chore: update docs/HANDOFF-LOCAL-LLM-GITEA-MCP.md via opax-mcp

docs/HANDOFF-LOCAL-LLM-GITEA-MCP.md

@@ -7,7 +7,7 @@ Denne handoffen er det eneste autoritative arbeidsdokumentet for sporet "lokal L
 
 ---
 
-## FREMDRIFT – OPPDATERT 2026-07-21 22:22 CEST
+## FREMDRIFT – OPPDATERT 2026-07-21 22:30 CEST
 
 ### ✅ FASE 0 – Lås situasjonen — FERDIG
 - Handoff opprettet som eget dokument
@@ -66,26 +66,23 @@ Ingen regresjon på tidligere grønne tools. Hele kjeden er verifisert i samme r
 ### ⏳ FASE 6 – CPU-optimalisering før permanent migrering — PÅGÅR
 Formål: Verifisere at Emma-arkitekturen fungerer akseptabelt på Gitea-CPU-VM før permanent cutover fra dev-snap.
 
-Bakgrunn:
+Bekreftede regler (oppdatert etter testing):
-Research og testprotokoll viser at problemet ikke bare er VM-spesifikasjoner, men Emma-loopen selv. Emma MCoT gjør typisk 4–6 sekvensielle LLM-kall per brukerturn (embed → think → choose_action → execute_action, evt. compress). På gitea-cpu-vm er kaldstart målt til ca. 48–79 sekunder per modell, noe som gjør resident modellstrategi og keep_alive kritisk.
+- `OLLAMA_KEEP_ALIVE=-1` er obligatorisk baseline ✅ BEVIST
-
+- `OLLAMA_MAX_LOADED_MODELS=2` er valgt strategi ✅ LÅST
-Bekreftede regler:
-- `OLLAMA_KEEP_ALIVE=-1` er obligatorisk baseline
-- resident modellstrategi må avklares eksplisitt (1 varm modell vs 2 varme modeller)
 - `qwen2.5:7b` er ikke baseline-kandidat på gitea-cpu-vm
-- CPU-optimalisering utføres direkte på gitea-cpu-vm (ikke dev-snap, da `num_gpu 0` ignoreres av Ollama der)
+- CPU-optimalisering utføres direkte på gitea-cpu-vm (ikke dev-snap)
 - alle resultater føres tilbake i OPPDATERINGSLOGG samme dag
 
 Testrekkefølge:
 1. ✅ Kaldstart / keep_alive baseline — FERDIG 2026-07-21
-2. ⏳ Resident modell-strategi (1 vs 2 modeller)
+2. ✅ Resident modell-strategi (1 vs 2 modeller) — FERDIG 2026-07-21
 3. ⏳ Parameter-matrise (`num_ctx`, `num_batch`, `OLLAMA_NUM_THREADS`)
 4. ⏳ Full Emma MCoT end-to-end
 5. ⏳ Belastningstest med samtidig Gitea + agent-last
 
 Exit-kriterium:
 - ✅ keep_alive-strategi bevist effektiv
-- ⏳ resident modellvalg låst
+- ✅ resident modellvalg låst: **MAX_LOADED_MODELS=2, begge Forever**
 - ⏳ optimal parameterkombinasjon dokumentert
 - ⏳ full Emma-loop latency akseptert
 - ⏳ 2-timers belastningstest bestått uten OOM og uten swap
@@ -112,28 +109,55 @@ Merk: dev-snap ignorerer `num_gpu 0` i options-feltet — GPU brukes uansett der
 | 1.4 UNTIL=Forever | gemma3:4b: **Forever** ✅ / qwen2.5:3b: ~2 min ⚠️ (ikke satt keep_alive=-1) | ✅ PASS |
 | 1.5 Varme kall ×5 | load_s: 0.984–1.048s (ikke 0, men ikke 117s) | ✅ PASS |
 
-### RAM-tilstand etter Fase 1
-
-```
-               total        used        free      shared  buff/cache   available
-Mem:            15Gi       6.8Gi       3.8Gi       492Ki       5.3Gi       8.8Gi
-Swap:             0B          0B          0B
-
-NAME          SIZE      PROCESSOR    UNTIL
-gemma3:4b     2.9 GB    100% CPU     Forever
-qwen2.5:3b    2.2 GB    100% CPU     ~1 min (utløper)
-```
-
-**RAM med 2 modeller lastet:** 6.8 GB used / 8.8 GB available — god margin, ingen swap ✅
-
 ### Konklusjoner Fase 6.1
 
