腾讯混元 Hy4 preview 怎么部署？vLLM/SGLang Docker 完整教程与常见报错排查

Hy4 preview 是腾讯混元开源的预览版大模型：770B 总参数的 MoE 架构，支持 1M 上下文，Apache 2.0 许可证，权重在 HuggingFace 和 ModelScope 上免申请直接下载。但“开源”和“能跑”是两回事。官方 README 给出的两条示例启动命令都是 8 卡张量并行，FP8 权重本身就约 770GB，消费级显卡和工作站卡目前还有未修复的兼容性问题。这篇教程面向手里有 GPU 集群、打算自建 Hy4 preview 推理服务的开发者，从硬件核对、权重下载、vLLM/SGLang 两条官方路径的 Docker 启动、API 验证到报错排查走完整链路。如果你的硬件不匹配，第一部分会帮你直接做出判断，省下几天的无效尝试。

Hy4 preview 部署需要什么硬件？先核对再动手

先给结论：官方 README 没有写“最低 8 卡”这样的字样，准确的事实是，官方给出的 vLLM 和 SGLang 两条示例启动命令都是 8 卡张量并行（TP8）配置。SGLang 团队在自己的 cookbook 里另外验证过 4 张 B300 的 TP4 方案。所以“8 卡”是官方示例的默认配置，不是写死的最低要求，但量级摆在这里：低于这个规模的集群基本不用考虑。

具体到显存，可以分三层看。

第一层是权重本身的体积。HuggingFace 平台数据显示，FP8 仓库（tencent/Hy4-preview-FP8）的参数量约 770.3GB，整个仓库含 130 个 safetensors 分片，约 814GB；BF16 仓库（tencent/Hy4-preview）约 1.56TB，131 个分片。这意味着 8 张 80GB 卡（合计 640GB）连 FP8 权重都装不下，更不用说运行时开销——这个推算你可以按自己集群的卡型自行比对。

第二层是官方验证过的卡型方案。SGLang 团队在 cookbook 中给出了按 GPU 型号的配置表：

注意这是 SGLang 团队的验证口径，vLLM 官方 recipes 页面的表述是“在 16 张 B200 或 8 张 B300 上验证，配合 MTP”，两个官方来源对 B200 的配置说法不一致，本文不做裁决，只并列呈现，你用哪条路径就以哪边的口径为准。

第三层是社区估算。腾讯新闻的一篇评测给出“约 770GB 聚合显存”的门槛估算，这个数字与 HuggingFace 平台数据的 FP8 权重大小吻合，但要注意它的假设条件：只算了权重本身，没有包含 KV cache、激活值和运行时冗余。实际部署需要的显存只会比这个数字高。

最后是“哪些卡明确不行”。FP8 权重使用的 MXFP8 内核路径要求 SM100 及以上架构，也就是 Blackwell 数据中心卡。H200（SM90）加载 FP8 权重会报架构不匹配，只能走 BF16 双节点路线。更要注意的是 SM120 架构的消费级和工作站卡（RTX 50 系列、RTX PRO 6000 Blackwell 等）：vLLM 仓库有一个尚未关闭的 issue 记录了在这类卡上输出严重退化（重复输出"of of of"之类内容）的现象，官方指定的 FLASHMLA_SPARSE 注意力后端只支持 SM90 和 SM100。在 issue 修复之前，不要在这类卡上部署。

一句话总结：8 张 Blackwell 数据中心级 GPU（B200/B300 类）是官方示例的配置基准；H200 走 BF16 双节点；消费级和工作站卡目前不可行。

