add some docs and update configs and readme

docs/zh_CN/01.prepare_envs.md

+# 准备环境
+
+我们推荐使用docker环境，这是lightx2v的[dockerhub](https://hub.docker.com/r/lightx2v/lightx2v/tags)，请选择一个最新日期的tag，比如25042502
+
+```shell
+docker pull lightx2v/lightx2v:25042502
+docker run --gpus all -itd --ipc=host --name [容器名] -v [挂载设置]  --entrypoint /bin/bash [镜像id]
+```
+
+如果你想使用conda自己搭建环境，可以参考如下步骤：
+
+```shell
+# 下载github代码
+git clone https://github.com/ModelTC/lightx2v.git lightx2v && cd lightx2v
+git submodule update --init --recursive
+
+conda create -n lightx2v python=3.11 && conda activate lightx2v
+pip install -r requirements.txt
+
+# 单独重新安装transformers，避免pip的冲突检查
+# 混元模型需要在4.45.2版本的transformers下运行，如果不需要跑混元模型，可以忽略
+pip install transformers==4.45.2
+
+# 安装 flash-attention 2
+cd lightx2v/3rd/flash-attention && pip install --no-cache-dir -v -e .
+
+# 安装 flash-attention 3, 用于 hopper 显卡
+cd lightx2v/3rd/flash-attention/hopper && pip install --no-cache-dir -v -e .
+```
+
+# 推理
+
+```shell
+# 修改脚本中的路径
+bash scripts/run_wan_t2v.sh
+```
+
+除了脚本中已有的输入参数，`--config_json`指向的`${lightx2v_path}/configs/wan_t2v.json`中也会存在一些必要的参数，可以根据需要，自行修改。

docs/zh_CN/02.start_server.md

+# 如何启动服务
+
+lightx2v提供了异步服务功能，代码入口处在[这里](https://github.com/ModelTC/lightx2v/blob/main/lightx2v/api_server.py)
+
+
+### 启动服务
+
+```shell
+# 修改脚本中的路径
+bash scripts/start_server.sh
+```
+
+其中的`--port 8000`表示服务绑定在本机的`8000`端口上，可以自行修改
+
+
+### 客户端发送请求
+
+```shell
+python scripts/post.py
+```
+
+服务的接口是：`/v1/local/video/generate`
+
+`scripts/post.py`中的`message`参数如下：
+
+```python
+message = {
+    "task_id": generate_task_id(),
+    "task_id_must_unique": True,
+    "prompt": "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage.",
+    "negative_prompt": "色调艳丽，过曝，静态，细节模糊不清，字幕，风格，作品，画作，画面，静止，整体发灰，最差质量，低质量，JPEG压缩残留，丑陋的，残缺的，多余的手指，画得不好的手部，画得不好的脸部，畸形的，毁容的，形态畸形的肢体，手指融合，静止不动的画面，杂乱的背景，三条腿，背景人很多，倒着走",
+    "image_path": "",
+    "save_video_path": "./output_lightx2v_wan_t2v_t02.mp4",
+}
+```
+
+1. `prompt`, `negative_prompt`, `image_path`是一些基础的视频生成的输入，`image_path`可以为空字符，表示不需要图片输入
+
+2. `save_video_path`表示服务端生成的视频的路径，相对路径是相对服务端的启动路径，建议根据你自己的环境，设置一个绝对路径。
+
+3. `task_id`表示该任务的id，格式是一个字符串。可以自定义个字符串，也可以调用`generate_task_id()`函数生成一个随机的字符串。任务的id用来区分不同的视频生成任务。
+
+4. `task_id_must_unique`表示是否要求每个`task_id`是独一无二的，即不能发有重复的`task_id`。如果是`False`，就没有这个强制要求，此时如果发送了重复的`task_id`，服务端的`task`记录将会被相同`task_id`的较新的`task`覆盖掉。如果不需要记录所有的`task`以用于查询，那这里就可以设置成`False`。
+
+
+### 客户端获取服务端的状态
+
+```shell
+python scripts/check_status.py
+```
+
+其中服务的接口有：
+
+1. `/v1/local/video/generate/service_status`用于检查服务的状态，可以返回得到服务是`busy`还是`idle`，只有在`idle`状态，该服务才会接收新的请求。
+
+2. `/v1/local/video/generate/get_all_tasks`用于获取服务端接收到的且已完成的所有的任务。
+
+3. `/v1/local/video/generate/task_status`用于获取指定`task_id`的状态，可以返回得到该任务是`processing`还是`completed`。
+
+
+### 客户端随时终止服务端当前的任务
+
+```shell
+python scripts/stop_running_task.py
+```
+
+服务的接口是：`/v1/local/video/generate/stop_running_task`
+
+终止了任务之后，服务端并不会退出服务，而是回到等待接收新请求的状态。

