Files

claude ec140f3605 docs: complete porting assessment — 5 repos, 2660 build targets, ivcore10 compatibility

cat'd every source:
  - CCCL c/parallel/src/reduce.cu: NVRTC JIT (cannot port directly)
  - CCCL c/parallel.v2/src/reduce.cu: hostjit/libnvcc (cannot port directly)
  - CUB block/warp headers: pure header-only (CAN compile with corex)
  - CUTLASS SM70 SIMT GEMM: CAN port (example 24 grouped_gemm)
  - FlashAttention: SM80 Tensor Core (cannot port), but layer_norm is SIMT
  - FLA: pure Triton (needs corex Triton verification)
  - xllm ILU: all already ported

Key finding: CCCL c/parallel depends on nvrtc JIT — must bypass with AOT compilation
using CUB header-only API + corex clang --cuda-gpu-arch=ivcore10

2026-08-14 08:17:25 +00:00

10 KiB

Raw Blame History

BI-V100 移植评估：全仓库编译目标清单

架构差异

	NVIDIA V100	Iluvatar BI-V100
架构标识	`sm_70`	`ivcore10`
编译器	`nvcc` / `clang --cuda-gpu-arch=sm_70`	`corex clang/16 --cuda-gpu-arch=ivcore10`
运行时编译	`nvrtc` + `nvjitlink`	不支持
Driver API	`cuLibraryLoadData` / `cuLibraryGetKernel`	不支持
Tensor Core	HMMA (SM70)	不支持
Warp size	32	32 (确认)
SMEM	96KB (configurable)	48KB
L2 Cache	6MB	不同
SMs	80	16
CUB block-level	✅ header-only	✅ 可通过 corex clang 编译
CUB device-level	✅ via nvrtc JIT	❌ 需要 AOT 替代方案

1. NVIDIA/CCCL (10,083 files)

1.1 c/parallel SHARED LIBRARY — cccl.c.parallel.so

状态: ❌ 不能直接移植

12 个算法全部依赖 NVRTC JIT 编译。每个 .cu 通过 nvrtc_translation_unit 生成源码，-arch=sm_XX 编译，cuLibraryLoadData 加载。

算法	源文件	行数	NVRTC 依赖	移植方案
reduce	reduce.cu	783	nvrtc × 30	AOT: 直接调用 cub::DeviceReduce with corex
scan	scan.cu	943	nvrtc × 25	AOT: cub::DeviceScan
radix_sort	radix_sort.cu	947	nvrtc × 24	AOT: cub::DeviceRadixSort
merge_sort	merge_sort.cu	763	nvrtc × 25	AOT: cub::DeviceMergeSort
transform	transform.cu	1014	nvrtc × 38	AOT: cub::DeviceTransform
select_if	three_way_partition.cu	697	nvrtc × 29	AOT: cub::DeviceSelect
histogram	histogram.cu	858	nvrtc × 18	AOT: cub::DeviceHistogram
segmented_reduce	segmented_reduce.cu	655	nvrtc × 26	AOT: cub::DeviceSegmentedReduce
segmented_sort	segmented_sort.cu	1306	nvrtc × 40	AOT: cub::DeviceSegmentedSort
binary_search	binary_search.cu	547	nvrtc × 8	AOT: cub::DeviceBinarySearch
unique_by_key	unique_by_key.cu	768	nvrtc × 19	AOT: cub::DeviceUniqueByKey
for	for.cu	426	nvrtc × 15	AOT: cub::DeviceFor

移植策略: 不搬 c/parallel，而是直接用 CUB header-only API 写 AOT .cu 文件，用 corex clang 编译成 .so。每个算法 = 一组固定类型特化。

1.2 c/parallel.v2 SHARED LIBRARY

状态: ❌ 不能直接移植 (依赖 hostjit/libnvcc)

v2 用嵌入式 clang 做 JIT，不用 nvrtc。理论上可以用 corex clang 替换 libnvcc 的 clang，但改造量大。

1.3 CUB block/warp/thread 原语 (header-only)

状态: ✅ 可直接使用

类别	文件数	说明
block primitives	25 .cuh	BlockReduce, BlockScan, BlockSort, BlockLoad, BlockStore 等
warp primitives	17 .cuh	WarpReduce, WarpScan, WarpSort 等
thread primitives	8 .cuh	ThreadReduce, ThreadScan, ThreadSort 等
agent implementations	26 .cuh	每个 device algorithm 的 kernel 实现
dispatch kernels	17 .cuh	kernel launch 模板
tuning policies	27 .cuh	SM-specific 参数选择 (需适配 ivcore10)