权重从哪下？HuggingFace 和 ModelScope 两条路

官方 README 只给了各平台的仓库链接，没有给下载命令。下面两条命令是两个平台官方 CLI 的标准用法，模型 ID 已与官方仓库核对：

HuggingFace（需先安装 huggingface-cli）：

huggingface-cli download tencent/Hy4-preview-FP8

ModelScope（国内网络更稳，需先安装 modelscope）：

modelscope download --model Tencent-Hunyuan/Hy4-preview-FP8

下哪个仓库？官方所有 Docker 启动示例用的都是 FP8 仓库，除非你的卡只能跑 BF16（比如 H200），否则直接下 FP8。仓库不是 gated 状态，无需申请即可下载。权重另同步在 GitCode 和 CNB 平台，可作备用下载渠道。

磁盘方面，FP8 仓库约 814GB，BF16 仓库约 1.56TB，下载前确认目标盘有足够余量，并留意下载中断后重新拉取的成本。

vLLM 路径：Docker 启动命令逐参数讲清楚

vLLM 是 Hy4 preview 的 day-0 支持框架，官方发布了定制镜像。官方 README 给出的启动命令核心部分如下（GPU 挂载、缓存目录挂载等 Docker 通用写法按你集群的实际环境调整）：

docker run --gpus all --ipc=host --rm -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:hy4-preview \
  --model tencent/Hy4-preview-FP8 \
  --tensor-parallel-size 8 \
  --speculative-config '{"num_speculative_tokens":3,"method":"mtp"}' \
  --attention-backend FLASHMLA_SPARSE \
  --tool-call-parser hy_v4 \
  --reasoning-parser hy_v4 \
  --enable-auto-tool-choice \
  --port 8000 \
  --served-model-name hy4-preview

逐个看关键参数：

• --model tencent/Hy4-preview-FP8：模型 ID。容器启动时会从 HuggingFace 拉取权重，如果已经用 CLI 下载到本地缓存，挂载缓存目录可以避免重复下载。
• --tensor-parallel-size 8：8 卡张量并行，官方示例配置。卡数不同时这个值要相应调整。
• --speculative-config '{"num_speculative_tokens":3,"method":"mtp"}'：MTP 投机解码，用模型自带的 MTP 层做草稿 token 加速生成。
• --attention-backend FLASHMLA_SPARSE：稀疏注意力后端，官方指定。注意它只支持 SM90 和 SM100，这是 SM120 卡出问题的根源。
• --tool-call-parser hy_v4 和 --reasoning-parser hy_v4：Hy4 专用的工具调用解析器和思考内容解析器，让 API 响应正确区分思考内容和最终回答。
• --enable-auto-tool-choice：开启工具自动选择。
• --served-model-name hy4-preview：对外暴露的模型名，API 调用时用这个名字。

两个版本差异要注意：vLLM 官方 recipes 页面的版本比 README 版本多一个环境变量 -e VLLM_ENABLE_HPC_OPS=1，用于启用高性能算子。以哪个为准取决于你参照的文档，建议部署前以官方 README 当前版本为准再核对一次。

镜像 tag 方面，README 用的是不带后缀的 :hy4-preview。Docker Hub 上还能搜到带架构和 CUDA 后缀的 tag（如 hy4-preview-x86_64-cu129、hy4-preview-arm64-cu130），属于同一镜像的不同构建变体，正文命令以 README 写法为准即可。

SGLang 路径：命令怎么写，和 vLLM 差在哪

SGLang 同样有官方定制镜像，README 给出的启动命令核心部分如下：

docker run --gpus all --ipc=host --rm -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  lmsysorg/sglang:hy4-preview \
  python3 -m sglang.launch_server \
  --model tencent/Hy4-preview-FP8 \
  --tp-size 8 \
  --reasoning-parser auto \
  --tool-call-parser auto \
  --speculative-algorithm NEXTN \
  --speculative-num-steps 3 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 4 \
  --port 8000 \
  --served-model-name hy4-preview

两条路径的差异集中在三处：

SGLang 团队的 cookbook 还提供了 Low-Latency 和 High-Throughput 两种模式的进阶配置，以及按卡型的详细参数表，如果你的场景对延迟或吞吐有明确要求，建议从 cookbook 入口获取对应配置，本文不展开转述。

