摩尔线程 GPU 适配（mthreads / MUSA）
本篇说明如何在 CubeStudio 平台上接入摩尔线程（mthreads）GPU 算力卡，覆盖主机驱动、k8s device plugin、节点资源识别、容器占卡与平台部署 DeepSeek 模型。
部署步骤来自
install/kubernetes/gpu/mthreads/readme.md（含原始操作截图）。
平台资源名配置
摩尔线程在平台中对应的 GPU 资源 key 为 mthread，映射到 k8s 资源名 mthreads.com/gpu（install/docker/config.py:1203 的 GPU_RESOURCE）：
"mthread": "mthreads.com/gpu" # 摩尔线程
在 Notebook / 推理服务 / 任务流的「GPU」字段中填写格式为 数量(型号key)，例如申请 2 张摩尔线程卡填 2(mthread)。括号里的 key 会被平台解析后映射到对应的 k8s 资源名（解析逻辑见 myapp/utils/core.py:1622 的 get_gpu）。
补充能力：
- 分布式训练：分布式任务模板侧同样内置
mthread → mthreads.com/gpu映射（job-template/job/pkgs/k8s/py_k8s.py:47），TF / PyTorch 等分布式训练任务可直接申请摩尔线程卡； - sGPU 虚拟化预置：平台部署的 HAMi 调度配置已预置摩尔线程虚拟化资源段——
mthreads.com/vgpu（切分数量）、mthreads.com/sgpu-memory（显存）、mthreads.com/sgpu-core（算力核）三维切分（install/kubernetes/gpu/vgpu/vgpu.yaml:526-529），如需单卡多任务共享可按 HAMi 官方文档启用。
一、主机驱动正常安装
主机正常安装摩尔线程驱动后，使用 mthreads-gmi 查看 GPU 卡。
二、部署 k8s device 插件
在 k8s 中部署摩尔线程 gpu-device 插件。
三、查看 k8s 节点资源
device 插件部署完成后，查看 k8s 节点上报的摩尔线程卡资源。
四、容器 yaml 文件
在容器 yaml 中申请摩尔线程卡，比如这里 Pod 占用 2 张卡。
五、Pod 内查看占用卡情况
进入容器后用 mthreads-gmi 查看占用的卡。
六、CubeStudio 平台部署 DeepSeek 模型
在 CubeStudio 平台上使用摩尔线程卡部署 DeepSeek 模型。
七、DeepSeek 接口测试
部署完成后测试 DeepSeek 推理接口。
