icer/qwen36_01
1
0
Fork 0
Code Issues Pull Requests Actions Projects Releases Wiki Activity
Files
eea0653aceb7518739de798f849c207b0b25b670
qwen36_01/worklogs/decode_analysis_report_2026-07-14.md

39 KiB
Raw Blame History

Decode 吞吐专项实验分析报告

日期：2026-07-14

一、结论摘要

本轮实验确认：当前服务的主要短板是 decode 阶段吞吐，而不是 prompt prefill、tool parser 或 reasoning parser。

核心证据：

  • 短 prompt、单并发、256 token 输出时，Output TPS P10 只有 8.3-8.7 tok/s，明显低于官方目标 >=20 tok/s。
  • 去掉 --enable-auto-tool-choice、--tool-call-parser、--reasoning-parser 后，decode TPS 没有提升，反而略低。
  • 加并发后没有获得 batch 增益：并发 1 聚合约 8.00 tok/s，并发 2 聚合约 7.23 tok/s，并发 4 聚合约 5.08 tok/s。
  • 并发 2 时硬件采样显示平均 GPU-Util 只有 28.9%，平均功耗约 49.7W / 250W，说明 GPU 没有被持续打满。

初步判断：瓶颈更像是 decode 路径中的调度、TP 同步、MoE kernel/专家路由、paged attention/kernel launch 开销，或 xFormers 后端限制，而不是 API parser 层。

二、实验环境

远端服务：

  • 模型：/root/public-storage/models/Qwen/Qwen3.6-35B-A3B
  • API：vllm.entrypoints.openai.api_server
  • GPU：4 x Iluvatar BI-V100, 32GB
  • 当前主要实验配置：
    • -tp 4
    • --gpu-memory-utilization 0.95
    • --max-num-seqs 2
    • --max-num-batched-tokens 8192
    • --enable-chunked-prefill
    • --enable-prefix-caching

本地脚本：

  • worklogs/decode_microbench.py

远端脚本：

  • /root/work/decode_microbench.py

本地原始结果：

  • worklogs/remote_results/2026-07-14-decode/

三、实验结果

1. 纯短 prompt decode 基线

完整 parser 配置，短 prompt，单并发，3 请求，每请求 max_tokens=256。

结果文件：

  • 远端：/root/work/logs/decode_full_parser_short_c1_t256_r3.json
  • 本地：worklogs/remote_results/2026-07-14-decode/decode_full_parser_short_c1_t256_r3.json

指标：

指标 数值
成功率 100%
TTFT P90 1.85s
Output TPS P10 8.74 tok/s
Output TPS P50 8.74 tok/s
聚合 Output TPS 8.34 tok/s
总 completion tokens 768
reasoning tokens 768

解释：

短 prompt 下 TTFT 已经较低，但 decode 速度仍只有约 8.7 tok/s。这说明长上下文不是唯一问题，短输出生成本身就偏慢。

2. Tool/parser 触发场景

完整 parser 配置，携带 29 个 tools，单并发，3 请求，每请求 max_tokens=128。

结果文件：

  • 远端：/root/work/logs/decode_full_parser_tool_c1_t128_r3.json
  • 本地：worklogs/remote_results/2026-07-14-decode/decode_full_parser_tool_c1_t128_r3.json

指标：

指标 数值
成功率 100%
TTFT P90 4.98s
Output TPS P10 8.70 tok/s
Output TPS P50 8.70 tok/s
聚合 Output TPS 7.38 tok/s
prompt tokens 6639
cached tokens 4416
completion tokens 384

单请求细节：

  • 第 1 个请求：TTFT 5.97s，cached tokens 0
  • 第 2/3 个请求：TTFT 约 1.0s，cached tokens 2208

解释：

工具 schema 会明显影响首次 prefill/TTFT，但前缀缓存命中后 TTFT 恢复。Output TPS 仍约 8.7 tok/s，与纯短 prompt 基本一致，所以 tool parser 不是 decode TPS 主瓶颈。

3. Parser-off 对照

重启服务，去掉：

  • --enable-auto-tool-choice
  • --tool-call-parser qwen3_coder
  • --reasoning-parser qwen3

其余参数保持一致。

短 prompt，单并发，3 请求，每请求 max_tokens=256。

结果文件：

  • 远端：/root/work/logs/decode_noparser_short_c1_t256_r3.json
  • 本地：worklogs/remote_results/2026-07-14-decode/decode_noparser_short_c1_t256_r3.json

指标：

指标 完整 parser parser-off
成功率 100% 100%
TTFT P90 1.85s 3.18s
Output TPS P10 8.74 8.30
Output TPS P50 8.74 8.33
聚合 Output TPS 8.34 7.87

解释：

关闭 parser 没有改善 decode。parser/reasoning/tool 相关启动项不是当前 decode 吞吐低的主因。

4. 并发曲线

parser-off 服务，短 prompt，每请求 max_tokens=128。

结果文件：

  • decode_noparser_short_c1_t128_r4.json
  • decode_noparser_short_c2_t128_r4.json
  • decode_noparser_short_c4_t128_r4.json

指标：

并发 请求数 成功率 TTFT P90 Output TPS P10/请求 聚合 Output TPS
1 4 100% 0.79s 8.30 8.00
2 4 100% 0.92s 3.68 7.23
4 4 100% 51.60s 2.57 5.08

解释：

并发提高后没有形成有效 batch 增益。并发 2 时单请求 TPS 近似减半，聚合 TPS 也略降；并发 4 时出现明显排队，TTFT P90 被拉到 51.6s。