移植策略: #include <cub/block/block_reduce.cuh> 直接在 corex .cu 中使用。tuning policy 需要为 ivcore10 写新的参数表。

1.4 CUB/Thrust benchmarks + examples

类别	数量	移植状态
CUB benchmarks	82	需适配 ivcore10 编译
CUB examples	18	需适配 ivcore10 编译
Thrust examples	60	需适配 ivcore10 编译
Thrust benchmarks	75	需适配 ivcore10 编译
cudax examples	68	依赖 cudax runtime，暂不移植
libcudacxx benchmarks	62	需适配 ivcore10 编译

2. NVIDIA/CUTLASS (7,787 files)

2.1 核心 GEMM 库 (header-only)

状态: ⚠️ 部分可移植

SM 架构	文件数	BI-V100 兼容
SM70 (Volta SIMT)	~20	✅ 需验证 ivcore10 兼容性
SM75 (Turing)	~30	⚠️ 部分 (SIMT mode)
SM80 (Ampere Tensor)	~200	❌ 需要 HMMA
SM90 (Hopper)	~300	❌
SM100/120 (Blackwell)	~200	❌

2.2 Grouped GEMM (MoE 核心)

Example	文件	SM 要求	移植状态
24_gemm_grouped	gemm_grouped.cu	SM70+ SIMT	✅ 可移植
57_hopper_grouped_gemm	—	SM90	❌
64_ada_fp8_gemm_grouped	—	SM89	❌
92_blackwell_moe_gemm	—	SM100	❌

移植策略: example 24 (SIMT grouped GEMM) 是唯一能在 BI-V100 跑的。搬过来，接口适配到 xllm group_gemm。

2.3 编译目标汇总

类别	数量
Example executables	164 .cu
Test executables	862 .cu
Include headers	785
SM70 兼容子集	~20 examples + ~50 tests

3. Dao-AILab/flash-attention (606 .cu files)

3.1 flash_attn_2_cuda.so

状态: ❌ 不能直接移植 (SM80+ Tensor Core)

所有 kernel 使用 cute::MMA_Atom<SM80_16x8x16_F16F16F16F16_TN> — 依赖 Ampere Tensor Core。

Kernel 类别	.cu 数量	SM 要求
SM80 fwd	48	❌ Tensor Core
SM80 bwd	24	❌ Tensor Core
SM80 fwd_split	48	❌ Tensor Core
SM80 fwd_split_align	42	❌ Tensor Core
Hopper (SM90+)	453	❌

3.2 可用的算法模板

文件	行数	价值
flash_fwd_kernel.h	1301	attention 算法流程 (Q×K softmax V)
softmax.h	189	online softmax 实现
kernel_traits.h	344	SMEM/register 分配策略
mask.h	214	causal mask 实现
rotary.h	153	RoPE in-kernel 实现

移植策略: 不搬 .cu kernel（依赖 Tensor Core），搬算法模板头文件，基于 CUB block primitives 重写 SIMT attention kernel for ivcore10。或者直接用 ixformer base image 的 ixinfer_flash_attn_unpad_with_block_tables（已编译好）。

3.3 Layer Norm kernels

类别	.cu 数量	SM 要求
ln_fwd	14 (256~8192 width)	✅ 纯 SIMT
ln_bwd	14	✅ 纯 SIMT
ln_parallel_fwd	14	✅ 纯 SIMT
ln_parallel_bwd	14	✅ 纯 SIMT

移植策略: Layer norm kernel 是纯 SIMT，不依赖 Tensor Core。可直接用 corex clang 编译。hidden_size=5120 对应 ln_fwd_5120.cu。

4. jd-opensource/xllm (全平台推理引擎)

4.1 ILU (BI-V100) 专用代码

状态: ✅ 已在项目中 (upstream_ref + ex_engine)

文件	行数	作用	状态
ilu/activation.cpp	32	silu_and_mul → ixformer::infer	✅ 已搬
ilu/norm.cpp	50	rms_norm → ixformer::infer	✅ 已搬
ilu/rope.cpp	31	rotary_embedding → ixformer::infer	✅ 已搬
ilu/attention.cpp	162	prefill + decode → ixformer::infer	✅ 已搬
ilu/fused_moe.cpp	99	topk + expand + combine → ixformer::infer	✅ 已搬
ilu/group_gemm.cpp	39	group_gemm → ixformer::infer	✅ 已搬
ilu/matmul.cpp	73	linear → ixformer::infer	✅ 已搬
ilu/ixformer.h	147	完整 ixformer::infer API 声明	✅ 已搬
ilu/ilu_ops_api.h	153	xllm kernel 层 API	✅ 已搬
ilu/utils.h	62	工具函数	✅ 已搬
layers/ilu/fused_moe.cpp	806	完整 MoE 7步 pipeline	✅ 已搬
layers/ilu/attention.cpp	189	attention layer 封装	✅ 已搬

