diff --git a/README.md b/README.md index 4dbbbcb..be896c6 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（2026-08-19 16:51:43 CST）**：完成 Kimi-K3 / RTX 6000D / SGLang Prefill MoE backend 交付文档收敛与 Chunk=4K 补测。四节点 TP32×EP4、16K→1、C=8/16 下 12/12 重复、480/480 请求成功；FlashInfer 相对 Marlin 提升约 9.8% Input TPS、降低约 9.0% TTFT。结合 4K/8K/16K 全部结果，最终推荐保持 `flashinfer_mxfp4 + chunked_prefill_size=8192`。 + **更新（2026-08-19 14:23:52 CST）**：601 的 GitLab SSH key 已生效，内部 Kimi-K3 SM120 审计分支已推送至 `qqtang/sskj:hzy-kimi-k3-sm120-flashinfer-mxfp4`。远端已有普通分支 `hzy`，因此不能创建 `hzy/...` ref，最终采用无层级冲突的分支名；GitHub SGLang feature 分支保持不变。 **更新（2026-08-19 13:58:50 CST）**：用户同步 GitHub fork 后，将 Kimi-K3 SM120 SGLang 的 7 个提交无冲突重放到最新 `main` `593b1a9`，`range-diff` 逐提交确认补丁等价；最终 Draft HEAD `b95b534` 已推送至 `ACEEE-1222/sglang:hzy/kimi-k3-sm120-flashinfer-mxfp4`。在 601 统一验证镜像中重跑最终 HEAD 的语法与定向回归，结果为 `10 passed, 3 deselected`；代表性四机性能数据保留，不重复消耗 GPU。 diff --git a/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md index 5c24d53..d9edfd3 100644 --- a/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md +++ b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md @@ -1,725 +1,182 @@ # Kimi-K3 SM120 FlashInfer MXFP4 MoE -> **2026-08-18 去重审计更正**：下文 Phase 0-4 保留当时的调查与实验 -> 时间线，但“没有开放 PR、需要独立实现 FlashInfer SiTU kernel”的判断已失效。 -> 当前 kernel 依赖方向是尚未合并的 FlashInfer PR #4460；我们不提交 -> FlashInfer PR，SGLang Draft 只保留 -> Kimi-K3 SGLang 接入、精确 MXFP8×MXFP4+SiTU 测试和 6000D 实测证据。 -> 权威边界见 [`UPSTREAM_DUPLICATION_AUDIT.md`](UPSTREAM_DUPLICATION_AUDIT.md)。 - -当前 SGLang Draft 基于 `main` `593b1a9b8a`，HEAD 为 `b95b5341ab95`，已推送到 -`ACEEE-1222/sglang:hzy/kimi-k3-sm120-flashinfer-mxfp4`。公开 PR 正文见 -[`SGLANG_DRAFT_PR.md`](SGLANG_DRAFT_PR.md)，可审查补丁见 -[`patches/sglang-kimi-k3-sm120-flashinfer-mxfp4-draft.patch`](patches/sglang-kimi-k3-sm120-flashinfer-mxfp4-draft.patch)。 -五个变更文件已通过完整 pre-commit；同步 fork 后，7 个提交的 -`range-diff` 全部为补丁等价，最终非 JIT 回归为 -`10 passed, 3 deselected, 17 warnings in 33.30s`。 -逐项验收和唯一剩余交付项见 -[`COMPLETION_AUDIT.md`](COMPLETION_AUDIT.md)。 - -最终 PR 代表点已经在同步前的等价 patch `300c87a` 统一镜像中完成：四节点 -TP32/EP4、16K→1、C=8、Chunk=8K，Marlin 与 FlashInfer 各三次重复， -240/240 请求成功。FlashInfer 相对 Marlin 的 Input TPS 中位数为 -`+10.96%`，TTFT P50/P95 为 `-9.91%/-9.92%`。轻量结果见 -`results/pr_representative_16k_c8_chunk8k_summary.json` 和 -`results/pr_representative_16k_c8_chunk8k_results.csv`。 -同步后的 `b95b534` 与该 7 提交系列逐提交等价，因此保留原始性能证据， -不把容器中的旧 commit object 错写成最终 HEAD，也不重复运行四机实验。 - ## 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。 +为 Kimi-K3 在 NVIDIA SM120（RTX 6000D）上的 SGLang 部署补齐 +FlashInfer MXFP8 activation × MXFP4 weight fused MoE 支持，并形成： -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。 +- 可上游审查的最小 SGLang 改动； +- 精确覆盖 Kimi-K3 的正确性测试； +- RTX 6000D 单卡与四节点真实服务证据； +- Marlin 与 FlashInfer 的同口径性能结论。 -## Phase 0 审计结论 +本目录不修改已有 Kimi-K3 基线实验，也不提交与 FlashInfer 上游重复的 kernel。 -状态：**完成**。 +## 交付状态 -审计环境： +状态：**完成，SGLang Draft 代码与审计分支已推送。** -| 对象 | 版本或提交 | +| 项目 | 结果 | |---|---| -| 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)` | +| GPU | NVIDIA RTX 6000D，SM120 | +| 模型 | Kimi-K3，MXFP4，SiTU `(4.0, 25.0)` | +| SGLang base | `593b1a9b8aeedb908ee21870c02a0fd1a3dc30a5` | +| SGLang Draft HEAD | `b95b5341ab9555ba5ea53f5828f6de203d749cce` | +| GitHub 分支 | `ACEEE-1222/sglang:hzy/kimi-k3-sm120-flashinfer-mxfp4` | +| FlashInfer 依赖 | PR #4460，implementation `b525c513fef7` | +| 默认行为 | 不改变默认 MoE backend，Marlin 仍可用 | -已确认： +公开 PR 正文：[`SGLANG_DRAFT_PR.md`](SGLANG_DRAFT_PR.md) -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。 +可应用补丁： +[`patches/sglang-kimi-k3-sm120-flashinfer-mxfp4-draft.patch`](patches/sglang-kimi-k3-sm120-flashinfer-mxfp4-draft.patch) -当时的上游重叠审计遗漏了后续出现的 FlashInfer #4460。最新复核结论是： +逐项验收：[`COMPLETION_AUDIT.md`](COMPLETION_AUDIT.md) -- FlashInfer #4460 已实现 CUTLASS SiTU kernel 和独立 `situ_beta` / - `situ_linear_beta` ABI，当前开放、未合并。 -- SGLang #32668 已合并 GPT-OSS SM120 接入，但不覆盖 Kimi 的连续 gate/up - 半区布局和 SiTU 参数。 -- 605 的可运行镜像也是移植 #4460，不是 0.6.17 原版直接支持。 +## 交付内容 -因此独立增量仅位于 Kimi SGLang 接入、精确测试和 6000D 服务证据；不再 -包含平行 FlashInfer kernel。完整文件级审计见 `UPSTREAM_DUPLICATION_AUDIT.md`。 +### SGLang 实现 -## 真机证据 +1. 为 Kimi-K3 在 SM120 上接入 FlashInfer CUTLASS MXFP4 MoE； +2. 将 Kimi 连续 `[gate; up]` 权重与 scale 转换为 CUTLASS 所需布局； +3. 独立透传 `situ_beta=4.0` 与 `situ_linear_beta=25.0`； +4. 在 MXFP8 量化前处理非连续 hidden states； +5. 排除 SM120 误入 tcgen05 attention-residual 路径； +6. 保持 GPT-OSS 路径、旧 FlashInfer import 和默认 Marlin 行为不变。 -FlashInfer 源码与 wheel： +变更文件： ```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 +python/sglang/srt/layers/attn_residual.py +python/sglang/srt/layers/moe/moe_runner/flashinfer_cutlass.py +python/sglang/srt/layers/quantization/mxfp4.py +test/registered/unit/layers/quantization/test_mxfp4_sm120_cutlass.py +test/registered/unit/layers/test_attn_residual_arch_gate.py ``` -官方 SM120 MXFP8×MXFP4 基线： +### 测试覆盖 -```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 -``` +- Kimi gate/up 权重和 scale 布局； +- SiTU `(4.0, 25.0)` 参数； +- MXFP8 activation × MXFP4 weight； +- 非连续输入； +- standard routing 与 EP expert IDs； +- eager、CUDA Graph capture/replay； +- SM120 attention-residual architecture gate； +- 缺少新 API 时的兼容性与明确报错。 -实际结果： +## 上游边界 -```text -1 passed, 3 warnings in 540.58s -``` +FlashInfer PR #4460 负责公共 CUTLASS SiTU kernel 和参数 API；本工作不提交 +平行的 FlashInfer kernel PR。 -SiTU 最小负例沿用官方 `test_moe` 数据构造，只将激活改为 `ActivationType.Situ`： +SGLang Draft 只保留 Kimi-K3 的真实框架增量：权重/scale 布局、SiTU 参数、 +非连续输入、SM120 guard 和测试。它不 vendor kernel、不 pin 未合并私人 commit、 +不改变默认 backend。 -```python -test_moe(1, 128, 2, 2, 128, ActivationType.Situ) -``` +完整去重审计见： +[`UPSTREAM_DUPLICATION_AUDIT.md`](UPSTREAM_DUPLICATION_AUDIT.md) -实际首个错误： +## 正确性结果 -```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 -``` - -## Phase 1 真实调用链审计 - -状态：**完成**。本阶段只确认数据契约和最小失败边界，未修改 SGLang 或 FlashInfer 实现。 - -### Serving 调用链 - -```text -KimiK3MoE.forward - -> TopK(select_experts): sigmoid + correction bias + top-k 16 + renormalize - -> KimiK3MoE._forward_routed - -> FusedMoE.run_moe_core - -> Mxfp4MoEMethod.apply - -> fused_experts_none_to_flashinfer_mxfp4 - -> flashinfer.fused_moe.cutlass_fused_moe - -> flashinfer_cutlass_fused_moe_binding.cu - -> CUTLASS grouped GEMM1 -> gated activation -> GEMM2 -> finalize -``` - -关键源码： - -| 层次 | 文件 | 已确认行为 | -|---|---|---| -| 模型 | `sglang/srt/models/kimi_k3.py` | 创建 `FusedMoE` 时传 `activation="situ"`、`gemm1_alpha=4.0`、`gemm1_clamp_limit=25.0`、`gate_up_interleaved=False` | -| 路由 | `sglang/srt/layers/moe/topk.py` | K3 使用 sigmoid 分数；correction bias 只参与选 expert，最终权重从未加 bias 的 sigmoid 分数 gather，并做归一化 | -| 量化 | `sglang/srt/layers/quantization/mxfp4.py` | checkpoint 的 packed MXFP4 权重与 E8M0 group-32 scale 被装入 `w13/w2` | -| SGLang runner | `sglang/srt/layers/moe/moe_runner/flashinfer_cutlass.py` | SM120 当前固定传 `ActivationType.Swiglu`，未读取 `runner_config.activation` | -| FlashInfer binding | `csrc/fused_moe/cutlass_backend/flashinfer_cutlass_fused_moe_binding.cu` | 根据 C++ `isGatedActivation` 判断 FC1 是否为 GEMM2 intermediate 的两倍 | -| FlashInfer activation | `csrc/fused_moe/cutlass_backend/cutlass_fused_moe_kernels.cuh` | gated activation 是独立 CUDA kernel；已有 per-expert 参数向量，可做最小 SiTU 扩展，无需重写 grouped GEMM | - -### 真实 checkpoint 契约 - -模型配置来自 `/data/hf_models/Kimi-K3/config.json`： - -| 项目 | 值 | -|---|---:| -| hidden size | 7168 | -| routed latent width | 3584 | -| expert intermediate | 3072 | -| experts / active experts | 896 / 16 | -| layers | 93 | -| activation | SiTU | -| SiTU gate beta / linear beta | 4.0 / 25.0 | -| quantization | packed MXFP4 weight，group size 32，E8M0 scale | - -第 3 层 expert 0 的真实 safetensors 元数据： - -```text -w1.weight_packed [3072, 1792] U8 w1.weight_scale [3072, 112] U8 -w3.weight_packed [3072, 1792] U8 w3.weight_scale [3072, 112] U8 -w2.weight_packed [3584, 1536] U8 w2.weight_scale [3584, 96] U8 -``` - -`1792=3584/2`、`1536=3072/2` 是每 byte 两个 FP4 元素。SGLang loader 将独立 `w1` 与 `w3` 顺序装入 `w13` 的两个连续半区，因此加载后是 `[gate; up]`，不是 GPT-OSS 的逐行 `[gate0, up0, ...]`。 - -SiTU 的参考公式为： - -```text -gate = 4 * tanh(gate / 4) * sigmoid(gate) -up = 25 * tanh(up / 25) -out = gate * up -``` - -### TP/EP expert mapping - -SGLang 的关系为： - -```text -moe_tp_size = tp_size / moe_ep_size / moe_dp_size -num_local_experts = num_global_experts / moe_ep_size -``` - -当前四节点基线为 TP32 / EP32 / MoE-DP1，因此： - -```text -moe_tp_size = 32 / 32 / 1 = 1 -num_local_experts = 896 / 32 = 28 -``` - -每个 rank 持有连续的 28 个完整专家，FC1/FC2 不再按 MoE-TP 切 intermediate。候选 kernel 的真实核心 shape 是 `E_local=28, K=3584, N=3072, topK=16`；输入 token 数随 prefill/decode batch 变化。 - -### 已确认的差异矩阵 - -| 契约 | Kimi-K3 正确值 | 当前 SM120 路径 | 影响 | -|---|---|---|---| -| Python/C++ enum 10 | `Situ` | C++ 为 `InvalidType` | SiTU 被当成非门控，首先触发 FC1 shape 校验失败 | -| 激活数学 | SiTU `(4, 25)` | 固定 `Swiglu` | 即使绕过 shape 校验也会产生错误输出 | -| checkpoint `w13` | 连续 `[gate; up]` | SM120 processor 假定 GPT-OSS 交错行 | `0::2/1::2` 会把 gate/up 行混合打乱 | -| CUTLASS 期望 `w31` | 连续 `[up; gate]` | GPT-OSS 专用转换 | Kimi 需要按半区交换，不能按奇偶行拆分 | -| activation 参数 | gate beta=4，linear beta=25 | 固定 SwiGLU alpha=1.702、beta=1、limit=7 | 参数语义完全不同 | -| routing | 已计算的标准 top-k ids/weights | CUTLASS runner 支持标准 routing | 这一层无需重写 | -| EP mapping | global ids + EP32/rank -> local 28 experts | CUTLASS ABI 已有 TP/EP 参数 | 需要 correctness 覆盖，但不是当前首错 | - -因此这不是单一“参数名不匹配”。至少要同时修复 FlashInfer SiTU activation 和 SGLang Kimi SM120 权重/参数适配，缺一项都不能得到正确结果。 - -### CUDA Graph 与 fallback - -- `flashinfer_mxfp4` runner 位于普通 model forward 内，eager 与 CUDA Graph 使用同一条 MoE 调用，不存在另一个自动回退到 Marlin 的 graph 专用分支。 -- Decode 只在 batch 能被已捕获 bucket 覆盖且满足 graph 条件时 replay；超过 capture max、宽度不匹配或其他 eligibility 失败时，`ModelRunner._forward_raw` 转入 eager runner。 -- Graph replay 会把实际 batch pad 到最近的 captured batch。`tune_max_num_tokens=next_power_of_2(x.shape[0])` 因而看到的是静态 padded token 数。 -- 后续必须分别验证 eager、capture 和 replay；“eager 正确”不能代表 CUDA Graph replay 正确。 -- `--moe-runner-backend flashinfer_mxfp4` 当前没有运行时按 shape 回退 Marlin 的机制。生产 fallback 应在服务初始化选择阶段明确决定，不能等 kernel 运行失败后热切换。 - -## 最小复现 - -目标 MXFP8 activation × MXFP4 weight 的复现文件： - -```text -reproduce_kimi_situ_sm120_mxfp4.py -``` - -它复用 FlashInfer 官方测试的数据构造，只把 activation 改为 SiTU 并传 Kimi 的 `4/25` 参数。当前 main 的预期首错是： - -```text -fc1_expert_weights inter size must be equal to fc2_expert_weights inter size -``` - -601 上的实际复现命令： - -```bash -cd /data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4 -CUDA_VISIBLE_DEVICES=2 \ -PYTHONPATH=/tmp/hzy-fi-main-phase1 \ -FLASHINFER_DISABLE_VERSION_CHECK=1 \ -/data/hzy/envs/sparse-opd-sm120/bin/python \ - reproduce_kimi_situ_sm120_mxfp4.py \ - > phase1_reproduce_sm120_situ.log 2>&1 -``` - -证据日志： - -```text -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/phase1_reproduce_sm120_situ.log -``` - -2026-08-14 实测进入 `flashinfer.cutlass_fused_moe` 后，在 -`flashinfer_cutlass_fused_moe_binding.cu:369` 以 `256 vs. 128` 命中上述检查。 -这证明失败发生在 FlashInfer SM120 CUTLASS ABI/activation 边界，不依赖完整模型、SGLang scheduler、DeepEP 或多节点网络。 - -## Phase 1 决策记录 - -1. 不在 SGLang 中用独立 Triton SiTU 对 CUTLASS 的错误输出做事后修补；CUTLASS 已有独立 activation kernel，正确位置在 FlashInfer。 -2. 不复用 GPT-OSS 的奇偶行权重转换；Kimi loader 已明确给出连续 `[gate; up]` 半区。 -3. 不新增 FlashInfer ABI 参数；现有两组 per-expert float 参数足以承载 SiTU 的 `4/25`，但字段命名需要在代码和测试中解释清楚。 -4. 不把旧 `flashinfer_cutedsl` 实验当作本路径证据。 -5. 不进入整模型性能测试，直到 Phase 2 的 BF16/PyTorch 或 Marlin 参考正确性通过。 - -## Phase 2 correctness harness - -状态：**完成**。本阶段建立验证框架并校准 reference，但 SiTU candidate 按预期尚未通过；未产生性能晋级结论。 - -唯一入口： - -```text -validate_kimi_sm120_mxfp4.py -``` - -### 对称性约束 - -- reference 与 candidate 共用同一 `Case`、随机种子、routing IDs/weights、量化后的 MXFP8 input、packed MXFP4 weights 和 E8M0 scales；reference 不读取量化前的 BF16 权重。 -- FC1 在生成时显式采用 CUTLASS oracle 布局 `[up; gate]`。这使 harness 同时约束 SGLang 后续必须把 Kimi checkpoint 的 `[gate; up]` 正确交换。 -- SwiGLU 作为当前 kernel 已支持的控制组；SiTU `(4, 25)` 使用完全相同的数据与调用，只改变 activation contract。 -- correctness 固定 `use_fused_finalize=False`，避免非结合 atomic reduction 干扰确定性；benchmark 也由同一个 CUDA Event 计时函数驱动，但本阶段设置 iterations=0，不在共享 GPU 负载下生成性能数字。 - -覆盖矩阵： - -| 类别 | 覆盖 | -|---|---| -| token shape | `M=1/2/8/32` | -| routing | uniform、skewed、空 expert、`-1` masked slot | -| EP | `EP2` global/local ID 过滤；Kimi `EP32/rank7/E_local=28` | -| 数值 | finite、NaN/Inf row-level propagation、三次 bitwise determinism | -| execution | eager、CUDA Graph capture、两次 replay | -| Kimi 真尺寸 | `H=3584, N=3072, E_local=28, topK=16`；decode `M=1`、prefill `M=128` | - -### 执行命令 - -```bash -cd /data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4 - -# 已支持的 SwiGLU 控制组；本阶段最终证据统一使用 GPU 6 -CUDA_VISIBLE_DEVICES=6 PYTHONPATH=/tmp/hzy-fi-main-phase1 \ -FLASHINFER_DISABLE_VERSION_CHECK=1 \ -/data/hzy/envs/sparse-opd-sm120/bin/python validate_kimi_sm120_mxfp4.py \ - --suite smoke --activation swiglu \ - --output results/phase2_control_swiglu_smoke.json - -# Kimi SiTU 目标真尺寸 -CUDA_VISIBLE_DEVICES=6 PYTHONPATH=/tmp/hzy-fi-main-phase1 \ -FLASHINFER_DISABLE_VERSION_CHECK=1 \ -/data/hzy/envs/sparse-opd-sm120/bin/python validate_kimi_sm120_mxfp4.py \ - --suite real --activation situ \ - --output results/phase2_target_situ_real_gpu6.json -``` - -实现完成后的 CI-style gate 必须增加 `--require-situ`；若仍命中已知缺口，入口返回非零。 - -### 结果与证据 - -| 组别 | 结果 | 关键证据 | -|---|---|---| -| SwiGLU smoke control | 6/6 PASS | cosine `0.999625–0.999812`，NRMSE `1.50%–2.75%` | -| SwiGLU Kimi real shape | 2/2 PASS | decode/prefill cosine `0.999597/0.999621`，NRMSE `2.85%/2.75%` | -| SiTU smoke target | 6/6 EXPECTED_MISSING_SITU | 全部命中 binding `256 vs. 128` 首错 | -| SiTU Kimi real shape | 2/2 EXPECTED_MISSING_SITU | GPU6 上 decode/prefill 均命中同一首错 | -| determinism | PASS | non-fused finalize 三次 bitwise equal | -| CUDA Graph | PASS | control replay 与 eager `max_abs=0`，两次 replay bitwise equal | - -原始证据： - -```text -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/phase2_control_swiglu_smoke_gpu6.log -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/phase2_target_situ_smoke_gpu6.log -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/phase2_control_swiglu_real_gpu6.log -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/phase2_target_situ_real_gpu6.log -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase2_*.json -``` - -### NaN/Inf 决策记录 - -2026-08-17 的统一 gate 发现旧 oracle 不成立：原始 BF16 NaN/Inf 经 -`mxfp8_quantize` 后，E4M3 payload 全部有限，scale 最大值为 `0xFE`。 -NVIDIA E8M0 定义中 `0x00..0xFE` 表示有限的二次幂，只有 `0xFF` 表示 -NaN；转换采用 saturating finite 行为。旧 reference 把 `0xFE` scale -重新展开到 BF16 时发生溢出，再要求 Tensor Core candidate 传播相同 -non-finite row，不是有效的 MXFP8 oracle。 - -修正后的 nonfinite case 同时要求： - -1. 量化后的 E4M3 payload 全部有限； -2. E8M0 scale 不得出现 `0xFF`； -3. candidate 输出全部有限且三次 bitwise deterministic； -4. BF16 dequant reference 的 overflow rows 继续记录为 diagnostic，不参与数值判定。 - -这项修正没有改变任何 finite case 的 reference、容差或性能计时。有限值仍 -使用同一量化输入、权重、scale 与 routing，并满足 `rtol=0.2, atol=0.2`。 - -官方格式依据： -`https://docs.nvidia.com/cuda/cuda-math-api/cuda_math_api/struct____nv__fp8__e8m0.html`。 - -## Phase 3 最小实现 - -状态：**完成；有限值正确性与定义明确的 MXFP8 nonfinite 边界通过，可以进入 Phase 4 profiling。尚未形成整模型性能结论。** - -### 源码提交 - -| 仓库 | 分支 | 提交 | -|---|---|---| -| FlashInfer | `hzy/kimi-k3-sm120-situ-mxfp4` | `7d1a4ee` `[Feature] Add CUTLASS SiTU fused MoE support on SM120` | -| SGLang | `hzy/kimi-k3-sm120-flashinfer-mxfp4` | `fb929bb` `[Feature] Support Kimi-K3 FlashInfer MXFP4 MoE on SM120` | - -FlashInfer 的最小增量： - -1. C++ `ActivationType` 增加与 Python ABI 对齐的 `Situ`； -2. 把 SiTU 标为 gated activation； -3. 增加 `4*tanh(gate/4)*sigmoid(gate) * 25*tanh(up/25)` adaptor，复用已有 grouped GEMM 和 per-expert 参数； -4. Python 暴露显式 capability marker，避免仅凭早已存在的 enum 误判 kernel 可用。 - -SGLang 的最小增量： - -1. 同时支持 GPT-OSS 交错 `[gate_i, up_i]` 与 Kimi 连续 `[gate; up]` checkpoint 布局，统一生成 FlashInfer `[up; gate]`； -2. 从 `MoeRunnerConfig` 透传 `Situ`、alpha `4`、beta `25`，不再硬编码 SwiGLU； -3. bias-free Kimi 路径不向 kernel 传零占位 bias； -4. FlashInfer 缺少 SiTU capability marker 时在 runner 初始化阶段明确报错，并提示以 `--moe-runner-backend marlin` 重启；不做 kernel 失败后的热切换。 - -### 构建产物 - -```text -/data/hzy/artifacts/flashinfer-kimi-sm120-situ-phase3-v3/flashinfer_python-0.6.18-py3-none-any.whl -SHA256 9298d34b6f9cec9b8bf535d1688fc6e8c73f7db65f64e0c496580e881c3d997b -``` - -### 正确性与集成结果 - -统一 Phase 2/3 gate 命令： - -```bash -cd /data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4 -CUDA_VISIBLE_DEVICES=6 \ -PYTHONPATH=/tmp/hzy-fi-situ-phase3-v3 \ -FLASHINFER_DISABLE_VERSION_CHECK=1 \ -/data/hzy/envs/sparse-opd-sm120/bin/python validate_kimi_sm120_mxfp4.py \ - --suite all --activation situ --require-situ \ - --warmup 2 --benchmark-iterations 3 \ - --output results/phase3_target_situ_all_gpu6_v3.json -``` - -结果：`8/8 PASS`。 - -| 覆盖 | 结果 | -|---|---| -| M=1/2/8/32，uniform/skewed/empty/masked | PASS | -| EP2 global/local IDs | PASS | -| MXFP8 NaN/Inf saturation boundary | PASS，candidate finite、3-run bitwise | -| CUDA Graph capture/replay | PASS，replay 与 eager `max_abs=0` | -| Kimi decode `M=1, H=3584, N=3072, E=28, topK=16` | cosine `0.9996223`，NRMSE `2.748%` | -| Kimi prefill `M=128` 同真尺寸 | cosine `0.9996152`，NRMSE `2.774%` | - -SGLang 集成测试：`6 passed, 18 warnings in 563.41s`。warnings 为 asyncio -配置、PyTorch deprecation 和只读 pytest cache，不含断言失败。 - -原始证据： - -```text -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase3_target_situ_all_gpu6_v3.log -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase3_target_situ_all_gpu6_v3.json -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase3_sglang_integration_gpu6_final.log -``` - -### Phase 3 决策 - -1. 当前缺口同时位于 FlashInfer SiTU activation 与 SGLang Kimi layout/参数集成；两个补丁都必要。 -2. 没有修改 checkpoint，没有 runtime monkeypatch，没有通过放宽 finite tolerance 获得通过。 -3. microbenchmark latency 仅用于检查 candidate 可执行，不作为生产性能结论。 -4. 下一阶段必须用 Nsight Systems/Compute 和三轮交错 A/B 区分 wrapper、同步、权重搬运、dispatch 与 kernel 本体；在此之前不宣称优于 Marlin。 - -## Phase 4 算子性能与 Profiler 归因 - -状态：**完成。** 本阶段只证明单卡本地 MoE runner 的正确性、性能边界和 -kernel 归因，不代表完整 Kimi-K3 serving 性能。真实 Scheduler、Chunked -Prefill、跨节点 EP 通信和 CUDA Graph 的联合效果留到 Phase 5。 - -### 实验边界 - -两后端均通过 SGLang 生产 runner 调用，而不是直接调用底层 kernel： - -- baseline：`fused_experts_none_to_marlin`； -- candidate：`fused_experts_none_to_flashinfer_mxfp4`； -- 相同 BF16 输入、packed MXFP4 权重、E8M0 scale、Top-K IDs/weights、 - SiTU `(alpha=4, beta=25)`； -- Kimi 真尺寸 `H=3584, N=3072, topK=16`； -- `EP32/rank7`，每个 rank 驻留 28 个本地专家，总专家数 896； -- `ep_mixed` 路由中每个 token 的 8 个 slot 指向本地专家、8 个指向远端专家； -- 仅使用 601 的物理 GPU6，并用 UUID - `GPU-45354dff-e8b3-1c0d-99c9-d3562bcab5fd` 做运行时绑定校验。 - -这里的 `M` 是单次本地 MoE runner 收到的 token 数，不等于 HTTP 层的 -`ISL * concurrency`。本地平均路由项约为： - -```text -local assignments / expert = M * 8 / 28 -``` - -因此本阶段不能替代 `ISL=8192, C=16` 的真实服务测试。 - -### 统一入口 - -```bash -python3 profile_kimi_sm120_mxfp4.py \ - --shapes prefill prefill_m512 prefill_m2048 prefill_m8192 \ - --rounds 5 --iterations 30 --warmup 5 \ - --output results/phase4_mscan_ep32_5rounds_gpu6.json -``` - -正式运行时使用镜像 `lmsysorg/sglang:kimi-k3-fiv617situ-warm`，挂载： - -```text -/tmp/hzy-fi-situ-phase3-v3 -> patched FlashInfer Python/AOT package -/data/hzy/src/sglang-kimi-sm120 -> patched SGLang source -/data/hzy/cache/sglang-jit-sm120 -> persistent SGLang JIT cache -``` - -并设置： - -```text -FLASHINFER_DISABLE_JIT=1 -FLASHINFER_DISABLE_VERSION_CHECK=1 -SGLANG_JIT_CACHE_DIR=/root/.cache/sglang/jit -EXPECTED_GPU_UUID=45354dff-e8b3-1c0d-99c9-d3562bcab5fd -``` - -### 五轮交错 A/B - -每个 shape 先做 BF16 参考正确性，再 warmup 5 次。五轮按 -`Marlin -> FlashInfer`、`FlashInfer -> Marlin` 交替执行，每轮每后端 30 次。 -下表为 GPU latency 中位数： - -| M | 平均本地路由项/专家 | Marlin | FlashInfer | FlashInfer 相对速度 | FI vs reference | -|---:|---:|---:|---:|---:|---:| -| 128 | 36.6 | 0.870 ms | 0.926 ms | 0.94x，慢约 6.5% | cosine 0.999615，NRMSE 2.774% | -| 512 | 146.3 | 2.610 ms | 1.782 ms | 1.46x | cosine 0.999614，NRMSE 2.779% | -| 2048 | 585.1 | 9.070 ms | 4.355 ms | 2.08x | cosine 0.999623，NRMSE 2.746% | -| 8192 | 2340.6 | 34.379 ms | 16.167 ms | 2.13x | cosine 0.999623，NRMSE 2.744% | - -五轮逐轮比值稳定：M512 为 `1.428x-1.474x`，M2048 为 -`2.065x-2.089x`，M8192 为 `2.126x-2.128x`。