这说明当前配置下 decode 并发能力很弱。由于服务参数 --max-num-seqs=2，并发 4 的后两个请求排队符合预期；但并发 2 聚合吞吐仍不提升，说明 decode 内部没有把双请求 batch 变成更高硬件利用率。

5. 硬件利用率采样

parser-off 服务，并发 2，4 请求，每请求 max_tokens=128，同时采样 ixsmi。

结果文件：

  • 远端：/root/work/logs/decode_noparser_short_c2_t128_r4_monitor.json
  • 远端：/root/work/logs/ixsmi_noparser_short_c2_t128_r4_monitor.json
  • 本地同名文件位于：worklogs/remote_results/2026-07-14-decode/

指标：

指标 数值
成功率 100%
TTFT P90 0.92s
Output TPS P10 3.79 tok/s
聚合 Output TPS 7.40 tok/s
ixsmi records 52
parsed GPU samples 208
平均 GPU-Util 28.91%
最大 GPU-Util 100%
平均显存 30477 MiB
最大显存 30555 MiB
平均功耗 49.67 W
最大功耗 51 W

解释：

GPU 利用率和功耗都偏低。虽然瞬时 GPU-Util 能到 100%，但平均只有约 29%，功耗长期接近空载到轻载水平。这说明 decode 过程中存在大量空泡、同步等待或小 kernel 启动开销，GPU 算力没有被持续喂满。

四、瓶颈判断

当前最可能的瓶颈排序：

  1. Decode 调度/后端限制

    • --num-scheduler-steps 4 曾尝试失败。
    • 报错：Multi-Step + Chunked-Prefill not supported for attention backend: xformers。
    • 当前服务日志显示使用 XFormers backend。

  2. TP 通信或同步开销

    • 模型使用 -tp 4。
    • 短 decode 每步都可能涉及多卡同步。
    • 并发 2 聚合 TPS 不升反降，符合小 batch 多卡同步效率差的特征。

  3. MoE decode kernel/专家路由效率

    • Qwen3.6-35B-A3B 是 MoE 模型。
    • decode batch 小时，专家路由和 fused MoE kernel 可能难以形成高利用率。

  4. Paged attention / attention backend 每 token 开销

    • 当前 attention 后端为 xFormers。
    • multi-step decode 被 xFormers + chunked prefill 组合限制。

  5. API/parser 层

    • 本轮实验基本排除其为主瓶颈。
    • tool/schema 影响首次 TTFT，但不显著影响 decode TPS。

五、下一步建议

建议下一步不要直接改大段 kernel，而是先做两个能明确指向代码修改方向的服务变体实验。

实验 A：decode-only multi-step 变体

目的：验证 multi-step scheduling 是否能明显提升 decode。

做法：

  • 暂时关闭 --enable-chunked-prefill
  • 加回 --num-scheduler-steps 4
  • 保持 max_num_seqs=2
  • 跑短 prompt decode 并发 1/2 曲线

判断：

  • 如果 Output TPS 明显提升，说明 decode 调度是关键方向。
  • 后续要研究如何让 multi-step 与长上下文 chunked prefill 共存，或按场景切换。

风险：

  • 官方长上下文负载仍需要 chunked prefill，所以这不是最终配置，只是定位实验。

实验 B：attention backend 变体

目的：确认是否可以启用兼容 multi-step 的 attention backend。

做法：

  • 尝试设置 VLLM_ATTENTION_BACKEND=FLASH_ATTN
  • 或检查 CoreX/xFormers flash attention 能否被 vLLM selector 选中
  • 如果能启动，再测试 multi-step + chunked prefill

判断：

  • 如果 flash attention 能启动且 multi-step 可用，优先走 backend 配置/适配路线。
  • 如果不能启动，需要看 vllm/attention/selector.py、vllm/attention/backends/* 和 CoreX xFormers 补丁。

实验 C：代码级 profiling

目的：把低 GPU 利用率归因到具体模块。

建议插桩位置：

  • vllm/worker/model_runner.py
  • vllm/worker/multi_step_model_runner.py
  • vllm/model_executor/models/qwen3_moe.py
  • vllm/model_executor/layers/fused_moe/*
  • attention.py
  • paged_attn.py

记录每步：

  • model forward 耗时
  • attention 耗时
  • MoE/MLP 耗时
  • sampler 耗时
  • 每步前后同步耗时

实验 D：服务参数小网格

目的：确认当前 max_num_seqs=2 是否已经是最优。

建议组合：

参数 候选
max_num_seqs 1, 2, 4
max_num_batched_tokens 4096, 8192
chunked_prefill on/off
num_scheduler_steps 1, 4

优先只在短 prompt decode 上跑，快速筛掉无效组合。

六、当前推荐行动

下一步优先跑：

  1. chunked_prefill=off + num_scheduler_steps=4
  2. 若能启动，跑 decode c1/c2/c4 曲线和 ixsmi 采样
  3. 若 decode TPS 明显提升，再研究如何兼容官方长上下文 prefill
  4. 若没有提升，进入 qwen3_moe / fused_moe / attention 的代码级 profiling

本轮最重要的事实是：GPU 平均利用率只有约 29%，所以先不要把问题简单归因为“卡算不动”。更像是当前 decode 执行路径没有把四张卡持续喂满。

七、调度方向验证实验：multi-step decode

追加日期：2026-07-14

目标

验证 --num-scheduler-steps 4 是否能作为 decode 吞吐提升方向。

由于上一轮实验显示并发升高没有带来 aggregate TPS 增益，且平均 GPU 利用率只有约 29%，multi-step scheduling 是最直接的调度侧候选优化：它理论上可以减少每 token 调度往返和 Python/worker 协调开销，让 decode 连续执行多个 step。

