# Умный дом: архитектура вычислений и расчёт сервера

Проектное решение от **06.10.2026**. Документ посвящён серверу: моделям, программному стеку, нагрузке, конфигурации и испытаниям. Перечень бытовой техники ограничен подтверждёнными покупками; выбранный телевизор указан отдельно по уточнению заказчика.

## 1. Вычислительная конфигурация

**Home Assistant на отдельном контроллере + один локальный ИИ-сервер.**

- Модель команд и диалога: **Qwen3-14B, Q4_K_M**, без режима размышлений.
- Модель изображений: **Qwen3-VL-8B-Instruct, Q4_K_M**, визуальный энкодер FP16.
- Русская речь: **Whisper large-v3-turbo Q5_0 → Piper ru_RU-dmitri-medium**.
- Исполнение моделей: **llama.cpp HIP/ROCm**, две постоянно загруженные модели, ограниченные очереди запросов.
- Расчётная конфигурация ИИ-сервера: **Ryzen 7 5700X, GIGABYTE Radeon AI PRO R9700 32 ГБ, RAM 64 ГБ DDR4, SSD 2 ТБ, Ubuntu 24.04.3 LTS + ROCm 7.2**.
- Контроллер дома: **Intel N100, RAM 16 ГБ, SSD 512 ГБ, Home Assistant OS**, проводная сеть.

Для заданных контекстов и параллельности бюджет GPU составляет **25,1 ГиБ**. У выбранной конфигурации 32 ГБ выделенной видеопамяти; резерв рабочих буферов HIP и скорость проверяются на стенде. Расчёт 25,1 ГиБ сохранён как исходный бюджет, перенос на AMD ещё не измерен. Большие 70B-модели и обучение в эту нагрузку не входят.

## 2. Подтверждённая техника

| Оборудование | Статус | Задача серверной системы |
|---|---|---|
| ASKO W7096XW ×2; T709HUW ×1 | Куплены | Получение статусов и завершения циклов; доступные команды проверяются через ConnectLife.TRIR |
| Samsung AirDresser DF24CB9900CRLP | Куплен | Получение доступных статусов и команд SmartThings после проверки конкретного прибора |
| Laurastar SMART M; IZZI Plus | Куплены | Ответы по инструкциям конкретных моделей; штатное управление человеком |

**Телевизор по уточнению заказчика:** Samsung QN90F, **115 дюймов**, выбран. Полный региональный SKU уточняется при подключении. Сервер обрабатывает команды громкости, mute, выбора источника и выключения через Home Assistant.

## 3. Рабочие сценарии сервера

| Обращение | Что делает система | Вычислительная нагрузка |
|---|---|---|
| «Что сейчас работает в постирочной?» | Получает актуальные статусы двух стиралок и сушилки, возвращает время последнего обновления | HA + короткий ответ языковой модели |
| «Сообщи, когда закончится стирка» | Регистрирует задачу по событию завершения конкретного прибора | Готовое правило HA; LLM не следит за каждым событием |
| «Выключи телевизор / сделай тише» | Вызывает разрешённую команду Samsung TV и проверяет результат | Короткий структурированный вызов инструмента |
| «Как почистить Laurastar?» | Ищет нужный раздел инструкции SMART M / IZZI Plus и отвечает со ссылкой | SQLite FTS5 + языковая модель |
| Проверка изображения вещи и ярлыка | Извлекает видимые данные в структурированную карточку, неизвестные поля оставляет неизвестными | Один вызов Qwen3-VL с двумя изображениями |
| Два обращения одновременно | Обслуживает два ограниченных контекста; третье обращение ожидает | Два slots языковой модели + очередь |

Отправка команды в прибор и подтверждение её исполнения учитываются раздельно. Удалённый запуск ASKO принимается в эксплуатацию только после проверки реальных возможностей купленных моделей.