这证明 FlashInfer 的优势 -依赖每次 runner 的实际 M；它不是小 batch 的无条件替代品。 - -M512 的第一次 pilot 只 warmup 1 次，得到 FlashInfer 4.26 ms、Marlin -1.94 ms，与正式结果相反。该结果保留为 warmup 敏感性证据，不用于性能结论。 - -### Nsight Systems - -捕获文件： - -```text -results/phase4_nsys_ab_gpu6.nsys-rep -results/phase4_nsys_ab_gpu6.log -results/phase4_nsys_stats_*.csv -results/phase4_nsys_*_iteration_5_*.csv -``` - -稳定的第 5 次迭代中，主 GEMM kernel 总时间： - -| Shape | Marlin | FlashInfer | 观察 | -|---|---:|---:|---| -| Decode M1 | 109.4 us | 191.8 us | FlashInfer 主 kernel 约慢 75% | -| Prefill M128 | 709.9 us | 865.3 us | FlashInfer 主 kernel 约慢 22% | - -Decode 的非主 kernel 开销约为 FlashInfer 20.3 us、Marlin 6.4 us；Prefill -分别约 45.8 us、44.2 us。小 M 差距主要来自 kernel 本体，不能归因成纯 -Python wrapper 或同步开销。 - -### Nsight Compute - -RTX 6000D 需要较新的工具。镜像内 NCU 2025.3.1 返回 -`Profiling is not supported on device 0`；正式报告由 NVIDIA 官方包 -Nsight Compute 2026.2.1 生成： - -```text -/data/hzy/tools/nsight-compute-2026.2.1/ -results/phase4_ncu_2026_2_1_ab_gpu6.ncu-rep -results/phase4_ncu_2026_2_1_ab_gpu6.log -results/phase4_ncu_2026_2_1_ab_gpu6_raw.csv -``` - -`--set basic` 捕获到的两组主 kernel 指标： - -| Shape/backend | 主 kernel 合计 | DRAM 峰值利用率 | SM 峰值利用率 | registers/thread | shared memory/block | -|---|---:|---:|---:|---:|---:| -| Decode Marlin | 121.2 us | 77.8%-86.8% | 21.2%-22.5% | 113 | 33.8 KiB | -| Decode FlashInfer | 199.4 us | 49.9%-51.7% | 47.7%-47.8% | 168 | 84.0 KiB | -| M128 Marlin | 513.0 us | 73.7%-76.1% | 61.1%-65.9% | 255 | 102.4 KiB | -| M128 FlashInfer | 535.1 us | 67.2%-70.7% | 61.1%-63.3% | 168 | 84.0 KiB | - -NCU 使用 replay，绝对时间不与 Nsight Systems 混用。它支持相同方向的 -结论：Decode 时 FlashInfer 使用更多寄存器和共享内存，DRAM 利用率更低， -当前 CUTLASS 配置没有在小 M 上胜过 Marlin；M128 的主 kernel 已接近， -但完整 runner 仍有其他步骤。 - -### 工程问题与修复记录 - -1. `--privileged` 会重新暴露全部 `/dev/nvidia*`，曾令容器落到物理 GPU0。 - UUID guard 立即终止实验。之后固定使用 `--gpus device=6`、 - `NVIDIA_VISIBLE_DEVICES=6`，不再使用 privileged。 -2. 纯 Python wheel 在每个新进程触发 FlashInfer JIT；NCU 注入子进程后会 - 卡住大量 `nvcc`。正式 profiling 把三个已验证 `.so` 放入 - `flashinfer/data/aot/`，并设置 `FLASHINFER_DISABLE_JIT=1`。 -3. SGLang 自身 JIT cache 持久化到 `/data/hzy/cache/sglang-jit-sm120`。 -4. `torch.quantile` 对 M8192 的约 2936 万元素输出报输入过大。统计代码改用 - 精确 `torch.kthvalue`；cosine、NRMSE、max/mean 与正确性阈值均未放宽。 - -详细时间线和失败证据见 `decision_log.md`。 - -### Phase 4 决策 - -1. FlashInfer SiTU MXFP4 路径已通过正确性门槛，并在 M512 及以上的本地 - runner shape 显示明确吞吐潜力。 -2. 它在 Decode/M128 小 M 上仍落后于 Marlin，不能现在就设为无条件默认。 -3. 不再扩展 synthetic EP4/kernel sweep。下一步应进入四节点真实 Kimi-K3 - serving，观察 Scheduler 实际 M 分布及端到端 TTFT/TPOT/TPS。 -4. 在 Phase 5 完成前，不宣称 FlashInfer 提升生产性能；当前 PR 的可靠表述 - 是补齐 Kimi-K3 + SM120 + SiTU + MXFP4 功能支持，并提供显式 Marlin fallback。 - -### Phase 4 原始证据 - -服务器根目录： - -```text -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/ -``` - -关键文件： - -```text -phase4_ab_5rounds_gpu6.json -phase4_mscan_ep32_5rounds_gpu6.json -phase4_mscan_ep32_5rounds_gpu6.log -phase4_aot_nojit_smoke_gpu6.json -phase4_nsys_ab_gpu6.nsys-rep -phase4_nsys_stats_*.csv -phase4_ncu_2026_2_1_ab_gpu6.ncu-rep -phase4_ncu_2026_2_1_ab_gpu6_raw.csv -``` - -本地备份： - -```text -/Users/hzy/Desktop/infra/.phase3_work/phase4_results/ -``` - -## Phase 5 四节点真实 Serving - -状态：**完成。** 本阶段在 601-604 共 32 张 RTX PRO 6000D 上验证 -TP32/EP4 Kimi-K3，使用真实 SGLang Scheduler、Chunked Prefill、CUDA -Graph、四节点 NCCL/RDMA 和 HTTP benchmark。 - -### 正式矩阵 - -```text -ISL=16384, OSL=1, requests=40 -TP32, EP4, DP1 -backend=marlin / flashinfer_mxfp4 -chunked_prefill_size=8192 / 16384 -concurrency=8 / 16 -3 repeats per point -``` - -Prefix/Radix cache 已禁用；client 使用 `random-ids` 保证精确输入长度，且 -tokenizer 从本地模型目录读取。24/24 repeat 均完成 40/40 请求，errors 为空。 - -### 三次重复中位数 - -| Chunk | C | Backend | Input TPS | TTFT P50 | TTFT P95 | -|---:|---:|---|---:|---:|---:| -| 8K | 8 | Marlin | 2935.02 | 43.51 s | 46.22 s | -| 8K | 8 | FlashInfer | 3257.96 | 39.19 s | 41.62 s | -| 8K | 16 | Marlin | 2934.90 | 87.09 s | 89.86 s | -| 8K | 16 | FlashInfer | 3260.14 | 78.39 s | 80.88 s | -| 16K | 8 | Marlin | 2812.91 | 45.47 s | 45.86 s | -| 16K | 8 | FlashInfer | 3027.50 | 42.27 s | 42.63 s | -| 16K | 16 | Marlin | 2812.33 | 90.97 s | 91.36 s | -| 16K | 16 | FlashInfer | 3027.34 | 84.52 s | 84.85 s | - -FlashInfer 在四个场景均胜过 Marlin：8K chunk 的 Input TPS 提升约 11%， -TTFT P50 降低约 10%；16K chunk 的收益约为 +7.6% / -7.1%。同一后端内， -8K chunk 也优于 16K。因此本工作负载的推荐组合是： - -```text -EP4 + flashinfer_mxfp4 + chunked_prefill_size=8192 -``` - -已有 EP32 Marlin/8K/C8 两次结果仅作同口径对照：EP4 相对 EP32 的 Input -TPS +15.94%，TTFT P50 -13.88%。按要求没有补跑 EP32。 - -### 生产路径修复 - -真实服务额外发现并修复：旧 Kimi 镜像缺少通用 `gemm1_beta` 字段、 -Prefill hidden states 可能非连续、benchmark tokenizer 必须固定本地路径。 -这些问题均在正式矩阵前复现，并由最终 24 点结果覆盖。 - -### 证据 - -服务器原始目录： - -```text -/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill/results/kimi3-ep4-moe-full-20260818-151349/ -/data/hzy/kimi3-ep4-moe-full-20260818-151349.log -``` - -仓库内汇总： - -```text -results/phase5_ep4_moe_backend_prefill_summary.json -results/phase5_ep4_moe_backend_prefill_results.csv -``` - -日志扫描未发现 OOM、Traceback、NCCL error 或 EngineDeadError。实验结束后 -601-604 的容器全部删除，32 张 GPU 均回到 0 MiB / 0% utilization。 - -### PR 级回归 - -真实 serving 发现 `mxfp8_quantize` 要求连续输入，因此 SGLang runner 在量化 -边界显式 materialize contiguous tensor，并把原 Kimi test 改为构造非连续 -输入。GPU6 定向测试结果： - -```text -1 passed, 5 deselected in 20.22s -``` - -FlashInfer 官方 `tests/moe/test_trtllm_cutlass_fused_moe.py` 增加 SiTU 的 -MXFP8×MXFP4 参数组，覆盖 FP16/BF16 与 autotune on/off： - -```text -4 passed, 153 deselected in 8.50s -``` - -候选提交： - -| 仓库 | 提交 | 内容 | -|---|---|---| -| SGLang | `8a2d501` | 非连续输入修复与回归 | -| FlashInfer | `e0bc653` | 官方 SiTU MXFP8×MXFP4 测试 | - -服务器日志： - -```text -/data/hzy/phase5_sglang_noncontiguous_gpu6_v2.log -/data/hzy/phase5_flashinfer_official_situ_gpu6.log -``` - -去重后又在 FlashInfer #4460 的正式参数接口上完成最终组合验证：从 #4460 -源码构建 `flashinfer-python 0.6.18` wheel，加载当前 SGLang Draft，结果为： +使用 FlashInfer #4460 构建的 wheel，在 RTX 6000D GPU6 上执行精确 Kimi 组合： ```text 8 passed, 17 warnings in 559.87s -/data/hzy/phase5_sglang_pr4460_draft_gpu6_v4.log ``` -该 FlashInfer 测试提交仅保留为本地验证，不提交 FlashInfer PR。SGLang Draft -不 vendor kernel、不 pin 未合并 commit、也不改变默认 MoE backend。 +覆盖 `SM120 + MXFP8 + MXFP4 + SiTU(4,25)`、Kimi 布局、非连续输入和 +CUDA Graph。Kimi 真尺寸结果： -### 最终 PR 代表点 +| Case | cosine | NRMSE | +|---|---:|---:| +| Decode M=1 | 0.9996223 | 2.748% | +| Prefill M=128 | 0.9996152 | 2.774% | -为避免把旧候选镜像结果直接当作当前 Draft 的性能证据，最终又使用完全相同的 -SGLang `300c87a` Python 源码和 FlashInfer #4460 实现 `b525c513`，对唯一代表点 -重新执行对称 A/B： +最终 Draft HEAD 的 compileall 和非 JIT 回归： + +```text +10 passed, 3 deselected, 17 warnings in 33.30s +``` + +五个变更文件已通过完整 pre-commit。同步 fork 后的 7 个提交与同步前版本在 +`git range-diff` 中全部 patch-equivalent。 + +原始日志： + +```text +/data/hzy/phase5_sglang_pr4460_draft_gpu6_v4.log +/data/hzy/phase5_sglang_pr4460_draft_cpu_final.log +``` + +## 四节点真实 Serving + +### 实验口径 + +| 维度 | 取值 | +|---|---| +| 节点 | 601-604，共 32 张 RTX 6000D | +| 并行 | TP32 / EP4 / DP1 | +| 输入/输出 | 16K / 1 token | +| 并发 | C=8、C=16 | +| Backend | Marlin、FlashInfer MXFP4 | +| Chunk | 4K、8K、16K | +| 请求与重复 | 每点 40 请求，3 次重复 | +| Cache | 禁用 Radix Cache | + +正式 Run： + +```text +8K/16K: kimi3-ep4-moe-full-20260818-151349 +4K: kimi3-ep4-moe-chunk4k-20260819-150632 +``` + +36/36 repeat 均完成 40/40 请求，输出长度均为 1，`errors` 为空；日志未发现 +OOM、Traceback、NCCL error 或 EngineDeadError。下表为三次重复的中位数。 + +### 实验结果 + +| Chunk | C | Backend | Input TPS | TTFT P50 | TTFT P95 | FlashInfer vs Marlin | +|---:|---:|---|---:|---:|---:|---:| +| 4K | 8 | Marlin | 2694.53 | 48.86 s | 49.20 s | baseline | +| 4K | 8 | FlashInfer | **2957.23** | **44.48 s** | **44.86 s** | +9.75% TPS / -8.96% TTFT | +| 4K | 16 | Marlin | 2692.60 | 96.25 s | 97.96 s | baseline | +| 4K | 16 | FlashInfer | **2960.41** | **87.61 s** | **89.04 s** | +9.95% TPS / -8.98% TTFT | +| 8K | 8 | Marlin | 2935.02 | 43.51 s | 46.22 s | baseline | +| 8K | 8 | FlashInfer | **3257.96** | **39.19 s** | **41.62 s** | +11.00% TPS / -9.92% TTFT | +| 8K | 16 | Marlin | 2934.90 | 87.09 s | 89.86 s | baseline | +| 8K | 16 | FlashInfer | **3260.14** | **78.39 s** | **80.88 s** | +11.08% TPS / -9.99% TTFT | +| 16K | 8 | Marlin | 2812.91 | 45.47 s | 45.86 s | baseline | +| 16K | 8 | FlashInfer | **3027.50** | **42.27 s** | **42.63 s** | +7.63% TPS / -7.04% TTFT | +| 16K | 16 | Marlin | 2812.33 | 90.97 s | 91.36 s | baseline | +| 16K | 16 | FlashInfer | **3027.34** | **84.52 s** | **84.85 s** | +7.65% TPS / -7.09% TTFT | + +### 结果结论 + +1. FlashInfer 在 6 个正式 shape 上均优于 Marlin； +2. 4K Chunk 的收益约为 `+9.8% Input TPS / -9.0% TTFT`； +3. 8K Chunk 的收益约为 `+11% Input TPS / -10% TTFT`； +4. 16K Chunk 的收益约为 `+7.6% Input TPS / -7.1% TTFT`； +5. 同一 backend 下，8K Chunk 同时优于 4K 和 16K；4K 切分轮次过多，16K 单步过重； +6. C 从 8 增至 16 后吞吐基本不变、TTFT 约翻倍，C=8 已接近 Prefill 吞吐饱和； +7. 当前推荐为 `EP4 + flashinfer_mxfp4 + chunked_prefill_size=8192`。 + +该优化有效但不是数量级变化。最佳 TTFT P50 仍约 39 秒，后续需要继续优化 +TP/EP 通信与 Prefill 并行结构。 + +### Chunk=4K 补测结论 + +4K 补测复用了 8K/16K 矩阵的镜像、模型、服务参数和入口。12/12 repeat +全部有效，共 480/480 请求成功。 + +FlashInfer 在 C=8/16 下仍分别提升 `9.75%/9.95%` Input TPS，但 4K 的绝对 +Input TPS 比 8K 低约 9%，TTFT 也更高。该结果补齐了 Chunk 曲线并确认 8K +不是网格边界造成的偶然最优点。 + +## 最终 PR 代表点 + +最终又用等价 SGLang patch `300c87a` 和 FlashInfer #4460 implementation +`b525c513` 重跑 8K/C8 代表点： ```text Run ID: kimi3-sm120-pr-representative-20260819-115530 @@ -728,20 +185,97 @@ ISL=16384 / OSL=1 / C=8 / requests=40 / chunk=8192 Marlin 3 repeats + FlashInfer MXFP4 3 repeats ``` -| Backend | Input TPS 中位数 | TTFT P50 中位数 | TTFT P95 中位数 | +| Backend | Input TPS | TTFT P50 | TTFT P95 | |---|---:|---:|---:| | Marlin | 2930.03 | 43.587 s | 46.287 s | | FlashInfer MXFP4 | 3251.25 | 39.267 s | 41.694 s | | 相对变化 | +10.96% | -9.91% | -9.92% | -六轮均为 40/40 成功，`errors` 中没有非空项，所有 `output_lens` 均为 1；服务 -和 benchmark 日志未命中 OOM、Traceback、NCCL error 或 EngineDeadError。 -FlashInfer 在 32 个 rank 上完成 autotune，未复现 605 补丁中的 skip-autotune -需求。运行结束后 601-604 的 GPU compute process 均为 0。 +六轮均为 40/40 成功，所有 `output_lens=1`，无 OOM、Traceback、NCCL error +或 EngineDeadError。 -原始证据位于 601： +## 复现命令 + +四节点矩阵只在 601 执行： + +```bash +cd /data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill + +read -rsp 'sudo password: ' SUDO_PASSWORD; echo +export SUDO_PASSWORD +export RUN_ID=kimi3-moe-prefill-$(date +%Y%m%d-%H%M%S) + +bash run_moe_backend_prefill.sh run +``` + +可通过以下环境变量缩小矩阵： + +```text +EP_SIZE +BACKENDS_CSV +CHUNKED_PREFILL_SIZES_CSV +CONCURRENCIES_CSV +REPEATS +``` + +4K 补测使用： + +```bash +EP_SIZE=4 \ +BACKENDS_CSV=marlin,flashinfer_mxfp4 \ +CHUNKED_PREFILL_SIZES_CSV=4096 \ +CONCURRENCIES_CSV=8,16 \ +REPEATS=3 \ +bash run_moe_backend_prefill.sh run +``` + +## 证据路径 + +### 8K/16K 正式矩阵 + +```text +/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill/results/kimi3-ep4-moe-full-20260818-151349/ +/data/hzy/kimi3-ep4-moe-full-20260818-151349.log + +results/phase5_ep4_moe_backend_prefill_summary.json +results/phase5_ep4_moe_backend_prefill_results.csv +``` + +### 4K 补测 + +```text +/data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill/results/kimi3-ep4-moe-chunk4k-20260819-150632/ +/data/hzy/kimi3-ep4-moe-chunk4k-20260819-150632.log + +results/phase5_ep4_moe_backend_chunk4k_summary.json +results/phase5_ep4_moe_backend_chunk4k_results.csv +``` + +### 最终 PR 代表点 ```text /data/hzy/sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/kimi3-sm120-pr-representative-20260819-115530/ /data/hzy/kimi3-sm120-pr-representative-20260819-115530.log + +results/pr_representative_16k_c8_chunk8k_summary.json +results/pr_representative_16k_c8_chunk8k_results.csv ``` + +### 单卡测试与 Profiler + +```text +results/phase3_target_situ_all_gpu6_v3.json +results/phase4_mscan_ep32_5rounds_gpu6.json +results/phase4_nsys_ab_gpu6.nsys-rep +results/phase4_ncu_2026_2_1_ab_gpu6.ncu-rep +``` + +## 后续方向 + +MoE backend 选型完成后，不再扩大同类 backend 网格。后续 Prefill 优化按独立 +任务推进： + +1. TP Reduce Scatter / Attention TP input scattered； +2. MoE A2A； +3. Prefill Pipeline Parallelism； +4. 对最优新配置重新做 Nsight 时间线验证。 diff --git a/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_results.csv b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_results.csv new file mode 100644 index 0000000..68bbd11 --- /dev/null +++ b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_results.csv @@ -0,0 +1,13 @@ +backend,chunked_prefill_size,concurrency,repeat,completed,duration,request_throughput,input_throughput,output_throughput,total_throughput,mean_ttft_ms,median_ttft_ms,p95_ttft_ms,p99_ttft_ms,mean_e2e_latency_ms,median_e2e_latency_ms,p95_e2e_latency_ms,p99_e2e_latency_ms +flashinfer_mxfp4,4096,16,1,40,221.47698600799777,0.18060567249436724,2959.043338147713,0.18060567249436724,2959.2239438202073,72603.08281157631,87635.37671801168,89080.70434568217,89951.34060245706,72603.12579314923,87635.42024500202,89080.75052604545,89951.384754295 +flashinfer_mxfp4,4096,16,2,40,221.06144716404378,0.1809451648541732,2964.6055809707736,0.1809451648541732,2964.786526135628,72440.78481566976,87606.67828551959,88998.53118621977,89664.52184239868,72440.8288814302,87606.71954799909,88998.57463886729,89664.56696634414 +flashinfer_mxfp4,4096,16,3,40,221.3745526280254,0.18068924149205084,2960.412532605761,0.18068924149205084,2960.593221847253,72566.08219580376,87594.9859394459,89038.73863747576,89889.50585184386,72566.12714612857,87595.03182361368,89038.78330618609,89889.55271399347 +flashinfer_mxfp4,4096,8,1,40,221.64001683914103,0.1804728251262978,2956.8667668692633,0.1804728251262978,2957.0472396943896,40754.60876591387,44480.76946451329,44945.41641417891,45654.79073660448,40754.653389629675,44480.81373295281,44945.46504281461,45654.83455775771 +flashinfer_mxfp4,4096,8,2,40,221.6125555918552,0.18049518852022162,2957.233168715311,0.18049518852022162,2957.4136639038315,40748.24627056951,44506.1850650236,44862.61514539365,45574.393972705584,40748.29224284622,44506.22835196555,44862.659902649466,45574.439538051374 +flashinfer_mxfp4,4096,8,3,40,221.44526491500437,0.1806315434893263,2959.467208529122,0.1806315434893263,2959.647840072612,40712.37499640556,44453.15464294981,44811.94024076685,45526.09015815426,40712.42369815009,44453.20301700849,44811.989083641674,45526.13830527756 +marlin,4096,16,1,40,243.22425961703993,0.16445727931490292,2694.4680642953695,0.16445727931490292,2694.6325215746842,79749.63234093157,96212.83750247676,97888.6785025592,98836.45602966193,79749.6743179392,96212.87480182946,97888.72231170535,98836.50125178043 +marlin,4096,16,2,40,243.39303705701604,0.1643432387534973,2692.5996237372997,0.1643432387534973,2692.763966976053,79811.2635479949,96251.52806309052,97955.36642154912,98938.37275844067,79811.30552649265,96251.56629201956,97955.41314255679,98938.41525124619 +marlin,4096,16,3,40,243.62333092605695,0.16418788729286585,2690.054345406314,0.16418788729286585,2690.218533293607,79882.47500148718,96372.09082697518,98021.89738572342,99003.82948873332,79882.51752386568,96372.13580147363,98021.94035288412,99003.87401685584 +marlin,4096,8,1,40,243.21893303701654,0.16446088098705797,2694.5270740919577,0.16446088098705797,2694.6915349729447,44725.21210900741,48850.54129792843,49209.063365869224,50020.41739182314,44725.258720549755,48850.58849258348,49209.11144018173,50020.46818676172 +marlin,4096,8,2,40,243.2142291299533,0.16446406175778208,2694.5791878395016,0.16446406175778208,2694.743651901259,44724.67264174484,48868.09575161897,49182.01875761151,50006.30366436206,44724.714723881334,48868.13376657665,49182.06452928716,50006.34664747398 +marlin,4096,8,3,40,243.25217532995157,0.1644384061344705,2694.1588461071647,0.1644384061344705,2694.323284513299,44730.88195841992,48857.85997705534,49201.6794851399,50016.33869816782,44730.92947611003,48857.90269903373,49201.72802127199,50016.38562648789 diff --git a/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_summary.json b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_summary.json new file mode 100644 index 0000000..d8a4371 --- /dev/null +++ b/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/results/phase5_ep4_moe_backend_chunk4k_summary.json @@ -0,0 +1,109 @@ +{ + "run_id": "kimi3-ep4-moe-chunk4k-20260819-150632", + "summary": [ + { + "backend": "flashinfer_mxfp4", + "chunked_prefill_size": 4096, + "concurrency": 8, + "repeats": 3, + "completed_each": [ + 40, + 40, + 40 + ], + "median_request_throughput": 0.18049518852022162, + "median_input_throughput": 2957.233168715311, + "median_total_throughput": 2957.4136639038315, + "median_mean_ttft_ms": 40748.24627056951, + "median_median_ttft_ms": 44480.76946451329, + "median_p95_ttft_ms": 44862.61514539365, + "median_p99_ttft_ms": 45574.393972705584, + "median_mean_e2e_latency_ms": 40748.29224284622, + "median_median_e2e_latency_ms": 44480.81373295281, + "median_p95_e2e_latency_ms": 44862.659902649466 + }, + { + "backend": "flashinfer_mxfp4", + "chunked_prefill_size": 4096, + "concurrency": 16, + "repeats": 3, + "completed_each": [ + 40, + 40, + 40 + ], + "median_request_throughput": 0.18068924149205084, + "median_input_throughput": 2960.412532605761, + "median_total_throughput": 2960.593221847253, + "median_mean_ttft_ms": 72566.08219580376, + "median_median_ttft_ms": 87606.67828551959, + "median_p95_ttft_ms": 89038.73863747576, + "median_p99_ttft_ms": 89889.50585184386, + "median_mean_e2e_latency_ms": 72566.12714612857, + "median_median_e2e_latency_ms": 87606.71954799909, + "median_p95_e2e_latency_ms": 89038.78330618609 + }, + { + "backend": "marlin", + "chunked_prefill_size": 4096, + "concurrency": 8, + "repeats": 3, + "completed_each": [ + 40, + 40, + 40 + ], + "median_request_throughput": 0.16446088098705797, + "median_input_throughput": 2694.5270740919577, + "median_total_throughput": 2694.6915349729447, + "median_mean_ttft_ms": 44725.21210900741, + "median_median_ttft_ms": 48857.85997705534, + "median_p95_ttft_ms": 49201.6794851399, + "median_p99_ttft_ms": 50016.33869816782, + "median_mean_e2e_latency_ms": 44725.258720549755, + "median_median_e2e_latency_ms": 48857.90269903373, + "median_p95_e2e_latency_ms": 49201.72802127199 + }, + { + "backend": "marlin", + "chunked_prefill_size": 4096, + "concurrency": 16, + "repeats": 3, + "completed_each": [ + 40, + 40, + 40 + ], + "median_request_throughput": 0.1643432387534973, + "median_input_throughput": 2692.5996237372997, + "median_total_throughput": 2692.763966976053, + "median_mean_ttft_ms": 79811.2635479949, + "median_median_ttft_ms": 96251.52806309052, + "median_p95_ttft_ms": 97955.36642154912, + "median_p99_ttft_ms": 98938.37275844067, + "median_mean_e2e_latency_ms": 79811.30552649265, + "median_median_e2e_latency_ms": 96251.56629201956, + "median_p95_e2e_latency_ms": 97955.41314255679 + } + ], + "comparisons": [ + { + "chunked_prefill_size": 4096, + "concurrency": 8, + "flashinfer_input_throughput_change_pct": 9.749617925508659, + "flashinfer_total_throughput_change_pct": 9.749617925508659, + "flashinfer_median_ttft_ms_change_pct": -8.958825692729121, + "flashinfer_p95_ttft_ms_change_pct": -8.818935420805618, + "flashinfer_median_e2e_latency_ms_change_pct": -8.958814693794636 + }, + { + "chunked_prefill_size": 4096, + "concurrency": 16, + "flashinfer_input_throughput_change_pct": 9.946258125697117, + "flashinfer_total_throughput_change_pct": 9.946258125697138, + "flashinfer_median_ttft_ms_change_pct": -8.981519516141546, + "flashinfer_p95_ttft_ms_change_pct": -9.102745576695416, + "flashinfer_median_e2e_latency_ms_change_pct": -8.981512797197189 + } + ] +} \ No newline at end of file