sskj/experiments/pro6000/kimi3_pro6000_sglang_sm120_flashinfer_mxfp4/README.md

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：

/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：

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：

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：

test_moe(1, 128, 2, 2, 128, ActivationType.Situ)

实际首个错误：

fc1_expert_weights inter size must be equal to fc2_expert_weights inter size
(256 vs. 128)

对应源码事实：

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

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：

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：

gate = 4 * tanh(gate / 4) * sigmoid(gate)
up   = 25 * tanh(up / 25)
out  = gate * up

TP/EP expert mapping

SGLang 的关系为：

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：

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：

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：

fc1_expert_weights inter size must be equal to fc2_expert_weights inter size

601 上的实际复现命令：

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：

/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。