record 245k platform-equivalent benchmark

worklogs/decode_analysis_report_2026-07-14.md

@@ -949,3 +949,68 @@ ixsmi
 2. 在干净显存下重新验证 `max_num_batched_tokens=32768` 是否必然 OOM。
 3. 对官方相似负载做参数矩阵：`max_num_batched_tokens`、`gpu_memory_utilization`、`max_model_len`、`max_num_seqs`。
 4. 若参数调优收益不足，继续深入 `PREFIX_FLASH` 和 MoE routed expert 的 native/kernel 路径 profiling。
+
+## 2026-07-15：245K 平台等价配置验证
+
+### 重要启动细节
+
+远端手工测试时，不能从仓库根目录启动：
+
+```bash
+cd /root/data-disk-1/enginex-vllm-bi100-qwen36
+python3 -m vllm.entrypoints.openai.api_server ...
+```
+
+这样会优先导入仓库内未补丁的 `vllm/`，导致：
+
+```text
+KeyError: 'invalid tool call parser: qwen3_coder (chose from { hermes,internlm,llama3_json,mistral })'
+```
+
+平台 Dockerfile 只复制 `qwen3_6_scripts` 并执行 `patch_ops.sh`，不会复制仓库根目录的 `vllm/`，因此平台会使用补丁后的 corex vLLM。远端手工测试需要从 `/root` 或 `/workspace` 等非仓库目录启动，以匹配平台行为。
+
+### 245K 启动结果
+
+从 `/root` 启动平台等价配置成功：
+
+- `--max-model-len 245000`
+- `--max-seq-len-to-capture 245000`
+- `--enforce-eager`
+- `--max-num-batched-tokens 16384`
+- `--max-num-seqs 1`
+- `--tool-call-parser qwen3_coder`
+- `--reasoning-parser qwen3`
+- `--chat-template /workspace/chat_template_multi_system.jinja`
+
+启动后显存约为：
+
+- GPU0: 28.4GB
+- GPU1: 28.3GB
+- GPU2: 28.3GB
+- GPU3: 28.2GB
+
+说明 `--enforce-eager` 后 245K 正确性配置可以启动，但剩余显存空间已经很紧。
+
+### 245K 官方相似压测
+
+本地归档：
+
+- `worklogs/remote_results/2026-07-15-official-like-baseline/eager_245k_c1_r8_t256_cap40k.json`
+
+| 指标 | 100K 基线 | 245K 配置 | 目标 |
+| --- | ---: | ---: | ---: |
+| Success Rate | 100.00% | 100.00% | >= 99% |
+| Cache Hit Rate | 74.17% | 74.17% | >= 50% |
+| TTFT P90 | 9.803s | 24.886s | <= 5s |
+| Output TPS P10 | 5.825 | 5.532 | >= 20 |
+| Aggregate Output TPS | 5.789 | 4.631 | - |
+| Uncached Input TPS | 178.330 | 139.628 | - |
+| Cache TPS | 512.015 | 400.894 | - |
+| Weighted Throughput | 883.109 | 693.102 | >= 8000 |
+
+245K 配置满足上下文窗口正确性，但对当前小样本性能明显更差。后续优化策略：
+
+1. 平台提交配置保留 245K，以覆盖官方 235K+ 输入上限。
+2. 快速性能迭代优先用 100K/cap40K 官方相似数据，减少单轮成本。
+3. 确定有效优化后，再回到 245K 配置做确认。
+4. 当前离目标最大的差距仍是 prefill/cache 吞吐和 decode MoE 吞吐，而不是缓存命中率或请求成功率。