实验 1：关闭 chunked prefill，直接启用 multi-step

启动变体：

  • --num-scheduler-steps 4
  • 不加 --enable-chunked-prefill
  • --max-model-len 100000
  • --max-num-batched-tokens 8192
  • 其它参数沿用完整 parser 服务配置

结果：

  • 服务未启动。
  • 远端日志：/root/work/logs/server_exp_sched4_nochunk_fullparser.log
  • 本地归档：worklogs/remote_results/2026-07-14-scheduler/server_exp_sched4_nochunk_fullparser.log

失败原因：

ValueError: max_num_batched_tokens (8192) is smaller than max_model_len (100000).

解释：

关闭 chunked prefill 后，vLLM 要求 max_num_batched_tokens >= max_model_len，否则实际最大可处理序列会被 max_num_batched_tokens 限制。这个配置不能用于官方长上下文，也无法进入 decode 压测。

实验 2：decode-only 诊断配置

为绕过实验 1 的限制，临时降低上下文长度，只用于短 prompt decode 诊断。

启动变体：

  • --max-model-len 4096
  • --max-seq-len-to-capture 4096
  • --max-num-batched-tokens 8192
  • --num-scheduler-steps 4
  • 不加 --enable-chunked-prefill
  • attention backend 仍为自动选择

结果：

  • 服务未启动。
  • 远端日志：/root/work/logs/server_exp_sched4_nochunk_len4096_fullparser.log
  • 本地归档：worklogs/remote_results/2026-07-14-scheduler/server_exp_sched4_nochunk_len4096_fullparser.log

关键日志：

Using XFormers backend.
ValueError: Multi-Step not supported for attention backend: xformers.
Set VLLM_ATTENTION_BACKEND to a value from ['flash-attn', 'rocm-flash-attn', 'flashinfer'].

解释：

这说明当前环境不是“chunked prefill 与 multi-step 的组合不支持”这么简单，而是 xformers attention backend 本身不支持 multi-step worker。只要 attention backend 仍然落到 xFormers，multi-step 调度就无法启用。

实验 3：强制 FlashInfer backend

启动变体：

  • 环境变量：VLLM_ATTENTION_BACKEND=FLASHINFER
  • --max-model-len 4096
  • --num-scheduler-steps 4
  • 不加 --enable-chunked-prefill
  • 其它参数同实验 2

结果：

  • 服务未启动。
  • 远端日志：/root/work/logs/server_exp_sched4_nochunk_len4096_flashinfer.log
  • 本地归档：worklogs/remote_results/2026-07-14-scheduler/server_exp_sched4_nochunk_len4096_flashinfer.log

关键日志：

TypeError: 'NoneType' object is not callable
...
self._decode_wrapper = BatchDecodeWithPagedKVCacheWrapper(...)

解释：

vllm/attention/backends/flashinfer.py 会导入：

  • flashinfer.BatchDecodeWithPagedKVCacheWrapper
  • flashinfer.decode.CUDAGraphBatchDecodeWithPagedKVCacheWrapper
  • flashinfer.prefill.BatchPrefillWithPagedKVCacheWrapper
  • ixformer.contrib.vllm_flash_attn.flash_attn_varlen_func

当前环境中至少有关键 FlashInfer wrapper 没导入成功，导致 wrapper 为 None，在 profiling 阶段调用时报错。

实验结论

本轮没有进入 c1/c2/c4 decode 曲线压测，因为 multi-step 服务在启动阶段就失败。

结论不是“调度一定无效”，而是：

  1. 当前 xFormers backend 下，multi-step 调度不可用。
  2. 当前 FlashInfer backend 依赖不完整或与 CoreX 环境不兼容，不能直接替代 xFormers。
  3. 自动 FlashAttention 也不可用；此前日志已显示 vllm_flash_attn 包缺失，因此自动回落到 xFormers。

因此，调度优化如果要继续推进，前置任务是 attention backend 适配：

  • 路线 A：补齐/修复 CoreX 环境里的 FlashAttention 或 FlashInfer backend。
  • 路线 B：改造 xFormers backend 或 MultiStepModelRunner，使其支持当前 xFormers 路径。
  • 路线 C：绕过 multi-step，直接 profile xFormers decode、paged attention、MoE 与 TP 通信开销。

对下一步方向的影响

短期内，继续调 --num-scheduler-steps 没意义；它被 backend 卡住了。

下一步建议改为两条线并行：

  1. backend 可用性线

    • 检查 flashinfer 和 ixformer.contrib.vllm_flash_attn 在服务器上的实际导入错误。
    • 确认官方镜像/包中是否本应包含 vllm_flash_attn。
    • 如果能补齐依赖，再重跑 multi-step decode 曲线。

  2. 代码 profiling 线

    • 直接在当前可用 xFormers 路径插桩。
    • 重点记录每 token decode 中 attention、MoE、sampler、TP 同步的耗时。
    • 当前平均 GPU 利用率低，profiling 比继续盲调参数更有价值。

2026-07-14：解除强制 eager / custom all-reduce 禁用验证

修改内容

本轮先处理 vllm/engine/arg_utils.py 中两个会掩盖真实性能路径的硬编码：

enforce_eager=True
disable_custom_all_reduce=True

改为尊重 CLI / dataclass 参数：

enforce_eager=self.enforce_eager
disable_custom_all_reduce=self.disable_custom_all_reduce

