本地部署 Qwen3.8-27B-FP8 + DFlash2：96GB 总显存实测提速 2.89 倍（保姆级教程）

Agent 一键安装提示词

如果不想手动执行下面的命令，可以把这篇文章连同下面这段提示词交给能够操作 Linux 终端的 AI Agent 或者让codex、opencode之类的工具通过ssh连接服务器安装。Agent 会先检查机器是否满足条件，再安装和验证。

复制下面整段内容：

请在这台 Linux 机器上部署 Qwen3.8-27B-FP8 + DFlash2，并使用 SGLang 提供 OpenAI 兼容 API。请自主完成检查、安装、下载、启动和验证，但严格遵守下面的要求。

【目标配置】
- Target 模型：Qwen/Qwen3.8-27B-FP8
- DFlash2 模型：z-lab/Qwen3.8-27B-DFlash2
- SGLang：0.5.18 稳定版
- Python：3.12
- 推荐运行时：CUDA 12.9
- 默认上下文：131072；稳定运行后可测试 262144 以获得更长上下文能力
- 默认静态显存比例：0.80
- DFlash block size：8
- API 默认监听：0.0.0.0:8002
- 模型目录：优先使用空间充足的 SSD；如果没有指定，使用 $HOME/models

【第一步：只检查，不修改】
1. 检查操作系统、CPU架构、内存、磁盘空间、Conda、NVIDIA驱动、GPU型号、GPU数量、单卡显存、总显存、空闲显存和Compute Capability。
2. 使用nvidia-smi确认驱动正常；确认GPU原生支持FP8。若GPU不适合运行该FP8模型，停止安装并说明原因，不要强行继续。
3. 确认至少有100GB可用SSD空间。空间不足时停止，不要删除已有模型或文件。
4. 检查8002端口和现有SGLang进程。端口被占用或GPU正在运行其他模型时，只报告占用者，不要自行kill进程。
5. 根据实际参与推理的GPU数量确定TP_SIZE。单卡为1、双卡为2、四卡为4；同时确认该TP值能被模型结构支持。多卡型号或显存不同要先提示风险。
6. 先汇总检查结果、拟使用的目录、TP_SIZE、上下文长度和预计磁盘占用，再继续安装。

【环境安装】
1. 创建全新的Conda环境qwen38-fp8-dflash2，不复用、不覆盖其他环境。
2. 按本文“准备Conda环境”章节安装Python 3.12、uv、SGLang 0.5.18及CUDA 12.9对应的PyTorch、SGLang Kernel和DeepGEMM wheel。
3. 不要因为系统显示了更高版本CUDA，就擅自改用CUDA 13；nvidia-smi显示的是驱动支持能力，不等于当前Python环境的CUDA运行时。
4. 不要修改系统CUDA、NVIDIA驱动、系统Python或其他Conda环境。确实需要升级驱动时，先停止并说明原因。
5. 安装后必须验证：torch.cuda.is_available()为True、torch.version.cuda为12.9、GPU数量正确、SGLang版本为0.5.18，并确认launch_server帮助中存在DFLASH参数。
6. 如果指定版本或cu129 wheel无法下载，不要静默换版本；保留完整错误并说明下一步建议。

【模型下载】
1. 从魔塔下载Qwen/Qwen3.8-27B-FP8和z-lab/Qwen3.8-27B-DFlash2到独立目录。
2. 使用可断点续传的下载方式。下载后检查目录大小、配置文件、Safetensors索引和所有权重分片，不能只看到目录存在就认为下载成功。
3. 确认Target与Draft模型匹配。不要用GGUF、其他量化版、微调版或名字相似的模型替换。
4. 检查Target模型的lm_head.weight是否为BF16/FP16/FP32。若被量化并出现“DFlash2 selector requires a dense ... lm_head”，停止并报告，不要随意增加转换参数。

