feat: 批量分块流水线、本地模型显存让渡与任务列表分工
批量引擎改为「分块流水线」：视频按 WOV_BATCH_STAGE_GROUP_SIZE（默认 8）分组， 组内按 DAG 拓扑序跑完全部视频（全部 extract → 全部 ASR → 全部翻译 → 全部 ASS） 再进入下一组，本地模型每组只加载一次、卸载一次，而不是每个视频来回加载卸载； 产物仍按组增量落到视频旁。调度器新增 execute_run(run_id, stop_after=节点)： 该节点完成后任务保持 RUNNING 不收尾，下一次调用从产物表跳过已完成节点继续， 用于实现阶段边界。 - nodes/llm.py：翻译节点结束释放本机 Ollama 显存（node 参数 unload_after > LLM_UNLOAD_AFTER > 本机 loopback 端点默认卸载，云端端点不卸载；卸载失败只告警）， 新增 keep_model.flag 语义（阶段内保持常驻）与 release_local_model()； 新增节点内暂停（按批 20 行检查 paused.flag，抛 PauseRequested，调度器保持 PAUSED）。 - src/wov_app/batch.py：分组阶段执行与阶段末统一释放显存；失败视频只在它失败 节点的那个阶段重试（避免 LLM 已常驻时重跑 ASR 抢显存）；任务没有明细时保持 QUEUED 等登记完成、仍有未完成视频时置回 QUEUED 自愈（原先留 RUNNING 会卡死： 引擎只拾取 QUEUED，任务停在“运行中但没人推进”）；无失败视频时删除任务级空目录； 每个阶段开始前清理 paused.flag / keep_model.flag，避免强杀残留影响后续阶段。 - src/wov_app/config.py：新增 WOV_BATCH_STAGE_GROUP_SIZE（设为 1 即旧的每视频全链路）。 - 任务列表与批量页分工：GET /api/runs 默认排除 source=batch（一个批量任务会产生 N 条单视频 run，会把 20 条窗口占满；且任务管理页的暂停/重试/删除对批量 run 语义不成立），需要排查时用 include_batch=1；作为补偿批量页详情新增阶段列 （阶段 i/N · 中文标签，由该视频 run 的 current_node_id 在 DAG 拓扑序中的位置 推导，节点类型映射中文标签）。阶段只有节点边界粒度，句级进度不落库、只在日志。 - 顺带纳入此前未提交的批量僵尸状态恢复：recover_interrupted_batch_jobs 除 RUNNING 外也把「COMPLETED 但仍含未结束视频」的任务置回 QUEUED；fix_zombie_batch_jobs.py 改为按条件扫描并支持 --apply 预览；批量页明细只列本批真正处理过的视频。 测试新增/更新：分块流水线调用顺序（组内按节点跑完再下一组）、每组只释放一次模型、 阶段内保持常驻标志、翻译按批暂停、失败视频不跨阶段推进、任务无明细/中途登记视频时 置回 QUEUED、任务工作空间与残留信号清理、任务列表默认过滤批量 run、详情阶段字段、 前端阶段列渲染；全量 507 passed（唯一失败为既有素材缺失的 integration 用例）。
This commit is contained in:
+50
-13
@@ -88,11 +88,39 @@
|
||||
（不再放视频同名文件夹），与用户视频库天然隔离；暂停/失败的视频保留工作空间
|
||||
以便断点续跑。per-video 的 `WorkflowScheduler` 实例以该目录为 storage——
|
||||
完整复用 DAG 拓扑执行、产物表登记与**断点续跑**逻辑。
|
||||
- **任务级工作空间清理**：任务全部完成且**无失败视频**时，连任务级目录
|
||||
`storage/batch/<job_id>/` 一并删除（每个视频的工作空间已在收尾时各自删完，
|
||||
任务级目录只剩空壳）；有失败视频时保留（它们的中间产物供断点重试）。
|
||||
`paused.flag`/`keep_model.flag` 在每个阶段开始前清理，避免进程被强杀后的
|
||||
残留影响后续阶段。
|
||||
- **任务管理与批量页的分工**：批量 run（`source=batch`）**默认不出现在任务管理页**
|
||||
（`GET /api/runs` 默认排除，排查时用 `?include_batch=1`）——一个批量任务会产生