## 4. Программная архитектура

На контроллере N100 работает **HA OS**, интеграции купленной техники, готовые scripts, база состояний и интерфейс. Здесь же размещаются conversation adapter и шлюз разрешённых действий. При отказе ИИ-сервера HA и штатное управление приборами продолжают работать.

На ИИ-сервере работают два процесса **llama-server**, **whisper-server**, **Piper**, backend на **FastAPI/Pydantic**, **SQLite WAL/FTS5** и обработка отдельных изображений. Службы запускаются через systemd. Полное свободное голосовое управление зависит от ИИ-сервера, поскольку здесь выполняется распознавание речи.

Цепочка: **Assist → Whisper → conversation adapter → backend + Qwen → action gateway → HA → подтверждение состояния → Piper**. Вызовы инструментов валидируются по схеме; модель не получает доступ к shell и произвольной записи автоматизаций.

Реестр backend связывает понятные названия с разрешёнными entity_id и сервисами. Токен HA хранится на контроллере. Шлюз проверяет права, аргументы, актуальность состояния и повторные запросы. Итог действия: `SUCCEEDED / FAILED / UNKNOWN`; тайм-аут не превращается в сообщение «готово».

Именованные сценарии исполняет HA. Подсчёты событий делает SQL, инструкции ищутся через FTS5. Отдельная embedding-модель для текущего объёма документов не требуется. Разработка adapter поддерживается интерфейсами [HA Conversation](https://developers.home-assistant.io/docs/intent_conversation_api/) и [HA LLM API](https://developers.home-assistant.io/docs/core/llm/).

## 5. Используемые интеграции и репозитории

| Компонент | Решение | Роль |
|---|---|---|
| Home Assistant | [home-assistant/core](https://github.com/home-assistant/core) | Состояния, события, scripts, Assist |
| LLM/VLM | [ggml-org/llama.cpp](https://github.com/ggml-org/llama.cpp), [multimodal docs](https://github.com/ggml-org/llama.cpp/blob/master/docs/multimodal.md) | GGUF, server API, обработка изображений |
| STT | [ggml-org/whisper.cpp](https://github.com/ggml-org/whisper.cpp) | Локальное распознавание русской речи |
| Wyoming → STT | [ser/wyoming-whisper-api-client](https://github.com/ser/wyoming-whisper-api-client) | Мост к локальному Whisper API |
| TTS | [OHF-Voice/piper1-gpl](https://github.com/OHF-Voice/piper1-gpl), [wyoming-piper](https://github.com/OHF-Voice/wyoming-piper) | Русский голос на CPU |
| Пример conversation agent | [acon96/home-llm](https://github.com/acon96/home-llm) | Пример HA ↔ локальная модель для разработки собственного adapter |
| ASKO | [oyvindwe/connectlife-ha](https://github.com/oyvindwe/connectlife-ha), [mapping tools](https://github.com/oyvindwe/connectlife) | Экспериментальный TRIR; свойства конкретных моделей проверяются на приборах |
| AirDresser | [SmartThings integration](https://www.home-assistant.io/integrations/smartthings/) | Доступные capabilities DF24 после диагностики |
| TV | [Samsung TV integration](https://www.home-assistant.io/integrations/samsungtv/) | Локальные команды выбранного телевизора |
| Собственный backend | HA adapter + action gateway + scheduler + журнал | Разрешённые инструменты, очереди, проверки и подтверждение результатов |

ИИ и голос локальные, но ASKO TRIR и SmartThings сохраняют зависимости от внешних сервисов. По предупреждению HA бесплатный SmartThings API начинает выводиться из эксплуатации в октябре 2026; заявлен Personal Plan **$4,99/мес**. Доступность API AirDresser проверяется в регионе эксплуатации. [Предупреждение HA](https://www.home-assistant.io/integrations/smartthings/).