【启动原则】
1. 第一次先以前台方式启动，保留完整日志，方便看到加载和CUDA错误。
2. 使用SGLang默认通信和计算内核。不要预先修改SGLang源码，也不要默认添加以下特定机器兼容参数：
   --disable-custom-all-reduce
   --cuda-graph-backend-decode=disabled
   --mm-feature-transport cpu
3. DFlash使用--speculative-algorithm DFLASH、正确的Draft路径和block size 8；不要启用DP Attention，PP size保持1。
4. 先使用131072上下文和0.80静态显存比例。不要第一次启动就直接拉满256K。
5. 如果OOM，按顺序处理：确认无其他GPU进程；降低context length；将mem fraction从0.80降到0.75；必要时将DFlash block size从8降到4。每次只修改一项并记录结果。
6. 如果FlashInfer在当前GPU上不兼容，再尝试--attention-backend triton和--sampling-backend pytorch；不要把兼容回退当成默认配置。
7. 如果出现内核、NCCL或多卡通信错误，先保存完整日志和GPU拓扑信息，不要直接修改site-packages源码。

【验收项目】
1. 等待日志出现“The server is fired up and ready to roll!”。
2. 验证GET /health返回HTTP 200。
3. 验证GET /model_info能返回正确模型信息。
4. 调用/v1/chat/completions完成一次短对话，确认返回内容正常。
5. 检查日志中DFLASH确实启用，而不是只启动了纯FP8模型。
6. 短请求稳定后再逐步测试长上下文；测试256K时要预留输出token，输入和输出总和不能超过262144。
7. 最后给出实际启动命令、环境版本、模型路径、TP_SIZE、上下文、显存占用、日志路径和API地址。

【端口与安全】
1. 本机验证通过前不要开放防火墙端口。
2. 如果需要局域网访问，确认服务监听0.0.0.0后，只开放TCP 8002，并验证实际连通性。
3. 不要把无认证的SGLang接口直接暴露到公网。公网使用必须增加带身份认证和HTTPS的反向代理。

【最终输出格式】
- 环境检查结果
- 实际执行的安装命令
- 安装版本验证结果
- 两个模型的下载及完整性检查结果
- 最终启动命令和参数说明
- health、model_info、chat completions测试结果
- 显存占用和可用KV/上下文信息
- 遇到的问题、采取的处理以及仍存在的风险

任何步骤失败时先诊断并保留错误信息，不要删除环境、模型、日志或已有服务，也不要为了“继续执行”而静默更换模型、CUDA、PyTorch或SGLang版本。

一、写在前面

最近想在本地跑一个参数量比较大的 Qwen 模型，真正开始部署后才发现，模型文件下载下来只是第一步，显存、推理框架、量化格式、上下文长度和启动参数，每一项都可能影响最后能不能跑起来。

这篇文章把我实际跑通的方案整理出来，使用 SGLang + Qwen3.8-27B-FP8 + DFlash2，最终提供一个兼容 OpenAI 接口的本地模型服务。

如果你只是想在本地聊天，先看第二节的硬件要求；如果硬件符合，再按后面的步骤一步一步执行即可。

本文最终实现的效果：

• 使用约 96GB 总显存运行 Qwen3.8-27B；
• 使用官方 FP8 模型，模型文件约 31GB；
• 使用 DFlash2 加速生成；
• 支持单请求最长约 256K 上下文；
• 提供 /v1/chat/completions 接口，可以被 Open WebUI、Cherry Studio 或自己写的程序调用。

如果第一次接触本地大模型，先记住下面几个词：

名称	简单解释
FP8	用 8 位浮点数保存大部分模型权重，可以减少显存占用
token	模型处理文字时使用的基本单位，不完全等于“一个汉字”或“一个单词”
上下文	模型一次能够读取的输入、历史对话和输出总长度
KV Cache	模型生成时保存在显存中的上下文缓存；上下文越长，占用越大
API	让聊天软件或其他程序调用本地模型的接口

二、先确认硬件够不够

2.1 推荐环境

硬件/软件	推荐配置
GPU	支持 FP8 的 NVIDIA GPU，例如 RTX 4090、L40S、H100、H200 或更新型号
GPU 总显存	80GB 起步，推荐 96GB 以上
系统	Ubuntu 22.04/24.04 或其他常用 Linux 发行版
CPU	建议 16 核以上，不是硬性要求
内存	64GB 起步，建议 128GB
硬盘	SSD，至少预留 100GB
NVIDIA 驱动	至少满足 CUDA 12.x 要求，建议使用当前稳定驱动
CUDA 运行时	推荐 CUDA 12.9
Python	3.12

