fix(embeddings): не терять батч на таймауте Ollama, уменьшить пачку

Ollama обрабатывает тексты в пачке последовательно (один "slot" в
llama.cpp, не параллельно) — 64 реальных документа в одном HTTP-запросе
регулярно не укладывались в 120с, весь батч падал с ReadTimeout и
терялся без ретрая (embed_documents была без bind/max_retries).
Теперь: пачка 16, таймаут 300с, задача ретраится до 3 раз при сбое.

services/worker-gpu/app/config.py

@@ -58,7 +58,10 @@ class Settings(BaseSettings):
     EMBED_BACKEND: str = "ollama"
     EMBED_MODEL: str = "bge-m3"
     EMBED_DEVICE: str = "cuda"  # используется только при EMBED_BACKEND=sentence_transformers
-    EMBED_BATCH_SIZE: int = 64
+    # Ollama обрабатывает тексты в пачке последовательно (один "slot" в llama.cpp,
+    # не параллельно) — 64 реальных документа в один HTTP-запрос регулярно не
+    # укладывались в таймаут. Меньше пачка — короче и надёжнее каждый запрос.
+    EMBED_BATCH_SIZE: int = 16
     EMBED_DIM: int = 1024  # bge-m3; было 768 у paraphrase-multilingual-mpnet-base-v2
     # DeepInfra — OpenAI-совместимый инференс BAAI/bge-m3 в облаке, та же модель,
     # что и на VM109, дешёвый пей-пер-токен. Используется при EMBED_BACKEND=cloud.

services/worker-gpu/app/model_manager.py

@@ -91,7 +91,10 @@ class ModelManager:
             response = httpx.post(
                 f"{settings.OLLAMA_URL}/api/embed",
                 json={"model": settings.EMBED_MODEL, "input": batch},
-                timeout=120.0,
+                timeout=300.0,  # Ollama обрабатывает тексты в пачке последовательно
+                # (виден один "slot" в логах llama.cpp), не параллельно — на реальных
+                # (не тестовых) текстах 64 шт. в 120с не укладывались, отсюда ReadTimeout
+                # и потеря батча целиком (без ретрая).
             )
             response.raise_for_status()
             all_vectors.extend(response.json()["embeddings"])

services/worker-gpu/app/tasks/plagiarism.py

@@ -219,8 +219,13 @@ def check_plagiarism(
         raise self.retry(exc=exc, countdown=120) from exc
 
 
-@celery_app.task(name="gpu.embed_documents")
-def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
+@celery_app.task(
+    name="gpu.embed_documents",
+    bind=True,
+    max_retries=3,
+    default_retry_delay=30,
+)
+def embed_documents(self, doc_ids: list[int]) -> dict[str, Any]:
     """
     Построить эмбеддинги для документов и добавить их в FAISS индекс.
 
@@ -254,7 +259,14 @@ def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
         ]
         ids = [d.id for d in docs]
 
-    vectors = ModelManager.encode(texts)
+    try:
+        vectors = ModelManager.encode(texts)
+    except Exception as exc:
+        # Таймаут/недоступность бэкенда эмбеддингов — не терять батч молча,
+        # а повторить (раньше падало без ретрая, документы просто выпадали
+        # из переиндексации).
+        logger.warning(f"Не удалось построить эмбеддинги для {ids}: {exc}")
+        raise self.retry(exc=exc) from exc
 
     store = get_backend()
     store.add_vectors(vectors, ids)