Keep image generic; move startup settings into run.sh/compose

Dockerfile

@@ -4,13 +4,13 @@
 #   - Llama-4-Scout-17B-16E-Instruct（BF16，TP8，8 卡）
 #   - Llama-4-Maverick-17B-128E-Instruct-FP8（FP8，TP8+PP2，16 卡）
 #
-# 模型权重不打进镜像，运行时挂载模型目录；容器启动后读取 config.json
+# 镜像只包含运行时依赖和 Llama 4 补丁，不设置启动命令、ENV、WORKDIR 或 EXPOSE；
-# 自动判断 Scout / Maverick，并选择对应的 TP / PP / 端口。
+# 模型路径、端口、TP/PP、GPU、挂载等全部由 run.sh / docker-compose.yml 在启动时传入。
 #
 # 构建：
 #   docker build -t llama4-bi150:2026-10-26 .
 #
-# 运行：
+# 运行（由 run.sh 传入 entrypoint 和全部参数）：
 #   ./run.sh /mnt/disk0/models/LLM-Research/Llama-4-Scout-17B-16E-Instruct
 #   ./run.sh /mnt/disk0/models/LLM-Research/Llama-4-Maverick-17B-128E-Instruct-FP8
 #
@@ -35,16 +35,5 @@ RUN chmod +x /usr/local/bin/llama4-entrypoint.sh \
     && chmod +x /opt/llama4/detect_model.py \
     && python3 /opt/llama4/apply_patch.py
 
-ENV MODEL_PATH=/models/llama4 \
+# 故意不设置 ENV / WORKDIR / EXPOSE / ENTRYPOINT / CMD：
-    AUTO_DETECT=1 \
+# 镜像保持通用，启动方式由 run.sh 或 docker-compose.yml 决定。
-    HOST=0.0.0.0 \
-    MAX_MODEL_LEN=4096 \
-    MAX_NUM_SEQS=1 \
-    GPU_MEM_UTIL=0.90 \
-    ENFORCE_EAGER=1 \
-    PYTHONUNBUFFERED=1
-
-WORKDIR /opt/llama4
-EXPOSE 8091 8092
-
-ENTRYPOINT ["/usr/local/bin/llama4-entrypoint.sh"]

README.md

@@ -78,6 +78,11 @@ MODEL_HOST_DIR=/mnt/disk0/models/LLM-Research/Llama-4-Maverick-17B-128E-Instruct
     GPUs  : 0,1,2,...,15
 ```
 
+> 镜像本身不设置 `ENTRYPOINT` / `CMD` / `ENV` / `WORKDIR` / `EXPOSE`，
+> 启动方式、模型路径、端口、TP/PP、GPU 和挂载全部由 `run.sh` 或 `docker-compose.yml` 传入。
+> 如果直接 `docker run`，需要显式指定：
+> `--entrypoint /usr/local/bin/llama4-entrypoint.sh --workdir /opt/llama4`。
+
 ### 2.1 自动检测规则
 
 `detect_model.py` 读取 `config.json`：

docker-compose.yml

@@ -6,6 +6,13 @@ services:
     image: llama4-bi150:${TAG:-2026-10-26}
     container_name: llama4
 
+    # 镜像本身不设置启动命令，启动方式全部由这里决定。
+    entrypoint: ["/usr/local/bin/llama4-entrypoint.sh"]
+    working_dir: /opt/llama4
+    expose:
+      - "8091"
+      - "8092"
+
     # vLLM 多卡 NCCL / 端口直通
     network_mode: host
     ipc: host
@@ -21,7 +28,7 @@ services:
     environment:
       MODEL_PATH: /models/llama4
       AUTO_DETECT: "${AUTO_DETECT:-1}"
-      HOST: 0.0.0.0
+      HOST: "${HOST:-0.0.0.0}"
 
       # 默认暴露全部 16 张卡；entrypoint 会根据模型选择实际 TP*PP。
       CUDA_VISIBLE_DEVICES: "${GPUS:-0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15}"
@@ -37,6 +44,7 @@ services:
       MAX_NUM_SEQS: "${MAX_NUM_SEQS:-1}"
       GPU_MEM_UTIL: "${GPU_MEM_UTIL:-0.90}"
       ENFORCE_EAGER: "${ENFORCE_EAGER:-1}"
+      PYTHONUNBUFFERED: "1"
       EXTRA_ARGS: "${EXTRA_ARGS:-}"
 
     ulimits:

run.sh

@@ -77,6 +77,7 @@ eval "${DETECT_OUTPUT}"
 MODEL_KIND="${DETECTED_MODEL_KIND}"
 IMAGE="${IMAGE:-llama4-bi150:2026-10-26}"
 NAME="${NAME:-llama4-${MODEL_KIND}}"
+HOST="${HOST:-0.0.0.0}"
 PORT="${PORT:-${DETECTED_PORT}}"
 MODEL_MOUNT="${MODEL_MOUNT:-/models/llama4}"
 SERVED_NAME="${SERVED_NAME:-${DETECTED_SERVED_NAME}}"
@@ -122,6 +123,9 @@ fi
 
 DOCKER_RUN=(
   docker run -d --name "${NAME}"
+  --entrypoint /usr/local/bin/llama4-entrypoint.sh
+  --workdir /opt/llama4
+  --expose "${PORT}"
   --privileged
   --pid host
   --network host
@@ -134,6 +138,7 @@ DOCKER_RUN=(
   -e MODEL_PATH="${MODEL_MOUNT}"
   -e AUTO_DETECT="${AUTO_DETECT}"
   -e MODEL_KIND="${MODEL_KIND}"
+  -e HOST="${HOST}"
   -e SERVED_NAME="${SERVED_NAME}"
   -e PORT="${PORT}"
   -e TP="${TP}"
@@ -142,6 +147,7 @@ DOCKER_RUN=(
   -e MAX_NUM_SEQS="${MAX_NUM_SEQS}"
   -e GPU_MEM_UTIL="${GPU_MEM_UTIL}"
   -e ENFORCE_EAGER="${ENFORCE_EAGER}"
+  -e PYTHONUNBUFFERED=1
   -e EXTRA_ARGS="${EXTRA_ARGS}"
   "${DOCKER_EXTRA[@]}"
   --restart unless-stopped