同时更新 qwen3_6_scripts/patch_xformers_sdpa_seq.py，让后续重新执行 patchops 时也会保留该行为。服务器实际运行路径已确认：

PYTHONPATH=/usr/local/corex/lib/python3/dist-packages:/usr/local/corex/lib64/python3/dist-packages

因此运行时同时 patch 了：

  • /usr/local/corex/lib/python3/dist-packages/vllm/engine/arg_utils.py
  • /usr/local/corex/lib64/python3/dist-packages/vllm/engine/arg_utils.py

远端运行时备份：

  • arg_utils.py.bak_20260714_eager_allreduce

实验 1：CUDA Graph + custom all-reduce 同时开启

启动命令不再带 --enforce-eager，也不带 --disable-custom-all-reduce。

日志确认配置已生效：

disable_custom_all_reduce=False
enforce_eager=False
use_async_output_proc=True

结果：服务未能完成启动，长时间卡在 CUDA Graph capture 阶段。

关键日志：

Capturing the model for CUDA graphs.
[W CUDAGraph.cpp:145] Warning: Waiting for pending NCCL work to finish before starting graph capture.

判断：当前 Iluvatar BI-V100 + CoreX + xFormers + TP=4 路径下，CUDA Graph capture 不可直接启用。它没有快速报错，而是卡在 graph capture / NCCL pending work 阶段，风险比普通参数不兼容更高。短期不建议继续沿 CUDA Graph 方向盲试。

本地归档：

  • worklogs/remote_results/2026-07-14-eager-allreduce/server_exp_graph_allreduce_seq2_b8192.log

实验 2：仅开启 custom all-reduce，继续 eager

启动命令保留 --enforce-eager，但不再带 --disable-custom-all-reduce。

日志确认：

enforce_eager=True
disable_custom_all_reduce=False

服务可以正常启动并通过 /health。

decode microbench 结果：

配置 成功率 TTFT P90 Output TPS P10/req Aggregate Output TPS 对比旧结果
short c1, 256 tok, custom AR on 100% 3.47s 8.47 7.94 旧 full-parser c1 为 P10 8.74 / aggregate 8.34，略降
short c2, 128 tok, custom AR on 100% 1.46s 4.22 8.07 旧 parser-off c2 aggregate 7.23，略升但口径不完全相同

本地归档：

  • worklogs/remote_results/2026-07-14-eager-allreduce/decode_eager_custom_ar_short_c1_t256_r3.json
  • worklogs/remote_results/2026-07-14-eager-allreduce/decode_eager_custom_ar_short_c2_t128_r4.json
  • worklogs/remote_results/2026-07-14-eager-allreduce/server_exp_eager_custom_ar_seq2_b8192_retry.log

结论

  1. 之前的硬编码确实屏蔽了真实配置，本轮已经解除，并确认修改落在实际运行的 CoreX site-packages 路径里。
  2. CUDA Graph 当前不兼容或存在严重启动卡死问题，不适合作为短期主优化方向。
  3. custom all-reduce 可以启动和推理，但收益有限：c2 聚合吞吐有小幅提升，c1 无提升。
  4. 当前 decode 吞吐仍在 8 tok/s 左右，距离 Output TPS P10 >= 20 仍有明显差距，瓶颈不只是 all-reduce 开关。

下一步 profiling 方向

优先进入代码级 profiling，而不是继续调 CLI 开关：

  1. 在 ModelRunner.execute_model 统计模型 forward、logits、sample 的阶段耗时。
  2. 在 Qwen MoE 层统计 attention、MoE expert、MoE gate、TP all-reduce 的耗时占比。
  3. 在 fused MoE 路径统计 topk、expert kernel、activation、sum 的耗时。
  4. 用 ENGINEX_PROFILE_DECODE=1 这类环境变量控制插桩，只在短压测时开启，避免污染正式结果。

初步判断：custom all-reduce 不是第一大瓶颈；更可能的主战场是 xFormers decode attention、MoE 小 batch kernel、以及 TP 下大量小 kernel / 同步造成的低 GPU 利用率。

2026-07-14：代码级 profiling 与第一轮 MoE 优化

profiling 插桩

新增环境变量控制的 profiling：

  • ENGINEX_PROFILE_DECODE=1：开启 profiling。
  • ENGINEX_PROFILE_EVERY=N：每 N 次 model forward 打印一次累计统计。
  • ENGINEX_PROFILE_SYNC=1：每段计时前后 torch.cuda.synchronize()，用于定位 GPU 时间。

插桩位置：

  • vllm/worker/model_runner.py
    • attn_state.begin_forward
    • model_forward
    • compute_logits
    • sample
  • qwen3_6_scripts/qwen3_5.py
    • full_attention: qkv projection / norm+rope / paged attention / gate+o_proj
    • linear_attention: GatedDeltaNet 整层
    • MoE: gate / routing topk / routed experts / shared expert / TP all-reduce
    • DecoderLayer: norm / attention / MLP

注意：profiling 强制同步会显著拖慢请求，因此 profiling 结果只用于定位瓶颈，不作为真实性能分数。

本地归档：

  • worklogs/remote_results/2026-07-14-code-profile/server_profile_mode_eager_custom_ar_seq2_b8192.log
  • worklogs/remote_results/2026-07-14-code-profile/profile_mode_eager_custom_ar_short_c1_t24_r1.json

