更新（2026-08-18 13:03:33 CST）：Phase 5 候选镜像改为针对 Kimi 基础镜像原生 SGLang 源码应用最小兼容补丁，仅补齐 SM120 FlashInfer MXFP4 backend 分发、权重布局与 SiTU 激活映射，避免整体替换新版 Python 包造成 sglang-kernel 版本错配。

更新（2026-08-18 12:24:19 CST）：新增 Kimi-K3 / 601-604 / SGLang TP32×EP32 的真实 Prefill MoE backend 验收实验；固定比较 Marlin 与 FlashInfer MXFP4 在 16K→1、C=8/16、Chunk=8K/16K 下的 TTFT、E2E 与 Input TPS，并提供四节点一致候选镜像构建、原始证据和自动汇总，详见 experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill/README.md。

更新（2026-08-17 11:56:47 CST）：完成 Kimi-K3 / RTX PRO 6000D / SGLang FlashInfer MXFP4 MoE Phase 2 correctness harness；SwiGLU 控制矩阵 8/8 通过，覆盖 edge routing、EP global ID、NaN/Inf、确定性、CUDA Graph 和 Kimi 真尺寸，SiTU 目标矩阵 8/8 稳定复现同一 C++ 缺口，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。新平台接入 SOP：docs/NEW_PLATFORM_GUIDE.md。

这个项目解决什么问题

新卡快速评估：新平台到货后，按 SOP 复制实验目录、改少量配置，即可跑起与既有平台口径一致的 benchmark，横向可比。
部署配置选型：通过 TP×DP 并行矩阵 + 自适应并发搜索，回答"该平台上哪种并行配置在什么并发下满足 SLO、吞吐最高"。
数据资产化：每轮实验产出结构化结果（jsonl/csv/manifest），汇总成飞书性能报告并回填多维表格，形成可检索的历史数据库。

标准工作流（全流程）

① 跑实验        experiments/<platform>/<experiment>/run_adaptive_concurrency*.sh
                └─ 公共搜索逻辑: scripts/common/adaptive_bench_lib.sh
② 落盘          adaptive_results/<run_id>/
                └─ adaptive_points.jsonl / adaptive_shapes.jsonl / adaptive_summary.* / run_manifest.json
③ 分析          用 Python 从 jsonl 实算（禁止目测），SLO 口径见 docs/SLO_STANDARDS.md
④ 飞书报告      按飞书 wiki「性能报告编写指南（README）」写到「显卡性能报告/<平台>」节点下
⑤ 回填多维表格  飞书「模型推理适配 Bench 迭代跟踪」：每成功探测点一行

SLO 口径（S2 层，DSV4-Flash / GLM5.2 均适用）：TTFT P95 < 3s，TPOT P95 < 50ms，严格小于。详见 docs/SLO_STANDARDS.md。
报告编写规范（章节骨架、分析口径、发布流程）以飞书 wiki「显卡性能报告 / 性能报告编写指南（README）」为准。
多维表格每行 = 一个成功探测点（config、Concurrency、Throughput、Input/Output TPS、TTFT/TPOT/E2E P95、SLO达标状态、开发文档链接）。

目录结构

仓库的目录布局、scripts/common/ 组件职责、结果命名规范与 results.json schema，统一见 docs/EXPERIMENT_GUIDE.md（单一权威来源）与 docs/BENCHMARK_WORKFLOW.md。

实验索引

TP/DP matrix + 自适应并发（当前主流形态）

实验	说明
`experiments/h20/dsv4_h20_vllm_tp_dp_matrix/`	H20 + vLLM，TP2/DP4、TP4/DP2、TP8/DP1
`experiments/h20/dsv4_h20_sglang_tp_dp_matrix/`	H20 + SGLang，同上
`experiments/h200/dsv4_h200_vllm_tp_dp_matrix/`	H200 + vLLM
`experiments/h200/dsv4_h200_sglang_tp_dp_matrix/`	H200 + SGLang
`experiments/p800/dsv4_p800_sglang_tp_dp_matrix/`	P800 + SGLang（INT8；TP2/DP4 启动 OOM 无数据，见 config.env 注释）
`experiments/pro6000/dsv4_pro6000_vllm_tp_dp_matrix/`	RTX 6000D + vLLM
`experiments/pro6000/dsv4_pro6000_sglang_tp_dp_matrix/`	RTX 6000D + SGLang
`experiments/pro6000/kimi3_pro6000_sglang_tp32ep32/`	RTX 6000D + SGLang，Kimi-K3（TP32×EP32，部署手册见 docs/KIMI_K3_DEPLOY.md）
`experiments/pro6000/kimi3_pro6000_sglang_tp32ep32_moe_backend_prefill/`	RTX 6000D + SGLang，Kimi-K3 真实 Prefill 的 Marlin/FlashInfer MXFP4 与 Chunk 8K/16K 对照
`experiments/pro6000/kimi3_pro6000_pd_rdma/`	RTX 6000D + SGLang，Kimi-K3 PD 分离（MoonCake RDMA，8 节点，见 deploy_pd.sh + docs/KIMI_K3_DEPLOY.md 附录 B）