docs/zh_CN/03.quantization.md

+# 量化
+
+lightx2v支持对linear进行量化推理，支持w8a8和fp8的矩阵乘法。
+
+
+### 运行量化推理
+
+```shell
+# 修改脚本中的路径
+bash scripts/run_wan_t2v_save_quant.sh
+```
+
+脚本中，有两个执行命令：
+
+#### save quantization weight
+
+将`RUNNING_FLAG`环境变量设置成`save_naive_quant`，`--config_json`指向到该`json`文件: `${lightx2v_path}/configs/wan_t2v_save_quant.json`，其中`quant_model_path`会保存下量化的模型的路径
+
+#### load quantization weight and inference
+
+将`RUNNING_FLAG`环境变量设置成`infer`，`--config_json`指向到第一步中的`json`文件
+
+### 启动量化服务
+
+在存好量化权重之后，和上一步加载步骤一样，将`RUNNING_FLAG`环境变量设置成`infer`，`--config_json`指向到第一步中的`json`文件
+
+比如，将`scripts/start_server.sh`脚本进行如下改动：
+
+```shell
+export RUNNING_FLAG=infer
+
+python -m lightx2v.api_server \
+--model_cls wan2.1 \
+--task t2v \
+--model_path $model_path \
+--config_json ${lightx2v_path}/configs/wan_t2v_save_quant.json \
+--port 8000
+```

lightx2v/models/networks/hunyuan/model.py

@@ -28,8 +28,8 @@ class HunyuanModel:
         self._init_infer_class()
         self._init_weights()
         if GET_RUNNING_FLAG() == "save_naive_quant":
-            assert self.config.get("naive_quant_path") is not None, "naive_quant_path is None"
-            self.save_weights(self.config.naive_quant_path)
+            assert self.config.get("quant_model_path") is not None, "quant_model_path is None"
+            self.save_weights(self.config.quant_model_path)
             sys.exit(0)
 
         self._init_infer()
@@ -66,9 +66,9 @@ class HunyuanModel:
         return weight_dict
 
     def _load_ckpt_quant_model(self):
-        assert self.config.get("naive_quant_path") is not None, "naive_quant_path is None"
-        logger.info(f"Loading quant model from {self.config.naive_quant_path}")
-        quant_weights_path = os.path.join(self.config.naive_quant_path, "quant_weights.pth")
+        assert self.config.get("quant_model_path") is not None, "quant_model_path is None"
+        logger.info(f"Loading quant model from {self.config.quant_model_path}")
+        quant_weights_path = os.path.join(self.config.quant_model_path, "quant_weights.pth")
         weight_dict = torch.load(quant_weights_path, map_location=self.device, weights_only=True)
         return weight_dict
 

lightx2v/models/networks/wan/model.py

@@ -35,8 +35,8 @@ class WanModel:
         self._init_infer_class()
         self._init_weights()
         if GET_RUNNING_FLAG() == "save_naive_quant":
-            assert self.config.get("naive_quant_path") is not None, "naive_quant_path is None"
-            self.save_weights(self.config.naive_quant_path)
+            assert self.config.get("quant_model_path") is not None, "quant_model_path is None"
+            self.save_weights(self.config.quant_model_path)
             sys.exit(0)
 
         self._init_infer()
@@ -85,8 +85,8 @@ class WanModel:
         return weight_dict
 
     def _load_quant_ckpt(self):
-        assert self.config.get("naive_quant_path") is not None, "naive_quant_path is None"
-        ckpt_path = self.config.naive_quant_path
+        assert self.config.get("quant_model_path") is not None, "quant_model_path is None"
+        ckpt_path = self.config.quant_model_path
         logger.info(f"Loading quant model from {ckpt_path}")
 
         quant_pth_file = os.path.join(ckpt_path, "quant_weights.pth")