CLAUDE.md 9.95 KB

Edit Raw Blame History


CLAUDE.md
本目录是公司 GPU 服务器 192.168.110.67（4 × RTX 2080 Ti 22G）的工作区。真正的服务和模型都在那台远程机器上，这里只放手册、脚本和记录。

目前有两条并行的工作线：


目录
工作线
状态


llm-setup.md / deploy-scripts/ / CHANGELOG.md
LLM 推理服务（llama.cpp，对外 8000 端口）
Qwen3.8-27B 已上线


minimax-h3/
MiniMax-H3 FL2VA 文生视频+音频（NF4 量化，sm_75）
探查/调试中


两条线共用同一批 GPU，改动前先 nvidia-smi 看余量——LLM 服务常驻约 29 GB / 88 GB，剩下的才是可用的。下面第「硬件的三条硬限制」一节对两条线都适用（尤其 bf16 不可用这条，minimax-h3/scripts/probe-turing-caps.py 就在探这个）。
接入
ssh admin@192.168.110.67        # 密码 P@ssw0rd


没装 sshpass。建议用 ControlMaster 复用连接（socket 路径必须短，否则超 Unix domain socket 长度限制）：
# 一次性建连（用 expect 喂密码），之后所有命令走复用 socket 免密
ssh -o ControlMaster=yes -o ControlPath=~/.ssh/cm67 -o ControlPersist=30m -N admin@192.168.110.67 &
ssh -o ControlPath=~/.ssh/cm67 admin@192.168.110.67 '<命令>'


sudo 用 echo "P@ssw0rd" | sudo -S -p "" <命令>。注意 /data 是 root 属主，admin 直接 mkdir 会失败。

不在公司局域网时（在家、出差），192.168.110.67 连不通，见 remote-access-from-home.md——
公网 HTTP 隧道（qwen.wudaima.com）能用，但公网 SSH 隧道（22→6000）2026-08-21 实测不通，
详见该文档和 docs/todo/ssh-public-tunnel-broken.md。
先读这个
HANDOFF.md 是每次进来的入口——现在是什么状态、哪些服务停着、下一步该干什么、
已经踩过哪些坑。它比本文件更新得勤，因为它记的是"此刻"。
权威文档
llm-setup.md 是这台机器的完整运维手册——模型清单、启动命令、显存核算、回滚流程、FRP/nginx 映射、硬件限制全在里面。动手前先读它，不要凭记忆回答。

⚠️ 本地这份是服务器上 /home/admin/llm-setup.md 的副本，两边会漂移。 以服务器上那份为准（SSH 进去的人读的是它）。同步：
# 从服务器拉最新
ssh -o ControlPath=~/.ssh/cm67 admin@192.168.110.67 'cat /home/admin/llm-setup.md' > llm-setup.md
# 推回服务器（改完本地后）
cat llm-setup.md | ssh -o ControlPath=~/.ssh/cm67 admin@192.168.110.67 'cat > /home/admin/llm-setup.md'

硬件的三条硬限制
细节见 llm-setup.md 第二、三节，这里只列最容易白费功夫的：


4 × RTX 2080 Ti = Turing / compute capability 7.5。装不了 FP8 模型（原生需 Ada 8.9+，vLLM 的 fp8_marlin 回退也需 Ampere 8.0+），不支持 bf16。
LLM 走 GGUF + llama.cpp 是唯一实际路径。扩散/视频模型不受此限——PyTorch + bitsandbytes NF4 在 sm_75 上实测可用，见 minimax-h3/。
bf16 的坑比想象中深：sm_75 上 bf16 没有任何高效 attention kernel，PyTorch 不报错、静默掉到 MATH 后端物化整个注意力矩阵，长序列表现为莫名 OOM。全链路改 fp16 才行。
llama.cpp build 有下限。qwen35 架构需 ≥ b10450，低于此加载正常、显存正常、tok/s 正常、但输出全是乱码。上线前必须 --version 查 build 号。
网络：huggingface.co 与 ghcr.io 的 blob 层都不通，改用 hf-mirror.com 和 ghcr.nju.edu.cn。出口带宽约 5.9 MB/s 封顶，并行下载不会更快，只会互相抢——下载必须用 curl -C - 断点续传 + setsid nohup 脱离 SSH 会话。

目录约定（迁移工作内容时按此放）
一个工作负载一个顶层目录，目录名 = 服务/模型的短名。目录内固定三样：
<workload>/
  README.md      # 这个负载是什么、跑在哪张卡、怎么起、怎么停、怎么回滚
  scripts/       # 服务器上对应目录的副本（保持文件名一致，方便双向 diff）
  notes.md       # 可选：踩坑记录、被推翻的假设、实测数据


顶层只放跨负载的东西：本文件、CHANGELOG.md（按时间倒序，一次变更一节）、llm-setup.md（整机手册）。

迁移进来的工作必须补三件事，否则等于没迁：


在下面「当前负载」表里加一行（占哪张卡、多少显存、对外端口）。
在 CHANGELOG.md 顶部加一节，写清结果、被推翻的假设、实测数据——CHANGELOG 的价值在踩坑记录，不在流水账。
说明脚本对应服务器上的哪个绝对路径。本地全是副本，服务器上那份才是运行的那份，会漂移。

