Прижатие доли памяти чинилось только при автовыборе окна — теперь всегда

Устройство опрашивалось лишь когда пользователь не задал ни --max-model-len,
ни ZENIT_SERVING_PROFILE. В остальных случаях clamp_utilization получал None и
молчал, а профиль всё равно подставлял 0.95. На карте с рабочим столом это
отказ при старте: Free memory (29.57/31.39 GiB) is less than desired GPU memory
utilization (0.95, 29.82 GiB). Замерено на локальной 5090 с 1.8 ГиБ рабочего
стола; после починки движок поднимается, доля прижата до 0.921.

Выбор окна остаётся за пользователем: память влияет на выбор только когда он
его не задал. 40 тестов профилей проходят.

Плюс квитанция vision_probe.json: мультимодальность НЕ работает. Зрительная
башня квантована с group_size 16, на Blackwell её берёт только ядро humming,
и оно падает с CUDA_ERROR_INVALID_VALUE в cuFuncSetAttribute.

custom_generate/serving_profiles.py

@@ -528,22 +528,39 @@ def install_model_owned_serving_defaults() -> bool:
             if config and _is_our_architecture(config):
                 spec = config.get(CONFIG_KEY) or {}
                 requested = getattr(self, "max_model_len", None)
-                device = None
-                caller_utilization = None
-                if requested is None and not os.environ.get(ENV_PROFILE):
-                    device = device_memory()
-                    current = getattr(self, "gpu_memory_utilization", None)
-                    if current is not None and current != vllm_default_utilization():
-                        caller_utilization = float(current)
-                selected = select_profile(spec, requested, device, caller_utilization)
+                caller_chose_window = (
+                    requested is not None or bool(os.environ.get(ENV_PROFILE))
+                )
+                # The card is probed either way. Two different questions are being
+                # answered with it, and conflating them was a real defect: asking
+                # for a window with --max-model-len, or forcing a profile, used to
+                # skip the probe entirely, so the utilisation clamp below never
+                # fired and the profile's 0.95 went through unchanged. On any card
+                # with a desktop session that is more than is free, and vLLM
+                # refuses to start - measured on a 5090 holding 1.8 GiB of desktop:
+                # "Free memory (29.57/31.39 GiB) is less than desired GPU memory
+                # utilization (0.95, 29.82 GiB)". Choosing a window is the caller's
+                # business; how much of the card is free is not.
+                device = device_memory()
+                current = getattr(self, "gpu_memory_utilization", None)
+                caller_utilization = (
+                    float(current)
+                    if current is not None and current != vllm_default_utilization()
+                    else None
+                )
+                # Memory decides the window only when the caller left it open.
+                selection_device = None if caller_chose_window else device
+                selected = select_profile(
+                    spec, requested, selection_device, caller_utilization
+                )
                 if selected is not None:
                     name, body = selected
-                    if device is not None:
+                    if selection_device is not None:
                         _report_memory_choice(
                             name,
                             body,
                             spec,
-                            profile_budget(body, device, caller_utilization),
+                            profile_budget(body, selection_device, caller_utilization),
                         )
                     if caller_utilization is None:
                         lowered = clamp_utilization(body, device)

receipts/vision_probe.json

@@ -0,0 +1,23 @@
+{
+ "schema": "lomonosov_zenit_vision_v1",
+ "status": "FAIL",
+ "failed_at": "request",
+ "question": "проходит ли изображение через модель на настоящем запросе",
+ "answer": "НЕТ. Мультимодальность на этом чекпойнте не работает.",
+ "host": "локальная RTX 5090, 32 ГБ, рабочий стол занимает ~1.3 ГиБ",
+ "max_model_len": 32768,
+ "load_seconds": 64.0,
+ "image": "logo.png 1200x842",
+ "path": [
+  "qwen3_vl.py:_process_image_input",
+  "self.visual(pixel_values, grid_thw)",
+  "kernels/linear/mixed_precision/humming.py:apply_weights",
+  "humming/layer.py:forward_layer -> ops.humming_gemm",
+  "torch.ops.humming.launch_kernel"
+ ],
+ "error": "RuntimeError: check_curesult, humming/csrc/launcher/utils.h:11, cuFuncSetAttribute failed with error: CUDA_ERROR_INVALID_VALUE",
+ "diagnosis": "зрительная башня квантована SELECTIVE_W8_W4_A16 и считается ядром humming; ядро просит у карты больше разделяемой памяти, чем та отдаёт, и не запускается. skip_mm_profiling обходит то же падение ПРИ СТАРТЕ и потому маскировал дефект",
+ "consequence": "заявлять мультимодальность нельзя. В карточке и в любых анонсах должно стоять: сейчас только текст",
+ "candidate_fix": "хранить зрительную башню в BF16 без квантования — это 371 380 976 параметров, около 743 МБ, и путь humming тогда не задействуется вовсе. Языковую часть это не трогает",
+ "note": "родословная зрения сама помечена promotion: forbidden_until_multimodal_A_B_and_raw1010k_PASS"
+}