两条路径怎么选？都是官方推荐，都有定制镜像，按团队既有技术栈选即可，本文不裁决优劣。

容器起来了怎么确认跑通？OpenAI 兼容 API 验证

容器状态 HEALTHY 不等于服务跑通，一次 chat completion 正常返回才算。官方 README 给出的 Python 验证示例：

from openai import OpenAI

client = OpenAI(
    base_url="http://127.0.0.1:8000/v1",
    api_key="EMPTY",
)

response = client.chat.completions.create(
    model="hy4-preview",
    messages=[
        {"role": "user", "content": "介绍一下你自己"}
    ],
    temperature=0.9,
    top_p=1.0,
)
print(response.choices[0].message.content)

api_key 填 "EMPTY" 是本地部署的惯例写法，官方示例即如此填写。temperature=0.9、top_p=1.0 是官方推荐的采样参数。

等价的 curl 写法（按 OpenAI 兼容接口的标准格式整理，非官方原文）：

curl http://127.0.0.1:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "hy4-preview",
    "messages": [{"role": "user", "content": "介绍一下你自己"}],
    "temperature": 0.9,
    "top_p": 1.0
  }'

一个新手最容易误判的点：默认情况下响应里会带一大段思考内容，这不是配置错误。Hy4 preview 默认思考模式为 high。如果只要直答，在请求里传：

response = client.chat.completions.create(
    model="hy4-preview",
    messages=[{"role": "user", "content": "介绍一下你自己"}],
    temperature=0.9,
    top_p=1.0,
    extra_body={"chat_template_kwargs": {"reasoning_effort": "no_think"}},
)

注意 chat template 只接受 high 和 no_think 两个值，传其他值会直接报错，这是模板源码的硬性约束。

部署报错怎么排查？五条有出处的条目

这份清单只收录官方文档和官方仓库 issue 里能查出处的条目。遇到清单外的报错，去 GitHub 仓库的 Issues 区检索或提 issue 是最可靠的路径。

1. SM120 卡上输出重复退化。 现象：在 RTX 50 系或 RTX PRO 6000 Blackwell 等工作站卡上，服务能启动但输出大量重复内容。原因：官方指定的 FLASHMLA_SPARSE 后端只支持 SM90/SM100，SM120 上唯一可用的稀疏后端存在已知退化问题，vLLM 仓库 issue 尚未关闭。处置：这类卡暂勿部署，等官方修复。

2. H200 加载 FP8 权重报架构不匹配。 现象：启动时报内核或架构相关错误。原因：MXFP8 内核路径要求 SM100 及以上。处置：H200 改走 BF16 路线，按 SGLang cookbook 的口径需要 TP16 双节点。

3. 上下文设太大导致显存 OOM。 现象：启动或首个长请求时 OOM。原因：KV cache 约每 token 95KB，且按 TP rank 复制，实际可跑上下文受每卡剩余显存限制，模型标称的 1M 上下文不等于你能开满。处置：显式设置 --max-model-len（vLLM）或对应上下文参数（SGLang），官方 cookbook 示例普遍给到 131K 至 262K。

4. 长时混合负载下服务不稳定。 现象：长时间 agentic 负载浸泡中出现异常。原因：SGLang 官方说明 CUDA graph decode 默认开启，长时混合负载的浸泡验证仍在进行。处置：按官方建议传 --disable-cuda-graph 回退到 eager 模式。

5. 昇腾 NPU 部署。 现状：vllm-ascend 仓库中 Hy4 支持尚处 feature request 阶段，当前实际可用的只有 NVIDIA 路径。

响应冗长、反复自我检查，是部署错了吗？

不是。官方 README 和模型卡明确写了 preview 版的已知问题：模型在复杂任务上会花比必要更长的思考时间，并有过度自我验证的倾向。经媒体转述的官方中文表述为“复杂任务的长思考和过度自我验证倾向”。

