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。来自 2026-09-17 的实际部署：262144 上下文上限、MTP 2 tokens、OpenAI 兼容 API。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。 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。已验证短问答和工具调用；未压测完整 262K 输入。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。

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	262144 tokens
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。 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

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 262K + MTP，只关闭前缀缓存
./scripts/start.sh no-prefix
# 恢复默认 262K + 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。

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 模型页为准。第三方代码按其原许可证使用，见第三方声明。

复测优化

./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。

4.9 KiB Raw Blame History Unescape Escape