判断能否部署时，先看参与推理的 GPU 总显存，不需要限定显卡数量和型号。例如一张 H100 80GB 就按 80GB 判断，四张 24GB GPU 就按 96GB 判断。后文的 TP_SIZE 要设置为实际参与推理的 GPU 数量。

开始前还需要满足两个条件：

1. Linux 中执行 nvidia-smi 能看到准备使用的 GPU；
2. Conda 已经安装并能正常创建环境。

本文选择 CUDA 12.9，是因为 SGLang 官方为它提供了完整的 PyTorch、SGLang Kernel 和 DeepGEMM wheel，适合更多已经部署 CUDA 12 系列驱动的机器。SGLang 当前默认安装路径已经使用 CUDA 13，但没有必要为了本文专门把一台稳定运行的 CUDA 12 服务器升级到 CUDA 13。

这里说的 CUDA 12.9 主要是 Python 环境中安装的运行时版本，不要求系统预先安装完整的 CUDA Toolkit；NVIDIA 驱动需要能够支持该运行时。

2.2 按总显存选择配置

可用总显存	建议
24GB 左右	不建议运行本文的 27B 方案，优先选择 7B/14B 模型
48GB 左右	可以尝试 27B FP8，但 DFlash2 和长上下文空间较紧，建议从 32K/64K 开始
64GB～80GB	可以尝试 FP8 + DFlash2，建议先设为 64K/128K，再逐步增加上下文
80GB 以上	基本具备运行本文方案的显存条件；建议先从 128K 上下文开始
96GB 及以上	可以直接参考本文的 256K 参数；本文已在 96GB 总显存上验证通过

显存可以来自一张或多张 NVIDIA GPU。例如：一张 80GB H100 的总显存就是 80GB，四张 24GB GPU 的总显存就是 96GB。本文启动命令中的张量并行数量需要改成实际参与推理的 GPU 数量。

总显存适合用来快速判断硬件是否够用，但多张显卡不会自动变成一整块显存，还需要 SGLang 通过张量并行拆分模型。多卡机器最好使用相同型号、相同显存容量的 GPU。

2.3 磁盘空间不要估少

至少要给以下内容留空间：

• Qwen3.8-27B-FP8：约 31GB；
• DFlash2 草稿模型：约数 GB；
• Conda 环境、缓存和日志：建议预留 20GB；
• 下载过程中的临时文件：最好再留 20GB。

实际部署时建议准备 100GB 以上 SSD 空间。模型放在机械硬盘上也能运行，但启动和读取权重会明显变慢。

三、DFlash2 到底是什么

正常的模型推理是：模型生成一个 token，再生成下一个 token。DFlash2 的思路是增加一个较小的草稿模型，先快速猜一小段内容，再让 Qwen3.8-27B 一次性检查这些猜测。

可以简单理解为：

用户提问
   ↓
DFlash2 草稿模型：快速猜几个 token
   ↓
Qwen3.8-27B：一次性验证并接受正确的 token
   ↓
继续生成

DFlash2 不会改变最终使用的目标模型，回答仍然由 Qwen3.8-27B 决定。它能加速多少，取决于草稿模型猜得准不准：

• 数学、格式固定的任务通常收益较高；
• 代码生成收益中等；
• 开放式聊天、写作类任务收益可能较低；
• 如果目标模型换成了差异很大的微调版本，DFlash2 的接受率可能下降。

四、本文最终效果

在 96GB 总显存（2 × RTX 4090 48GB）、TP=2、256K 上下文、相同提示词和相同输出长度的条件下，实测结果如下。不同 GPU、CUDA 和 SGLang 版本的结果会有差异：

测试任务	纯 FP8	FP8 + DFlash2	加速比
数学推导	8.86 token/s	38.80 token/s	4.38 倍
Python 代码	8.91 token/s	21.09 token/s	2.37 倍
中文说明	8.99 token/s	17.48 token/s	1.94 倍
平均	8.92 token/s	25.79 token/s	2.89 倍

需要注意，DFlash2 会占用一部分额外显存，所以它不是“速度和容量同时无条件增加”：

• 纯 FP8 的 KV Cache 容量更大，适合更多并发请求；
• FP8 + DFlash2 的单请求生成速度更快，但并发能力会下降；
• 如果你主要是自己聊天或写代码，优先考虑 FP8 + DFlash2；
• 如果你要给很多人同时提供服务，建议分别测试两套配置。