## 6. Почему выбраны именно эти модели

**Qwen3-14B Q4_K_M** — языковой агент для русских фраз, уточнений и структурированных вызовов. Выбран умеренный размер с документированным GGUF и tool calling, а не максимальная модель общего назначения. Режим `enable_thinking=false`; инструментальные ответы до 128 токенов, обычный диалог до 256. На типовых командах backend использует краткие шаблоны фактического результата, поэтому второй проход генерации ответа не обязателен. [Официальные веса](https://huggingface.co/Qwen/Qwen3-14B-GGUF).

**Qwen3-VL-8B-Instruct Q4_K_M + mmproj FP16** — отдельный процесс изображений: вещь, ярлык и другие предоставленные изображения. Он не управляет устройствами. В запросе до двух снимков/crop, обычно 768–1024 px по длинной стороне; общий кадр уменьшается, ярлык вырезается из исходного 4K без предварительного уменьшения всего изображения. Лимит 1536 визуальных токенов на изображение, контекст 8192, структурированный вывод до 512 токенов. [Официальный GGUF и отдельный энкодер](https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct-GGUF).

Обе модели держим в памяти, чтобы не было смены весов при каждом обращении. Результаты распознавания проверяются программными правилами. Обучение на домашней одежде для начального внедрения не требуется; качество чтения ярлыков измеряется на предоставленной тестовой выборке.

Whisper/Piper — ещё две **специализированные речевые модели**, а не дополнительные бытовые агенты. Whisper multilingual, язык ru; словарь помещений и приборов задаётся в подсказке и нормализации. Piper голос [dmitri medium](https://huggingface.co/rhasspy/piper-voices/blob/main/ru/ru_RU/dmitri/medium/MODEL_CARD) работает на CPU. Выбор Qwen не является заявлением о лучшей модели на рынке октября 2026; он основан на проверенном формате, интерфейсах и достаточном размере для этого фиксированного контура.

## 7. Расчёт нагрузки и памяти

### Расчётный режим дома

До шести голосовых клиентов; **два одновременно активных диалога**, один запрос VLM, один активный STT. Третье обращение ставится в очередь. Обработка изображений выполняется последовательно, поэтому три бытовых прибора не означают три одновременно работающих vision-модели.

Проектные допущения для суток: 200 голосовых обращений по 8 секунд аудио; 60 вещей, по два снимка на вещь; 30 дополнительных запросов по снимкам. Это допущения для расчёта сервера, **не измеренная нагрузка**. Интеграционные события и автоматизации не направляются в LLM непрерывно.

При суммарно 90 VLM-запросах (60 вещей с двумя изображениями в одном запросе плюс 30 дополнительных запросов) по условным 8 секундам и 200 голосовых цепочках по условным 4 секундам — 1520 секунд, около 25 минут/сутки активных вычислений. Эти времена являются расчётным примером duty cycle, а не benchmark. Пиковый одновременный режим проверяется отдельно, даже при низкой среднесуточной загрузке.

### Память GPU

Размеры файлов получены из Hugging Face API 06.10.2026; **ГиБ = 2³⁰ байт**. Размер файла — нижний ориентир для весов, а не полное потребление процесса.

| Потребитель | Расчёт / основание | Бюджет, ГиБ |
|---|---|---:|
| Qwen3-14B Q4_K_M | 9 001 752 960 байт, официальный GGUF | 8,384 |
| Qwen3-VL-8B Q4_K_M | 5 027 784 800 байт, официальный GGUF | 4,682 |
| Vision encoder FP16 | 1 159 029 824 байт, mmproj | 1,079 |
| KV Qwen3-14B, два контекста 8192 | 2 × 40 layers × 8 KV heads × 128 × 2 bytes × 8192 × 2 slots | 2,500 |
| KV VLM, один контекст 8192 | 2 × 36 layers × 8 KV heads × 128 × 2 bytes × 8192 | 1,125 |
| Whisper, веса/рабочие буферы | Файл Q5_0 ≈0,535 ГиБ; резерв до 2,5 с runtime | 2,500 |
| HIP/вычислительные и vision буферы | Проектный резерв для ограниченных batch/image sizes | 4,000 |
| Дополнительные runtime allocations | Проектный резерв | 0,800 |
| **Итого бюджет** | **Без CPU offload весов** | **25,070** |
| **Запас относительно номинальных 32 ГиБ** | Уточнить реально доступную память, ECC/driver overhead | **6,930** |

