498e333730
60.4 经授权清退外部 vllm 评测流水线（tmux mas / run_multiseed.sh 链，--resume 可续跑） 后部署 D 生产配方复刻：TP2/PP4/mem0.85/MRR48/chunk16384/radix-off/无投机， restart=unless-stopped，health 200 + 生成冒烟通过。启动脚本 60.4:/root/deploy_s2_test_604.sh （基于 exp602/deploy_s2_test.sh，唯一改动 restart 策略）。
4.2 KiB
4.2 KiB
现役部署状态页（live 核验于 2026-09-08）
本页记录 174.1.60.x 集群"现在跑的是什么"。改动机器前后先读这页； 任何变动（停/起/改配置）完成后必须更新本页。核验命令：
docker ps+nvidia-smi。
机器状态（2026-09-08 实测）
| 机器 | 在役 | 口径 / 归属 | 对应 profile |
|---|---|---|---|
| 60.1 (6000D-1) | glm53-pp4（Up，8 卡满载，:30000） |
方案 D 生产。09-08 PD 压测窗口停机 ~2.5h 后已恢复并核验 | profiles/pro6000/glm53_nvfp4_pro6000_sglang_tp2pp4.env |
| 60.2 (6000D-2) | glm53-nvfp4 实验容器（09-08 晚 TP1PP8 phase，run_phase.sh 实验链进行中） |
他人实验进行中，勿动（方案 F PD 链已拆除；GPU7 曾有外部裸金属任务）。动卡前仍先核实归属 | profiles/pro6000/glm53_nvfp4_pro6000_pd_{prefill→decode 侧}.env |
| 60.3 | 无容器，但 8 卡被外部裸金属训练占用（/data/mas/larm，09-08 晚实测） |
外部任务，勿动（此前台账漏记） | — |
| 60.4 | glm53-nvfp4（Up，:30000，restart=unless-stopped，09-09 部署） |
TP2PP4 GLM-5.3-NVFP4 在役（60.1 方案 D 生产配方复刻：TP2/PP4/mem0.85/MRR48/chunk16384/radix-off/无投机/SM120 三件套/disable-custom-all-reduce/index_topk_freq=4，镜像 nightly-dev-20260828-daf63171；health 200、生成冒烟通过）。09-09 经授权清退外部 vllm 评测流水线（tmux mas 的 run_multiseed.sh 链，带 --resume 可续跑）后部署；启动脚本 /root/deploy_s2_test_604.sh（基于 exp602/deploy_s2_test.sh，唯一改动 restart=unless-stopped）。旧 dsv4_scan 容器仍在盘（Exited） |
profiles/pro6000/glm53_nvfp4_pro6000_sglang_tp2pp4.env（同 60.1 D 口径） |
| 60.5 | glm53-nvfp4（Up 29h） |
NVFP4 团队生产（deploy_glm53_605.sh，md5 fcd9109b）。生产机铁律：不实验、不重启、不覆盖脚本 | profiles/pro6000/glm53_nvfp4_pro6000_sglang_tp8eagle.env（方案 A 口径） |
| 60.6 | 无容器，但 8 卡被外部裸金属实验占用（/data/hzy/sparse-opd-*，09-08 晚实测） |
外部任务，勿动（此前台账漏记） | — |
| 60.7 | 基本空（4 卡仍有 /home/user/dirA_exp 外部小任务，09-08 晚实测） |
09-08 已拆除清空（方案 F 前身单机实验 + 场景一深优资产留盘），不再恢复 | — |
| 60.8 | glm53-nvfp4（Up，:30000，restart=unless-stopped） |
r37 PP+MTP verify-graph 口径在役（09-08 深夜取代 A16：TP4PP2 + EAGLE 3/1/4 + verify CUDA graph + draft eager + de-GLOO + SYNC_MASK=127，9 挂载文件，启动 bash /root/deploy_ppmtp_r37.sh '--tp 4 --pp-size 2 --disable-overlap-schedule --max-prefill-tokens 16384' mtp 8192 0.88 1 1 0 0）。质量门 7/7 ×2、conc_test×3、killer×6 零崩溃；killer cc16 双种子 63.8/64.7s vs A16 105.6/96.0s（-40%）、TPOT 41.5/39.3ms、TTFT 33s vs 58-61s（近乎减半）。修复根因=pre-planned 早退路径缺 pp_proxy 补拷（详见 experiments/pro6000/glm53_ppmtp_r37_verify_graph/）。A16 切回脚本 deploy_glm53_605.sh 留盘；sglang_patch2/eagle_worker_common.py 已升级 bisect 版（"1"/"0" 语义兼容） |
experiments/pro6000/glm53_ppmtp_r37_verify_graph/（patches+scripts+results 全量）；前史 experiments/pro6000/glm53_ppmtp_r36_degloo/ |
方案 A-F 一览（GLM-5.3-NVFP4 @ pro6000，2026-09-08 双场景报告口径）
| 方案 | 一句话 | profile / 脚本 |
|---|---|---|
| A | TP8 + EAGLE，基准；60.5 生产口径 | glm53_nvfp4_pro6000_sglang_tp8eagle.env |
| B | TP4 PP2 | glm53_nvfp4_pro6000_sglang_tp4pp2.env |
| C | TP4 PP2 + IndexCache(freq=4) | glm53_nvfp4_pro6000_sglang_tp4pp2_index.env |
| D | TP2 PP4；60.1 生产在役 | glm53_nvfp4_pro6000_sglang_tp2pp4.env |
| E | TP8 + DFlash2 投机 | glm53_nvfp4_pro6000_sglang_tp8dflash2.env |
| F | PD 分离双机链（mc-master→prefill→decode→router） | glm53_nvfp4_pro6000_pd_{master,prefill,decode,router}.env + deploy/PD_CHAIN.md |
压测数据：飞书《GLM-5.3-NVFP4 双场景压测报告》（SZUSdEqY1oRVxGxgILBcHqPJnEc）。
防漂移
每个在役容器用 deploy/verify_profile.sh <profile.env> 定期核验（镜像 digest + 启动参数 +
端口），发现不一致 = 容器被人手改过，先查清归属再处理。