code/laya-server/UPSTREAM.md

laya-server（laya-ad 独立维护分支）

• 基线来源：https://github.com/1Panel-dev/laya-server @ 19471b2d377ec29e85ac50ad65877f2937c5340b（2026-10-10，Apache-2.0）
• 自本版本起完全独立维护，不跟随上游。 上游 SHA 仅作出身记录。

本分支相对上游的改动

1. ad-clf 后端（LAYA_BACKEND=ad-clf 启用）：接入 laya-ad 微调的 mmBERT 中文广告二分类模型， 通过 /v1/systemone Jev 兼容 API 提供判定；is_ad 形状题目（choice{ad,clean}、 与广告相关的 noul）由分类器回答，其余题目返回 unsupported: true 的中性答案， 调用方可走自有兜底，绝不冒充判断。
2. 全精度变体：fp32/fp16/bf16/fp8/int8/int4 safetensors 变体（quant_loader.py 统一加载，int8/int4 自动反量化）。镜像 tag 格式 **<版本>-<精度>**（如 v1.0-fp32）； 不带精度的 latest 与 <版本> tag = fp8。原上游 Laya 模型权重机制 （download-models / 多模型 Router）已移除；镜像构建时自动从 releases/latest/download/laya-ad-fp32.tar.gz 拉取 laya-ad 最新基准权重并在镜像内量化。
3. CPU 优化（来自 laya-ad 工作流实测）：请求动态微批（LAYA_AD_BATCH/LAYA_AD_BATCH_WINDOW_MS）、 CPU 线程数 LAYA_CPU_THREADS（默认逻辑核一半，Zen5 实测最优档）、bf16 推理。 100 并发整批 ≤1s SLO 实测通过（Ryzen 7 9700X 半核）。

模型文件由 CI 构建时注入 models/ad-clf/（来源：laya-ad Release 的 fp32 基准资产 + 量化管线）。