llama-4-bi150/README.md

# Llama 4 Scout / Maverick on Iluvatar BI-V150

在 16×Iluvatar BI-V150 32GB 上运行 Llama 4 Scout 与 Maverick 的统一 Docker 部署仓库。

> 本仓库合并自原先独立的 `llama4-scout-deploy` 和 `llama4-maverick-deploy`，
> 用一个镜像 + 两个运行预设替代两套重复的 Dockerfile。

- 基础镜像：`registry.iluvatar.com.cn:10443/customer/sz/vllm0.17.0-4.4.0-x86:v7`（vLLM `0.17.0+corex`）
- 一个镜像同时支持 Scout 和 Maverick；模型权重不打进镜像，运行时只读挂载
- 两个模型共用 Llama 4 chunked-attention 补丁；Maverick 额外使用 FP8 量化 / FP8 MoE 补丁
- CI 使用 ModelHub 标准 Gitea Actions：推送 `v*` 标签后构建、推送镜像并提交审核

| 模型 | 精度 | 并行 | GPU 数 | 默认端口 |
|---|---|---|---|---|
| `LLM-Research/Llama-4-Scout-17B-16E-Instruct` | BF16 | TP8 | 8 | 8091 |
| `LLM-Research/Llama-4-Maverick-17B-128E-Instruct-FP8` | FP8 | TP8 + PP2 | 16 | 8092 |

---

## 1. 目录内容

```text
llama4-bi150-deploy/
├── Dockerfile
├── entrypoint.sh
├── apply_patch.py              # 幂等应用全部 Llama 4 补丁
├── patches/
│   ├── 01_fp8_quant.patch      # Maverick FP8 量化
│   ├── 02_fp8_moe.patch        # Maverick FP8 MoE
│   ├── 03_llama4_chunked_attn.patch
│   └── corexx_fp8_moe.py       # 逐 expert 反量化 BF16 的 FP8 MoE 回退
├── presets/
│   ├── scout.env
│   └── maverick.env
├── run.sh                      # 构建 + 启动 + 等 /health
├── docker-compose.yml          # 可选，按 profile 启动
├── .gitea/workflows/
│   ├── docker-build-push.yml
│   └── task_info.env
└── README.md
```

---

## 2. 构建与启动

### 2.1 脚本（推荐）

```bash
# Scout：8 卡，8091
./run.sh scout

# Maverick：16 卡，8092
./run.sh maverick
```

`run.sh` 会先 `docker build`，再删除同名容器、启动新容器，并等待 `/health` 最多 10 分钟。

### 2.2 指定 GPU 和模型目录

所有预设值都可以用环境变量覆盖：

```bash
# Scout 使用 8-15 号卡
GPUS=8,9,10,11,12,13,14,15 ./run.sh scout

# Maverick 使用 0-15 号卡
GPUS=0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15 ./run.sh maverick

# 模型放在其他目录
MODEL_HOST_DIR=/mnt/disk1/models/Llama-4-Scout-17B-16E-Instruct ./run.sh scout

# 额外挂载一个目录
EXTRA_DOCKER_ARGS="-v /mnt/disk1:/data:ro" ./run.sh scout

# 传递额外 vLLM 参数
EXTRA_ARGS="--max-model-len 8192" ./run.sh scout

# 已有镜像，不重新构建
BUILD=0 IMAGE=registry.example.com/llama4-bi150:v1.0.0 ./run.sh scout

# 只打印 docker run 命令，便于检查
DRY_RUN=1 ./run.sh scout
```

### 2.3 Docker Compose（可选）

```bash
docker compose --profile scout up -d --build
docker compose --profile maverick up -d --build

# 覆盖模型目录 / GPU
SCOUT_MODEL_HOST_DIR=/mnt/disk1/models/scout SCOUT_GPUS=8,9,10,11,12,13,14,15 \
  docker compose --profile scout up -d --build

# 覆盖镜像 tag / 额外 vLLM 参数
TAG=v1.0.0 SCOUT_EXTRA_ARGS="--max-model-len 8192" \
  docker compose --profile scout up -d --build
```

---

## 3. 可配置项

| 变量 | Scout 默认 | Maverick 默认 | 说明 |
|---|---|---|---|
| `IMAGE` | `llama4-bi150:2026-10-26` | 同左 | 镜像名 |
| `NAME` | `llama4-scout` | `llama4-maverick` | 容器名 |
| `PORT` | `8091` | `8092` | 宿主机端口 |
| `MODEL_HOST_DIR` | `.../Llama-4-Scout-17B-16E-Instruct` | `.../Llama-4-Maverick-17B-128E-Instruct-FP8` | 宿主机模型目录 |
| `MODEL_MOUNT` | `/models/llama4` | 同左 | 容器内挂载点 |
| `SERVED_NAME` | `llama4-scout` | `llama4-maverick` | OpenAI API 模型名 |
| `TP` | `8` | `8` | 张量并行 |
| `PP` | `1` | `2` | 流水线并行 |
| `GPUS` | `0,...,7` | `0,...,15` | 传给 `CUDA_VISIBLE_DEVICES` |
| `MAX_MODEL_LEN` | `4096` | `4096` | 最大上下文 |
| `MAX_NUM_SEQS` | `1` | `1` | 最大并发 |
| `GPU_MEM_UTIL` | `0.90` | `0.90` | 显存利用率 |
| `ENFORCE_EAGER` | `1` | `1` | 是否 `--enforce-eager` |
| `EXTRA_ARGS` | 空 | 空 | 额外 vLLM 参数 |
| `EXTRA_DOCKER_ARGS` | 空 | 空 | 额外 docker 参数，如 `-v` |
| `BUILD` | `1` | `1` | `0` 表示跳过构建 |
| `DRY_RUN` | `0` | `0` | `1` 只打印命令 |

