feat: architecture multi-modèles LLM + quality engine + benchmark

- Multi-modèles : 4 rôles LLM (coding=gemma3:27b-cloud, cpam=gemma3:27b-cloud,
  validation=deepseek-v3.2:cloud, qc=gemma3:12b) avec get_model(role)
- Prompts externalisés : 7 templates dans src/prompts/templates.py
- Cache Ollama : modèle stocké par entrée (migration auto ancien format)
- call_ollama() : paramètre role= (priorité: model > role > global)
- Quality engine : veto_engine + decision_engine + rules_router (YAML)
- Benchmark qualité : scripts/benchmark_quality.py (A/B, métriques CIM-10)
- Fix biologie : valeurs qualitatives (troponine négative) non filtrées
- Fix CPAM : gemma3:27b-cloud au lieu de deepseek (JSON tronqué par thinking)
- CPAM max_tokens 4000→6000, viewer admin multi-modèles
- Benchmark 10 dossiers : 100% DAS valides, 10/10 CPAM, 243s/dossier

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

config/rules/specialties/_template.yaml

@@ -0,0 +1,13 @@
+version: 1
+
+# Overlay spécialité (ex: digestif, cardio, pneumo, onco...)
+# Ce fichier ne contient que des overrides.
+
+rules:
+  # Exemple : être plus strict sur le conditionnel
+  # VETO-03:
+  #   force_severity: "MEDIUM"
+
+  # Exemple : désactiver un downgrade jugé trop agressif
+  # RULE-D50-NEEDS-IRON:
+  #   enabled: false