五、准备 Conda 环境

5.1 创建一个全新的环境

这套配置使用独立的 Conda 环境：

conda create -n qwen38-fp8-dflash2 python=3.12 -y
conda activate qwen38-fp8-dflash2
python -m pip install --upgrade pip
python -m pip install uv

5.2 安装 SGLang 和全部依赖

本文使用 SGLang 0.5.18 稳定版。先安装 SGLang、ModelScope 和 Safetensors：

uv pip install --prerelease=allow \
  "sglang==0.5.18" \
  "modelscope==1.39.1" \
  "safetensors==0.8.0"

然后按照 SGLang 官方的 CUDA 12 安装方式，将 PyTorch 和计算内核切换到 CUDA 12.9 版本：

uv pip install --force-reinstall \
  torch==2.13.0 torchaudio==2.11.0 torchvision \
  --index-url https://download.pytorch.org/whl/cu129

uv pip install --force-reinstall \
  sglang-kernel==0.4.6.post1 \
  --index-url https://docs.sglang.ai/whl/cu129/

uv pip install --force-reinstall \
  sgl-deep-gemm==0.1.5.post3 \
  --index-url https://docs.sglang.ai/whl/cu129/ \
  --no-deps

这些命令会自动安装相应的 Python 和 CUDA 运行库依赖，不需要手动逐个安装 nvidia-* 包。

安装完成后检查版本：

python - <<'PY'
import sys
import torch
import sglang
import transformers
import flashinfer
import modelscope

print("Python:", sys.version.split()[0])
print("PyTorch:", torch.__version__)
print("PyTorch CUDA:", torch.version.cuda)
print("CUDA available:", torch.cuda.is_available())
print("GPU count:", torch.cuda.device_count())
print("SGLang:", sglang.__version__)
print("Transformers:", transformers.__version__)
print("FlashInfer:", flashinfer.__version__)
print("ModelScope:", modelscope.__version__)
PY

其中 PyTorch CUDA 应显示 12.9，CUDA available 应为 True。如果这里显示 False，先处理 NVIDIA 驱动或 PyTorch 安装问题，不要继续下载和启动模型。

本文推荐的核心版本如下：

软件	推荐版本
Python	3.12
PyTorch	2.13.0（CUDA 12.9 wheel）
SGLang	0.5.18
Transformers	5.12.1
Triton	3.7.1
FlashInfer	0.6.17
SGLang Kernel	0.4.6.post1
ModelScope	1.39.1
Safetensors	0.8.0

最后检查 SGLang 是否带有 DFlash 参数：

python -m sglang.launch_server --help | grep -E 'speculative-(algorithm|dflash)'

能看到下面两个参数，说明当前版本已经包含本文需要的功能：

--speculative-algorithm
--speculative-dflash-block-size

六、下载模型

6.1 创建模型目录

模型放在哪里都可以，只要磁盘空间足够。下面以 /data/models 为例：

export MODEL_ROOT=/data/models
mkdir -p "$MODEL_ROOT"

如果你没有 /data 目录，可以改成自己的路径，例如：

export MODEL_ROOT=$HOME/models
mkdir -p "$MODEL_ROOT"

6.2 下载官方 Qwen3.8 FP8 模型

本文使用的目标模型是：

Qwen/Qwen3.8-27B-FP8

魔塔模型页面：Qwen/Qwen3.8-27B-FP8

使用 ModelScope 下载：

modelscope download \
  Qwen/Qwen3.8-27B-FP8 \
  --revision master \
  --local-dir "$MODEL_ROOT/Qwen3.8-27B-FP8" \
  --max-workers 8

下载完成后检查大小：

du -sh "$MODEL_ROOT/Qwen3.8-27B-FP8"

本文下载完成后约为 30.89GB。如果只有几个小文件，说明下载没有完成，不要直接启动。

6.3 下载 DFlash2 草稿模型

本文使用的草稿模型是：

z-lab/Qwen3.8-27B-DFlash2

魔塔模型页面：z-lab/Qwen3.8-27B-DFlash2

下载命令：

modelscope download \
  z-lab/Qwen3.8-27B-DFlash2 \
  --revision master \
  --local-dir "$MODEL_ROOT/Qwen3.8-27B-DFlash2" \
  --max-workers 8