`GPUS` 也可以直接用 `CUDA_VISIBLE_DEVICES` 设置。`run.sh` 会检查 GPU 数是否少于 `TP*PP`，少于时直接报错。

---

## 4. 验证

```bash
# 健康检查
curl -s http://127.0.0.1:8091/health
curl -s http://127.0.0.1:8092/health

# 模型列表
curl -s http://127.0.0.1:8091/v1/models | python3 -m json.tool
curl -s http://127.0.0.1:8092/v1/models | python3 -m json.tool

# 文本
curl -s http://127.0.0.1:8091/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"model":"llama4-scout","messages":[{"role":"user","content":"你好"}],"max_tokens":64}'
```

Maverick 图片输入测试：

```python
from PIL import Image
import base64, io, requests

img = Image.new("RGB", (336, 336), (220, 20, 20))
buf = io.BytesIO(); img.save(buf, format="PNG")
b64 = base64.b64encode(buf.getvalue()).decode()

payload = {
    "model": "llama4-maverick",
    "messages": [{"role": "user", "content": [
        {"type": "text", "text": "这张图片主要是什么颜色？只回答颜色。"},
        {"type": "image_url", "image_url": {"url": "data:image/png;base64," + b64}},
    ]}],
    "max_tokens": 32,
    "temperature": 0,
}
print(requests.post("http://127.0.0.1:8092/v1/chat/completions",
                    json=payload, timeout=300).json()["choices"][0]["message"]["content"])
```

首次使用统一镜像时，建议把 Scout 和 Maverick 都跑一遍，确认 FP8 补丁没有影响 Scout 的 BF16 路径。

---

## 5. CI / ModelHub 发布

仓库已包含 ModelHub 标准 CI：

```text
.gitea/workflows/docker-build-push.yml
.gitea/workflows/task_info.env
```

触发方式：

```bash
git tag v1.0.0
git push origin v1.0.0
```

CI 会：

1. 在 `amd64-ubuntu-24.04` runner 上 clone 仓库；
2. 校验 `task_info.env`；
3. `docker build`；
4. 推送 `${DOCKER_REGISTRY}/${DOCKER_USERNAME}/llama-4-bi150:v1.0.0`；
5. 调 ModelHub `image-verify` 接口提交审核。

`task_info.env`：

```bash
FRAMEWORK=vllm
GPU_TYPE=Iluvatar_bi-150
TASK_TYPE=text-generation
```

Maverick 支持图片输入；如果 ModelHub 要求把图文任务单独归类，请把 `TASK_TYPE` 改成平台支持的值。`image-verify/validate` 会在构建前校验，填错会直接失败。

Runner 需要在 Gitea 实例或仓库中注册，并带有 `amd64-ubuntu-24.04` label。

Runner 需要配置以下环境变量（不是仓库 secret）：

```text
DOCKER_REGISTRY
DOCKER_USERNAME
DOCKER_PASSWORD
FIXED_TOKEN
```

注意事项：

- 当前仓库默认没有打 tag，所以推送代码不会自动构建；需要手动推送 `v*` 标签才会触发。
- Runner 必须能拉取 `registry.iluvatar.com.cn:10443` 的基础镜像；如果该仓库需要登录，请在 runner 上预登录，或自行给 workflow 增加基础镜像 registry 的 login step。
- CI 只负责构建和推送，不负责 GPU / 模型挂载；GPU 和挂载通过 `run.sh` 或 `docker compose` 设置。
- CI 构建机不需要 GPU，但需要足够的磁盘空间。
- 如果仓库改名，CI 生成的镜像名会跟着变。

---

## 6. 限制与注意事项

- Scout 需要 8 张卡（TP8）；Maverick 需要 16 张卡（TP8+PP2）。16 卡机器上两者不能同时运行。
- 当前默认 `MAX_MODEL_LEN=4096`、`MAX_NUM_SEQS=1`，适合功能验证；生产并发需要先调整显存/上下文。
- 补丁是针对当前精确基础镜像生成的。更换基础镜像后不要直接复用，需要重新生成 diff 并在目标环境验证。
- `--privileged --pid host -v /dev:/dev` 是 Iluvatar 运行时要求；只给 `/dev/iluvatar*` 可能报 `cudaGetDeviceCount() ... Error 1001`。
- 模型目录只读挂载，容器不会修改宿主机模型文件。