Формула KV: `2(K,V) × layers × kv_heads × head_dim × bytes × tokens × slots`. Размеры слоёв и голов взяты из официальных config.json [Qwen3-14B](https://huggingface.co/Qwen/Qwen3-14B/blob/main/config.json) и [Qwen3-VL-8B](https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct/blob/main/config.json). Расчёт воспроизводится файлом `research-architecture-2026-10-06/calculate-sizing.cjs`.

**Вывод:** минимальный выбранный класс — 32 ГБ GPU; 16 ГБ не хватает, 24 ГБ не оставляют необходимого резерва в этом режиме. Два процесса могут расходовать больше проектного резерва при слишком больших batch/изображениях: на стенде ограничить microbatch и добиться общей нагрузки ≤26 ГиБ. Это условия работоспособности конфигурации, а не гарантия размещения любого prompt.

### RAM, CPU, SSD, сеть

- **64 ГБ RAM:** до 8 ГиБ ОС/служб, 6 backend/БД/речь/снимки, около 15 отображённых весов, до 16 временных копий при загрузке, 8 кэшей; расчётный пик около 53 ГиБ. mmap/page cache может перекрывать часть этих расходов, но на экономию не рассчитываем.
- **8 ядер / 16 потоков:** достаточно для очередей, БД, TTS и обработки отдельных снимков; STT/LLM/VLM используют GPU. Непрерывное перекодирование видео в эту серверную нагрузку не включено.
- **2 ТБ SSD:** 100 ГБ модели/две версии, 100 ОС/сборки, 50 базы/логи, до 30 изображения, 200 свободный эксплуатационный резерв. Не менее 20% SSD оставлять свободными. Увеличение диска не ускоряет загруженную LLM.
- **Архив изображений для расчёта SSD:** 60 вещей ×2 JPEG ×2 МБ ×30 суток ≈7,2 ГБ. Это объём данных; оборудование для получения изображений в данном документе не подбирается.


### Требуемая скорость, а не выдуманный benchmark

| Проверка на готовой конфигурации | Критерий приёмки |
|---|---|
| Типовая локальная команда, один пользователь | p95 ≤5 секунд от конца фразы до первой полезной реакции/ответа |
| Два пользователя + активная vision-проверка | p95 ≤8 секунд для типовой локальной команды |
| Вещь + ярлык | p95 ≤10 секунд до карточки; допустимость ухода подтверждается правилами/оператором |
| Запуск уже проверенной HA-сцены | Реакция без LLM ≤1 секунды в локальном контуре, отдельно от устройства |
| Speech | RTF ≤0,25 на обычных фразах, тест с шумом; доля правильно выполненных типовых намерений ≥95% |

Для 64 output tokens при 30 tokens/s генерация занимает 2,13 секунды. При 1,5 секунды STT и 0,5 секунды прочих действий на prefill/очередь остаётся около 0,9 секунды, чтобы уложиться в 5 секунд. **30 tokens/s — целевая планка теста, не измеренная скорость выбранной карты.** Мерить отдельно prefill, decode, image encoder и ожидание очереди; рекламные TOPS не дают эти времена.

Очередь приоритетов: STT → короткая команда → vision → длинное объяснение/отчёт. В памяти одновременно обе модели, но большой vision-prefill не должен свободно конкурировать с голосовым prefill. Изображения дробятся ограниченным microbatch; фоновые новые запросы не стартуют при срочной команде. Запущенный GPU kernel невозможно мгновенно вытеснить программным приоритетом, поэтому соответствие p95 проверяется именно в смешанном тесте. Если лимиты не выдержаны, конфигурация не прошла приёмку; добавлять второй узел без такого теста не нужно.