关键 profiling 结果

短请求 c1, max_tokens=24，修正标签后，rank0 在 step=24 的主要累计耗时：

模块 总耗时 平均单层/次 次数 判断
prefill.moe.routed_prefill_experts 5239.90ms 65.50ms 80 首 token 慢的最大来源
prefill.layer.linear_attention 2944.76ms 49.08ms 60 prefill 第二大来源
decode.layer.mlp 1456.57ms 1.66ms 880 decode 最大来源
decode.layer.linear_attention 942.63ms 1.43ms 660 decode 第二大来源
decode.moe.routed_total 785.65ms 0.89ms 880 MLP 中 routed expert 为主
decode.moe.routed_decode_experts 540.24ms 0.61ms 880 单 token MoE expert 计算
decode.layer.full_attention 322.06ms 1.46ms 220 full attention 不是第一瓶颈
decode.moe.tp_all_reduce 265.92ms 0.30ms 880 通信有成本，但不是最大项

ModelRunner 粗粒度：

decode.model_forward avg ~= 145.6ms
decode.compute_logits avg ~= 1.17ms
decode.sample avg ~= 1.01ms

结论：decode 慢主要发生在模型 forward 内部；logits 和 sampler 不是主瓶颈。

为什么 GPU 算力打不满

当前路径的 GPU 利用率低，不是因为单个大矩阵乘算不过来，而是因为每 token 被拆成大量小工作：

  1. MoE 没有真正 fused kernel

    • 注释里已经说明 BI-V100 上缺少 vllm_moe_topk_softmax / vllm_invoke_fused_moe_kernel。
    • 当前 routed expert 是纯 PyTorch 实现。
    • prefill 通用路径按 expert 做 Python 循环，长 prompt 下会产生大量小 GEMM 和 CPU/GPU 同步点。

  2. decode batch 太小

    • max_num_seqs=2 时每步只有 1-2 token。
    • 小 batch 下矩阵乘规模小，kernel launch、Python 调度、TP 同步成本占比很高。

  3. 模型结构有大量 GatedDeltaNet linear_attention 层

    • profiling 显示 linear_attention 在 prefill 和 decode 都是大头之一。
    • 这部分不是标准 paged attention，不能靠换 xFormers attention backend 直接解决。

  4. TP all-reduce 不是第一瓶颈，但放大了小 kernel 问题

    • decode MoE all-reduce 单次约 0.30ms。
    • 单次看不大，但每层一次、每 token 多次累积，且会让 rank 间等待更明显。

第一轮针对性优化：MoE tiny-batch fast path

发现：原代码只有 T == 1 的 MoE decode fast path。一旦并发 decode T == 2，会落入通用 routed_prefill_experts 路径：

unique_eids = topk_ids.view(-1).unique().tolist()
for eid in unique_eids:
    ...

这条路径适合大 prefill，但不适合 max_num_seqs=2 的小批量 decode。

本轮新增 T <= 2 fast path：

  • 将 T * top_k 个选中 expert 展平。
  • 用两次 batched torch.bmm 计算 gate/up 和 down。
  • 避免 Python per-expert loop。
  • 保留 T == 1 原 fast path 不变。

优化结果

对比同口径 short c2, max_tokens=128, requests=4：

版本 成功率 TTFT P90 per-request Output TPS P10 Aggregate Output TPS
优化前 custom all-reduce on 100% 1.46s 4.22 8.07
tiny-batch MoE fast path 100% 4.42s 5.95 10.60

decode 聚合吞吐提升约 31%。TTFT 变差可能来自冷缓存/加载后首次请求抖动，后续需要用多轮 warmup 后再复测。

本地归档：

  • worklogs/remote_results/2026-07-14-code-profile/decode_tiny_batch_moe_short_c2_t128_r4.json
  • worklogs/remote_results/2026-07-14-code-profile/server_tiny_batch_moe_eager_custom_ar_seq2_b8192.log

下一步优化方向

优先级从高到低：

  1. MoE prefill 路径

    • 当前 prefill.moe.routed_prefill_experts 是 TTFT 最大来源。
    • 需要把 Python per-expert loop 替换成更批量化的 grouped GEMM / batched GEMM。
    • 官方负载长上下文输入占比极高，提升 prefill 会直接改善 TTFT 和 weighted throughput。

  2. GatedDeltaNet linear_attention

    • decode 和 prefill 都是大头。
    • 需要进一步拆分 projection、conv/update、state update、out_proj，确认是 recurrent update 还是投影占主。

  3. 更稳的并发策略

    • tiny-batch MoE 已证明 T=2 能受益。
    • 后续可测试 max_num_seqs=3/4，但受 100K 上下文 KV cache 与 TTFT 影响，需要小心。

  4. TP all-reduce 合并

    • 当前 MoE 每层 routed+shared 后做一次 all-reduce。
    • 如果后续能将若干小通信或 residual 路径合并，可能进一步改善 decode 抖动，但优先级低于 MoE/linear_attention 计算本体。

2026-07-14：MoE decode fast path v2（tokenwise）

背景

上一轮 T <= 2 tiny-batch fast path 使用 batched torch.bmm，将 T * top_k 个 expert 选择展平后批量计算。它已经将 c2 aggregate Output TPS 从 8.07 提升到 10.60。

继续分析后发现，对于极小 batch（T=2）：

  • 第一段 gate/up projection 用 torch.bmm 实际是 T * top_k 个 1 x H 小矩阵乘。
  • 原 T == 1 路径用的是 F.linear(hidden, w13_sel.reshape(-1, H))，会形成一个更大的 GEMM，通常更适合 GPU。

