gahow/aituner
0
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
39b767e384fc49da53b99ad06a3e2ca1b6ac37d6
aituner/docs/collectivespec-pilot-design-20260713.md

20 KiB
Raw Blame History

CollectiveSpec：先做机会判定的实验设计

结论先行

当前不应先实现一个“按请求动态 K、再做一次 DP collective 同步”的原型。该路径的 工程修复很薄，而且相邻公开工作已经覆盖了 request-level dynamic speculation 与 ragged verification 的大量空间。CollectiveSpec 只有在 一个更强、可证伪的事实成立时才值得继续：在 wide-EP MoE、DP>1 的生产负载中， 不同 DP rank / request 所需的投机深度确实不同，并且全局 static K 明显浪费了 SLO 可行 goodput。

本文件把第一轮实验定义为一个机会判定（opportunity gate），不是最终性能主张。

固定条件

  • Host: dash0, 8x NVIDIA H20。
  • Model: Qwen3-235B-A22B FP8；draft: EAGLE3。
  • Deployment: TP=4, DP=2, EP=8，VLLM_MOE_USE_DEEPEP=1。
  • Trace: thinking_w20260327_1000，600 秒 decode-only 窗口。
  • SLO: TPOT <= 40 ms，pass rate >= 0.95。
  • 同一 engine revision、同一模型/trace 路径、同一环境变量；实验串行执行，避免 GPU 互相干扰。

这里的 resolved topology 来自远端实际 StudySpec，而不是仓库 README 中可能已过期的 配置描述。

假设与可证伪指标

G0：static-K 是否有足够可利用的空间？

  • H0：在该固定拓扑和负载下，NoSpec/K=1/2/3 的 SLO-goodput 差异很小；最佳固定 K 已经 足够好。此时停止 CollectiveSpec。
  • H1：不同 static K 的可行前沿存在实质差异，且最优 K 对负载区间敏感。只有 H1 才 说明 dynamic policy 可能有直接性能价值。

主要指标：每个 K 在相同 SLO 下可达到的最大 sampling_u，以及对应请求率、TPOT pass rate、p50/p95 TPOT、成功/失败原因。sampling_u 是现有 replay 使用的一致 trace 抽样旋钮，因此只能作为此 trace 的 SLO-goodput proxy，不能直接外推为线上 QPS。

本 trace 的 output-length 分布很重尾；replayer 的 drain deadline 可能在长输出尚未完成 时终止 probe。故每个结果必须同时报告 completion-success count 和 deadline failure；不能 只因 TPOT pass rate 达标就把截断 request 当作“无成本”。本轮的原始 static screen 仍沿用 现有 SLO 以便和项目 baseline 可比，但它不能替代完整 completion 的确认实验。

判定门槛（预注册）：

  1. 在 K=1/2/3 之间，最优 K 相对次优 K 的最大可行 sampling_u 小于 5%，或 置信区间/重复实验重叠很大： 停止。
  2. 最优 speculative K 比次优 speculative K 至少高 10%，且在两个独立重复中方向一致： 进入 G1。NoSpec 仅作为“是否值得用 draft model”的部署对照，不能替代这条判据。
  3. 如果 K=3 不受当前 engine 支持、任一配置启动失败，记录为兼容性结果，不把它误作 性能差。

第一阶段：static-K screening

配置为 {NoSpec, K=1, K=2, K=3}。NoSpec 会删除 --speculative-config，而不是传 非法的 num_speculative_tokens=0。它释放 draft model 相关资源，因此不等于 same-stack 的 logical K=0；后者在 EAGLE 类实现中仍可能需要一次 draft forward 来保持 KV 同步。当前 dash0 binary 的 MLA indexer 明确限制 num_speculative_tokens <= 3， 故这已穷尽该 binary 的合法 static horizon。原计划每个配置：

  • 搜索范围 sampling_u in [0.005, 0.020]；
  • 最多 3 次 probe、tolerance=0.003；
  • 每个 probe 使用完整 600 秒 trace replay（不会使用 max_requests_per_probe 的 截断模式）；
  • 启动顺序 2,1,3,0，降低冷启动或时间漂移与 K 单调对应的风险；
  • 每个 K 都使用独立 Store、不可变派生 StudySpec、完整 stdout/stderr log。