|
||||
N 条单视频 run，混进 20 条窗口会把用户自己提交的任务挤出去，且任务管理页的
|
||||
暂停/继续/重试/删除对批量 run 语义不成立（暂停会被引擎下一次断点续跑静默复位，
|
||||
删除被 422 拒绝）。作为补偿，批量页详情表补**阶段**列：`阶段 2/4 · 转写`，由该视频
|
||||
run 的 `current_node_id` 在 DAG 拓扑序中的位置推导、节点类型映射中文标签。
|
||||
粒度限制：`progress` 只有**节点边界**粒度，句级进度（转写分块、翻译批次、OCR 帧）
|
||||
不落库、只在控制台日志里。
|
||||
- **分块流水线执行（本地模型只加载一次）**：批量引擎把待处理视频按
|
||||
`WOV_BATCH_STAGE_GROUP_SIZE`（默认 8）分组，**组内按节点顺序跑完全部视频**
|
||||
（先全部 extract、再全部 ASR、再全部 LLM 翻译、最后 ASS）再进入下一组。每个
|
||||
视频的 run 在阶段边界保持 RUNNING（`execute_run(stop_after=节点)`），下一阶段
|
||||
从产物表跳过已完成节点继续，因此本地模型每组只加载一次、卸载一次，而不是每个
|
||||
视频来回加载卸载；产物仍按组增量落地。LLM 阶段执行时引擎在 run 根目录写
|
||||
`keep_model.flag`，节点据此不在每次调用后卸载模型（`nodes/llm.py`），阶段
|
||||
结束由引擎调 `release_local_model()` 统一释放显存，让下一组的 ASR 拿到 GPU
|
||||
（否则本地模型常驻显存会让 whisper 直接 CUDA OOM）。设为 1 即回到「每个视频
|
||||
跑完整链路」的旧行为。
|
||||
- **失败视频不跨阶段推进**：某阶段失败的视频只在**它失败节点的那个阶段**重试
|
||||
（下一次引擎循环从断点续跑），不会在后续阶段里重跑前序节点——避免本地 LLM 已
|
||||
常驻时重跑 ASR 抢显存；视频仍按既有语义记 FAILED，任务在没有其他待处理视频时
|
||||
以 failed>0 收尾。
|
||||
- **暂停/继续**：`POST /api/batch/jobs/{id}/pause` 把任务置 PAUSED 并暂停当前
|
||||
run（写 `paused.flag`；whisper **分块间**检查、OCR 逐帧检查后中止，当前节点
|
||||
执行完才停）；`resume` 恢复 QUEUED，引擎从断点继续——PAUSED 视频的 run 显式
|
||||
resume 后从产物表续跑，未开始的视频接着处理。重启进程后 RUNNING 残留 run 由
|
||||
`recover_interrupted_runs` 恢复，暂停的继续处理。
|
||||
run（写 `paused.flag`；whisper **分块间**检查、OCR 逐帧检查、llm-translate
|
||||
**按批（20 行）**检查后中止，当前节点执行完才停）；`resume` 恢复 QUEUED，引擎
|
||||
从断点继续——PAUSED 视频的 run 显式 resume 后从产物表续跑，未开始的视频接着
|
||||
处理。重启进程后 RUNNING 残留 run 由 `recover_interrupted_runs` 恢复，暂停的
|
||||
继续处理。
|
||||
- **失败容错**：单个视频失败（节点失败/文件缺失）记为 FAILED，批量任务继续
|
||||
处理后续视频，结束后统计 done/failed；DAG 解析/任务级异常把任务置 FAILED。
|
||||
**重跑保留产物**（2026-08，修复 run_e2b74e89e232 实测）：FAILED 视频重新处理
|
||||
@@ -100,20 +128,29 @@
|
||||
execute_run 从产物表跳过已完成节点、只重跑失败节点——extract/ocr 等长耗时
|
||||
成果不浪费；配合 llm-filter/OCR 的节点级断点存档，失败节点自身也只重判未完成
|
||||
条目。前端对"部分失败"（COMPLETED 且 failed>0）用红色徽章醒目标示。
|
||||
