GPUStack 部署前检查与验收：版本、持久化和升级

GPUStack 用于管理 GPU 资源和模型服务。部署时要同时核对管理服务、工作节点和推理后端的版本，避免界面可用但模型实例无法启动的情况。

从安装模式确定依赖

先读 GPUStack 官方仓库对应 release 的安装说明，确认当前版本提供的服务端和工作节点安装方式。原文中的单条容器命令缺少版本边界，本文将它改为部署核对路径；不同 release 的挂载目录和启动参数需逐项确认。

记录操作系统、CPU 架构、GPU 型号、驱动以及容器运行时。管理服务能运行与工作节点能执行模型是两个条件，CPU 环境中的管理界面验证不能证明 GPU 推理可用。

准备镜像和持久化数据

固定镜像 tag 与 digest，记录目标架构。对照所选版本文档列出需要持久化的数据库、配置、模型缓存目录，并核对容器内进程的 UID/GID。

docker version
docker compose version
nvidia-smi
df -h

使用 Docker Compose 时，先对配置运行 docker compose config --quiet，再启动服务。这个命令只检查配置解析；设备访问、下载权限和模型兼容性仍需实际启动确认。

模型缓存和业务数据分开管理。模型通常可依据版本重新下载，用户、服务配置和访问凭据则需要独立备份。对备份做一次恢复验证，才能知道恢复时还缺哪些文件和密钥。

按管理、资源、请求三个层次验收

1. 管理入口能通过预期网络路径访问，初始账户完成修改，外部访问具备适当鉴权与 TLS。
2. 工作节点报告正确 GPU、显存与健康状态，资源变化能反映到管理端。
3. 部署一个兼容模型，检查下载、加载、就绪和实际请求，保存模型版本与日志。

若资源可见但模型启动失败，重点检查格式、量化、显存、后端及运行时版本。若本机调用成功而远程失败，再检查网关、端口和鉴权路径。

更新与回滚

更新前记录现有镜像、配置和数据备份。在独立环境恢复备份，用候选版本启动并复跑同一请求。升级涉及数据库结构变更时，回滚可能需要恢复旧数据，无法仅依靠切换镜像完成。

一次正常响应验证调用链路；并发能力、尾延迟和多节点稳定性仍需单独测量。本文没有现场测试结果，不给出固定显存门槛或性能提升比例。