4.2 CUDA kernels (SM-agnostic)

文件	行数	SM 限制	状态
activation.cu	188	无	✅ 已搬
norm.cu	600	需 cub::BlockReduce	✅ 已搬
rope.cu	258	无	✅ 已搬
block_copy.cu	209	无	✅ 已搬
reshape_paged_cache.cu	101	无	✅ 已搬
moe/moe_topk_softmax_kernels.cuh	867	无	✅ 已搬
moe/moe_compute_index.cu	155	无	✅ 已搬
moe/moe_combine.cu	105	无	✅ 已搬
moe/moe_fused_topk.cu	59	无	✅ 已搬

4.3 CUDA kernels (SM80+ only)

文件	行数	SM 限制	移植方案
fused_qknorm_rope.cu	473	SM80 (`__CUDA_ARCH__ >= 800`)	拆出 SIMT 部分
fp8_quant_utils.cuh	239	SM89 (`__CUDA_ARCH__ >= 890`)	不适用
cutlass_w8a8/*.cu	~400	SM90/100/120	不适用

4.4 其他平台代码 (参考用)

平台	kernel 文件数	layer 文件数	说明
DCU (AMD ROCm)	14	12	GDN 完整实现可参考
MLU (Cambricon)	21	35	GDN + MoE 最完整
MUSA (Moore Threads)	14	12	GDN kernel 最近代
NPU (Ascend)	30+	30+	tilelang GDN 可参考

5. fla-org/flash-linear-attention (349 Triton kernels)

5.1 GatedDeltaNet 专用 kernels

状态: ⚠️ 需验证 Triton 在 BI-V100 上是否工作

文件	@triton.jit	行数	说明
chunk_fwd.py	2	428	GDN 前向 chunk (核心)
fused_recurrent.py	2	478	GDN decode (单步)
wy_fast.py	4	351	WY representation
gate.py	6	344	gate cumsum

5.2 通用 Triton 算子

目录	kernel 数	说明
common/	36	chunk_h, chunk_o, fused_recurrent (所有 linear attention 共享)
utils/	44	cumsum, softmax, matmul, solve_tril
gated_delta_rule/	14	GDN 专用
gdn2/	12	GDN v2 (新版)
kda/	24	Key-dependent attention
delta_rule/	12	原始 delta rule
gla/	18	Gated Linear Attention

5.3 Backend 分发

Backend	SM 要求	说明
FlashQLA	SM90+	❌ 不适用 BI-V100
Triton (default)	任意 GPU	⚠️ 需验证 corex Triton
triton_ascend	Ascend NPU	❌ 不适用

移植优先级

P0 — 直接可编译 (corex clang ivcore10)

xllm CUDA kernels (9 files, 2542 lines) — 已搬，需在真机编译测试
CUB block/warp headers — 已在 cccl_upstream/，可直接 #include
ix_moe_bridge.so + ix_attn_bridge.so — pybind11 桥接 ixformer::infer

P1 — 需适配后可编 (改 SM 架构 + tuning 参数)

FlashAttention layer_norm kernels (56 .cu) — 纯 SIMT，改编译 flag
CUTLASS SM70 SIMT GEMM (example 24 grouped_gemm) — MoE group_gemm 替代方案
CUB tuning policies (27 .cuh) — 为 ivcore10 写参数表 (SMEM=48KB, SM=16)

P2 — 需要重写 (算法可用，硬件指令不兼容)

FlashAttention fwd kernel — 基于算法模板用 CUB BlockReduce 重写 SIMT 版
CCCL c/parallel AOT 版 — 绕过 NVRTC，直接用 CUB device API + corex 编译
FLA Triton GDN kernels — 需验证 Triton on corex 可行性

P3 — 不移植

FlashAttention SM80+ Tensor Core kernels
CUTLASS SM80/90/100/120 kernels
CCCL nvrtc/nvjitlink 依赖代码
xllm fp8/cutlass_w8a8 quantization kernels

10 KiB Raw Blame History Unescape Escape