当前负载


目录
跑什么
卡
显存
对外


deploy-scripts/
Qwen3.8-27B-Q5_K_M（llama.cpp，容器 llm38）
0-3 分片
57.3 GB（256K 上下文，2 槽位）
8000 → qwen.wudaima.com


minimax-h3/
MiniMax-H3 FL2VA/Ref2VA NF4 文生视频，api.py 常驻四实例（GPU0-3，端口 8010-8013）+ gateway.py 调度层（端口 8000）
四卡各一进程
单卡 fp32 峰值约 9-14 GB（视时长/分辨率），另占 CPU 内存约 32 GB/worker
8000（内部，gateway.py）


h3-console/
H3 Web 管理台：上传/生成/预览三界面 + 任务持久化 + fl2va/ref2va 弹性调度器。两个进程共享同一份 sqlite/assets：8080（局域网直连，BASE_PATH 空，开弹性调度器）+ 8081（H3_CONSOLE_BASE_PATH=/console，不开调度器，专供公网子路径用）
不占显存（自己不跑模型，管理 minimax-h3 的四卡）
—
局域网 http://192.168.110.67:8080；公网 http://qwen.wudaima.com/console（frp locations=/console 分流，gateway.wudaima.com 那条独立域名确认走不通，缺口在 frp 服务端 60.205.214.169，见 CHANGELOG）


（常驻）
whisper
GPU3
3.2 GB
—


排卡前先 nvidia-smi 看实际余量：GPU3 被 whisper 占着，llama.cpp 默认 tensor-split 按总显存而非剩余显存均分，起新负载不加 -ts 容易把公网服务挤 OOM。

⚠️ 2026-08-18 上下文提到 256K 后余量大幅收紧：四卡合计已用 61.4 / 88 GB，只剩约 26 GB，GPU2 最紧只剩 5.4 GB。minimax-h3 按「空闲显存 − 2 GB」自适应，等于它的可用显存被同步压缩了。两条线同时跑之前先看 nvidia-smi。
部署脚本
deploy-scripts/ 下是服务器 /home/admin/qwen38-deploy/ 的副本：


脚本
作用


cutover.sh
切换到 Qwen3.8（校验完整性 → 停旧容器 → 起新容器 → 等健康）


restore.sh
一键回滚到 Qwen3.6，约 3-5 分钟


download.sh
断点续传下载模型


pull2.sh
从 NJU 代理拉镜像并 retag


ctx256k.sh
把单请求上下文切到 256K（旧容器改名保留，失败自动回滚）


ggufmeta.py
读 GGUF 元数据（查模型原生上下文上限、层数、KV 头维度）——别凭记忆猜上下文上限，跑这个


回滚依赖三样东西，都不要删：镜像 tag llamacpp-rollback:b9570、模型文件 /data/models/Qwen/Qwen3.6-27B-GGUF/、脚本 restore.sh。
MiniMax-H3 脚本
minimax-h3/scripts/ 对应服务器 /data/models/minimax-h3/scripts/（run.sh 在
/data/models/minimax-h3/run.sh）。权威文档是 minimax-h3/README.md——为什么官方示例
照抄跑不起来、Turing 的 dtype/attention/量化实测结论、多卡为什么只能做独立 worker。

其中 probe-*.py 四件套是当初得出兼容性结论的探测脚本。
换硬件或升级 torch / bitsandbytes 后，先跑这四个再动别的。
当前状态（2026-08-18）
对外服务 http://qwen.wudaima.com（仅 HTTP，无鉴权），经 FRP 指向本机 8000，跑 Qwen3.8-27B-Q5_K_M。

上下文：单请求 256K（--parallel 2 --ctx-size 524288，每槽 262144）。256K 是模型原生上限——GGUF 元数据 qwen35.context_length = 262144，不是 128K；早期文档里的 128K 是低估。已用 150K token 大海捞针实测通过（truncated=0）。代价是并发从 4 降到 2，且 256K 提示光 prefill 约 4.5 分钟。

回滚：docker rm -f llm38 && docker rename llm38_prev llm38 && docker start llm38（约 15 秒）。旧容器 llm38_prev 停着保留，稳定后再删（/ 只剩 29 GB）。

⚠️ 已知安全问题：公网可无鉴权直调 27B 推理；SSH 22 端口经 FRP 映射到公网 6000 且允许密码登录、admin 在 sudo 组。
这是一台测试机（2026-08-18 用户明确）
这台机器的用途就是测试各种模型，不是生产环境。 显存不够时直接停 llm38 给别的负载让路是允许的、也是预期做法，不需要为此设计复杂的共存方案。

这条推翻了本文件早期版本里「8000 是对公网服务的，停服务是对外可见动作」的前提。不要再把显存争抢当成需要精巧规避的约束——串行跑就行：
docker stop llm38     # 让出 ~57 GB，四卡各回到约 21 GB 空闲
# ... 跑 minimax-h3 / 别的模型 ...
docker start llm38    # 跑完起回来，约 15 秒


副作用：这样测出来的数字才是干净的（不被抢占扭曲），比在争抢状态下测更有参考价值。
操作纪律

改动线上服务前先确认回滚路径可用。停服务本身不敏感（测试机），但起不回来会很麻烦。
大文件下载和镜像拉取一律后台跑（setsid nohup），不要占着前台等。
不要凭记忆回答这台机器的事。 先读 llm-setup.md 和 CHANGELOG.md——里面记的坑（build 号下限、FP8 不可行、MTP 不激活）都是已经花过时间验证的，重复踩一遍是纯浪费。
多个进程可能同时在这个目录里干活。改共享文件（本文件、CHANGELOG.md、llm-setup.md）用追加/局部编辑，不要整文件覆写。