# 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 HEAD 为 `300c87a431ac`，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；最终非 JIT 回归为
`8 passed, 5 deselected, 17 warnings in 22.23s`。
逐项验收和唯一剩余交付项见
[`COMPLETION_AUDIT.md`](COMPLETION_AUDIT.md)。

## 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。

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：

- 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。

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`。

## 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
```

## 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：

```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。