Fix repeated FLUX image generation memory lifecycle

dev/test_image_worker_lifecycle.py

@@ -0,0 +1,61 @@
+"""GPU-free regressions for sequential image requests."""
+import importlib.util
+import os
+from pathlib import Path
+import sys
+import types
+import unittest
+from unittest.mock import Mock, patch
+from contextlib import nullcontext
+
+
+class ImageWorkerLifecycleTests(unittest.TestCase):
+    @classmethod
+    def setUpClass(cls):
+        path = Path(__file__).resolve().parents[1] / 'platform/docker/image-worker/image_worker_9b.py'
+        spec = importlib.util.spec_from_file_location('image_worker_lifecycle', path)
+        cls.worker = importlib.util.module_from_spec(spec)
+        with patch.dict(os.environ, {'WORKER_TOKEN': 'test-' * 10}), patch('signal.signal'):
+            spec.loader.exec_module(cls.worker)
+
+    def test_converter_is_restored_and_second_request_keeps_scales(self):
+        original = Mock(return_value={})
+        entry = {'checkpoint_mapping_fn': original}
+        sfm = types.ModuleType('diffusers.loaders.single_file_model')
+        sfm.SINGLE_FILE_LOADABLE_CLASSES = {'Flux2Transformer2DModel': entry}
+        diffusers = types.ModuleType('diffusers')
+        loaders = types.ModuleType('diffusers.loaders')
+        diffusers.loaders = loaders
+        loaders.single_file_model = sfm
+        with patch.dict(sys.modules, {'diffusers': diffusers, 'diffusers.loaders': loaders,
+                                      'diffusers.loaders.single_file_model': sfm}):
+            for _ in range(2):
+                with self.worker._install_fp8_converter() as scales:
+                    entry['checkpoint_mapping_fn']({'double_blocks.0.img_attn.proj.input_scale': Mock()})
+                    self.assertIn('transformer_blocks.0.attn.to_out.0', scales)
+                self.assertIs(entry['checkpoint_mapping_fn'], original)
+            with self.assertRaises(RuntimeError):
+                with self.worker._install_fp8_converter():
+                    raise RuntimeError('load failed')
+            self.assertIs(entry['checkpoint_mapping_fn'], original)
+
+    def test_inference_context_and_cleanup_on_success_and_failure(self):
+        torch = Mock()
+        torch.inference_mode.side_effect = lambda: nullcontext()
+        for fails in (False, True):
+            def run(data, module):
+                self.assertTrue(self.worker.ACTIVE)
+                self.assertTrue(self.worker.GENERATION_LOCK.locked())
+                if fails:
+                    raise RuntimeError('CUDA OOM')
+                return {'status': 'ok'}
+            with patch.dict(sys.modules, {'torch': torch}), patch.object(self.worker, '_generate', side_effect=run):
+                if fails:
+                    with self.assertRaises(RuntimeError):
+                        self.worker.generate({})
+                else:
+                    self.assertEqual(self.worker.generate({}), {'status': 'ok'})
+            self.assertFalse(self.worker.ACTIVE)
+            self.assertFalse(self.worker.GENERATION_LOCK.locked())
+        self.assertEqual(torch.inference_mode.call_count, 2)
+        self.assertEqual(torch.cuda.empty_cache.call_count, 2)

docs/FLUX_REPEAT_FIX_20260920.md

@@ -0,0 +1,32 @@
+# FLUX-Wiederholungsfehler am 20.09.2026
+
+Beim OpenClaw-Bildauftrag erzeugte der Worker ein Bild erfolgreich und scheiterte
+beim folgenden Bild mit CUDA OOM (angeforderte 4,23 GiB bei 3,73 GiB frei).
+Der Router hatte Qwen und TTS korrekt gestoppt. Kein Benchmarkcontainer war aktiv.
+Die experimentelle Qwen-Mindestreserve war nicht die Ursache.
+
+## Korrektur
+
+- Den globalen FP8-Checkpoint-Konverter nur während des Ladens ersetzen und auch
+  bei Fehlern wiederherstellen. Die bisher verschachtelten Wrapper entfernten
+  beim zweiten Laden Skalierungswerte, bevor der aktuelle Wrapper sie verwenden
+  konnte. Ein Regressionstest deckt zwei Ladevorgänge und den Fehlerpfad ab.
+- Den gesamten Tensorpfad einschließlich direkter Textencoder- und VAE-Aufrufe
+  unter `torch.inference_mode()` ausführen.
+- Echte Modell-/Tensorreferenzen und Argument-Dictionaries vor GC und
+  `empty_cache()` freigeben. `del value` auf einer Schleifenvariablen hatte die
+  eigentlichen lokalen Referenzen nicht entfernt.
+- Generierungen im Worker serialisieren; Health-Endpunkt bleibt erreichbar.
+
+## Validierung und Betrieb
+
+88 GPU-freie Tests bestanden. Ein echter Router-Auftrag mit `n=2`, 1024×1024,
+vier Schritten und Seed 12345 erzeugte beide Bilder im selben Worker-Prozess;
+beide `/generate`-Aufrufe lieferten HTTP 200. Die Modellgewichte und
+Quantisierung bleiben unverändert. Der Test prüft Wiederholbarkeit des Ablaufs,
+nicht die Gleichheit mit Bildern vor der Reparatur.
+
+Nur das Worker-Image wurde aktualisiert, auf Basis der vorhandenen Abhängigkeiten
+(kein Paket-, Treiber- oder Kernelupdate). Das vorherige Image bleibt als
+`mike-ai/image-worker:before-repeat-fix-20260920` für Rollback vorhanden.
+Remote-Testunterlagen: `/data/benchmarks/flux-repeat-fix-20260920/`.