## 8. Сервер и допустимые варианты покупки

### Основной выбор: удешевлённая рабочая станция

**Ryzen 7 5700X / Radeon AI PRO R9700 32 ГБ / RAM 64 ГБ / SSD 2 ТБ.** Для закупки выбран один состав из восьми компонентов. Количество — по одной позиции, оперативная память покупается одним комплектом 2×32 ГБ.

**Проверено 06.10.2026 в 11:48 МСК:** открыты живые карточки всех восьми товаров, сохранены страницы, цены и статусы продавцов. Наличие подтверждено публичными карточками; товар ещё не зарезервирован, счёт от магазинов не получен.

| Компонент | Точная модель и артикул | Цена, ₽ | Где купить | Наличие и получение |
|---|---|---:|---|---|
| Видеокарта | **GIGABYTE Radeon AI PRO R9700 AI TOP 32 ГБ GDDR6**; артикул **GV-R9700AI TOP-32GD** | 339 700 | [ServerFlow · купить](https://serverflow.ru/catalog/komplektuyushchie/videokarty/gigabyte-radeon-ai-pro-r9700-ai-top-32gb-gddr6/) | 14 шт. в Санкт-Петербурге; бесплатное перемещение в Москву за 1–2 рабочих дня |
| Процессор | **AMD Ryzen 7 5700X OEM, AM4, 8 ядер / 16 потоков**; артикул **100-000000926** | 15 400 | [Регард · купить](https://www.regard.ru/product/418534/processor-amd-ryzen-7-5700x-oem) | В наличии; московский пункт выдачи после подтверждения заказа |
| Материнская плата | **MSI B550-A PRO, AM4, ATX**; артикул **B550-A PRO** | 13 090 | [Регард · купить](https://www.regard.ru/product/362970/materinskaia-plata-msi-b550-a-pro) | В наличии; московский пункт выдачи после подтверждения заказа |
| Оперативная память | **Patriot Viper Steel DDR4-3200, 64 ГБ, комплект 2×32 ГБ**; артикул **PVS464G320C6K** | 63 400 | [Регард · купить](https://www.regard.ru/product/357906/operativnaia-pamiat-64gb-ddr4-3200mhz-patriot-viper-steel-pvs464g320c6k-2x32gb-kit) | В наличии; цена за комплект, требуется один комплект |
| SSD | **ADATA LEGEND 860, 2 ТБ, M.2 2280, PCIe 4.0 x4**; артикул **SLEG-860-2000GCS** | 30 990 | [Регард · купить](https://www.regard.ru/product/724596/nakopitel-ssd-2tb-adata-legend-860-sleg-860-2000gcs) | В наличии; московский пункт выдачи после подтверждения заказа |
| Кулер процессора | **DeepCool AK400, высота 155 мм, крепление AM4**; артикул **R-AK400-BKNNMN-G-1** | 2 300 | [Регард · купить](https://www.regard.ru/product/418473/kuler-deepcool-ak400) | В наличии; московский пункт выдачи после подтверждения заказа |
| Блок питания | **Seasonic Core GX-850, 850 Вт, ATX 3.1, 80 PLUS Gold**; артикул **CORE GX-850 ATX 3.1** | 14 459 | [ANDPRO · купить](https://andpro.ru/catalog/computer_hardware/bloki_pitaniya/blok_pitaniya_dlya_pk_seasonic_core_gx_850_atx_80_plus_gold_850_vt_core_gx_850_atx_3_1/) | В наличии; доставка по Москве 2–5 дней, на странице 1 000 ₽ |
| Корпус | **DeepCool CC560 V2 Black, ATX, штатные вентиляторы**; артикул **R-CC560-BKGAA4-G-2** | 6 625 | [ANDPRO · купить](https://andpro.ru/catalog/computer_hardware/cases/korpus_deepcool_cc560_v2_midi_tower_bez_bp_chyernyy_r_cc560_bkgaa4_g_2/) | В наличии; доставка по Москве 2–5 дней, на странице 1 000 ₽ |
| **Итого оборудование** | **8 позиций** | **485 964** | | **Без доставки и работ** |

Цена памяти относится ко всему комплекту 64 ГБ; второй комплект не нужен. Ubuntu и используемое открытое ПО не требуют покупки лицензии Windows. Цены приведены как отображены магазинами; НДС повторно сверху не добавляется.

