-
服务器意外重启后 raylight/h3-console 全灭才发现之前没有任何开机自启配置， 补上三个 unit（raylight.service 只管开机拉起一次，两个 h3-console 实例走 Restart=on-failure），详见 CHANGELOG。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
watchdog.sh按step字段判断denoise是否卡死，但没考虑到step到达total_steps(采样跑完)后 还有VAE解码+存盘这段没有独立进度信号的尾巴，step会停在最终值不变。这段被并入denoise 阶段的10分钟宽限，实测至少一个1344×768长帧数案例这个阶段本身就超过608秒，被误判卡死、 自动整机重启，打断了h3-showcase批量重跑中5个正在跑/排队的任务。修复：给这个阶段单独 一档30分钟宽限(STALL_LIMIT_POSTPROC)。已部署重启watchdog，被打断的5个任务已重新提交 (新任务ID同步进h3-showcase-cases.md)。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
/health 之前只读 STATE["model"]（worker()线程启动时设一次"ready"，之后再不更新）， 一次OOM把ComfyUI(8188)进程本身搞崩溃退出后，server.py这层壳没死，/health继续骗人报 ready近20分钟，期间提交的任务全部秒失败(ConnectError)才被人工发现。改成每次/health都 真的探测一次8188(GET /system_stats，2秒超时，跟start.sh自己的就绪检测用同一个端点)。 不解决actor崩溃不自愈本身（上游代码问题），只是让崩溃能被更快发现。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
排查用户重跑的ref2va任务(1344×768×362帧×3参考图)时发现同一配置当天5次提交4次失败， 查到已有的分辨率/帧数安全上限sweep表全部是0参考图(partition:text)测出来的，从没验证过 带参考图时是否成立。这次任务的真实失败根因是FSDP初始化阶段GPU2/GPU3 OOM（不是一直以来 "GPU0先炸"的老结论），证实带参考图的conditioning张量广播到每个FSDP rank后显存开销明显 更高。写进 raylight/README.md 已知限制第1条、raylight/notes.md、CHANGELOG.md。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
重置显存：raylight/server.py 加 /admin/reset-gpu（不挂在具体任务上的通用硬重启入口，应对 actor崩溃不自愈、显存卡在高位但JOBS里没有running任务的情况）。h3-console/server.py 加对应 代理端点 + 一个25秒的"重置中"窗口锁——硬重启期间端口直接连不上，提交新任务只会拿到一个费解 的连接失败，改成明确的409告诉用户还要等多久。前端加"重置显存"按钮，触发后禁用提交按钮、 轮询/health直到真正恢复。停止运行中任务(cancel)同样会触发这个锁。 下线旧接口：排查一次OOM发现GPU1被另一进程占着——另一个并发会话手动拉起了旧的 minimax-h3/gateway.py+api.py四个worker，测试他们改的代码，跟raylight抢卡。按端口停掉， 停了两次都被重新拉起（没有cron/systemd/supervisor在自动重启，是手动执行start-all.sh）， 所以把start-all.sh/start-gateway.sh改名成.disabled-20260824，留DISABLED-README.md说明 原因和恢复方法，代码权重都没删。 顺带查到两处过期文档：LLM(llm38)容器实际6天前就已经Exited了，qwen.wudaima.com早就打不通， 不是本次操作停的；"（常驻）whisper GPU3"这条也是过期信息，当时机器上根本没有whisper进程， 实际常驻的是stable-diffusion-webui-forge和一个embedding服务，跟本仓库两条工作线都无关， 已经一并停掉。CLAUDE.md/CHANGELOG都同步更新了。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
之前撞过好几次 CUDA OOM，事后查 nvidia-smi 才发现是别的工作负载（比如旧 minimax-h3 四卡 worker）在偷偷抢显存，提交任务前完全看不出来。raylight/server.py 的 /health 新增 gpus 字段 （直接读 nvidia-smi，不缓存），console 的 /v1/backends 是纯透传所以不用改，前端在原来的 "后端: ready/排队/运行中"下面加每张卡的显存占用(GB)/百分比/利用率，超过18GB标⚠。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
排队/取消：新增 cancelled 状态区分"排队未跑就被取消"和"运行中被打断"；运行中任务现在能点 "停止"——实测确认 ComfyUI 的 /interrupt 打断不了 Raylight 的 Ray 子进程（打断前后 GPU 一直 100%利用率），唯一办法是硬重启整个服务，已实测两种场景（初始化阶段/满载采样阶段）都能正确 收回 GPU。 参考视频/音频：GenReq 加 reference_video_urls/reference_audio_urls，用 ComfyUI 核心节点 LoadVideo→GetVideoComponents 接参考视频（自动带上视频自己的音轨），LoadAudio 接独立音频。 console 上传接口按类型分级限流，"多参考图生视频"tab 加对应上传框，task.html 的参考图/视频/ 音频现在都能直接预览播放（不再只显示文件名），不再需要跳出去看。 顺带修复：报错文本截取从头/尾盲截改成直接定位"XxxError: ..."模式，不会再被 traceback 里的 超长张量 dump 淹没掉真正的报错原因；console 自己的 partition 判断补上新字段，跟 raylight 那份 保持一致。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
整理飞书 H3 使用手册的 26 个官方示范案例（docs/todo/h3-showcase-cases.md，含提交状态追踪）， 补充提示词方法论（raylight/h3-prompt-guide.md，含电影摄影术语表、diegetic/non-diegetic 声音分层框架）、跨模型调研（raylight/deep-research-cinematic-prompt.md）和提示词质量打分 benchmark（raylight/h3-prompt-benchmark.md），CHANGELOG 记录本轮踩的坑（自评分数虚高、 避雷词换句式复发、提示词时长要跟实际frames对齐）。配套的 h3-prompt-writer skill 在 .claude/skills/ 下，按项目约定被 gitignore，不随此提交进库。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
-
用 Turing 版 SageAttention2 替换 TORCH_MATH 后端，解开了之前反复出现的 832×480×124帧/ 448×256×362帧/1024×576×60帧 OOM；又修复了 asyncio.CancelledError 被 contextlib.suppress (Exception) 漏接导致任务卡死在 running 的根因 bug。基于修复后的完成检测，实测出 4 个分辨率 的真实 CUDA OOM 上限（448×256 是画质上限，非显存上限），写进 server.py 的提交校验和 console 的分辨率/时长下拉联动，超上限请求直接拒绝而不是排队后才失败。详细过程和数据见 CHANGELOG.md 和 raylight/notes.md。 Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>