检查目录：

du -sh "$MODEL_ROOT/Qwen3.8-27B-DFlash2"
find "$MODEL_ROOT/Qwen3.8-27B-DFlash2" -maxdepth 1 -type f | sort

6.4 为什么官方 FP8 可以配合 DFlash2

DFlash2 要求目标模型的输出头 lm_head 保持为普通的 FP16、BF16 或 FP32，不能被压成不支持的量化格式。

官方 Qwen/Qwen3.8-27B-FP8 的主体权重是 FP8，但 lm_head.weight 保留为 BF16，因此可以直接使用 DFlash2。

如果启动时出现：

DFlash2 selector requires a dense FP16/BF16/FP32 target lm_head

通常说明下载的模型版本不匹配，或者 lm_head 被额外量化了。不要先修改启动参数，先换回官方 FP8 权重并检查文件是否完整。

七、启动 FP8 + DFlash2

7.1 先查看 GPU 是否空闲

nvidia-smi --query-gpu=index,name,memory.total,memory.used,memory.free \
  --format=csv

nvidia-smi --query-gpu=memory.total --format=csv,noheader,nounits | \
  awk '{sum += $1} END {printf "GPU 总显存：%.1f GB\n", sum/1024}'

重点看所有参与推理的 GPU 总显存。启动前还要确认没有其他大模型占用这些 GPU，否则总容量足够也可能在加载过程中 OOM。

7.2 设置路径

把下面的路径改成你自己的实际路径：

export MODEL_ROOT=/data/models
export MODEL="$MODEL_ROOT/Qwen3.8-27B-FP8"
export DRAFT_MODEL="$MODEL_ROOT/Qwen3.8-27B-DFlash2"
export TP_SIZE=2
export CONTEXT_LENGTH=131072
export MEM_FRACTION=0.80
export PORT=8002
export LOG_FILE="$HOME/sglang-qwen38-fp8-dflash2.log"

TP_SIZE 是参与推理的 GPU 数量，按自己的机器修改：

• 单张 H100 80GB：TP_SIZE=1；
• 两张 GPU：TP_SIZE=2；
• 四张 GPU：TP_SIZE=4。

多卡时建议使用同型号、同显存容量的 GPU。

首次启动建议使用 CONTEXT_LENGTH=131072，也就是 128K 上下文。总显存达到 96GB 并确认运行稳定后，可以改成 262144，启用完整 256K 上下文。

7.3 启动命令

python -m sglang.launch_server \
  --model-path "$MODEL" \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path "$DRAFT_MODEL" \
  --speculative-dflash-block-size 8 \
  --tp-size "$TP_SIZE" \
  --host 0.0.0.0 \
  --port "$PORT" \
  --context-length "$CONTEXT_LENGTH" \
  --mem-fraction-static "$MEM_FRACTION" \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder \
  2>&1 | tee "$LOG_FILE"

第一次启动需要加载几十 GB 权重，并初始化 CUDA，通常需要等待几分钟。看到下面这句话，才表示服务真正启动完成：

The server is fired up and ready to roll!

第一次部署建议先在前台运行，方便直接看到错误信息。需要停止服务时，在这个终端按 Ctrl+C。确认配置稳定后，再使用 tmux、screen 或系统服务让它长期运行。

7.4 参数简单说明

参数	作用
--model-path	Qwen3.8 FP8 模型目录
--speculative-algorithm DFLASH	开启 DFlash 推测解码
--speculative-draft-model-path	DFlash2 草稿模型目录
--speculative-dflash-block-size 8	每轮草稿长度，本文使用 8
--tp-size	参与张量并行的 GPU 数量，由 TP_SIZE 指定
--host 0.0.0.0	允许其他设备通过网络访问
--port 8002	API 端口
--context-length	单条请求的最大总长度，由 CONTEXT_LENGTH 指定
--mem-fraction-static	SGLang 使用的静态显存比例，由 MEM_FRACTION 指定