### Магазины и конкретные места получения

| Магазин | Что закупаем / сумма | Где и как получить | Контакт |
|---|---|---|---|
| **ServerFlow** | Видеокарта — **339 700 ₽** | Фактический склад: **Санкт-Петербург, ул. Заозёрная, 8, корп. 2Л**, 14 шт. Московский склад: **2-я Брестская ул., 39, стр. 4**, сейчас без остатка этой карты; продавец указывает бесплатное перемещение за 1–2 рабочих дня | **8 (800) 222-70-01**, info@serverflow.ru; адреса и остатки — в [карточке GPU](https://serverflow.ru/catalog/komplektuyushchie/videokarty/gigabyte-radeon-ai-pro-r9700-ai-top-32gb-gddr6/) |
| **Регард** | CPU, плата, RAM, SSD, кулер — **125 180 ₽** | **Москва, Волгоградский проспект, 21, стр. 10, подъезд 9**. Пункт выдаёт только подтверждённые заказы. Все пять карточек показывают «В наличии» | **+7 (495) 921-41-58**; [контакты и самовывоз](https://www.regard.ru/contacts) |
| **ANDPRO** | БП и корпус — **21 084 ₽** | На обеих карточках «В наличии»; доставка по Москве **2–5 дней**. Показанный тариф — **1 000 ₽**, итог для совместного заказа двух позиций фиксируется при оформлении | **+7 (495) 545-48-70**, info@andpro.ru; [условия доставки](https://andpro.ru/help/delivery/) |

**Доставка, сборка и настройка оплачиваются отдельно.** В 485 964 ₽ не включены контроллер Home Assistant, ИБП, сетевое оборудование, голосовые терминалы и разработка интеграций. Это стоимость ИИ-компьютера, а не всего умного дома.

### Совместимость и программная конфигурация

- **AM4 / DDR4:** MSI B550-A PRO, Ryzen 5700X и выбранный комплект 2×32 ГБ относятся к одной платформе. Перед сборкой обновить BIOS с поддержкой CPU. Модули устанавливаются в A2/B2; профиль DDR4-3200 принимается после проверки памяти. [Спецификация платы](https://www.msi.com/Motherboard/B550-A-PRO/Specification).
- **Размещение:** GPU — в основном процессорном PCIe 4.0 x16, SSD — в M2_1 PCIe 4.0 x4. У GPU длина 267 мм, у кулера высота 155 мм; лимиты CC560 V2 — 370/165 мм. Использовать штатный кабель БП для 12V-2x6, сверить комплект и ревизии при сборке. [GIGABYTE](https://www.gigabyte.com/Graphics-Card/GV-R9700AI-TOP-32GD-rev-10/sp), [габариты корпуса](https://www.regard.ru/product/654818/korpus-deepcool-cc-560-v2-black).
- **ОС и вычисления:** Ubuntu 24.04.3 LTS x86-64 с HWE 6.14 и ROCm 7.2 — исходная поддерживаемая матрица AMD. R9700 присутствует в списке GPU; точные пакеты закрепляются на стенде. llama.cpp и whisper.cpp собираются с HIP/ROCm, Piper работает на CPU. [Матрица AMD](https://rocm.docs.amd.com/projects/radeon-ryzen/en/docs-7.2/docs/compatibility/compatibilityrad/native_linux/native_linux_compatibility.html), [сборка llama.cpp](https://github.com/ggml-org/llama.cpp/blob/master/docs/build.md#hip), [параметр HIP в whisper.cpp](https://github.com/ggml-org/whisper.cpp/blob/master/ggml/CMakeLists.txt).
- **Сеть:** проводной Ethernet 1 Гбит/с платы, постоянное назначение IP через DHCP reservation. Доступ администратора через локальную сеть/VPN. Home Assistant остаётся на отдельном N100.

