Update docker image

README.md

@@ -3,7 +3,6 @@
 [Qwen3.5](https://qwen.ai/blog?id=qwen3.5)
 
 ## 模型简介
-
 Qwen3.5 通过异构基础设施实现高效的原生多模态训练：在视觉与语言组件上解耦并行策略，避免统一方案带来的低效。利用稀疏激活实现跨模块计算重叠，在混合文本-图像-视频数据上相比纯文本基线达到近 100% 的训练吞吐。在此基础上，原生 FP8 流水线对激活、MoE 路由与 GEMM 运算采用低精度，并通过运行时监控在敏感层保持 BF16，实现约 50% 的激活显存降低与超过 10% 的加速，并稳定扩展至数万亿 token。
 
 为了持续释放强化学习的潜力，构建了可扩展的异步强化学习框架，支持 Qwen3.5 全尺寸模型，并全面覆盖文本、多模态及多轮交互场景。通过训推分离架构的解耦式设计，该框架显著提升了硬件利用率，实现了动态负载均衡和细粒度的故障恢复。配合 FP8 训推、Rollout 路由回放、投机采样以及多轮 Rollout 锁定等技术，进一步优化了系统吞吐，提高了训推一致性。通过系统与算法协同设计，该框架在严格控制样本陈旧性的基础上有效缓解了数据长尾问题，提高了训练曲线的稳定性和性能上限。此外，框架面向原生智能体工作流设计，能够实现稳定、无缝的多轮环境交互，消除了框架层的调度中断。这种解耦设计使得系统能够扩展百万级规模的 Agent 脚手架与环境，从而显著增强模型的泛化能力。上述优化最终取得了 3×–5× 的端到端加速，展现了卓越的稳定性、高效率与可扩展性。
@@ -22,7 +21,7 @@ Qwen3.5 通过异构基础设施实现高效的原生多模态训练：在视觉
 | triton | 3.3.0+das.opt2.dtk2604.20260203.g393ad86c |
 | torch | 2.9.0+das.opt1.dtk2604.20260126.g22910426 |
 
-当前仅支持定制镜像: image.sourcefind.cn:5000/dcu/admin/base/custom:pytorch2.9.1-ubuntu22.04-dtk26.04-0130-py3.10-20260204-qwen3_5
+当前仅支持定制镜像: harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm015-ubuntu22.04-dtk26.04-glm5-0408
 
 - 挂载地址`-v` 根据实际模型情况修改
 ```bash
@@ -40,36 +39,46 @@ docker run -it \
     -u root \
     -v /opt/hyhal/:/opt/hyhal/:ro \
     -v /path/your_code_data/:/path/your_code_data/ \
-    image.sourcefind.cn:5000/dcu/admin/base/custom:pytorch2.9.1-ubuntu22.04-dtk26.04-0130-py3.10-20260204-qwen3_5 bash
+    harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm015-ubuntu22.04-dtk26.04-glm5-0408 bash
 ```
 更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用。
 
-关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.sourcefind.cn/tool/)开发者社区下载安装，numpy、transformers库需要替换安装：
-```
-pip install git+https://github.com/huggingface/transformers.git
-pip install numpy==1.25.0
-```
-
 ## 数据集
-暂无
+`暂无`
 
 ## 训练
-暂无
+`暂无`
 
 ## 推理
 ### vllm
+**注意**:
+- 使用`K100 AI` 启动服务时需要添加`--disable-custom-all-reduce`参数
+- 加载W8A8模型启动服务时需要添加`-cc.mode=3`和`-cc.inductor_compile_config='{"combo_kernels": false, "benchmark_combo_kernel": false}'`参数
+
 #### 单机推理
+```bash
+export ALLREDUCE_STREAM_WITH_COMPUTE=1
+export VLLM_USE_PIECEWISE=1
+export VLLM_USE_FLASH_MLA=1
+export USE_FUSED_RMS_QUANT=0
+export USE_FUSED_SILU_MUL_QUANT=1
 
-**注意**：使用`K100 AI` 集群启动服务时需要添加`--disable-custom-all-reduce`参数
+export VLLM_USE_GLOBAL_CACHE13=1
+export VLLM_FUSED_MOE_CHUNK_SIZE=16384
+export VLLM_CUSTOM_CACHE=1
+export VLLM_USE_OPT_CAT=1
+export VLLM_USE_FUSED_FILL_RMS_CAT=1
+export VLLM_USE_LIGHTOP_MOE_SUM_MUL_ADD=0
+export VLLM_USE_LIGHTOP_RMS_ROPE_CONCAT=0
 
