216 lines
14 KiB
Markdown
216 lines
14 KiB
Markdown
# 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](https://docs.vllm.ai/en/latest/features/speculative_decoding/dynamic_speculative_decoding/)
|
||
与 [DSpark](https://arxiv.org/abs/2607.05147) 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。
|