因此新增 v2：tokenwise tiny-batch 实现。

实现

新增环境变量：

  • ENGINEX_MOE_TINY_IMPL=tokenwise|bmm
  • ENGINEX_MOE_TINY_MAX=4

默认：

ENGINEX_MOE_TINY_IMPL=tokenwise
ENGINEX_MOE_TINY_MAX=4

核心逻辑：

  • 对 T <= 4 的小批量 decode，逐 token 走已经验证过的 T == 1 大 F.linear 路径。
  • 每个 token 内仍然把 top-k expert 的 w13 拼成一个大权重，减少第一段 projection 的小 GEMM。
  • 保留上一轮 batched bmm 实现，可通过 ENGINEX_MOE_TINY_IMPL=bmm 回退做 A/B 测试。

代码位置：

  • qwen3_6_scripts/qwen3_5.py
  • Qwen3_5MoeSparseBlock._pure_pytorch_experts

结果

同口径 short c2, max_tokens=128, requests=4：

版本 成功率 TTFT P90 per-request Output TPS P10 Aggregate Output TPS
custom all-reduce on，优化前 100% 1.46s 4.22 8.07
tiny-batch bmm 100% 4.42s 5.95 10.60
tiny-batch tokenwise v2 100% 4.49s 6.43 11.28

相对上一版 bmm，aggregate Output TPS 又提升约 6.4%；相对优化前提升约 39.8%。

本地归档：

  • worklogs/remote_results/2026-07-14-code-profile/decode_moe_tokenwise_short_c2_t128_r4.json
  • worklogs/remote_results/2026-07-14-code-profile/server_moe_tokenwise_eager_custom_ar_seq2_b8192.log

结论

这个结果说明：对当前 BI-V100 + PyTorch fallback MoE 路径，将小 GEMM 尽量合并为较大的 per-token GEMM 比把所有 token/expert 都塞进 batched bmm 更好。瓶颈确实集中在 decode MoE routed expert 的小矩阵计算与调度开销。

下一步可继续沿两个方向走：

  1. 测试 max_num_seqs=4，利用 T <= 4 tokenwise fast path，看 aggregate Output TPS 是否继续上涨。
  2. 继续优化 shared expert / linear_attention，因为 routed expert 已经明显改善，decode 下一个大头会逐渐转向 linear_attention 和 shared expert。

2026-07-15：平台提交构建/启动配置修复

背景

官方平台仍提示当前提交的 Docker 镜像构建失败。对比一个已能进入 benchmark-agent 阶段的成功案例仓库 fangfangssj/enginex-vllm-bi100-qwen36 后，确认我们的根目录结构没有问题，根目录已有 Dockerfile 和 computility-run.yaml。

成功案例日志中的 BENCHMARK_DOCKER_IMAGE_NOT_READY 只是镜像正在下载，随后已经创建 benchmark-agent 容器；因此该案例至少通过了代码仓库识别、镜像构建和镜像拉取阶段。

对齐内容

本次将当前仓库的平台提交相关文件对齐成功案例：

  • computility-run.yaml
    • 上下文从 100000 调整为 245000，满足官方说明中 235K+ 输入窗口需求。
    • max_num_batched_tokens 从 8192 调整为 16384。
    • 增加 --chat-template /workspace/chat_template_multi_system.jinja，兼容多/乱序 system 消息。
    • 增加 PYTHONPATH、LD_LIBRARY_PATH、PATH 和五个 native 优化开关环境变量。
  • qwen3_6_scripts/patch_ops.sh
    • 增加 CoreX/OpenMPI 环境变量。
    • 增加 libcusolver.so 软链，避免 torch.linalg.solve_triangular 在容器内找不到库。
    • 增加 multi-system chat template 部署。
    • 增加 patch 后验证输出。
  • 新增/更新成功案例依赖文件：
    • qwen3_6_scripts/chat_template_multi_system.jinja
    • qwen3_6_scripts/xformers.py
    • qwen3_6_scripts/paged_attn.py
    • qwen3_6_scripts/patch_xformers_sdpa_seq.py
    • qwen3_6_scripts/protocol.py
    • qwen3_6_scripts/qwen3_5.py

影响

这次优先目标是恢复平台可构建、可启动、可进入 benchmark-agent 验证流程。为降低平台构建风险，直接采用成功案例中已验证的一组补丁文件；此前本地 MoE tiny-batch 实验代码可能被成功案例的 native MoE/GDN 优化实现覆盖，后续如果平台构建通过，再基于这套可提交基线继续做性能优化分支。

2026-07-15：MoE tiny-batch 矩阵实验

实验过程

远端实验目录：

  • /root/work/logs/moe_tiny_matrix_20260715_codex_05

本地归档：

  • worklogs/remote_results/2026-07-15-moe-tiny-matrix/

前两次启动没有形成有效结果：

  • codex_03：未加 --enforce-eager，服务加载后卡在 CUDA Graph capture，/health 一直拒绝连接。
  • codex_04：已加 --enforce-eager，但旧的 codex_03 服务仍占用显存，导致新服务加载 MoE 权重时 OOM。

有效实验为 codex_05，先清理旧进程，再用 --enforce-eager 重跑 5 组矩阵。

固定压测口径：

  • prompt_mode=short
  • concurrency=2
  • requests=4
  • max_tokens=128
  • max_num_seqs=2
  • max_model_len=100000
  • tp=4
  • enable_prefix_caching
  • enable_chunked_prefill