-```bash
 ## serve启动
-
 vllm serve Qwen/Qwen3.5-35B-A3B \
     --port 8001 \
     --tensor-parallel-size 2 \
-    --max-model-len 262144 \
-    --reasoning-parser qwen3
+    --gpu-memory-utilization 0.9 \
+    --reasoning-parser qwen3 \
+    --enable-auto-tool-choice \
+    --tool-call-parser qwen3_coder
 
 ## client访问
 curl http://localhost:8001/v1/chat/completions   \
@@ -82,6 +91,7 @@ curl http://localhost:8001/v1/chat/completions   \
         "temperature": 0.6
     }'
 ```
+
 #### 多机推理
 1. 加入环境变量
 > 请注意：
@@ -97,6 +107,7 @@ curl http://localhost:8001/v1/chat/completions   \
 
 ```bash
 export ALLREDUCE_STREAM_WITH_COMPUTE=1
+export HIP_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 export VLLM_HOST_IP=x.x.x.x # 对应计算节点的IP，选择IB口SOCKET_IFNAME对应IP地址
 export NCCL_SOCKET_IFNAME=ibxxxx
 export GLOO_SOCKET_IFNAME=ibxxxx
@@ -105,14 +116,21 @@ unset NCCL_ALGO
 export NCCL_MIN_NCHANNELS=16
 export NCCL_MAX_NCHANNELS=16
 export NCCL_NET_GDR_READ=1
-export HIP_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
 export VLLM_SPEC_DECODE_EAGER=1
 export VLLM_MLA_DISABLE=0
 export VLLM_USE_FLASH_MLA=1
 export VLLM_RPC_TIMEOUT=1800000
-
-# K100_AI集群建议额外设置的环境变量：
-export VLLM_ENFORCE_EAGER_BS_THRESHOLD=44
+export VLLM_USE_PIECEWISE=1
+export USE_FUSED_RMS_QUANT=0
+export USE_FUSED_SILU_MUL_QUANT=1
+
+export VLLM_USE_GLOBAL_CACHE13=1
+export VLLM_FUSED_MOE_CHUNK_SIZE=16384
+export VLLM_CUSTOM_CACHE=1
+export VLLM_USE_OPT_CAT=1
+export VLLM_USE_FUSED_FILL_RMS_CAT=1
+export VLLM_USE_LIGHTOP_MOE_SUM_MUL_ADD=0
+export VLLM_USE_LIGHTOP_RMS_ROPE_CONCAT=0 # 不能和kvfp8一起开
 
 # 海光CPU绑定核
 export VLLM_NUMA_BIND=1
@@ -136,21 +154,20 @@ ray start --head --node-ip-address=x.x.x.x --port=6379 --num-gpus=8 --num-cpus=3
 ray start --address='x.x.x.x:6379' --num-gpus=8 --num-cpus=32
 ```
 
-3. 启动vllm server
-
-**注意**：使用`K100 AI` 集群启动服务时需要添加`--disable-custom-all-reduce`参数
-
+3. 启动vllm serve
 ```bash
-## serve启动
-
 vllm serve Qwen/Qwen3.5-397B-A17B \
     --port 8001 \
     --tensor-parallel-size 16 \
     --distributed-executor-backend ray \
-    --max-model-len 262144 \
-    --reasoning-parser qwen3
+    --gpu-memory-utilization 0.9 \
+    --reasoning-parser qwen3 \
+    --enable-auto-tool-choice \
+    --tool-call-parser qwen3_coder
+```
 
-## client访问
+4. client访问
+```bash
 curl http://localhost:8001/v1/chat/completions   \
     -H "Content-Type: application/json"  \
     -d '{
@@ -174,6 +191,7 @@ DCU与GPU精度一致，推理框架：vllm。
 |  模型名称  | 权重大小 | DCU型号  | 最低卡数需求 |         下载地址          |
 |:------:|:----:|:----------:|:------:|:---------------------:|
 | Qwen3.5-397B-A17B | 397B | K100AI,BW1000 |   16   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-397B-A17B) |
+| Qwen3.5-397B-A17B-INT8 | 397B | BW1000 |   8   | [ModelScope](https://www.modelscope.cn/models/metax-tech/Qwen3.5-397B-A17B-W8A8) |
 | Qwen3.5-122B-A10B | 122B | K100AI,BW1000 |   8   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-122B-A10B) |
 | Qwen3.5-35B-A3B | 35B | K100AI,BW1000 |   2   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-35B-A3B) |
 | Qwen3.5-27B | 27B | K100AI,BW1000 |   2   | [Hugging Face](https://huggingface.co/Qwen/Qwen3.5-27B) |