这个信息很实用：如果你遇到响应特别长、模型反复检查自己的中间步骤，先对照上一节的排查清单确认不是部署问题，再判断是不是模型自身行为。确认是模型行为后，改配置没有意义，可以通过 no_think 开关在不需要深度思考的场景下直答，或等后续正式版改进。

常见问题

官方要求最低 8 张卡吗？ 没有“最低 8 卡”的官方表述。准确说法是官方两条示例命令均为 8 卡 TP 配置，SGLang cookbook 另验证过 4 张 B300 的 TP4 方案。

FP8 权重多大，磁盘留多少？ FP8 参数约 770.3GB，仓库约 814GB；BF16 仓库约 1.56TB。预留明显大于仓库体积的磁盘空间。

H200 能跑 FP8 吗？ 不能，MXFP8 内核要求 SM100+，H200 只能走 BF16 双节点。

RTX 5090 或 RTX PRO 6000 Blackwell 能跑吗？ 不建议，SM120 上有未修复的输出退化 issue。

响应里一大段思考内容怎么关？ 默认思考模式为 high，传 reasoning_effort: "no_think" 直答，模板只接受这两个值。

vLLM 和 SGLang 选哪个？ 均为官方推荐路径，按团队既有技术栈选。

昇腾 NPU 能部署吗？ 暂不支持，尚处 feature request 阶段。

模型支持 1M 上下文，能直接开满吗？ 不能简单画等号，实际上下文受每卡剩余显存限制，官方示例普遍在 131K 至 262K 区间。

谁适合现在部署，谁该再等等

适合动手的读者：手里有 8 卡级 Blackwell 数据中心 GPU（B200/B300 类）集群、有 Docker 和多卡推理经验的团队，两条官方路径的镜像和命令都是现成的，从下载权重到 API 验证的链路各环节都有可直接执行的命令。

应该观望的读者：消费级显卡和工作站卡用户，SM120 的输出退化 issue 修复前没有可行路径；H200 用户可以走 BF16 双节点，但要接受 1.56TB 的权重体积和双节点运维成本；昇腾用户当前无官方路径。

下一步：部署前以官方 GitHub README 和 HuggingFace 模型卡为唯一命令依据再核对一次，preview 版本迭代快，命令和镜像 tag 可能更新；遇到报错先查 GitHub Issues 区是否已有同类报告，没有就提一个带完整环境信息的新 issue。

