feat(p1x): de-hardcode VLM models/endpoints to vlm_config (DGX-ready)

Migre les call-sites VLM serveur vers la configuration centrale pour
fonctionner sur DGX (tunnel Ollama 11434), où gemma4:* est absent et le
port Docker 11435 est mort.

- task_planner, replay_verifier, domain_context, ir_builder, resolve_engine
  (popup): modele -> vlm_config.get_vlm_model(), defaut 11435 -> 11434
  (override GEMMA4_PORT legacy conserve)
- resolve_engine (grounding bbox x2): nouvel helper
  vlm_config.get_bbox_grounding_model() (var dediee RPA_BBOX_GROUNDING_MODEL,
  fallback RPA_GROUNDING_MODEL puis qwen2.5vl:7b-rpa) -> desambiguise le
  conflit D5-v3b, bbox_2d + num_ctx 4096 preserves
- safety_checks_provider: defaut -> get_vlm_model(), override
  RPA_SAFETY_CHECKS_LLM_MODEL preserve
- ui_detector: default_factory + resolution lazy (corrige aussi un gel a
  l'import), pas d'appel reseau a l'import
- field_extractor: property lazy via vlm_config

TDD strict (RED->GREEN), 305 tests verts, tests mockes HTTP (zero dependance
DGX reel), aucun alias Ollama.

Hors perimetre (arbitrage Dom): client Lea agent_v1/executor.py (gele),
chemin V4 observe_reason_act (RPA_REASONING_MODEL), core/config.py defaults.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

core/detection/ui_detector.py

@@ -11,7 +11,7 @@ Basée sur l'architecture éprouvée de la V2.
 
 from typing import List, Dict, Optional, Any, Tuple
 from pathlib import Path
-from dataclasses import dataclass
+from dataclasses import dataclass, field
 import logging
 import os
 import time
@@ -25,6 +25,7 @@ logger = logging.getLogger(__name__)
 
 from ..models.ui_element import UIElement, UIElementEmbeddings, VisualFeatures
 from .ollama_client import OllamaClient, check_ollama_available
+from . import vlm_config
 
 # Import OWL-v2 (optionnel)
 try:
@@ -71,10 +72,13 @@ class BoundingBox:
 @dataclass
 class DetectionConfig:
     """Configuration de la détection UI hybride"""
-    # VLM — modèle configurable via variable d'environnement RPA_VLM_MODEL
-    # Par défaut : gemma4:e4b (meilleur grounding + contextualisation)
-    # Fallback : qwen3-vl:8b si gemma4 non disponible
-    vlm_model: str = os.environ.get("RPA_VLM_MODEL", os.environ.get("VLM_MODEL", "gemma4:e4b"))
+    # VLM — modèle configurable via RPA_VLM_MODEL / VLM_MODEL.
+    # default_factory : lu à l'instanciation (pas figé à l'import) ; None si non
+    # défini → résolution lazy via vlm_config.get_vlm_model() dans _initialize_vlm
+    # (pas de hardcode, pas d'appel réseau à l'import).
+    vlm_model: Optional[str] = field(
+        default_factory=lambda: os.environ.get("RPA_VLM_MODEL") or os.environ.get("VLM_MODEL")
+    )
     vlm_endpoint: str = "http://localhost:11434"
     use_vlm_classification: bool = True  # Utiliser VLM pour classifier
     
@@ -136,11 +140,16 @@ class UIDetector:
         """Initialiser le client VLM"""
         try:
             if check_ollama_available(self.config.vlm_endpoint):
+                # Résolution lazy : si aucun modèle explicite, vlm_config résout
+                # (avec fallback) en interrogeant /api/tags. On normalise la config
+                # pour que les métadonnées de sortie reflètent le modèle réel.
+                model = self.config.vlm_model or vlm_config.get_vlm_model(self.config.vlm_endpoint)
+                self.config.vlm_model = model
                 self.vlm_client = OllamaClient(
                     endpoint=self.config.vlm_endpoint,
-                    model=self.config.vlm_model
+                    model=model
                 )
-                logger.info(f"✓ VLM initialized: {self.config.vlm_model}")
+                logger.info(f"✓ VLM initialized: {model}")
             else:
                 logger.warning("Ollama not available, VLM classification disabled")
                 self.vlm_client = None

core/detection/vlm_config.py

@@ -234,6 +234,33 @@ def get_grounding_profile(endpoint: str = DEFAULT_OLLAMA_ENDPOINT) -> dict:
     }
 
 
+def get_bbox_grounding_model() -> str:
+    """Retourne le modèle pour le grounding **format bbox_2d natif** (qwen2.5vl).
+
+    Distinct de get_grounding_profile() (format JSON {x_pct,y_pct} via prefill,
+    défaut qwen3.5:9b). Les chemins bbox_2d de resolve_engine
+    (`parse_bbox_to_norm` / `parse_bbox_to_norm_validated`) exigent un modèle
+    de la famille qwen2.5vl qui émet des coordonnées en pixels.
+
+    D5-v3b (2026-06-03) : désambiguïse l'env var. Historiquement le site bbox
+    lisait `RPA_GROUNDING_MODEL`, partagé avec get_grounding_profile() qui
+    attend un modèle JSON → conflit documenté. On introduit une var dédiée.
+
+    Ordre de résolution :
+      1. RPA_BBOX_GROUNDING_MODEL (dédié, prioritaire)
+      2. RPA_GROUNDING_MODEL (rétrocompat — ancien comportement)
+      3. DEFAULT_GROUNDING_FALLBACK (qwen2.5vl:7b-rpa, présent sur DGX)
+
+    Returns:
+        Nom du modèle bbox_2d (ex: "qwen2.5vl:7b-rpa")
+    """
+    return (
+        os.environ.get("RPA_BBOX_GROUNDING_MODEL")
+        or os.environ.get("RPA_GROUNDING_MODEL")
+        or DEFAULT_GROUNDING_FALLBACK
+    )
+
+
 def needs_think_false(model_name: str) -> bool:
     """Détermine si un modèle nécessite think=false dans le payload.