八、检查服务是否启动成功

8.1 健康检查

在另一个终端执行：

curl http://127.0.0.1:8002/health

返回 HTTP 200，说明服务已经可以接受请求。启动过程中返回 503 不一定是错误，先查看日志并等待初始化完成。

8.2 查看模型信息

curl http://127.0.0.1:8002/model_info

8.3 发起第一条对话请求

curl http://127.0.0.1:8002/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "Qwen3.8-27B-FP8",
    "messages": [
      {"role": "user", "content": "你好，请用一句话介绍自己"}
    ],
    "temperature": 0.7,
    "max_tokens": 128
  }'

能看到 JSON 格式的模型回复，就说明本地模型已经跑起来了。

这个接口与 OpenAI 接口格式兼容，因此很多客户端只需要填写：

接口地址：http://127.0.0.1:8002/v1
模型名称：Qwen3.8-27B-FP8
API Key：可以留空；客户端强制要求时填写一个本地占位值

如果要从其他机器访问，把 127.0.0.1 换成运行服务的 Linux 服务器地址。

九、如何使用 256K 上下文

Qwen3.8 的配置中，最大位置长度是 262144 tokens，也就是通常所说的 256K 上下文。

本文已经实际验证过 250000 个输入 token 的请求，可以正常返回结果。

需要注意，输入和输出共用这 262144 个 token：

最大总长度 = 输入长度 + 输出长度

例如准备生成 4096 个 token 时，输入最好不要超过：

262144 - 4096 = 258048 tokens

256K 是单条请求的上限，并不代表可以同时运行很多条 256K 请求。并发数量还会受到显存和 KV Cache 容量影响。

十、开放 API 端口

10.1 本机访问

先试试：

http://127.0.0.1:8002/v1

如果能访问，就不需要额外设置端口转发。

10.2 Linux 服务器开放端口

启动命令已经使用 --host 0.0.0.0，因此服务会监听所有网卡。先查看服务器地址：

hostname -I

如果系统启用了 UFW 防火墙，开放 8002 端口：

sudo ufw allow 8002/tcp
sudo ufw status

局域网内的其他设备即可通过下面的地址访问：

http://Linux服务器IP:8002/v1

云服务器还需要在云平台的安全组中放行 TCP 8002。不要把没有身份验证的接口直接开放到公网；公网服务应在前面配置带认证和 HTTPS 的反向代理。

十一、纯 FP8 和 FP8 + DFlash2 怎么选

如果想做对比，只需要去掉 DFlash2 的相关参数。其他参数保持不变：

python -m sglang.launch_server \
  --model-path "$MODEL" \
  --tp-size "$TP_SIZE" \
  --host 0.0.0.0 \
  --port 8002 \
  --context-length "$CONTEXT_LENGTH" \
  --mem-fraction-static "$MEM_FRACTION" \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder

两套服务不能同时占用同一组 GPU。正确做法是：

1. 启动纯 FP8，预热后测试；
2. 停止纯 FP8，确认显存释放；
3. 启动 FP8 + DFlash2，使用完全相同的提示词和输出长度测试；
4. 对比 token/s、首 token 延迟和显存占用。

十二、常见问题

1. 启动时报显存不足

先执行：

nvidia-smi

确认没有其他模型占用显存。仍然不足时，可以依次尝试：

继续降低 --context-length，例如从 131072 改成 65536
把 --mem-fraction-static 0.80 改成 0.75
把 --speculative-dflash-block-size 8 改成 4

每次只改一个参数，方便判断是哪一项起作用。

2. /health 返回 503

如果刚启动服务，通常是模型还在加载。查看启动终端或日志，等出现：

The server is fired up and ready to roll!

如果等待很久仍然没有这句话，再检查模型目录和显存。

3. 出现 lm_head 相关错误

检查是否使用了官方 Qwen/Qwen3.8-27B-FP8，以及模型文件是否下载完整。不要把其他量化模型目录直接替换进来。

4. FlashInfer 兼容性错误

SGLang 默认使用 FlashInfer。对于较旧或暂时没有适配的 GPU，可以在启动命令中加入：

--attention-backend triton
--sampling-backend pytorch

这是 SGLang 官方提供的兼容回退方案，速度可能低于默认内核，但适用范围更广。

5. 升级 SGLang 后突然不能启动

SGLang 更新较快，新版本可能改变参数或依赖。本文固定使用 0.5.18，建议先在新的 Conda 环境中验证升级，不要直接覆盖正在使用的环境。