这是一轮筛选而非 final frontier。它一旦显示值得继续，才对 top-2 K 做交叉顺序的完整 搜索与至少两次重复。

2026-07-13 数据质量修正：controlled screen

原始 trace 第一个 K=2 probe 暴露了一个不应隐藏的 measurement red flag：worker 的 drain deadline 按 selected set 的 p99 output length 计算，而该 set 含一个 36,034-token completion。该 request 因 deadline 被裁掉；尽管 TPOT-only pass rate 仍可达标，censoring 会随 sampling_u 改变 selected set，不能用于比较 static-K frontier。

因此原始 run 只保留为诊断 artifact，停止后改跑一个明确标为 controlled 的 screen： 保持相同 arrival、prompt、sampling seed 和 topology，但把每个 request 的 min_tokens=max_tokens=4096。4096 接近原始 output mean 3,924.6，且使 p99 deadline 覆盖 每个 request 的完整 completion。它回答的是“在相同输入/到达条件下，static K 是否留下 可利用空间”，不是 production trace 的最终 goodput 结论。最终论文实验必须同时有：

  1. 该受控 curve（机制和可重复性）；
  2. 原始长度 trace 的完整-completion 版本（不能使用 p99 censoring）；
  3. 至少一个 held-out window。

2026-07-13 数据质量修正 #2：fresh-engine fixed grid

受控 screen 的第一条 K=2、u=0.0125 probe 本身通过了完整性检查（152/152 success、 usage 返回的 completion token 均精确为 4096、无 early stop）。但随后发现原二分搜索会 在同一 engine 内连续执行多个 probe；第二、三 probe 继承前一 probe 的 prefix/KV cache， 也继承全局 RNG 的已消耗状态。不同 K 的二分分支/中止路径不同，因此不能把该搜索输出的 best_sampling_u 差异直接归因于 K。该 run 在第二 probe 中主动停止，不作为 G0 结果。

替代协议是每个 (offered-load, K) 只运行一次、每次均启动一个 fresh engine。两个固定 负载由原始 immutable trace 的统一 sampling_u 阈值物化：u=0.0125（152 requests, 0.2533 req/s）和 u=0.0200（263 requests, 0.4383 req/s）。物化后的 request 仍保留原 prompt、arrival 和 sampling provenance，但强制 temperature=0、显式 engine seed=0， 并用统一的 4096 completion override。每个 K 只有一个 probe，所以 accelerator KV/prefix cache 为空且 RNG 从相同 seed 开始；每次都从 probe_details.jsonl 验证：

  1. early_stopped=false；
  2. outcome count = selected count，且每个 request success；
  3. TTFT/TPOT 均非空；
  4. completion token 的 source 为 usage，且实际/预期均为 4096；
  5. result 无 partial-probe failure，且只包含一个 primary probe。

运行顺序在两个负载间反向（ABBA），避免 K 与时间漂移完全共线。这个 grid 仍然只回答 static-K 是否存在足够大的机会；它不估计 production sampling goodput，也不证明 rank-local K 的上界。当前 vLLM deployment 的 reasoning_parser=''；其 SSE 实现将生成文本放在 delta.content，所以本协议中的 token-time 定义覆盖当前 <think> 输出。若以后启用 reasoning parser，客户端必须同时记录 reasoning_content 后才可复用此指标。

G1：只有在 G0 通过后才做的直接验证

目标不是“不同请求有不同 K”这种已经很常见的说法，而是验证下面的系统命题：

在 DP+EP MoE 下，局部独立的 K 决策会让 collective 序列分歧；把它们编译为 rank-agreement 的 ragged execution plan，可保留异质请求的计算节省，同时不改变 collective order。

当前 dash0 vLLM 已经有一个很好的切入点：每个 DP step 会 all-reduce 一段 metadata， 并把各 rank 的 total token count padding 到最大值；CUDA graph mode 也会取跨 rank 的 共同模式。这说明论文的最小机制不应另造一个 scheduler，而应把现有 scalar (num_tokens, num_reqs, graph_mode) agreement 扩展为 canonical speculative-plan header。 关键增量是让 header 描述真实 active frontiers，并保证后续 verifier/EP split vector 的 collective ordinal 相同；若最后仍 padding 到 global max，就没有可主张的性能机制。

