Honour vllm flags appended after the image, highest priority

Previously any arguments after the image in docker run were silently
dropped: entrypoint.sh never forwarded "$@", so
  docker run ... <image> --served-model-name mymodel
started fine but kept serving as llm with no warning.

- entrypoint.sh: forward "$@"; skip script-generated flags the user
  already provided so vllm never sees duplicate keys; strip those keys
  from EXTRA_ARGS when the command line also sets them
- precedence: command line > EXTRA_ARGS > same-name -e > detected default
- warn when --port / --served-model-name is overridden, since the host
  -p side and the client model field must change too
- README: document the three ways and their precedence

README.md

@@ -421,7 +421,30 @@ docker run -d --name gev-26b-decide \
 两个变体共用挂载点 `/models/gemma4`，靠 `config.json` 区分；TP / eager / 显存 / 并发数都不用传，入口脚本会自动判定（见第 3 节）。
 
 容器内端口恒为 80、模型名恒为 `llm`，所以两个变体可以复用同一个宿主端口 24396，串行切换时客户端不用改地址也不用改 `model` 字段。
-需要覆盖时加同名 `-e`，例如 `-e MAX_MODEL_LEN=16384`。
+### 覆盖参数：三种写法，优先级从高到低
+
+| 优先级 | 写法 | 例子 |
+|---|---|---|
+| 1 | 在镜像后面直接跟 vllm 参数 | `... gemma4-bi150:v0.1.0 --served-model-name mymodel` |
+| 2 | `-e EXTRA_ARGS="..."` | `-e EXTRA_ARGS="--max-model-len 16384"` |
+| 3 | 同名 `-e` | `-e MAX_MODEL_LEN=16384 -e SERVED_NAME=mymodel` |
+| 4 | 默认值 / config.json 检测 | 什么都不传 |
+
+三种写法都能生效，不会重复传参（脚本会跳过自己已经不需要传的项）。
+注意覆盖 `--port` 或 `--served-model-name` 时会打印 WARN，因为宿主机 `-p` 的右侧端口和客户端 `model` 字段也要同步改。
+
+```bash
+# 写法 1：镜像后直接跟参数（最符合 vllm 习惯）
+docker run -d --name gemma4-31b \
+  --entrypoint /usr/local/bin/gemma4-entrypoint.sh --workdir /opt/gemma4 \
+  --privileged --pid host --ipc host -v /dev:/dev \
+  -v /mnt/disk0/models/google/gemma-4-31B-it:/models/gemma4:ro \
+  --ulimit memlock=-1 --ulimit stack=67108864 \
+  -p 24396:80 \
+  -e CUDA_VISIBLE_DEVICES=15,14,13,12 -e MODEL_PATH=/models/gemma4 -e AUTO_DETECT=1 \
+  harbor.4pd.io/modelhubxc/xiejiahao/gemma4-bi150:v0.1.0 \
+  --served-model-name mymodel --max-model-len 16384
+```
 
 **注意**：并行跑两个变体时必须给不同的 `-p` 左侧端口，例如 `-p 24397:80`。
 

entrypoint.sh

@@ -63,11 +63,6 @@ MAX_IMAGES="${MAX_IMAGES:-4}"
 ENFORCE_EAGER="${ENFORCE_EAGER:-0}"
 EXTRA_ARGS="${EXTRA_ARGS:-}"
 
-EAGER_ARGS=()
-if [[ "${ENFORCE_EAGER}" == "1" ]]; then
-  EAGER_ARGS=(--enforce-eager)
-fi
-
 echo "============================================================"
 echo "Gemma 4 family (BI-V150 unified image)"
 echo "  model kind : ${MODEL_KIND}"
@@ -91,15 +86,83 @@ if [[ -n "${DETECTED_HOST_PORT_HINT}" ]]; then
 fi
 echo "============================================================"
 
