[Test] Reproduce Kimi SM120 SiTU contract gap
This commit is contained in:
Zhiyi Hong
parent
0684d269df
commit
dac1bb652d
@ -1,6 +1,6 @@
|
||||
# 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`。
|
||||
**更新（2026-08-14 17:08:00 CST）**：完成 Kimi-K3 / RTX PRO 6000D / SGLang FlashInfer MXFP4 MoE Phase 1 数据契约审计；已从真实 checkpoint 追到 SM120 CUTLASS 调用，确认 SiTU 激活、gate/up 权重变换和参数透传三处独立缺口，并在 6000D 上复现 C++ binding 的门控 shape 首错，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。
|
||||
|
||||
@ -85,14 +85,161 @@ csrc/nv_internal/tensorrt_llm/kernels/cutlass_kernels/include/common.h:
|
||||
InvalidType = 10
|
||||
```
|
||||
|
||||
## 后续硬门槛
|
||||
## Phase 1 真实调用链审计
|
||||
|
||||
Phase 1 必须先完成以下内容，才允许进入整模型实验：
|
||||
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。
|
||||
|
||||
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。
|
||||
### 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。
|
||||
|
||||
## 下一阶段硬门槛
|
||||
|
||||
Phase 2 建立独立、对称的 correctness harness，至少覆盖：
|
||||
|
||||
- token 数 1/2/8/32 以及 Kimi 真实 prefill/decode 代表 shape；
|
||||
- 均匀、倾斜、空 expert 和 masked/global expert id；
|
||||
- SiTU `4/25`、MXFP8 activation、MXFP4 packed weight 与 E8M0 scale；
|
||||
- NaN/Inf、确定性、CUDA Graph capture/replay；
|
||||
- TP1/EP1 micro case 与 TP32/EP32 的 local-expert 映射；
|
||||
- candidate 与 reference 使用同一 routing、同一量化输入和同一 finalize 口径。
|
||||
|
||||
正确性未通过前，不做吞吐结论，不修改 checkpoint，不使用运行时 monkeypatch。
|
||||
|
||||
@ -0,0 +1,88 @@
|
||||
#!/usr/bin/env python3
|
||||
"""Reproduce the missing SM120 CUTLASS SiTU contract with MXFP8 x MXFP4."""
|
||||
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import importlib
|
||||
from pathlib import Path
|
||||
import sys
|
||||
|
||||
import torch
|
||||
|
||||
from flashinfer import mxfp8_quantize
|
||||
from flashinfer.fused_moe import cutlass_fused_moe
|
||||
from flashinfer.tllm_enums import ActivationType
|
||||
|
||||
|
||||
def load_official_helpers(flashinfer_source: Path):
|
||||
sys.path.insert(0, str(flashinfer_source))
|
||||
return importlib.import_module(
|
||||
"tests.moe.test_trtllm_cutlass_fused_moe"
|
||||
)
|
||||
|
||||
|
||||
def main() -> None:
|
||||
parser = argparse.ArgumentParser()
|
||||
parser.add_argument(
|
||||
"--flashinfer-source",
|
||||
type=Path,
|
||||
default=Path("/data/hzy/src/flashinfer-kimi-sm120"),
|
||||
)
|
||||
args = parser.parse_args()
|
||||
|
||||
helpers = load_official_helpers(args.flashinfer_source)
|
||||
torch.manual_seed(42)
|
||||
|
||||
tokens, hidden, experts, top_k, intermediate = 1, 128, 2, 2, 128
|
||||
dtype = torch.bfloat16
|
||||
x = torch.randn(tokens, hidden, dtype=dtype, device="cuda")
|
||||
w31 = torch.randn(
|
||||
experts, 2 * intermediate, hidden, dtype=dtype, device="cuda"
|
||||
) / 10
|
||||
w2 = torch.randn(
|
||||
experts, hidden, intermediate, dtype=dtype, device="cuda"
|
||||
) / 10
|
||||
|
||||
x_q, x_sf = mxfp8_quantize(x, True, 32)
|
||||
w31_q, w31_sf = helpers.quant_mxfp4_batches(w31, experts)
|
||||
w2_q, w2_sf = helpers.quant_mxfp4_batches(w2, experts)
|
||||
logits = torch.randn(tokens, experts, dtype=dtype, device="cuda")
|
||||
weights, ids = helpers.compute_routing(logits, top_k)
|
||||
|
||||
neutral_global_scale = torch.ones(experts, dtype=torch.float32, device="cuda")
|
||||
situ_gate_beta = torch.full(
|
||||
(experts,), 4.0, dtype=torch.float32, device="cuda"
|
||||
)
|
||||
situ_linear_beta = torch.full(
|
||||
(experts,), 25.0, dtype=torch.float32, device="cuda"
|
||||
)
|
||||
output = torch.empty_like(x)
|
||||
|
||||
cutlass_fused_moe(
|
||||
input=x_q,
|
||||
token_selected_experts=ids.to(torch.int32),
|
||||
token_final_scales=weights,
|
||||
fc1_expert_weights=w31_q.contiguous().view(torch.int64),
|
||||
fc2_expert_weights=w2_q.contiguous().view(torch.int64),
|
||||
output_dtype=dtype,
|
||||
quant_scales=[
|
||||
w31_sf.view(torch.int32),
|
||||
neutral_global_scale,
|
||||
w2_sf.view(torch.int32),
|
||||
neutral_global_scale,
|
||||
],
|
||||
input_sf=x_sf,
|
||||
swiglu_alpha=situ_gate_beta,
|
||||
swiglu_beta=situ_linear_beta,
|
||||
swiglu_limit=None,
|
||||
activation_type=ActivationType.Situ,
|
||||
use_mxfp8_act_scaling=True,
|
||||
output=output,
|
||||
)
|
||||
|
||||
raise SystemExit("unexpected success: SM120 CUTLASS SiTU gap is no longer present")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Loading…
x
Reference in New Issue
Block a user