b3165a1d3c
- deploy_glm53_605.sh：配置 A 生产标准（60.5 在役，全 8 台 md5 fcd9109b 一致），
支持 MEMFRAC/STEPS/TOPK/DRAFT/CHUNK/EXTRA/RESTART 调参；场景二高并发变体
仅改 mrr32 + decode 图 bs{4,8,12,16}（KV 池 16.4 驻留上限）
- deploy_glm53_optimal(_s1).sh：配置 B TP4PP2+IndexCache（场景二最优 +41~79%；
s1 形态唯一差异 radix-on）
- deploy_glm53_607_exp.sh + car_patch/：E7b custom-AR 1stage 补丁（cc1 decode
每步 -14~-16%，实验性仅 cc1-2 验证；补丁文件与 60.7:/root/patches md5 一致）
- deploy/profiles/pro6000/：两个标准 profile（sskj.deploy 可消费），关键踩坑
与场景二变体、parser 缺口均在注释中标注
44 lines
2.4 KiB
Bash
44 lines
2.4 KiB
Bash
# GLM-5.3-NVFP4 SGLang TP=4 PP=2 + IndexCache deployment profile (single RTX 6000D node).
|
||
# 场景二（16k 独立输入、cc8-32、prefill 主导）最优配置：吞吐 +41~79%、cc32 TTFT 减半
|
||
# （对比 TP8+EAGLE 生产配置，2026-09-07 真实语料基线）。
|
||
# 可执行部署脚本：experiments/pro6000/glm53_nvfp4_pro6000d_sglang_dual_scenario_bench/scripts/deploy_glm53_optimal.sh
|
||
#
|
||
# 关键点（实测踩坑，勿随意改）:
|
||
# - index_topk_freq=4 为模型原生默认（层轴索引复用省 75% indexer，无质量损失）
|
||
# - 禁投机解码：PP2 与投机框架不兼容（已实测）
|
||
# - 本文件为场景二形态（--disable-radix-cache，独立输入无前缀复用）；
|
||
# 场景一 90% 命中对比须启用 radix（唯一差异：去掉 --disable-radix-cache，
|
||
# 见 deploy_glm53_optimal_s1.sh）
|
||
# - mem 0.85：0.90 下 cuda graph 捕获余量不足会运行时 OOM（KV 池 569,600 = TP8 的 2.06 倍）
|
||
# - --disable-custom-all-reduce：TP4 over PCIe 用自定义 AR 在本栈无收益
|
||
# - 已知缺口：未带 --tool-call-parser glm47 --reasoning-parser glm45，质量门 6/7
|
||
# （tool call 失败纯属参数缺失，非模型问题）；上生产必须补 parser
|
||
# - 场景一（90% 命中低并发）该配置全面劣于 TP8+EAGLE（输出吞吐 −25~−65%），勿混用选型
|
||
|
||
PLATFORM=pro6000
|
||
EXPERIMENT=glm53_nvfp4_pro6000_sglang_tp4pp2_indexcache
|
||
MODEL_NAME=GLM-5.3-NVFP4
|
||
ENGINE=sglang
|
||
RUNTIME=docker
|
||
DOCKER_IMAGE=lmsysorg/sglang:nightly-dev-20260828-daf63171
|
||
CONTAINER_NAME=glm53-nvfp4
|
||
MODEL_PATH=/data/hf_models/GLM-5.3-NVFP4
|
||
SERVED_MODEL_NAME=/data/hf_models/GLM-5.3-NVFP4
|
||
PORT=30000
|
||
HEALTH_PATH=/health
|
||
HEALTH_WAIT_S=2400
|
||
CONTAINER_PYTHON=python3
|
||
|
||
TP=4
|
||
DP=1
|
||
|
||
DEVICE_VARS="CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7"
|
||
ENGINE_ENV="PYTHONUNBUFFERED=1 HF_HUB_OFFLINE=1 TRANSFORMERS_OFFLINE=1"
|
||
|
||
DOCKER_FLAGS="--gpus all --ipc=host --shm-size 64g --entrypoint '' -p ${PORT}:${PORT}"
|
||
VOLUMES="/data/hf_models:/data/hf_models:ro"
|
||
|
||
BOOTSTRAP="exec python3 -m sglang.launch_server ${LAUNCH_ARGS}"
|
||
|
||
LAUNCH_ARGS="--model-path ${MODEL_PATH} --tp-size ${TP} --pp-size 2 --mem-fraction-static 0.85 --max-running-requests 48 --disable-radix-cache --disable-shared-experts-fusion --moe-runner-backend flashinfer_cutlass --disable-flashinfer-autotune --disable-custom-all-reduce --chunked-prefill-size 16384 --json-model-override-args '{\"index_topk_freq\": 4}' --host 0.0.0.0 --port ${PORT}"
|