需要实现/测量：

  1. oracle trace replayer：利用 G0 的 per-K service curve，为每个到达时刻选择 SLO-feasible K，比较 best-static K 与 oracle 的 upper bound。若 oracle gain <10%， 停止，避免把噪声当论文方向。
  2. collective trace：按 DP rank 记录每个 decode step 的 collective 序列、token shape、active-sequence mask、MoE all-to-all bytes 和 rank idle time。验证“local K 不同”是否真的导致 sequence divergence，而不是仅是一个 API 限制。
  3. CollectiveSpec prototype：固定 collective order，用全局 agreement header 和 ragged/padded verification plan；对比 best static K、global-max-K、oracle 和当前 upstream dynamic-spec baseline（包括 DSpark/FASER 能实现的部分）。
  4. ablation：去掉 agreement、去掉 ragged packing、去掉 queue/SLO policy；报告 goodput、p50/p95/p99 TPOT、acceptance、MoE communication bytes、GPU SM/HBM util、 rank skew。

主要风险

  • 最新 upstream 动态投机对 DP>1 的处理可能本身只需一个 global-K broadcast；那是 feature patch，不构成研究贡献。
  • 当前 dash0 runtime 已验证 DP=2 + static EAGLE 可以工作；尚未在这个 binary 上证明 “local dynamic K 会 deadlock”。因此研究动机必须写成固定 EAGLE horizon 的执行限制， 不能把未运行的 dynamic-K 路径当作既成故障。
  • FASER/DSpark 等相邻工作会把“dynamic K + ragged verify”作为强 baseline；必须在 做任何大实现前进行逐项复现/排除。
  • trace 的 sampling_u 是 proxy；最终结论必须在固定 arrival trace、真实请求长度和 至少一个不同 workload 上复现。

2026-07-13 系统重审：收紧主张和后续 gate

本轮查阅 vLLM Dynamic SD 限制 与 DSpark 后，原先“dynamic K 会使 collective diverge，因此做 ragged verifier”这一表述太宽，不能作为实现前提：

  • DSpark 已公开主张按请求动态 verification length、跨请求 token flatten 与 ragged physical execution；这些本身不再构成新颖性。
  • dash0 当前实际 import 的 vLLM wheel 与本地 checkout 不同。实验中的运行日志称 v0.11.1，而 wheel metadata 为 0.13.0rc2.dev2111+gb44b43f43.d20260309；后续任何 hook 必须对这个 live source 做 provenance pin，不能把本地 v0.24 API 当作证据。
  • 这个 live runtime 已原生使用 per-request list[list[int]] draft token IDs，并将真实 长度送入 scheduler/metadata；EP all-to-all 也具有 variable-split data path。因此 per-request horizon 不等于 collective divergence。必须先观测到不同 DP replica 的 collective call count、phase 或 branch trace 的真实不一致。

修订后的唯一可能研究命题是更窄的：

对共享一个 EP collective domain 的独立 DP scheduler，如何将异构 verification plan 编译为可证明 liveness 的 canonical execution trace，同时在同一逻辑 plan 下回收 global physical-max padding 的关键路径成本。

它有四个顺序严格的停止门槛：

  1. P0 / 真实 premise：以预先给定的 k_i ∈ {0,1,2,3} replay 表截断已生成的 EAGLE candidates，在每个 DP/TP rank 记录 target、EAGLE 和 EP phase signature。若 没有 trace mismatch、强制 global padding 或 liveness 问题，就停止把 plan header 当作 研究贡献。
  2. P1 / 机会量：即使存在 mismatch，也必须证明 rank-local oracle 相对 best static 或 globally synchronized K 有至少 10% 的 SLO-goodput headroom；全局同步若恢复 90% 以上 gap，则只值得做 upstream patch。
  3. P2 / 因果物理对照：同一个 k_i replay plan 必须对比 PaddedSync-semantic（物理 N × (1 + max k_i) rows）与 CompactSync （物理 Σ_i(1+k_i) rows）。static K=3 不是 PaddedSync，因为二者 logical algorithm 不同。若实际 target/EP work 与关键路径未减少，停止。
  4. P3 / 正确性与部署：所有 TP peers 的 plan digest 相同、所有 EP ranks 观察到同一 header vector、每 epoch 的 target/EAGLE/MoE signature 一致；greedy output token-exact， 并通过 empty-rank、{0,3} 交替、长时间 stress。只有随后在两个 session-coherent workload 上重现 SLO-goodput 才能讨论论文。

