docs: Skalierung/Multi-GPU/Cluster + Diagnostic-VRAM-Info (Klarstellung: kein VRAM ueber RVS)

Roher VRAM ist nicht ueber RVS teilbar (Relay, nicht GPU-Bus). Echte Pfade:
mehr Karten/Box = VRAM-Pool (volles Arsenal), mehr GPU-Hosts = Modell-Server
ueber RVS (Cluster), llama-swap = geteilter Server im Host. Plus geplantes
Diagnostic-Info-Icon mit VRAM-Bedarf pro Ausbaustufe.

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

docs/plan-local-llm-router.md

@@ -169,6 +169,32 @@ zeigt statt auf `llama:8081` auf `llama-swap`.
 Bis dahin: **ein** Modell via `-hf` Auto-Download (B0, erledigt). Erst end-to-end
 grün, dann dieser Komfort-Layer.
 
+## Skalierung: VRAM, Multi-GPU, „Cluster"
+
+**Wichtige Klarstellung:** Roher VRAM/GPU ist NICHT ueber RVS teilbar. RVS ist ein
+Nachrichten-Relay; GPUs werden lokal per CUDA/PCIe angesprochen. Ueber RVS teilt
+man **Inferenz-Faehigkeit** (transkribiere/vervollstaendige), nicht VRAM. Es gibt
+daher keinen „GPU-Broker-Container", der Karten uebers Netz verleiht.
+
+Skalierungspfade (echt):
+- **Mehr Karten in EINER Box → VRAM-Pool.** llama.cpp/vLLM splitten ein Modell
+  ueber mehrere GPUs (`--tensor-split`). 2×3060 = 24 GB → groesseres Modell ODER
+  Qwen8B mit grossem Kontext → **volles Tool-Schema passt rein**. Das ist der
+  Weg zum „vollen Arsenal lokal".
+- **Ein Modell ueber mehrere HOSTS splitten** (llama.cpp `--rpc`): moeglich, aber
+  langsam (Layer-Grenzen ueber's Netz) — nur schnelles LAN, fuer „schnell"
+  ungeeignet. Nicht empfohlen.
+- **Mehrere eigenstaendige Modell-Server, je einer pro GPU/Host, Router waehlt:**
+  einfach, = unser RVS-Muster. Zweiter GPU-Host = noch ein llm-adapter, meldet
+  sich am RVS an, Router load-balanced. Das ist der sinnvolle „Cluster".
+- **Innerhalb eines Hosts:** ein geteilter Inferenz-Server (`llama-swap`/vLLM)
+  statt VRAM-Duplikat pro Container — kommt mit B0.5.
+
+**Diagnostic ⓘ (Feature):** Checkbox „volleres Arsenal" + Info-Icon mit
+VRAM-Bedarf: 12 GB (1×3060) = kuratierte Tools; 24 GB (2×3060, eine Box) = Qwen
+mit grossem Kontext/volles Schema oder groesseres Modell; Cluster = weitere
+GPU-Hosts als Modell-Server ueber RVS. (B0.5/B1-UI.)
+
 ## Nicht-Ziele
 
 - Kein echter Gemini-Live-Duplex-Klon (Text-Modell als Hirn).