# Qwen3.8 Flash Next NVFP4 on DGX Spark

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。
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。

> 这是针对固定 nightly 的社区适配，非 NVIDIA/vLLM 官方支持方案。
> 已验证短问答、工具调用及有限的 128K 单请求检索；接近 260K 已触发主机 OOM。仅适用于此模型、单 GPU / ETP=1。

## 快速开始

需要 Linux ARM64、GB10、Docker Compose（支持 `gpus: all`）、NVIDIA Container Toolkit，
以及至少约 150 GiB 的模型下载空间，另留 Docker 镜像和缓存空间。
实测驱动为 580.173.02。首次启动约需 10–13 分钟。

```bash
cp .env.example .env
# 编辑 .env：模型缓存目录、现有 API Key 文件、代理和端口
# API_KEY_FILE 指向非空的纯文本密钥文件，不把密钥写入 .env。
./scripts/download.sh
./scripts/build.sh
./scripts/start.sh
./scripts/wait.sh
./scripts/test.sh
```

已有 Hugging Face 缓存时，`HF_CACHE_DIR` 应指向包含 `hub/` 的目录。
下载脚本固定模型 revision，支持断点续传；服务离线读取该快照。
已有本项目所固定的基础镜像时，可在 `.env` 设置 `BASE_IMAGE=local/vllm-base:0bfc7a15`。
请先核实本地 tag 对应 [版本清单](docs/provenance.md) 中的 digest，不能用任意 nightly 替代。

API 地址：`http://<Spark-IP>:8000/v1`；模型名：`qwen3.8-flash-next`。
使用 `Authorization: Bearer <已有密钥>`。代理仅供模型下载/容器出网使用。

## 当前配置

| 参数 | 设置 |
|---|---|
| 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 |
| GPU 内存比例 | 0.80 |
| KV 精度 | auto（本配置为 BF16） |
| 执行 | eager，未启用 CUDA Graph |
| Prefix caching | 开启，含 Mamba 块对齐修正 |
| API | 8000，启用密钥、reasoning parser、工具调用 |
| 自动重启 | unless-stopped |

0.80 留出的内存供系统和 PLE 文件缓存使用，并非浪费。
增加 KV 分配会挤占页缓存，不一定提高响应速度，见 [内存说明](docs/architecture.md)。
`mem_limit: 112g` 沿用实测配置；统一内存/CUDA 占用不能只用 Docker stats 判断，需结合主机内存。

## 运维与回退

```bash
docker compose logs -f vllm
docker compose ps
docker compose stop vllm
# 切换为已验证的 32K、不启用 MTP 的基础配置（会重建服务）
./scripts/start.sh baseline
./scripts/wait.sh
./scripts/test.sh
# 保持 128K + MTP，只关闭前缀缓存
./scripts/start.sh no-prefix
# 恢复默认 128K + MTP + 前缀缓存
./scripts/start.sh
```

首次迁移到本项目时，先停止旧部署中占用同一端口/模型内存的服务；不要并行启动两份。
项目脚本不会自动停止 MinerU 或其他业务容器。原部署的容器与回退配置可以保留。

`tests/test_disk_adapter.py` 验证 FP8 字节、边界/重复索引、缩放、原始哈希和 torch.compile。
可用 `scripts/test-adapter.sh` 单独执行，需要真实 CUDA GPU 和额外内存。
该测试通过不代表完整模型的 CUDA Graph 已验证。

## 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。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

- `Dockerfile`：固定基础镜像，安装 PLE 适配、两项 GB10 FLA 修改及 Mamba 缓存块对齐修正。
- `patches/`：针对当前 nightly 的适配层。
- `vendor/`：保持原样的社区 mmap 代码及许可证。
- `configs/baseline-32k.yaml`：基础配置的 Compose override。
- `docs/optimization-results.md`：基准比较、缓存正确性与未采用的图执行实验。
- `docs/cuda-graph-retest.md`：2048 输出预算下的图执行复测、失败样本及验证边界。
- `experiments/graph/`：通过有限复测但未采用为默认的图执行实现与复现说明。
- `docs/validation.md`：实测结果和未验证边界。
- `docs/troubleshooting.md`：故障依据、上游修复与排查步骤。
- `docs/provenance.md`：模型/镜像/第三方源码的固定版本和校验值。

`.env`、密钥、权重、日志、运行缓存均不提交。仓库不包含模型权重；模型使用条件以
[NVIDIA 模型页](https://huggingface.co/nvidia/Qwen3.8-Flash-Next-NVFP4) 为准。
第三方代码按其原许可证使用，见 [第三方声明](THIRD_PARTY_NOTICES.md)。

## 复测优化

```bash
./scripts/benchmark.sh current > benchmark.jsonl
python3 scripts/summarize-benchmark.py benchmark.jsonl
./scripts/test-prefix.sh
```

测试只使用合成输入。方法、首字时间口径与小样本限制见 docs/benchmark-method.md。

## CUDA Graph 性能剖析

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。