若 P0--P3 任一项失败，合理结论是停止 CollectiveSpec，而不是继续调 controller、K 或 queue policy。若全部通过，最小原型的边界也只应是 verifier-side compaction：当前 EAGLE 仍按 Kmax 产生 candidate，短 k_i 不会自动消除 draft-side work，不能把 verifier 节省误报为完整 draft+verify speedup。

Trace 数据可用性与 window-closure fallback

本轮发现 prepare_trace_windows.py 依赖的 2026-03-27 原始格式化 trace span 在 dash0 已不存在，不能把它的 streaming full-session root 当作已经复验。现有的完整 600 秒 materialized window 仍含 prompt、chat_id 与 parent_chat_id，因此新增的 fallback 仅将 窗口内图的 connected component 作为选择原子：保留 384/384 条窗口内 parent edge，且把 同一个窗口外 parent 的 sibling 归为同一 component。该窗口有 15,479 requests、15,095 components；414 条 non-root edge 中 30 条（7.25%）父节点落在窗口外。

这只能称为 window-session-closed，不等于 full-session coherent：任何结果都必须报告 这 30 条 boundary-parent residual，且不能据此声称跨窗口 KV reuse。若原始 span 恢复，必须 重新从完整 source resolve root 与重新采样，不能沿用 fallback 的 score/threshold。

2026-07-13 P0 v2：header/liveness premise 的实际结果

先报异常

两个 cell 都在 probe/result 已落盘、64 个请求都已完成后出现 teardown 异常。heterogeneous cell 有 free(): corrupted unsorted chunks 与共享资源泄漏；control 还出现 SIGTERM/SIG11 和 TCPStore broken pipe。这些不是运行期 request/collective failure，但也意味着本实验不 证明干净退出或部署鲁棒性。本节只使用完成前的 request、worker phase 与 DP metadata 作为 P0 evidence；不报告任何 TPOT/QPS 比较。

设计、判定与修正后的观测范围

在 dash0 的 Qwen3-235B-A22B FP8 + EAGLE3、TP=4/DP=2/EP=8、DeepEP 配置上，P0 将 EAGLE 已生成的 Kmax=3 candidates 按预先给定的 request-static 表截断为 k_i ∈ {0,1,2,3}。它只 改变 verifier 可见 candidate，不消除 EAGLE 的 Kmax drafter 工作。

原始 worker hook 还会记录 vLLM 的 profile/DP dummy run；空 SchedulerOutput 仍可能有 physical rows。因此真实 target batch 的判据固定为：

event == batch_execution_plan
AND request_count > 0
AND total_scheduled_rows > 0

最初 summary 将 676/640 条 dummy/profile record 混入 target phase，错误地把 control 的 145/146 internal-call 差异解释为 rank mismatch。修正后的汇总只比较 target event，并将 真实 DP pair 识别为 [0,4]、[1,5]、[2,6]、[3,7]；同一 logical DP replica 内的 TP group 则为 [0,1,2,3] 与 [4,5,6,7]。

结果

远端可复核 artifact： /home/admin/cpfs/wjh/collectivespec-pilot/20260713T054328Z/p0_phase_v2_20260713T0944Z （run source bb698b5；summary.json、summary.md、driver_result.json 和原始 p0_logs/*.jsonl 均在该目录）。

cell completion 实际 candidate K target worker records target plan / DP coordination
control K=3 64/64，usage 均为 64 {3} 488；DP0 每 TP peer 65，DP1 每 peer 57 每个 logical DP replica 内序列完全一致；四个真实 DP pair 的 57 个 shared target epoch 的 scalar coordination signature 一致
heterogeneous 64/64，usage 均为 64 {0,1,2,3} 528；8 个 peer 各 66 两个 logical DP replica 内序列完全一致；四个真实 DP pair 的 66/66 shared target epoch signature 一致

heterogeneous 的 candidate_truncate 直方图为 {0: 1408, 1: 670, 2: 672, 3: 398}，而截断前 全部为 K=3（共 3,148 个 candidate）。所以它不是只改变 log 的“伪异构”实验。两 cell 的 target record 都满足：

num_tokens_per_rank[dp_rank] == total_scheduled_rows
physical_batch_rows == rows_across_dp[dp_rank]
rows_across_dp[i] >= num_tokens_per_rank[i]
len(rows_across_dp) == len(num_tokens_per_rank) == 2

