82 lines
4.7 KiB
Markdown
82 lines
4.7 KiB
Markdown
# 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 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)。
|
||
|
||
## 仓库导航
|
||
|
||
- `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 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。
|
||
|
||
本仓库不保存 SSH 密码、API key、私有代理配置、模型权重或运行缓存。
|
||
|
||
## 调用
|
||
|
||
- OpenAI 兼容 Base URL：`http://172.16.104.92:8000/v1`
|
||
- 模型名：`qwen3.8-flash-next`
|
||
- API key：服务器 `/data/flash-next/project/secrets/api-key`，不纳入项目。
|
||
- 健康接口：`/health`；业务接口需要 Bearer API key。
|
||
- 131072 token 是输入、思考和最终输出的总预算。图片和视频也消耗上下文和计算资源。
|
||
|
||
在服务器执行以下示例，不会将密钥写进脚本：
|
||
|
||
```bash
|
||
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': '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
|
||
```
|
||
|
||
图片和视频请求示例见 `scripts/multimodal.py`，使用 `image_url` 和 `video_url` 内容块。
|
||
|
||
## 固定版本
|
||
|
||
- 官方 vLLM commit：`0bfc7a15d095fe83ecc82b50561a93c177fece2d`，镜像 digest 写在 Dockerfile。
|
||
- NVIDIA 模型 revision：`fc694b54fb0174e0913e6adf86691ef85a4ead47`。
|
||
- 11 个 safetensors 文件全部通过 SHA256 校验。
|
||
- PLE 保留原生 FP8 数据及缩放，常驻锁页 CPU 内存，通过 UVA 查表；本配置不使用磁盘 mmap PLE。
|
||
- 额外补丁仅两处 Mamba prefix block alignment 修复；修改前核对精确源码哈希，保留出处和许可证。
|
||
|
||
不要换成浮动 nightly 后继续沿用本项目的验收结论。
|
||
|
||
## 运维
|
||
|
||
服务器目录 `/data/flash-next/` 下，`project/` 是部署项目，`models/` 为权重，`cache/` 为缓存，`audit/` 和 `logs/` 保存验证证据。
|
||
|
||
```bash
|
||
cd /data/flash-next/project
|
||
docker compose build
|
||
docker compose up -d
|
||
docker compose logs --tail 100 -f
|
||
# 主动停止；unless-stopped 会尊重手动停止
|
||
# docker compose stop
|
||
```
|
||
|
||
Compose 默认绑定回环地址；服务器 `.env` 设置 `BIND_ADDRESS=0.0.0.0` 提供内网访问。API key 文件必须存在。新环境可参考 `.env.example`，在 `secrets/` 生成随机密钥，目录权限 0700、文件权限 0600。镜像和模型下载代理属于机器私有配置，不写入项目。
|
||
|
||
已移除本机旧 MinerU、旧 27B 容器、相关旧镜像和模型目录。保留操作系统、SSH、网络和已修复的 NVIDIA 驱动。DGX Spark 服务配置未改动。
|
||
|
||
## 复测
|
||
|
||
```bash
|
||
python3 scripts/acceptance.py --output /data/flash-next/audit/acceptance-new.jsonl
|
||
python3 scripts/long_context.py --tokens 128000 --output /data/flash-next/audit/context-new.jsonl
|
||
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、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)。
|