结果

case success TTFT P90 Output TPS P10 Output TPS P50 Aggregate Output TPS Avg GPU util Max GPU util
bmm_max16 100.00% 1.401 6.245 6.381 11.958 53.2 100.0
bmm_max8 100.00% 1.424 6.900 6.957 12.907 54.7 100.0
tokenwise_max16 100.00% 1.312 6.292 6.387 12.003 54.8 100.0
tokenwise_max4 100.00% 1.671 6.377 6.416 11.868 51.4 100.0
tokenwise_max8 100.00% 1.589 6.347 6.357 11.788 54.6 100.0

结论

本轮最佳结果是：

  • ENGINEX_MOE_TINY_IMPL=bmm
  • ENGINEX_MOE_TINY_MAX=8
  • Aggregate Output TPS = 12.907
  • Output TPS P10 = 6.900

相对上一轮 tokenwise_max4 的有效结果 11.28，本轮 bmm_max8 聚合吞吐约提升 14.4%。但要注意两轮测试的启动环境不同：本轮强制 --enforce-eager，且经过多次重启，不能把这个提升完全归因于 bmm 实现。

更重要的是，这个矩阵没有真正验证 T > TINY_MAX 后按块拆分是否有收益。原因是本轮压测固定 max_num_seqs=2，decode 阶段 T 基本是 1-2，因此 TINY_MAX=4/8/16 都会命中同一 tiny fast path。也就是说：

  • tokenwise_max4/8/16 之间的差异主要是重启和运行噪声。
  • bmm_max8/16 之间的差异也主要是噪声。
  • 本轮更有价值的对比是 tokenwise 与 bmm 两种 tiny implementation。

从本轮结果看，在 T≈2 的短输出 decode 场景里，bmm 路径不差于 tokenwise，并且本次最佳是 bmm_max8。下一步如果要验证“T 大于阈值后分块计算”的思路，需要把 max_num_seqs 提到 8 或 16，或构造能让单步 decode 聚合更多 token 的压测，否则 TINY_MAX 参数不会真正生效。

2026-07-15：Docker build CRLF 根因修复

现象

平台持续提示 Docker 镜像构建失败。将当前 Git HEAD 通过 git archive 打包到远端 Linux 后执行：

cd /root/work/submission_head/qwen3_6_scripts
./patch_ops.sh

首次复现到错误：

./patch_ops.sh: line 11: $'\r': command not found
./patch_ops.sh: line 217: syntax error: unexpected end of file

根因

本地 Git 配置 core.autocrlf=true。在没有 .gitattributes 约束时，git archive 导出的 patch_ops.sh 变成 CRLF 行尾。Linux/Docker 中执行 RUN cd ./qwen3_6_scripts && ./patch_ops.sh 会直接失败。

修复

新增 .gitattributes，强制构建相关文本文件以 LF 行尾导出：

Dockerfile text eol=lf
*.sh text eol=lf
*.py text eol=lf
*.yaml text eol=lf
*.yml text eol=lf
*.jinja text eol=lf

重新 git archive HEAD 后，本地确认 patch_ops.sh 行尾为 LF。再传到远端执行，patch_ops.sh 已完整跑通，末尾验证：

[ok] MOE_NATIVE
[ok] _native_experts_sorted
[ok] CHUNK_PARALLEL
[ok] LOOP1_NATIVE
[ok] RMSNORM_NATIVE
[ok] PREFIX_FLASH
[ok] _forward_prefix_flash
[ok] libcusolver.so link
[ok] /workspace/chat_template_multi_system.jinja
[ok] torch.linalg.solve_triangular callable
=> all five optimizations deployed and enabled

对应远端日志：

  • /root/work/logs/patch_head_lf_20260715.log

2026-07-15：官方相似负载基线与启动稳定性

配置

本轮使用官方相似合成数据集：

  • 远端数据集：/root/work/logs/synthetic_cumulative_8_s3_cap40k.jsonl
  • 请求数：8
  • 并发：1
  • max_tokens=256
  • --max-model-len 100000
  • --max-num-seqs 1
  • --max-num-batched-tokens 16384
  • --enable-chunked-prefill
  • --enable-prefix-caching
  • --chat-template /workspace/chat_template_multi_system.jinja
  • --enforce-eager
  • Native 优化环境：MOE_NATIVE=1 CHUNK_PARALLEL=1 PREFIX_FLASH=1 RMSNORM_NATIVE=1 LOOP1_NATIVE=1

本地归档结果：

  • worklogs/remote_results/2026-07-15-official-like-baseline/eager_c1_r8_t256_cap40k.json
  • worklogs/remote_results/2026-07-15-official-like-baseline/patch_head_lf_20260715.log

结果

指标 当前值 目标 结论
Success Rate 100.00% >= 99% 通过
Cache Hit Rate 74.17% >= 50% 通过
TTFT P90 9.803s <= 5s 未通过
Output TPS P10 5.825 >= 20 未通过
Weighted Token Throughput 883.109 >= 8000 未通过
Aggregate Output TPS 5.789 - 参考
Aggregate Uncached Input TPS 178.330 - 参考
Aggregate Cache TPS 512.015 - 参考

观察

官方相似负载下，当前瓶颈不再是模板兼容或缓存命中率，而是长上下文 prefill/缓存读取吞吐和 decode routed expert 吞吐都偏低。8 条请求中，短输出 decode 约 5.8-8.5 tok/s；TTFT P90 被第二条长请求拉到 9.8s。

不加 --enforce-eager 的 CUDA Graph 路径在 BI-V100 当前环境中启动 OOM，典型日志为：

torch.cuda.OutOfMemoryError: Tried to allocate 256MiB. GPU 1 ...