-1. **Kaldstart-range bekreftet:** gemma3:4b = 117s, qwen2.5:3b = 71s (verre enn antatt 48–79s for gemma3)
+1. **Kaldstart-range bekreftet:** gemma3:4b = 117s, qwen2.5:3b = 71s
 2. **`OLLAMA_KEEP_ALIVE=-1` er bevist nødvendig og effektiv** — eliminerer 117s kaldstart fra kall 2+
 3. **Varme kall koster ~1s load + ~0.9s eval = ~2s per kall** — 4–6 kall per Emma-turn = 8–12s ren LLM-tid
 4. **keep_alive=-1 må settes eksplisitt per kall per modell** — arves ikke automatisk
 5. **`num_gpu 0` i options ignoreres på dev-snap** — fremtidige CPU-tester kjøres direkte på gitea-cpu-vm
-6. **RAM-margin er god med 2 modeller:** 5.1 GB (2.9+2.2) i Ollama + 8.8 GB available — ingen OOM-risiko ved normal last
+
+---
+
+## FASE 6.2 – RESIDENT MODELL-STRATEGI — RESULTATER 2026-07-21
+
+Kjørt på: **gitea-cpu-vm** (34.67.252.59)
+
+### Målinger
+
+| Test | Konfigurasjon | Resultat | Status |
+|---|---|---|---|
+| 2.1 Begge modeller uten MAX-begrensning | Default (MAX=ubegrenset) | Begge lastet: gemma3:4b + qwen2.5:3b i RAM, Swap=0 | ✅ PASS |
+| 2.3 Modellbytte med MAX=1 | OLLAMA_MAX_LOADED_MODELS=1 | gemma3:4b reload: 9.31s / qwen2.5:3b reload: 5.6s — kun én modell i `ollama ps` | ✅ PASS |
+| 2.4 Begge modeller med MAX=2 + KEEP_ALIVE=-1 | OLLAMA_MAX_LOADED_MODELS=2 + OLLAMA_KEEP_ALIVE=-1 | Begge Forever, 6.8 GB used, 8.9 GB available, Swap=0 | ✅ PASS |
+
+### RAM-tilstand etter Fase 6.2 (final konfigurasjon)
+
+```
+               total        used        free      shared  buff/cache   available
+Mem:            15Gi       6.8Gi       3.7Gi       492Ki       5.4Gi       8.9Gi
+Swap:             0B          0B          0B
+
+NAME          SIZE      PROCESSOR    UNTIL
+qwen2.5:3b    2.2 GB    100% CPU     Forever
+gemma3:4b     2.9 GB    100% CPU     Forever
+```
+
+### ✅ RESIDENT MODELL-STRATEGI LÅST
+
+**Valgt konfigurasjon i `/etc/systemd/system/ollama.service.d/max-models.conf`:**
+```
+[Service]
+Environment="OLLAMA_MAX_LOADED_MODELS=2"
+Environment="OLLAMA_KEEP_ALIVE=-1"
+```
+
+**Begrunnelse:**
+- 2 modeller i RAM bruker 5.1 GB (2.9+2.2) — 8.9 GB gjenværende available er trygg margin
+- Bytte-kostnad med MAX=1: 5–9s per bytte × 4–6 kall per Emma-turn = 20–54s ekstra latency per turn
+- Med MAX=2 og begge Forever: 0s bytte-overhead — 8–12s raskere per Emma-turn
+- Swap=0 bekreftet under alle testscenarier
+- `OLLAMA_KEEP_ALIVE=-1` satt på systemd-nivå eliminerer behov for per-kall keep_alive-parameter
 
 ---
 
@@ -166,4 +190,5 @@ qwen2.5:3b    2.2 GB    100% CPU     ~1 min (utløper)
 | 2026-07-21 | FASE 4 | Full smoke test grønn, alle 8 tools OK |
 | 2026-07-21 | FASE 5 | Blueprint frosset, FASE 5 lukket |
 | 2026-07-21 | FASE 6 | FASE 6 åpnet — CPU-optimalisering neste |
-| 2026-07-21 | FASE 6.1 | Kaldstart/keep_alive baseline fullført: gemma3:4b=117s, qwen2.5:3b=71s, varme kall ~1s, keep_alive=-1 bevist effektiv, RAM OK |
+| 2026-07-21 | FASE 6.1 | Kaldstart/keep_alive baseline fullført: gemma3:4b=117s, qwen2.5:3b=71s, varme kall ~1s, keep_alive=-1 bevist effektiv |
+| 2026-07-21 | FASE 6.2 | Resident modell-strategi låst: MAX_LOADED_MODELS=2 + KEEP_ALIVE=-1 på systemd-nivå, begge modeller Forever, RAM 6.8/15 GB, Swap=0 |