From 0684d269dfad8f6984f9adb9f18bc8edc98b0f3f Mon Sep 17 00:00:00 2001
From: Zhiyi Hong <2497491955@qq.com>
Date: Fri, 14 Aug 2026 15:52:14 +0800
Subject: [PATCH] [Docs] Audit Kimi-K3 SM120 FlashInfer MXFP4 gap

---
 README.md                                     |  2 +
 .../README.md                                 | 98 +++++++++++++++++++
 2 files changed, 100 insertions(+)
 create mode 100644 experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md

diff --git a/README.md b/README.md
index 540c5dc..e118a63 100644
--- a/README.md
+++ b/README.md
@@ -1,5 +1,7 @@
 # sskj — 多平台大模型推理性能基准测试项目
 
+**更新（2026-08-14 15:47:54 CST）**：建立 Kimi-K3 / RTX PRO 6000D / SGLang FlashInfer MXFP4 MoE 独立开发分支并完成 Phase 0 上游与真机审计；确认 SM120 基础 MXFP8×MXFP4 CUTLASS MoE 可运行，但 Kimi SiTU 激活尚未接入 SM120 CUTLASS runner，详见 `experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md`。
+
 > 历史更新见 `git log`。项目目的与工作流见下方。
 > **项目目的**：当新显卡（GPU/NPU）到货时，用最短时间完成大模型在该平台上的推理性能评估与部署配置选型。
 > 当前模型：DeepSeek-V4-Flash（FP8 / INT8）；后续接入 GLM5.2，**完全复用**本项目的实验与报告流程。
diff --git a/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md
new file mode 100644
index 0000000..c7ce32c
--- /dev/null
+++ b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md
@@ -0,0 +1,98 @@
+# Kimi-K3 SM120 FlashInfer MXFP4 MoE
+
+## 目标
+
+为 Kimi-K3 在 NVIDIA SM120（RTX PRO 6000D）上的 SGLang 部署补齐 FlashInfer MXFP8 activation × MXFP4 weight fused MoE，并形成可回归、可性能比较、可提交上游的最小改动。
+
+本目录不修改已有 Kimi-K3 基线实验。功能实现必须先通过算子正确性，再进入模型加载和性能测试。
+
+## Phase 0 审计结论
+
+状态：**完成**。
+
+审计环境：
+
+| 对象 | 版本或提交 |
+|---|---|
+| GPU | NVIDIA RTX PRO 6000 Blackwell Server Edition，SM120 |
+| SGLang | `827552bc1dda8507f2a1b11c7274340a83da49ce` |
+| FlashInfer | `a9e03bf2f5fe`，Python package `0.6.18` |
+| PyTorch / CUDA | PyTorch 2.11，CUDA 13 |
+| 构建镜像 | `lmsysorg/sglang:kimi-k3-fiv617situ-warm` |
+| Kimi-K3 | hidden 7168，expert hidden 3584，896 experts，top-k 16，SiTU `(alpha=4.0, beta=25.0)` |
+
+已确认：
+
+1. FlashInfer 当前 main 的 SM120 CUTLASS fused MoE 能完成基础 MXFP8×MXFP4 运算；官方最小测试通过。
+2. Kimi-K3 所需的 `ActivationType.Situ` 尚未接入该 SM120 CUTLASS C++ runner。
+3. Python `ActivationType.Situ` 的值为 10，而 CUTLASS C++ `ActivationType` 的值 10 当前是 `InvalidType`。SiTU 调用因此被当作非门控激活，FC1 门控维度判断错误。
+4. SGLang 当前 SM120 MXFP4 路径仍按 GPT-OSS 的 SwiGLU 权重布局和参数组织，未透传 Kimi SiTU 参数。
+5. 旧目录 `kimi3_pro6000_sglang_tp32ep32_deepep_flashinfer_mxfp4` 实际使用 `flashinfer_cutedsl`，并在模型加载前因量化配置识别失败；它不能作为 FlashInfer MXFP4 SM120 的成功或失败证据。
+
+上游重叠审计：
+
+- SGLang PR #30272 只实现 DeepSeek-V4 的 SM120 FlashInfer MXFP4 路径。
+- FlashInfer issue #4223 跟踪 SM12x NVFP4 kernel，同一 issue 明确把 SiTU 标为当前目标模型“不需要”。
+- 截至本次审计，没有找到覆盖 Kimi-K3 + SM120 + SiTU + MXFP4 fused MoE 的已合并实现或开放 PR。
+
+因此，本任务有明确的独立增量，不是重复实现。
+
+## 真机证据
+
+FlashInfer 源码与 wheel：
+
+```text
+/data/hzy/src/flashinfer-kimi-sm120
+/data/hzy/artifacts/flashinfer-main-a9e03bf/flashinfer_python-0.6.18-py3-none-any.whl
+/data/hzy/cache/flashinfer-sm120
+```
+
+官方 SM120 MXFP8×MXFP4 基线：
+
+```bash
+FLASHINFER_DISABLE_VERSION_CHECK=1 pytest -q \
+  tests/moe/test_trtllm_cutlass_fused_moe.py::test_moe_mxfp8_mxfp4\[False-None-None-None-otype1-128-2-2-128-1\] -s
+```
+
+实际结果：
+
+```text
+1 passed, 3 warnings in 540.58s
+```
+
+SiTU 最小负例沿用官方 `test_moe` 数据构造，只将激活改为 `ActivationType.Situ`：
+
+```python
+test_moe(1, 128, 2, 2, 128, ActivationType.Situ)
+```
+
+实际首个错误：
+
+```text
+fc1_expert_weights inter size must be equal to fc2_expert_weights inter size
+(256 vs. 128)
+```
+
+对应源码事实：
+
+```text
+flashinfer/tllm_enums.py:
+  Situ = 10
+  InvalidType = 11
+
+csrc/nv_internal/tensorrt_llm/kernels/cutlass_kernels/include/common.h:
+  Identity = 9
+  InvalidType = 10
+```
+
+## 后续硬门槛
+
+Phase 1 必须先完成以下内容，才允许进入整模型实验：
+
+1. 为 SM120 CUTLASS runner 建立 SiTU 数学参考与 MXFP8×MXFP4 正确性测试。
+2. 明确 Kimi checkpoint 的 gate/up 排列以及 `(4.0, 25.0)` 参数语义。
+3. 补齐 C++ activation enum、gated 判断、激活实现及 Python/C++ 枚举一致性检查。
+4. 在 SGLang 中只对满足 Kimi SiTU 条件的模型选择新路径；不影响 GPT-OSS、DeepSeek 和现有 fallback。
+5. 覆盖 token 数 1/2/8/32、不同 expert 命中、TP/EP 权重切分以及 CUDA Graph capture/replay。
+
+正确性未通过前，不做吞吐结论，不修改 checkpoint，不使用运行时 monkeypatch。