x

README.md

@@ -61,6 +61,8 @@
 - `api_key`：接口访问密钥（同时用于 8000 与 8001）
 - `tensor_parallel_size`：张量并行数，双卡建议 `2`
 - `dtype`：推理精度，默认 `bfloat16`
+- `model_root`：本地模型根目录，建议 `/opt/model`
+- `offline_mode`：保留字段，当前实现固定只走离线本地模型
 - `models.selected`：当前生效模型，留空时回退到 `models.default`
 
 ## config.json 说明
@@ -70,7 +72,7 @@
 - `models.default`：默认模型名
 - `models.selected`：当前生效模型名
 - `models.profiles`：模型配置集合
-- 每个模型至少建议包含：`hf_model_id`、`ctx`、`max_num_seqs`、`max_tokens`、`gpu_util`、`valid_tp`
+- 每个模型必须包含：`local_path`、`ctx`、`max_num_seqs`、`max_tokens`、`gpu_util`、`valid_tp`
 
 启动时会按以下优先级选模型：
 
@@ -79,7 +81,7 @@
 
 模型被选中后，会自动覆盖运行参数，包括：
 
-- `model_name` ← `hf_model_id`
+- `model_name` ← `local_path`（相对路径会自动拼接 `model_root`）
 - `max_model_len` ← `ctx`
 - `max_num_seqs` ← `max_num_seqs`
 - `max_tokens` ← `max_tokens`
@@ -100,19 +102,19 @@ docker compose up -d --build
 3. 验证自定义推理服务：
 
 ```bash
-curl http://localhost:8000/health
+curl http://localhost:<services.api.port>/health
 ```
 
 4. 验证 OpenAI 协议服务：
 
 ```bash
-curl http://localhost:8001/v1/models
+curl http://localhost:<services.openai.port>/v1/models
 ```
 
 ## 推理请求示例
 
 ```bash
-curl -X POST "http://localhost:8000/v1/generate" \
+curl -X POST "http://localhost:<services.api.port>/v1/generate" \
   -H "Content-Type: application/json" \
   -d "{\"prompt\":\"请用三句话介绍大模型推理优化\",\"max_tokens\":128,\"temperature\":0.7}"
 ```
@@ -132,6 +134,7 @@ curl -X POST "http://localhost:8001/v1/chat/completions" \
 - API Key 使用 `config.json` 中 `api_key`
 - 模型名使用 `config.json` 中 `models.profiles.<模型名>.served_model_name`
 - 若使用工具调用，`config.json` 中应配置 `tool_call_parser` 与 `enable_auto_tool_choice`
+- 服务强制离线模式，不会回退到 Hugging Face 远程下载
 - 所有路径按 Ubuntu 规范填写，本地模型建议使用 `/opt/model/<模型目录>`
 
 ## 双 AMD R9700 调优建议