У Radeon AI PRO R9700 **32 ГБ выделенной GDDR6, 640 ГБ/с, TBP 300 Вт**. [Спецификация AMD](https://www.amd.com/en/products/graphics/workstations/radeon-ai-pro/ai-9000-series/amd-radeon-ai-pro-r9700.html). Модели и лимиты контекстов сохраняются: Qwen3-14B Q4_K_M, Qwen3-VL-8B-Instruct Q4_K_M + FP16 encoder, Whisper large-v3-turbo Q5_0, Piper ru_RU-dmitri-medium.

**Приёмка AMD-сборки обязательна:** обе основные модели и речь активны, два пользователя и один vision-запрос, 72 часа без OOM/перезапусков. Цели p95 — ≤5 с для одиночной команды, ≤8 с при смешанной нагрузке, ≤10 с для изображения. Вместимость по исходному расчёту 25,1 ГиБ не доказывает скорость; рабочие буферы HIP повторно измеряются.

### Электропотребление и ИБП

Для питания и охлаждения выделить **500 Вт проектного резерва на ИИ-компьютер**, около 20 Вт на HA; сеть и потери ИБП учитываются отдельно. GPU имеет TBP 300 Вт, CPU — TDP 65 Вт, БП — предел 850 Вт: фактическую мощность сервера измеряем из розетки после сборки.

Потребление за месяц рассчитывается по измеренному режиму: **(P ожидания × часов ожидания + P нагрузки × часов нагрузки) × 30 / 1000**, где P задана в ваттах, время — за сутки. Тариф дома применяется к полученным кВт·ч.

Для предварительного ТЗ сохраняется ИБП **1500 ВА / не менее 900 Вт, синус, USB/NUT**. Точная модель и 10 минут автономии выбираются по кривой производителя после измерения суммарной нагрузки. Штатное завершение — сначала ИИ, затем HA. Сервер размещается в сухом проветриваемом техническом помещении.

## 9. Развёртывание и приёмка сервера

1. Поднять HA OS на контроллере. Получить diagnostics купленных ASKO и AirDresser; проверить фактические поля и команды. Для телевизора зафиксировать полный SKU.
2. Установить Linux из поддерживаемой матрицы AMD, драйвер и ROCm, закрепить версии llama.cpp, Whisper и моделей. Запустить две модели и речевые службы.
3. Реализовать conversation adapter, backend, gateway, реестр разрешённых действий и журнал. Проверить возврат фактического результата.
4. Прогреть оба текстовых контекста и vision-запрос максимального размера. Измерить GPU/RAM, prefill, decode, распознавание речи и очереди.
5. Провести 72-часовой тест, смешанную нагрузку, перезагрузку, отказ интернета и ИИ-сервера, завершение от ИБП и восстановление backup.

Проверить минимум 200 русских фраз с синонимами и уточнениями, часть — при фоновом шуме. Для VLM использовать заранее размеченную выборку изображений и ярлыков; корректность наблюдений проверяется отдельно от скорости вычислений.

LLM endpoints слушают localhost. Шлюз принимает только авторизованные запросы. Удалённый административный доступ — VPN. Ежедневные зашифрованные backup HA и SQLite сохраняются на независимом хранилище. Обновления сначала проверяются на стенде; прежняя рабочая версия сохраняется для отката.

Стоимость оборудования ИИ-сервера по проверенным карточкам — **485 964 ₽** на 06.10.2026, 11:48 МСК. Контроллер Home Assistant, сеть, ИБП и разработка учитываются отдельной сметой. Перечень дополнительной бытовой техники в этот документ не включён.