feat: smart systray Léa (plyer), preflight GPU, fix tests, support qwen3-vl

- Smart systray (pystray+plyer) remplace PyQt5 : notifications toast,
  menu dynamique avec workflows, chat "Que dois-je faire ?", icône colorée
- Preflight GPU : check_machine_ready() + @pytest.mark.gpu dans conftest
- Correction 63 tests cassés → 0 failed (1200 passed)
- Tests VWB obsolètes déplacés vers _a_trier/
- Support qwen3-vl:8b sur GPU (remplace qwen2.5vl:3b)
  - fix images < 32x32 (Ollama panic)
  - fix force_json=False (qwen3-vl incompatible)
  - fix temperature 0.1 (0.0 bloque avec images)
- Fix captor Windows : Key.esc, _get_key_name()
- Fix LeaServerClient : check_connection, list_workflows format
- deploy_windows.py : packaging propre client Windows
- VWB : edges visibles (#607d8b) + fitView automatique

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

core/detection/ollama_client.py

@@ -288,27 +288,31 @@ Respond with just the role name, nothing else."""
         Returns:
             Dict avec 'type', 'role', 'text', 'confidence', 'success'
         """
-        # System prompt "zéro tolérance" - Force le VLM à NE produire QUE du JSON
-        system_prompt = """You are a UI element classifier.
-Your ONLY task is to output valid JSON. Never explain. Never comment. Never discuss.
-Expected format:
-{"type": "...", "role": "...", "text": "..."}"""
+        # System prompt direct — pas de thinking, JSON uniquement
+        system_prompt = "You are a JSON-only UI classifier. No thinking. No explanation. Output raw JSON only."
 
-        # User prompt simplifié et direct
-        prompt = """Classify this UI element:
-- Type: Choose ONE from [button, text_input, checkbox, radio, dropdown, tab, link, icon, table_row, menu_item]
-- Role: Choose ONE from [primary_action, cancel, submit, form_input, search_field, navigation, settings, close, delete, edit, save]
-- Text: Any visible text (empty string if none)
+        # User prompt avec exemples explicites pour guider le modèle
+        prompt = """/no_think
+Look at this UI element image and classify it. Reply with ONLY a JSON object, nothing else.
 
-Output JSON only."""
+Types: button, text_input, checkbox, radio, dropdown, tab, link, icon, table_row, menu_item
+Roles: primary_action, cancel, submit, form_input, search_field, navigation, settings, close, delete, edit, save
 
+Example 1: {"type": "button", "role": "submit", "text": "OK"}
+Example 2: {"type": "text_input", "role": "form_input", "text": ""}
+Example 3: {"type": "icon", "role": "close", "text": "X"}
+
+Your answer:"""
+
+        # Note: force_json=False car qwen3-vl ne supporte pas format:json
+        # temperature=0.1 car qwen3-vl bloque à 0.0 avec des images
         result = self.generate(
             prompt,
             image=element_image,
             system_prompt=system_prompt,
-            temperature=0.0,
-            max_tokens=150,
-            force_json=True
+            temperature=0.1,
+            max_tokens=200,
+            force_json=False
         )
 
         if result["success"]:
@@ -381,6 +385,13 @@ Output JSON only."""
         if image.mode != 'RGB':
             image = image.convert('RGB')
 
+        # 1b. Minimum 32x32 (requis par qwen3-vl, sinon Ollama panic)
+        min_size = 32
+        if image.width < min_size or image.height < min_size:
+            new_w = max(image.width, min_size)
+            new_h = max(image.height, min_size)
+            image = image.resize((new_w, new_h), Image.NEAREST)
+
         # 2. Redimensionnement intelligent : max 1280px sur le côté long
         max_size = 1280
         if max(image.size) > max_size:

core/detection/ui_detector.py

@@ -72,7 +72,7 @@ class DetectionConfig:
     # - "qwen2.5vl:3b" (léger, tient en GPU 12GB avec split partiel)
     # - "qwen2.5vl:7b" (meilleur mais 13GB mémoire, CPU-only sur RTX 5070)
     # - "qwen3-vl:8b" (plus gros, supporté mais plus d'erreurs JSON)
-    vlm_model: str = "qwen2.5vl:3b"
+    vlm_model: str = "qwen3-vl:8b"
     vlm_endpoint: str = "http://localhost:11434"
     use_vlm_classification: bool = True  # Utiliser VLM pour classifier
     
@@ -218,7 +218,14 @@ class UIDetector:
         logger.debug("Step 2: Classifying regions with VLM...")
         ui_elements = []
         
+        # Taille minimale pour le VLM Ollama (qwen3-vl exige >= 32x32)
+        MIN_VLM_SIZE = 32
+
         for i, region in enumerate(regions):
+            # Ignorer les régions trop petites
+            if region.w < 5 or region.h < 5:
+                continue
+
             # Extraire le crop de la région
             crop = pil_image.crop((
                 region.x,
@@ -226,7 +233,13 @@ class UIDetector:
                 region.x + region.w,
                 region.y + region.h
             ))
-            
+
+            # Agrandir les crops trop petits pour le VLM (pad ou resize)
+            if crop.width < MIN_VLM_SIZE or crop.height < MIN_VLM_SIZE:
+                new_w = max(crop.width, MIN_VLM_SIZE)
+                new_h = max(crop.height, MIN_VLM_SIZE)
+                crop = crop.resize((new_w, new_h), Image.NEAREST)
+
             # Classifier avec VLM
             element = self._classify_region(
                 crop,