因此提交平台配置先加入 --enforce-eager，目标是保证镜像启动和评测稳定。后续如果要重新打开 CUDA Graph，需要先解决图捕获阶段额外显存开销，否则平台会直接启动失败。

异常处理

尝试 --max-num-batched-tokens 32768 后服务启动 OOM，并留下 GPU1-3 约 30GB 显存残留。ixsmi 进程表为空，但 ps 发现上一次 worker 残留为 multiprocessing.spawn 子进程。清理残留进程后，显存恢复到每卡约 257MiB。

结论：后续每次 OOM 后必须先确认：

ps -ef | grep -E 'multiprocessing.spawn|resource_tracker|vllm.entrypoints|api_server'
ixsmi

若存在残留 worker，需清理后再继续实验，否则会把脏显存误判为参数不可行。

下一步

  1. 以 --enforce-eager + max_num_batched_tokens=16384 作为稳定提交基线。
  2. 在干净显存下重新验证 max_num_batched_tokens=32768 是否必然 OOM。
  3. 对官方相似负载做参数矩阵：max_num_batched_tokens、gpu_memory_utilization、max_model_len、max_num_seqs。
  4. 若参数调优收益不足，继续深入 PREFIX_FLASH 和 MoE routed expert 的 native/kernel 路径 profiling。

2026-07-15：245K 平台等价配置验证

重要启动细节

远端手工测试时，不能从仓库根目录启动：

cd /root/data-disk-1/enginex-vllm-bi100-qwen36
python3 -m vllm.entrypoints.openai.api_server ...

这样会优先导入仓库内未补丁的 vllm/，导致：

KeyError: 'invalid tool call parser: qwen3_coder (chose from { hermes,internlm,llama3_json,mistral })'

平台 Dockerfile 只复制 qwen3_6_scripts 并执行 patch_ops.sh，不会复制仓库根目录的 vllm/，因此平台会使用补丁后的 corex vLLM。远端手工测试需要从 /root 或 /workspace 等非仓库目录启动，以匹配平台行为。

245K 启动结果

从 /root 启动平台等价配置成功：

  • --max-model-len 245000
  • --max-seq-len-to-capture 245000
  • --enforce-eager
  • --max-num-batched-tokens 16384
  • --max-num-seqs 1
  • --tool-call-parser qwen3_coder
  • --reasoning-parser qwen3
  • --chat-template /workspace/chat_template_multi_system.jinja

启动后显存约为：

  • GPU0: 28.4GB
  • GPU1: 28.3GB
  • GPU2: 28.3GB
  • GPU3: 28.2GB

说明 --enforce-eager 后 245K 正确性配置可以启动，但剩余显存空间已经很紧。

245K 官方相似压测

本地归档：

  • worklogs/remote_results/2026-07-15-official-like-baseline/eager_245k_c1_r8_t256_cap40k.json
指标 100K 基线 245K 配置 目标
Success Rate 100.00% 100.00% >= 99%
Cache Hit Rate 74.17% 74.17% >= 50%
TTFT P90 9.803s 24.886s <= 5s
Output TPS P10 5.825 5.532 >= 20
Aggregate Output TPS 5.789 4.631 -
Uncached Input TPS 178.330 139.628 -
Cache TPS 512.015 400.894 -
Weighted Throughput 883.109 693.102 >= 8000

245K 配置满足上下文窗口正确性，但对当前小样本性能明显更差。后续优化策略：

  1. 平台提交配置保留 245K，以覆盖官方 235K+ 输入上限。
  2. 快速性能迭代优先用 100K/cap40K 官方相似数据，减少单轮成本。
  3. 确定有效优化后，再回到 245K 配置做确认。
  4. 当前离目标最大的差距仍是 prefill/cache 吞吐和 decode MoE 吞吐，而不是缓存命中率或请求成功率。

2026-07-15：MoE router top-k softmax 实验

改动

尝试把 MoE router 从：

routing_weights = torch.softmax(router_logits.float(), dim=-1)
topk_weights, topk_ids = torch.topk(routing_weights, self.top_k, dim=-1)
topk_weights = topk_weights / topk_weights.sum(dim=-1, keepdim=True)

改为：

topk_logits, topk_ids = torch.topk(router_logits.float(), self.top_k, dim=-1)
topk_weights = torch.softmax(topk_logits, dim=-1)

数学上这等价于 “full softmax -> topk -> renormalize”，但避免了完整 (T, num_experts) softmax。预期收益主要来自减少每层 decode 路由开销。

结果

本地归档：

  • worklogs/remote_results/2026-07-15-official-like-baseline/eager_100k_router_topk_c1_r8_t256_cap40k.json
指标 100K 基线 router top-k softmax 目标
Success Rate 100.00% 100.00% >= 99%
Cache Hit Rate 74.17% 74.17% >= 50%
TTFT P90 9.803s 13.048s <= 5s
Output TPS P10 5.825 5.664 >= 20
Aggregate Output TPS 5.789 5.379 -
Uncached Input TPS 178.330 172.454 -
Cache TPS 512.015 495.142 -
Weighted Throughput 883.109 850.328 >= 8000

结论

该改动没有带来收益，反而略降。可能原因：

  • full softmax 相对 expert GEMM 和 TP all-reduce 占比很小；
  • topk logits 后 softmax 改变了 kernel 调度形态，但没有减少主瓶颈；
  • 小样本中输出 token 数不同，仍需看趋势而不是单条。

操作结论：不保留该代码改动，回退到 full-softmax router。下一步继续围绕 MoE expert GEMM、all-reduce、prefill/cache 路径做实验。