+# ---------------------------------------------------------------- 用户参数
+# 优先级（高 -> 低）：
+#   1. docker run <image> 之后追加的 vllm 参数（"$@"）
+#   2. -e EXTRA_ARGS="..."
+#   3. -e 显式设置（SERVED_NAME / PORT / TP / MAX_MODEL_LEN ...）
+#   4. config.json 自动检测
+# 用户已经给了的 flag，本脚本不再重复传，避免 vllm 报 duplicate key。
+# 末尾参数的 flag 优先于 EXTRA_ARGS 里的同名 flag：把后者摘掉，避免 vllm 报 duplicate key。
+declare -A _CLI_FLAGS=()
+if (( $# > 0 )); then
+  for _t in "$@"; do
+    [[ "${_t}" == --* ]] && _CLI_FLAGS["${_t%%=*}"]=1
+  done
+fi
+
+EXTRA_FILTERED=()
+if [[ -n "${EXTRA_ARGS}" ]]; then
+  read -r -a _extra_tokens <<< "${EXTRA_ARGS}"
+  _skip=0
+  for _t in "${_extra_tokens[@]}"; do
+    if (( _skip > 0 )); then
+      _skip=0
+      continue
+    fi
+    if [[ "${_t}" == --* ]]; then
+      _name="${_t%%=*}"
+      if [[ -n "${_CLI_FLAGS[${_name}]:-}" ]]; then
+        # 该 flag 在命令行里也给了，跳过它（以及紧跟的取值）
+        [[ "${_t}" != *=* ]] && _skip=1
+        continue
+      fi
+    fi
+    EXTRA_FILTERED+=("${_t}")
+  done
+fi
+
+USER_TOKENS=("${EXTRA_FILTERED[@]}")
+if (( $# > 0 )); then
+  USER_TOKENS+=("$@")
+fi
+
+user_has() {
+  local want="$1" tok
+  (( ${#USER_TOKENS[@]} == 0 )) && return 1
+  for tok in "${USER_TOKENS[@]}"; do
+    if [[ "${tok}" == "${want}" || "${tok}" == "${want}="* ]]; then
+      return 0
+    fi
+  done
+  return 1
+}
+
+if (( $# > 0 )); then
+  echo "用户追加参数 : $*"
+  echo "（优先级最高，覆盖 -e 与自动检测）"
+  user_has --port && echo "  WARN: --port 会改变容器内监听端口，宿主机 -p 的右侧端口也要同步改" >&2
+  user_has --served-model-name && echo "  WARN: --served-model-name 已覆盖默认的 llm，客户端 model 字段需同步修改" >&2
+  echo "------------------------------------------------------------"
+fi
+
+SERVE_ARGS=()
+user_has --host || SERVE_ARGS+=(--host "${HOST}")
+user_has --port || SERVE_ARGS+=(--port "${PORT}")
+user_has --served-model-name || SERVE_ARGS+=(--served-model-name "${SERVED_NAME}")
+user_has --tensor-parallel-size || SERVE_ARGS+=(--tensor-parallel-size "${TP}")
+user_has --max-model-len || SERVE_ARGS+=(--max-model-len "${MAX_MODEL_LEN}")
+user_has --max-num-seqs || SERVE_ARGS+=(--max-num-seqs "${MAX_NUM_SEQS}")
+user_has --gpu-memory-utilization || SERVE_ARGS+=(--gpu-memory-utilization "${GPU_MEM_UTIL}")
+user_has --limit-mm-per-prompt || SERVE_ARGS+=(--limit-mm-per-prompt "{\"image\": ${MAX_IMAGES}}")
+if ! user_has --enforce-eager && ! user_has --no-enforce-eager; then
+  if [[ "${ENFORCE_EAGER}" == "1" ]]; then
+    SERVE_ARGS+=(--enforce-eager)
+  fi
+fi
+
 # shellcheck disable=SC2086
 exec "${VLLM_BIN}" serve "${MODEL_PATH}" \
-  --host "${HOST}" \
-  --port "${PORT}" \
-  --served-model-name "${SERVED_NAME}" \
-  --tensor-parallel-size "${TP}" \
-  --max-model-len "${MAX_MODEL_LEN}" \
-  --max-num-seqs "${MAX_NUM_SEQS}" \
-  --gpu-memory-utilization "${GPU_MEM_UTIL}" \
-  --limit-mm-per-prompt "{\"image\": ${MAX_IMAGES}}" \
-  "${EAGER_ARGS[@]}" \
-  ${EXTRA_ARGS}
+  "${SERVE_ARGS[@]}" \
+  "${EXTRA_FILTERED[@]}" \
+  "$@"