — weniger Parallelität, engerer Fit. Embeddings:
+bge-m3 / multilingual-e5 (mehrsprachig, zwingend für Deutsch).
+
+Das ist der **Startwert als Rollen-Variable**, keine endgültige Festlegung: Die
+finale Wahl fällt gegen das Eval-Set (s. u.) und nach dem vLLM-Smoke-Test.
+
+⚠️ **Offener technischer Punkt:** Die offiziellen vLLM-Docker-Images unterstützen
+SM120 (Blackwell Workstation/Server) laut aktueller Quellenlage **nicht
+zuverlässig out of the box**; auf RTX-PRO-6000-Systemen werden verbreitet
+Nightly- oder Community-Builds eingesetzt
+([vLLM-Forum](https://discuss.vllm.ai/t/support-for-rtx-6000-blackwell-96gb-card/1707),
+[rtx6kpro](https://github.com/local-inference-lab/rtx6kpro/blob/master/inference-engines/vllm.md)).
+Vor dem Bau der Rolle `llm_stack` daher **ein Container manuell auf dem Server
+testen** und das funktionierende Image pinnen — dieselbe Fehlerklasse wie beim
+Treiber (proprietäre vs. open Kernel-Module).
+
+Kleines deutsches Eval-Set (20–30 Fragen mit erwarteten Antworten aus dem
+Bestand) mit dem Kunden sammeln — das ist später das Abnahmekriterium.
 
 ### 2.6 Korpus eingrenzen (neu, wichtigster offener Punkt)