- **完成任务判定（2026-09 修复）**：`_run_job` 置 COMPLETED 前**校验全部非
|
||||
SKIPPED 视频都已结束**（无 PENDING/PAUSED 残留），否则保持 RUNNING 交引擎
|
||||
下一轮续跑——修复僵尸状态：引擎串行处理到 9.9GB 大视频时中断，`_run_job`
|
||||
无条件收尾把任务置 COMPLETED，留下"N 个 PENDING 待处理却已完成"的假完成
|
||||
（batch_969fabe74b83 等 3 个任务实测：遗留的 10 个 PENDING 完全相同且卡在
|
||||
kiwvr-887 大文件前）。**崩溃恢复**：重启时除 `recover_interrupted_runs` 外，
|
||||
新增 `recover_interrupted_batch_jobs` 把 RUNNING 的批量任务恢复为 QUEUED
|
||||
- **完成任务判定**：`_run_job` 置 COMPLETED 前**校验全部非 SKIPPED 视频都已
|
||||
结束**（无 PENDING/PAUSED 残留），否则**把任务置回 QUEUED** 交引擎下一轮续跑：
|
||||
留 RUNNING 是错的——`next_queued_batch_job` 只拾取 QUEUED，任务会停在“运行中
|
||||
但没人推进”。这条路径主要出现在**任务创建与明细写入的竞态**：任务行先于视频
|
||||
明细写入（`create_job` 逐条插入），引擎可能在登记完成前就拾起任务，本轮只看到
|
||||
已写入的那部分视频（实测 batch_959e510259f6：524 条明细中只看到最初 4 个非
|
||||
SKIPPED 视频），剩下的留到下一轮；已登记明细全部尚未写入时（一条明细都没有）
|
||||
同样保持 QUEUED，不能按空任务收尾。旧行为留下“N 个 PENDING 待处理却已完成”
|
||||
的假完成（batch_969fabe74b83 等 3 个任务实测），或停在运行中无人推进。
|
||||
**崩溃恢复**：重启时除 `recover_interrupted_runs` 外，
|
||||
`recover_interrupted_batch_jobs` 把 RUNNING 的批量任务恢复为 QUEUED
|
||||
（否则停在 RUNNING 的批量任务永远不会被 `next_queued_batch_job` 再次拾起，
|
||||
未处理完的 PENDING 永久残留）。历史僵尸数据修复脚本见
|
||||
`scripts/fix_zombie_batch_jobs.py`（把误标 COMPLETED 的任务置回 QUEUED 续跑）。
|
||||
未处理完的 PENDING 永久残留）；**同一恢复也会把被提前标记 COMPLETED 但仍有
|
||||
未结束视频的僵尸任务置回 QUEUED**（完成标记先于视频收尾写出的旧数据，
|
||||
batch_351833b7d446 实测：COMPLETED/done=0 却仍有 1 个 PENDING），
|
||||
否则只靠 `fix_zombie_batch_jobs.py` 手动修数据，重启也不会自动诊好。
|
||||
- **产物下载**：`GET /api/batch/jobs/{id}/videos/{vid}/download?alias=<文件名>`
|
||||
解析并返回视频旁的字幕文件；旧版 `batch.done.json` 完成标记里的语义别名
|
||||
（位于旧 work_dir）仍兼容可下载。详情/创建响应里每个视频的 `finals` 合并上述
|
||||
两处来源。
|
||||
- **详情明细展示**：任务列表的“详情”只列出本批实际处理过的视频行，SKIPPED
|
||||
（视频旁已有字幕、创建时即被跳过）不出现在明细表里；整批都已被跳过时提示
|
||||
“无待处理视频”。
|
||||
- **孤儿清理保护**：`source=batch` 的运行**跳过**自动清理——其 run 位于私有
|
||||
`storage/batch/...` 下，普通孤儿逻辑会误判删除，且 `_remove_run` 还会删除
|
||||
`input_uri` 的父目录（用户的整个视频文件夹）。详见
|
||||
|
||||
Reference in New Issue
Block a user