{
  "main_question": "腾讯混元 Hy4 preview（770B MoE、Apache 2.0）怎么在自有 GPU 集群上用 vLLM 或 SGLang Docker 部署跑通，需要什么硬件，常见报错怎么排查",
  "short_answer": "官方 vLLM 与 SGLang 两条示例启动命令均为 8 卡张量并行（TP8），需 Blackwell 数据中心级 GPU（B200/B300 类）；FP8 权重约 770GB（仓库约 814GB），从 HuggingFace 或 ModelScope 下载后，用官方定制镜像 vllm/vllm-openai:hy4-preview 或 lmsysorg/sglang:hy4-preview 启动，再以 OpenAI 兼容 API 发一次 chat completion 验证跑通。消费级与工作站卡（SM120）存在未修复的输出退化 issue，暂不可部署。",
  "answer_boundary": "本文只覆盖 Hy4 preview 的自托管部署链路（硬件门槛、权重下载、vLLM/SGLang Docker 启动、API 验证、实证报错排查、preview 已知问题区分），不包含模型能力评测与跑分、GPU 租用价格、云厂商选型、Hy3 及更早版本的部署命令；报错清单仅收录官方文档与官方仓库 issue 可实证的 5 条条目；官方无'最低 8 卡'表述，硬件门槛以'官方示例命令为 8 卡 TP'的口径呈现；'约 770GB 聚合显存'为社区估算（腾讯新闻评测，仅权重、未含 KV cache 与运行时开销），非官方要求。",
  "key_facts": [
    "Hy4 preview：770B 总参数 MoE、1M 上下文、Apache 2.0 许可证，权重免申请下载",
    "官方两条示例启动命令（vLLM 与 SGLang）均为 8 卡张量并行（TP8）；官方 README 无'最低 8 卡'字样；SGLang cookbook 另验证过 4×B300 TP4 方案",
    "FP8 权重参数约 770.3GB、仓库约 814GB（130 个 safetensors 分片）；BF16 仓库约 1.56TB（131 分片）——HuggingFace 平台数据",
    "MXFP8 内核路径要求 SM100+（Blackwell 数据中心卡）；H200（SM90）只能走 BF16 双节点 TP16",
    "SM120 消费级/工作站卡（RTX 50 系、RTX PRO 6000 Blackwell）存在未修复的输出退化 issue（vLLM issue #54434），官方 FLASHMLA_SPARSE 后端仅支持 SM90/SM100",
    "vLLD 镜像 vllm/vllm-openai:hy4-preview；SGLang 镜像 lmsysorg/sglang:hy4-preview（multi-arch）；模型 ID tencent/Hy4-preview-FP8",
    "vLLM recipes 版本比 README 版本多环境变量 -e VLLM_ENABLE_HPC_OPS=1",
    "官方推荐采样参数 temperature=0.9、top_p=1.0；思考模式默认 high，直答传 reasoning_effort: no_think，模板仅接受 high/no_think",
    "KV cache 约 95KB/token 且按 TP rank 复制，实际可跑上下文受每卡剩余显存限制，官方 cookbook 示例普遍 131K–262K",
    "preview 版官方已知问题：复杂任务长思考与过度自我验证倾向",
    "昇腾 NPU 暂不支持（vllm-ascend issue #15292，feature request 阶段）"
  ],
  "faq": [
    {
      "q": "Hy4 preview 官方要求最低 8 张卡吗？",
      "a": "没有'最低 8 卡'的官方表述。官方两条示例命令均为 8 卡 TP 配置，SGLang cookbook 另验证过 4 张 B300 的 TP4 方案。"
    },
    {
      "q": "FP8 权重多大，磁盘要留多少？",
      "a": "FP8 参数约 770.3GB、仓库约 814GB；BF16 仓库约 1.56TB。预留明显大于仓库体积的磁盘空间。"
    },
    {
      "q": "H200 能跑 FP8 权重吗？",
      "a": "不能，MXFP8 内核要求 SM100+，H200 只能走 BF16 双节点（TP16）。"
    },
    {
      "q": "RTX 5090 或 RTX PRO 6000 Blackwell 能部署吗？",
      "a": "不建议，SM120 上有未修复的输出退化 issue（vLLM issue #54434）。"
    },
    {
      "q": "响应里一大段思考内容怎么关掉？",
      "a": "默认思考模式为 high，请求中传 reasoning_effort: no_think 可直答；模板只接受 high 和 no_think 两个值。"
    },
    {
      "q": "vLLM 和 SGLang 选哪个？",
      "a": "均为官方推荐路径，均有定制镜像；MTP 写法与解析器写法不同，按团队既有技术栈选。"
    },
    {
      "q": "昇腾 NPU 能部署吗？",
      "a": "暂不支持，vllm-ascend 中尚处 feature request 阶段。"
    },
    {
      "q": "模型支持 1M 上下文，能直接开满吗？",
      "a": "不能简单画等号，实际上下文受每卡剩余显存限制（KV cache 约 95KB/token 且按 TP rank 复制），官方示例普遍在 131K 至 262K 区间。"
    }
  ],
  "entities": [
