Document the measured GPU deployment profile (bf16 + expandable_segments)

Measured on an RTX 5070 Ti 16 GB, full default pipeline (cross-check on, reused as seg, bf16): ~1-2 s/image, ~10.1 GB allocated. PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True (Linux/WSL2 only; silently unsupported on native Windows) cuts the allocator's reserved footprint 15.3 -> 12.0 GB and is ~10% faster, leaving ~3.5 GB headroom on a 16 GB card even beside a desktop session. bf16 is the precondition: fp32 reserved ~17 GB overflows. reuse-as-seg also saves ~0.9 GB VRAM / ~0.25 s per image on GPU (reuse off measured 13.3 GB reserved under expandable_segments).

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

DEPLOY_ZH.md

@@ -270,6 +270,17 @@ curl -sS -F "file=@input.png" -F "screen_color=#CFEFFF" \
   串行，所以单实例约 1–2 张/分钟。瓶颈是全分辨率的 ViTMatte 和 pymatting 前景估计。
 - 要提吞吐：上 GPU（`BGFILTER_DEVICE=cuda`，装 CUDA 版 torch），大约快一个数量级；
   和/或多实例 + 负载均衡（每个都 `--workers 1`）。
+- **GPU 部署（实测，RTX 5070 Ti 16 GB，完整默认管线——cross-check 开 + reuse-as-seg，
+  bf16）：** 约 1–2 秒/张（4 MP 也只要 2 秒），峰值 VRAM 分配约 10.1 GB。真正决定
+  「装不装得下」的是分配器的 *reserved* 占用；Linux 上在服务环境里加：
+  ```ini
+  Environment=PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
+  ```
+  实测效果：reserved 15.3 GB → **12.0 GB**（碎片 5.2 → 1.9 GB），而且还**快约 10%**——
+  加上它之后，完整管线在 16 GB 卡上即使旁边挂着桌面会话也有约 3.5 GB 余量。不加
+  （或在原生 Windows 上——该选项会被静默忽略）reserved 约 15.3 GB：无头 16 GB 卡勉强
+  能装，带桌面输出的卡就很悬。另外 `bf16` 是 16 GB 可行的前提——fp32 的 reserved
+  约 17 GB，直接溢出。
 - 内存：单个 worker 持有全部三个模型（约 1 GB 权重 + 运行时）。单 CPU worker 用
   `MemoryMax=8G` 作上限比较稳妥。
 - **让 RSS 保持平稳（glibc）。** 每处理完一张图，服务会调用 glibc 的 `malloc_trim(0)`