Qualify and enable MTP 2 with paired workload evidence and fallback

README.md

@@ -1,6 +1,6 @@
 # Qwen3.8 Flash-Next on RTX 6000D
 
-2026-09-18 已完成部署和验收。保留文字、图片、视频能力；采用 NVIDIA NVFP4 权重、原生 FP8 PLE 主机内存卸载、FP8 KV、128K 上下文及 FULL CUDA Graph。单个活动请求，MTP 暂不启用。
+2026-09-18 已完成部署和验收。保留文字、图片、视频能力；采用 NVIDIA NVFP4 权重、原生 FP8 PLE 主机内存卸载、FP8 KV、128K 上下文及 FULL CUDA Graph。单个活动请求，**MTP 2 已通过扩展配对验证并启用**，GPU 预算为 0.985。
 
 社区代码经过审计后仅作为参考，没有执行社区启动脚本或使用社区镜像。审计范围和取舍见 [源码审计](audit/source-review.md)，实测数据见 [验收结果](audit/results.md)。
 
@@ -8,7 +8,8 @@
 
 - `compose.yaml`、`Dockerfile`：已验收部署配置与固定镜像。
 - `patches/`：最小补丁、精确源码保护及许可证。
-- [MTP 实测](docs/mtp-test.md)：约 1.93 倍短输出吞吐，需要更高显存预算，暂不设为默认。
+- [MTP 完整验证](docs/mtp-qualification.md)：长解码提升约 58%–67%，98 个负载请求及两组各 7 个质量任务通过；包含缓存延迟取舍。
+- [MTP 初测记录](docs/mtp-test.md)：历史短测试和当时的暂缓决定，已由完整验证更新。
 - [部署心得](docs/lessons.md)：取舍、踩坑、优化方向及升级方法。
 - `scripts/`：功能、上下文、速度和资源验证工具。
 - `audit/runtime/`：2026-09-18 历史原始回执，不代表实时状态。
@@ -30,7 +31,7 @@ cd /data/flash-next/project
 python3 - <<'PY'
 import json, urllib.request
 from pathlib import Path
-body = {'model': 'qwen3.8-flash-next', 'messages': [{'role': 'user', 'content': '你好，请介绍一下自己。'}], 'max_tokens': 1024, 'reasoning_effort': 'low'}
+body = {'model': 'qwen3.8-flash-next', 'messages': [{'role': 'user', 'content': '你好，请介绍一下自己。'}], 'max_tokens': 1024, 'reasoning_effort': 'medium'}
 req = urllib.request.Request('http://127.0.0.1:8000/v1/chat/completions', data=json.dumps(body).encode(), headers={'Content-Type': 'application/json', 'Authorization': 'Bearer '+Path('secrets/api-key').read_text().strip()})
 print(json.load(urllib.request.urlopen(req, timeout=180)))
 PY
@@ -73,4 +74,8 @@ python3 scripts/long_context.py --tokens 128000 --output /data/flash-next/audit/
 python3 scripts/benchmark.py --output /data/flash-next/audit/benchmark-new.jsonl
 ```
 
-脚本拒绝覆盖同名结果。长上下文验证为固定位置检索及前缀复用；多模态验证为合成图片和短视频；不代表综合质量评测或长期压力测试。当前基线优先单请求和多模态能力，额外并发、MTP、更长视频应另行测试。
+脚本拒绝覆盖同名结果。长上下文验证为固定位置检索及前缀复用；多模态验证为合成图片和短视频；不代表综合质量评测或长期压力测试。当前基线优先单请求和多模态能力，额外并发、更大或更长的视频应另行测试。
+
+## 默认配置与回退
+
+当前 `compose.yaml` 为 MTP 2，实际运行器使用 FULL_DECODE_ONLY Graph。`compose.baseline.yaml` 保留无 MTP 的 0.96 GPU 预算配置。长生成优先使用 MTP；大上下文反复短问答可能更适合无 MTP，因为可复用 KV 容量更大。切换方法和完整证据见 [MTP 完整验证](docs/mtp-qualification.md)。