    "腾讯混元 Hy4 preview",
    "vLLM",
    "SGLang",
    "Docker",
    "HuggingFace",
    "ModelScope",
    "tencent/Hy4-preview-FP8",
    "vllm/vllm-openai:hy4-preview",
    "lmsysorg/sglang:hy4-preview",
    "FLASHMLA_SPARSE",
    "MTP 投机解码",
    "B200",
    "B300",
    "H200",
    "SM120",
    "OpenAI 兼容 API"
  ],
  "meta": {
    "title": "腾讯混元 Hy4 preview 怎么部署？vLLM/SGLang Docker 完整教程与常见报错排查",
    "description": "Hy4 preview（770B MoE、Apache 2.0）自托管部署教程：8 卡硬件门槛核对、HuggingFace/ModelScope 权重下载、vLLM 与 SGLang 官方 Docker 启动命令逐参数解释、OpenAI 兼容 API 验证，以及五条有出处的常见报错排查。",
    "tags": [
      "Hy4 preview 部署教程",
      "混元 Hy4 vLLM 部署",
      "Hy4 preview 本地部署 硬件要求",
      "腾讯混元 Hy4 开源模型部署",
      "Hy4 SGLang 部署"
    ],
    "related_topics": [
      "大模型自托管推理部署",
      "OpenAI 兼容 API 调用",
      "多卡张量并行（TP）",
      "MoE 模型显存估算"
    ],
    "canonical_entities": [
      "腾讯混元 Hy4 preview",
      "vLLM",
      "SGLang"
    ]
  },
  "json_ld": {
    "@context": "https://schema.org",
    "@type": "HowTo",
    "name": "腾讯混元 Hy4 preview 部署教程（vLLM/SGLang Docker）",
    "description": "在 8 卡级 GPU 集群上用 vLLM 或 SGLang 官方 Docker 镜像部署腾讯混元 Hy4 preview（770B MoE、Apache 2.0）的完整流程，含硬件门槛核对与常见报错排查。",
    "totalTime": "PT0H",
    "supply": [
      {"@type": "HowToSupply", "name": "8 卡级 Blackwell 数据中心 GPU 集群（B200/B300 类）"},
      {"@type": "HowToSupply", "name": "Hy4 preview FP8 权重（仓库约 814GB，磁盘预留更大空间）"},
      {"@type": "HowToSupply", "name": "Docker 环境"}
    ],
    "tool": [
      {"@type": "HowToTool", "name": "vLLM 官方镜像 vllm/vllm-openai:hy4-preview"},
      {"@type": "HowToTool", "name": "SGLang 官方镜像 lmsysorg/sglang:hy4-preview"},
      {"@type": "HowToTool", "name": "huggingface-cli / modelscope CLI"}
    ],
    "step": [
      {"@type": "HowToStep", "name": "核对硬件门槛", "text": "确认集群为 8 卡级 Blackwell 数据中心 GPU（官方示例命令均为 8 卡 TP）；H200 只能走 BF16 双节点，SM120 消费级/工作站卡暂不可部署。"},
      {"@type": "HowToStep", "name": "下载 FP8 权重", "text": "huggingface-cli download tencent/Hy4-preview-FP8 或 modelscope download --model Tencent-Hunyuan/Hy4-preview-FP8。"},
      {"@type": "HowToStep", "name": "启动 vLLM 或 SGLang 容器", "text": "按官方 README 的 Docker 命令启动：vLLM 用 vllm/vllm-openai:hy4-preview（TP8、MTP、FLASHMLA_SPARSE、hy_v4 parser），SGLang 用 lmsysorg/sglang:hy4-preview（tp-size 8、NEXTN 投机解码四参数、auto parser）。"},
      {"@type": "HowToStep", "name": "用 OpenAI 兼容 API 验证", "text": "向 http://127.0.0.1:8000/v1/chat/completions 发一次 chat completion（model=hy4-preview，temperature=0.9，top_p=1.0），正常返回即跑通；直答场景传 reasoning_effort: no_think。"},
      {"@type": "HowToStep", "name": "排查报错", "text": "对照五条实证条目（SM120 输出退化、H200 FP8 架构不匹配、上下文 OOM、长时负载不稳定时 --disable-cuda-graph、昇腾 NPU 暂不支持）；清单外报错去 GitHub Issues 检索或提 issue。"}
    ]
  }
}