这说明两个独立 scheduler 的 logical plan 可以不同，但 live runtime 已用 scalar DP metadata 协调共同 physical shape，并让共享 EP domain 的真实请求完成；没有观察到运行期 deadlock 或 collective error。它反驳的是“异构 verifier-side K 必须新增 canonical header 才能先保证 liveness”的必要性，而不是一般性的形式化证明。

留下的物理现象，以及为什么它仍不足以继续造系统

heterogeneous 的 66 个 shared target epoch 中有 62 个的 raw DP token counts 不相等；现有 runtime 将 rows_across_dp 同步为共同 shape。按每个 DP replica 的一个 TP anchor 计， target-only raw logical rows 为 6,276；逐 epoch 保留当前 TP/CUDA-graph local alignment 后为 6,536；最终 physical rows 为 7,024。因此可单独归因给跨 DP global-max padding 的只有 488 rows（6.95% physical rows）。此前用 7,024-6,276 得到的 748（10.65%）还混入了 260 行本地 alignment，不能当作 compact 对照可回收的 DP work。control 的 row totals 也不与 heterogeneous 直接比较，因为 logical plan 和 scheduler trajectory 不同。

这只能看作 P2 的 row-count upper bound，绝不能把 control 与 heterogeneous 相减当作 速度收益：两者 logical plan、scheduler trajectory 都不同。更关键的是 EAGLE drafter 仍完成 Kmax 工作；即使理想 compact verifier 回收全部 6.95% 的 DP-only target rows，端到端 SLO-goodput 增益也只会更小。

因此决策为：

  1. 停止把 canonical plan header / deadlock avoidance 当作 CollectiveSpec 的研究主线； P0 已在目标部署上否定其必要前提。
  2. 停止把“dynamic verification length + flattened ragged execution”本身当贡献；DSpark 已覆盖该组合，且它也指出固定长度 drafter 的前置工作不会因 verifier 截断自动消失。
  3. 仅保留一个很窄的、默认 no-go 的机会：同一 logical plan 下的 compact-vs-padded physical execution。只有先以 P1 证明相对 best-static/global-sync 至少 10% E2E SLO-goodput，再以 P2 的因果对照证明关键路径 rows/bytes 真正下降，并完成 DSpark topology gap 审计，才值得 再投入实现。当前 P0 不满足这些条件。

P0 未验证 greedy token-exact 输出、真实 DeepEP dispatch ordinal/split digest、取消/empty-rank stress，或其他模型/后端/更大 K 的泛化；这些都不能从本结果外推。

P0 data sanity

  • teardown red flag 已单列：control/heterogeneous 都在 completion 后发生 allocator/资源 清理异常；因此没有使用延迟、吞吐或 clean-shutdown 指标作结论。
  • n=2 cells，8 worker/cell，64 usage-verified completions/cell；completion count 的 min=max=64，distinct=1。
  • target worker record count：control=488、heterogeneous=528（min=488，max=528，distinct=2）； dummy/profile records 分别为 676/640，已排除。
  • heterogeneous K：min=0，max=3，distinct=4；control K distinct=1。所有计数、rows 和 padding 非负；JSON parse errors=0。
  • heterogeneous 的 66 target epochs：两个 DP rank 的 raw row values 共 n=132，min=1、 max=77、distinct=35；physical rows n=66，min=4、max=80、distinct=14；分解 6,276 <= 6,536 <= 7,024 与 7,024 - 6,536 = 488 均成立。
  • 修正后的不变量均为 true：probe integrity、8 workers observed、每个 DP replica 内 target phase/sequence 一致、target DP metadata 合法、DP coordination record 存在、四个真实 DP pair 的 shared scalar coordination signature 一致。