每个目录内：run_bench.sh 跑固定并发矩阵；run_adaptive_concurrency.sh 从 C=1 指数倍增搜饱和点；run_adaptive_concurrency_add16.sh 从 C=16 线性 +16 步进、带 TTFT SLO 停止与回退（当前主力用法，见 experiments/ADAPTIVE_CONCURRENCY_USAGE.md）。

其他实验（H200 老形态 & 专项）

实验	说明
`experiments/h200/dsv4_h200_sglang/` `…/dsv4_h200_vllm/`	H200 单引擎 baseline
`experiments/h200/dsv4_h200_sglang_vs_vllm/`	H200 引擎控制变量对比
`experiments/h200/dsv4_h200_dspark/` `…/dsv4_h200_vllm_dspark_vs_default/`	DSpark 投机解码相关
`experiments/h200/dsv4_h200_vllm_mtp_vs_default/`	vLLM MTP 对比
`experiments/h200/dsv4_h200_vllm_tp{2,4,8}_custom_bench/`	自定义压测客户端（多服务负载均衡）
`experiments/h200/dsv4_h200_max_context_length/` `…/dsv4_h200_long_context_matrix/` `…/dsv4_h200_256k_4k_probe/` `…/dsv4_h200_64k_sglang_vs_vllm/`	长上下文专项
`experiments/p800/dsv4_p800_sglang/` `…/dsv4_p800_max_context_length/` `…/dsv4_p800_long_context_matrix/` `…/dsv4_p800_256k_4k_probe/`	P800 baseline 与长上下文专项
`experiments/TEMPLATE/`	老式固定场景实验模板

快速复现

以 H20 vLLM 自适应并发搜索为例（其他平台同理，换目录即可）：

# 1. dry-run：只打印搜索计划，不加载模型
cd experiments/h20/dsv4_h20_vllm_tp_dp_matrix
DRY_RUN=1 bash run_adaptive_concurrency_add16.sh

# 2. 单组合冒烟：只测 TP=8、1K/128，并发上限 8
RUN_ID=smoke-$(date +%Y%m%d-%H%M%S) \
TP_LIST="8" ISL_LIST="1024" OSL_LIST="128" GRID_LIMIT=1 SEARCH_MAX_CONCURRENCY=8 \
bash run_adaptive_concurrency_add16.sh

# 3. 正式跑（放 tmux）
tmux new-session -d -s h20-vllm-adaptive \
  "cd $(pwd) && bash run_adaptive_concurrency_add16.sh"

更多用法（断点续跑 RESUME_RUN_ID、常用覆盖参数）见 experiments/ADAPTIVE_CONCURRENCY_USAGE.md。

新平台 / 新模型接入

新显卡：按 docs/NEW_PLATFORM_GUIDE.md 执行，核心动作是复制 experiments/h20/dsv4_h20_<engine>_tp_dp_matrix、改 config.env / adaptive_config.env / matrix.json 三件套，再加 platforms/<chip>.env。
新模型（GLM5.2）：复用同一实验目录结构，新增 experiments/<platform>/glm52_<platform>_<engine>_tp_dp_matrix/，改模型路径、量化与引擎启动参数即可；SLO 口径、报告流程、多维表格结构不变。

环境要求

公共：bash、Python 3、sglang.bench_serving 压测客户端（Docker 或 venv）；绘图分析用 envs/charts/（matplotlib）。
各平台的镜像 / venv / 模型路径见对应实验目录的 config.env 与 platforms/<chip>.env；模型与数据集路径是机器相关的，换机器时按实际路径调整。
环境搭建规范见 envs/README.md 与 envs/UV_ENV_SETUP.md。

运维与部署分层

模型团队用 deploy/profiles/<platform>/<model>-<engine>.env 与 python -m sskj.deploy start|stop|status 管理服务生命周期。
运维只跑测试：python -m sskj.bench run --url http://<host>:<port> --platform <platform> --experiment <name> --profile smoke|matrix。
运维手册见 ops/README.md，统一测试层复用现有 scripts/common/parse_backend.py 等指标口径。

注意事项

提交内容：实验代码 + 最终产物（results.json / report.md / adaptive 的 jsonl 与 summary）；日志、raw_outputs、gpu_logs 不入库（.gitignore 已排除）。
仓库会clone到多台机器，实验脚本内引用公共组件一律用 ${SCRIPT_DIR}/../../../scripts/common（TEMPLATE 为 ../../），不要写绝对路径。

README.md Unescape Escape

sskj — 多平台大模型推理性能基准测试项目