8a38c04b4c
基于完整读入 CCCL agent_reduce.cuh (412行) + vllm 运行时代码分析。 这些改动影响实际 kernel 执行，不是 tuning 参数。 1. _custom_ops.py: get_max_shared_memory 32KB → 49152 (48KB) BI-V100 实际有 48KB SMEM (via ixsmi 确认)。 32KB 限制了 vllm/utils.py:get_max_shared_memory_bytes() 的返回值， 可能影响 Triton 编译器 SMEM budget 和 ixformer 内部 tile size 选择。 2. prefix_prefill.py: NUM_WARPS 8→4 for non-SM80 devices BLOCK=64 时只有 64 行 query 要处理。8 warps = 256 threads， 64/256 = 0.25 rows/thread，大部分 thread 空闲浪费 register。 4 warps = 128 threads，64/128 = 0.5 rows/thread，更好的利用率。 同时用 if/else 结构替代三元表达式，为未来 BI-V100 特化留位置。 3. prefix_prefill.py: _fwd_kernel_flash_attn_v2 归一化 bug 修复 v2 kernel 的 acc_scale = alpha (不除 l_i_new)， 所以 acc 是未归一化的 softmax 加权和。 最后的 acc /= l_i[:, None] 被注释掉了 → 输出错误。 对比 v1 kernel: 用 p_scale=beta/l_i_new, acc_scale=l_i/l_i_new*alpha 在循环内做在线归一化，所以不需要最后除。 v2 的设计是 defer normalization → 最后必须除。 当前是 dead code (use_v1=True)，但修复后可以安全启用 v2 路径。