platform/docker/image-worker/image_worker_9b.py

@@ -14,6 +14,8 @@ import json
 import os
 import signal
 import time
+from contextlib import contextmanager
+from threading import Lock
 from http.server import BaseHTTPRequestHandler, ThreadingHTTPServer
 from pathlib import Path
 from types import MethodType
@@ -26,6 +28,7 @@ TRANSFORMER_FILE = os.environ.get(
     "FLUX_TRANSFORMER_FILE", "/models/fp8/flux-2-klein-9b-fp8.safetensors")
 OUTPUT_DIR = Path(os.environ.get("IMAGE_DIR", "/data/images")).resolve()
 ACTIVE = False
+GENERATION_LOCK = Lock()
 
 os.environ.setdefault("DIFFUSERS_VERBOSITY", "error")
 os.environ.setdefault("TRANSFORMERS_VERBOSITY", "error")
@@ -50,6 +53,7 @@ def _devices(torch):
             torch.device(f"cuda:{encoder_index}"))
 
 
+@contextmanager
 def _install_fp8_converter():
     import diffusers.loaders.single_file_model as single_file_model
 
@@ -99,7 +103,11 @@ def _install_fp8_converter():
 
     single_file_model.SINGLE_FILE_LOADABLE_CLASSES[
         "Flux2Transformer2DModel"]["checkpoint_mapping_fn"] = convert
-    return scales
+    try:
+        yield scales
+    finally:
+        single_file_model.SINGLE_FILE_LOADABLE_CLASSES[
+            "Flux2Transformer2DModel"]["checkpoint_mapping_fn"] = original
 
 
 def _fp8_forward(torch, module, inputs):
@@ -123,6 +131,19 @@ def _fp8_forward(torch, module, inputs):
 def generate(data: dict) -> dict:
     global ACTIVE
     import torch
+
+    with GENERATION_LOCK:
+        ACTIVE = True
+        try:
+            with torch.inference_mode():
+                return _generate(data, torch)
+        finally:
+            gc.collect()
+            torch.cuda.empty_cache()
+            ACTIVE = False
+
+
+def _generate(data: dict, torch) -> dict:
     from diffusers import (Flux2KleinPipeline, Flux2Transformer2DModel,
                            NVIDIAModelOptConfig)
     from modelopt.torch.opt import enable_huggingface_checkpointing
@@ -156,15 +177,17 @@ def generate(data: dict) -> dict:
             source_images.append(opened.convert("RGB"))
 
     started = time.monotonic()
-    ACTIVE = True
     transformer = text_encoder = pipe = latent = decoded = image = None
+    prompt_embeds = generator = module = None
+    kwargs = {}
+    scales = {}
     try:
         enable_huggingface_checkpointing()
-        scales = _install_fp8_converter()
         tx_index, enc_index, tx_device, enc_device = _devices(torch)
         quantization = NVIDIAModelOptConfig(
             quant_type="FP8", weight_only=False,
             modelopt_config=FP8_DEFAULT_CFG)
+        with _install_fp8_converter() as scales:
             transformer = Flux2Transformer2DModel.from_single_file(
                 TRANSFORMER_FILE, config=COMPONENT_DIR, subfolder="transformer",
                 quantization_config=quantization, torch_dtype=torch.bfloat16,
@@ -182,6 +205,8 @@ def generate(data: dict) -> dict:
             patched += 1
         if patched != len(scales):
             raise RuntimeError(f"patched only {patched} of {len(scales)} FP8 layers")
+        module = None
+        scales.clear()
         transformer.to(tx_device)
 
         text_encoder = Qwen3ForCausalLM.from_pretrained(
@@ -219,8 +244,8 @@ def generate(data: dict) -> dict:
         latent = pipe(**kwargs).images
 
         pipe.transformer = None
-        del transformer, text_encoder, prompt_embeds, generator
+        kwargs.clear()
-        transformer = text_encoder = None
+        transformer = text_encoder = prompt_embeds = generator = None
         gc.collect()
         torch.cuda.empty_cache()
         latent = latent.to(device=tx_device, dtype=pipe.vae.dtype)
@@ -234,12 +259,16 @@ def generate(data: dict) -> dict:
                 "load_seconds": round(loaded, 3),
                 "model": "FLUX.2-klein-9B-fp8-beta"}
     finally:
-        for value in (image, decoded, latent, pipe, text_encoder, transformer):
+        # Drop the actual references before collecting bound-method cycles.
-            if value is not None:
+        kwargs.clear()
-                del value
+        scales.clear()
+        image = decoded = latent = pipe = text_encoder = transformer = None
+        prompt_embeds = generator = module = None
+        for source_image in source_images:
+            source_image.close()
+        source_images.clear()
         gc.collect()
         torch.cuda.empty_cache()
-        ACTIVE = False
 
 
 class Handler(BaseHTTPRequestHandler):
@@ -279,4 +308,5 @@ class Handler(BaseHTTPRequestHandler):
             self.reply(500, {"status": "error", "message": str(exc)})
 
 
-ThreadingHTTPServer((HOST, PORT), Handler).serve_forever()
+if __name__ == "__main__":
+    ThreadingHTTPServer((HOST, PORT), Handler).serve_forever()