增强说明

一、正文调整

本阶段以人工改稿版（已通过终审）为基底做轻量搜索友好增强，所有命令、参数、事实表述与七模块结构未改动：

1. 硬件卡型表化：将 SGLang cookbook 卡型方案从行文列举改为四行表格（GPU 型号 × FP8/BF16 路径 × 上下文参考），数据全部来自核验报告已锁定的 cookbook 内容，未新增任何数字；保留“SGLang 团队验证口径”与“vLLM recipes 口径不一致、并列不裁决”的原文表述。
2. vLLM/SGLang 差异表化：将原三段差异描述（MTP 写法、解析器、镜像）压缩为一张三行对照表，内容与原文逐字对应，方便读者在两条路径间做选择时快速比对。
3. 导语补定义：首句增加一句 Hy4 preview 的身份定义（770B MoE、1M 上下文、Apache 2.0、免申请下载），全部为已核验事实，服务“Hy4 preview 是什么”类搜索意图。
4. FAQ 保持 8 条未动：口径与正文一致，未新增条目、未改写答案。
5. 未做的事：未新增任何事实、价格、参数或结论；未加入网关工具推荐（上轮已删，维持删除）；未改动收尾（停在 GitHub Issues 与官方文档入口）；正文无 URL、无括号式来源标注、无“实测/亲测”。

二、FAQ 与关键事实

• 关键事实清单收录 11 条，全部对应核验报告中“可直接写入正文”的条目，其中“约 770GB 聚合显存”保持社区估算身份（腾讯新闻出处、仅权重假设），未升级为官方要求。
• FAQ 8 条与正文 FAQ 逐字一致，其中第 1 条（无最低 8 卡官方表述）与第 8 条（1M 上下文不等于能开满）是口径纪律最关键的两条，已在 answer_boundary 中显式声明。
• 结构化 payload 的 short_answer 覆盖“硬件门槛 + 下载 + 启动 + 验证”四步闭环，answer_boundary 显式划出本文不覆盖的范围（评测跑分、租用价格、Hy3 命令、无实证报错条目），供下游引用时不会越界。
• json_ld 采用 HowTo 类型，五个步骤与正文七模块链路对应，supply/tool 字段只使用已核验的镜像名、模型 ID 与 CLI 名称，totalTime 留空不虚构时长。

三、发布前仍需确认

1. 逐字重对官方 GitHub README 与两张 HuggingFace 模型卡的当前命令、参数名、镜像 tag（preview 迭代快），对不上的以官方当前版本替换或删除。
2. 确认不带后缀的 Docker tag :hy4-preview 当前可拉取；若已变更，以官方 README 当前写法为准并同步更新带后缀 tag 的补充说明。
3. 复查 vLLM issue #54434（SM120 输出退化）与 vllm-ascend issue #15292（NPU 支持）状态：若 #54434 已修复，需更新硬件劝退部分与排查清单第 1 条的“暂勿部署”表述；若 NPU 支持已落地，更新第 5 条。
4. 若 Hy4-preview 仓库自身 Issues 届时可访问且存在新的实证报错条目，先记入结构化资产再决定是否补充进排查清单，无实证不补。
5. 与人工确认被截断的“全文禁止使用——”备注的具体指向；若指向“实测/亲测”类表述，本稿已合规。
6. 发布前全文检索一次：无括号式来源标注、无 URL、无“实测/亲测”、无 GPU 价格、无 Hy3 命令、无升华收尾；“约 770GB 聚合显存”全文仅出现一次且带腾讯新闻出处与假设条件；vLLM recipes 与 SGLang cookbook 的 B200 双口径差异未被统一成单一结论。
7. 篇幅核对：增强稿在 4000–5500 字区间内，表格化改动未引入注水内容。