Set 128K eager baseline and organize deployment documentation

README.md

@@ -2,7 +2,8 @@
 
 在单台 NVIDIA DGX Spark（GB10 / ARM64 / 128 GB 统一内存）上部署
 `nvidia/Qwen3.8-Flash-Next-NVFP4` 的可复现配置。
-来自 2026-09-17 的实际部署：262144 上下文上限、MTP 2 tokens、OpenAI 兼容 API。
+当前基线：131072 tokens 总上下文上限（输入 + 输出）、MTP 2 tokens、OpenAI 兼容 API。
+由 2026-09-17 至 18 日的实测选定；262K 已因主机 OOM 从默认配置撤下。
 优化版启用经验证的前缀缓存，保持 eager 执行；32K 重复前缀首个 token 约从 14.05 秒降至 1.34 秒。
 这里的首个 token 包括思考内容，完整回答不会因此保证快 10 倍。详见 [优化报告](docs/optimization-results.md)。
 PLE 查找表通过磁盘映射按需读取；原始模型权重未重新量化。
@@ -39,7 +40,7 @@ API 地址：`http://<Spark-IP>:8000/v1`；模型名：`qwen3.8-flash-next`。
 
 | 参数 | 设置 |
 |---|---|
-| 上下文上限 | 262144 tokens |
+| 上下文上限 | 131072 tokens，输入与输出合计 |
 | MTP | 2 speculative tokens |
 | 同时调度请求数 | 4 |
 | 批处理 token 上限 | 2048 |
@@ -64,9 +65,9 @@ docker compose stop vllm
 ./scripts/start.sh baseline
 ./scripts/wait.sh
 ./scripts/test.sh
-# 保持 262K + MTP，只关闭前缀缓存
+# 保持 128K + MTP，只关闭前缀缓存
 ./scripts/start.sh no-prefix
-# 恢复默认 262K + MTP + 前缀缓存
+# 恢复默认 128K + MTP + 前缀缓存
 ./scripts/start.sh
 ```
 
@@ -80,7 +81,7 @@ docker compose stop vllm
 ## 长上下文实测边界
 
 64K、128K 的单请求合成检索在 eager 和 CUDA Graph 下均通过；接近 260K 时两组均发生主机 OOM，
-即使 eager 返回正确答案也不能视为稳定通过。当前 262144 配置上限不是容量保证。
+即使 eager 返回正确答案也不能视为稳定通过。默认已限制为 131072；这仍不是多路满长并发或长期稳定性的保证。
 详见 [长上下文测试报告](docs/context262k-results.md)，其中包含资源证据、受影响服务和恢复记录。
 
 ## 文件说明
@@ -114,3 +115,8 @@ python3 scripts/summarize-benchmark.py benchmark.jsonl
 
 Nsight 已确认图重放生效，短回答约提升 4.5%；长输入预填充未被当前小尺寸图覆盖，
 GPU 活动本已接近连续。详见 [性能剖析报告](docs/cuda-graph-profile.md)，包括 PLE 等待/查表区分及原始证据摘要。
+
+## 运维与证据入口
+
+[当前基线与文档索引](docs/README.md) · [Spark 目录、归档与更新流程](docs/operations.md)。
+历史报告保留测试当时的 262K 参数；它们不覆盖当前默认配置。