3.2 KiB
实机验收：2026-09-18
机器：172.16.104.92，RTX 6000D 85651 MiB 显存、247 GiB 主机内存、16 vCPU、VMware。驱动 595.91.07。锁页内存 H2D 复制实测 57.81 GB/s，不能用虚拟 PCIe 链路显示值代替实测。
最终基线
128K（131072 token）、FP8 KV、FULL CUDA Graph capture size 1、单活动请求、2048 prefill batch、GPU memory utilization 0.96；保留视觉编码器；不开 MTP。PLE 日志确认 weight_dtype=torch.float8_e4m3fn, weight_device=cpu, pinned=True。
模型 GPU 加载约 73.77 GiB。Graph 配置 KV 预算约 3.27 GiB，日志容量 218453 token；这不改变服务设置的 131072 token 上限。CUDA Graph 捕获成功，实际捕获日志约 0.05 GiB。KV 容量和显存预算不能直接外推为多请求或更大视频安全容量。
正确性检查
- 官方 PLE 组件测试：24 passed，26 deselected（未运行 fused 子集）。
- 官方 QSA sparse paged attention 数值测试：14 passed，58 deselected。
- 11 个模型 safetensors SHA256 全部匹配，合计约 123.568 GiB。
- 文字：中文固定回复、17×19；工具调用：get_weather/Shanghai，均通过。
- 图片：红色合成图识别通过。
- 视频：3 秒、9 帧红→绿→蓝视频识别通过。
- 32K BF16 eager、128K FP8 eager、128K FP8 Graph 三阶段验收通过。
- 128K Graph 检索实际输入 127988 token：首次首 token 14.141 秒、总计 14.887 秒；相同前缀复用首 token 0.454 秒、总计 1.214 秒。首 token 包含思考输出。
CUDA Graph 对照
同一编程提示，temperature 0、seed 6000、reasoning_effort low，强制 256 个输出 token（含 212 个思考 token）。每组一次预热、三次测量，单请求，无 MTP。
| 模式 | 解码速度中位数 | 首 token 中位数 |
|---|---|---|
| eager | 22.002 token/s | 0.111 秒 |
| FULL Graph | 77.115 token/s | 0.070 秒 |
约 3.505 倍。解码口径为 (completion_tokens - 1) / (响应结束 - 首 token)。固定长度用于公平计时，输出被截断，不作为该编程题质量评价。128K 首次预填充时间两组约 14.14 秒，Graph 提升主要出现在本次解码测试，不能解释为所有工作负载都提速 3.5 倍。
六次计时的正文和思考文本完全一致。最终启动后再次通过中文、数学、工具调用测试，内网健康接口 200、无鉴权模型接口 401，容器 healthy、自动重启策略 unless-stopped。最终监测 788 个采样中主机可用内存最低 172.743 GiB，未触发内存保护，主机 OOM kill 计数 0。
原始回执保存在 runtime/；服务器完整测试记录位于 /data/flash-next/audit 和 /data/flash-next/logs。
运维结论与边界
已修复缺失的 nvidia-utils-595-server，加载当前内核 NVIDIA 模块；CUDA 运算通过，无需为此次部署立即重启宿主机。已删除旧 MinerU/27B 相关容器、镜像和指定模型目录。
本次验收覆盖基本多模态、长输入检索、前缀复用和短时性能对照；没有完成长时间压力、并发请求或真实业务综合质量评估。默认不开 MTP，保留多模态及上下文预算。后续升级镜像、改变并发或启用 MTP 均需重新验收。