diff --git a/docs/19-moe-gpt-oss.md b/docs/19-moe-gpt-oss.md new file mode 100644 index 0000000..898ea11 --- /dev/null +++ b/docs/19-moe-gpt-oss.md @@ -0,0 +1,93 @@ +# Phase 19: MoE — gpt-oss-20b + +> 目标：在 xserv 支持 **MoE**，用 `openai/gpt-oss-20b` 端到端跑通，并与 llama.cpp 在 +> AIME 2025 / GSM8K 上对比正确性与性能。MXFP4 expert 权重加载时反量化为 BF16；整模型 +> ~40GB 单卡放不下 → 复用 Phase 18 的 **PP**（PP=2 ~20GB/卡，PP=4 ~10GB/卡）。 +> +> 实时进度与重启续作指南见 `docs/MOE_PROGRESS.md`。 + +## 1. 架构（config.json，已核对） + +num_hidden_layers=24, hidden=2880, **head_dim=64**（≠hidden/heads）, n_heads=64, +n_kv_heads=8（GQA n_rep=8）, expert intermediate=2880, **num_local_experts=32**, +**num_experts_per_tok=4**, vocab=201088, max_pos=131072, rope_theta=150000, +sliding_window=128（交替层，见 `layer_types`）, rms_norm_eps=1e-5, swiglu_limit=7.0, +alpha=1.702, tie_embeddings=false。 +量化：**MXFP4**，仅 expert MLP（gate_up/down 的 `_blocks`+`_scales`）； +attn/router/embed/lm_head 为 BF16。 + +## 2. 参考数学（HF transformers `modeling_gpt_oss.py`，逐字核对） + +### RMSNorm — 标准（fp32 算 variance，eps=1e-5）。 + +### Router（`GptOssTopKRouter`，softmax 在 topk **之后**，含 bias） +``` +logits = x @ W_router^T + b_router # [T, 32] +top_val, idx = topk(logits, k=4, dim=-1) # [T, 4] +top_val = softmax(top_val, dim=-1) # 仅对选中的 4 个归一化 +scores = zeros[T,32].scatter(1, idx, top_val) +``` + +### Experts（`GptOssExperts`，fused gate_up，**interleaved**；clamped；(up+1)·glu） +``` +alpha=1.702; limit=7.0 +gate_up = x @ gate_up_proj[e] + gate_up_proj_bias[e] # [.., 2*dim] +gate = gate_up[..., ::2]; up = gate_up[..., 1::2] # 偶/奇 交错 +gate = clamp(gate, max=limit) # 仅上界 +up = clamp(up, min=-limit, max=limit) +glu = gate * sigmoid(gate * alpha) +h = (up + 1) * glu # 注意 (up+1) +y_e = h @ down_proj[e] + down_proj_bias[e] +out = Σ_{e∈top4} scores[t,e] * y_e +``` + +### Attention（`eager_attention_forward`，**带 sinks**） +``` +scaling = head_dim**-0.5 = 64**-0.5；q/k/v/o 都有 bias +RoPE(theta=150000) on q,k；repeat_kv(n_rep=8) +attn = (q @ k^T) * scaling + causal_mask # 滑窗层叠加 banded(window=128) +sinks = module.sinks[head] # 每 head 一个标量 +combined = cat([attn, sinks broadcast], dim=-1) # 多一列 +combined -= combined.max(-1, keepdim) # 数值稳定 +probs = softmax(combined, -1) +scores = probs[..., :-1] # 丢掉 sink 列 => 概率不归一到 1 +o = (scores @ v) -> merge heads -> @Wo + bo +``` +> sinks 等价于 softmax 分母多了 `exp(sink)`——可学习的"不注意"通道。 +> 交替 sliding window：config `layer_types` 标明哪些层 window=128，其余全注意力。 + +与 Qwen3 的新增点：MoE FFN、MXFP4 反量化、attention sinks（softmax 多一列再丢）、 +交替 sliding window、q/k/v/o bias、head_dim=64、clamped `(up+1)*glu`、rope_theta=150000。 + +## 3. MXFP4 反量化（expert 权重） + +expert 张量名：`model.layers.{i}.mlp.experts.gate_up_proj_blocks/_scales`、 +`...down_proj_blocks/_scales`（bias 为 BF16）。MXFP4：每 32 元素一 block 共享一个 +E8M0(8-bit 指数) scale，每元素 4-bit FP4(E2M1)。反量化 +`val = fp4_lut[code] * 2^(e8m0 - 127)`。**P19.1 先用 Python(numpy) 反量化并与 HF 一层 +数值对照**（block 方向 / LUT / gate_up interleave），再写进 Rust loader。 + +## 4. 路线（正确优先） + +1. **P19.1** Python 侦查 + MXFP4 反量化验证（不依赖 GPU）。 +2. **P19.2** `config.rs` 加 MoE 字段（Qwen3 路径不变）。 +3. **P19.3** `gptoss.rs`：dense（attn+sinks+bias+滑窗 / norm / lm_head）+ MoE FFN + （正确优先：逐 token top-4 gather→clamped SwiGLU→加权和）；MXFP4 在 `from_weights` + 反量化为 BF16。验收：prefill logits 与 HF BF16 容差内一致（top-1 一致）。 +4. **P19.4** 接 PP（experts 随层切），`--pp` 端到端；PP=2/4 与 PP=1 等价。 +5. **P19.5** llama.cpp 对比（升级 submodule 到支持 gpt-oss 的版本 + 取/转 GGUF）， + 跑 AIME 2025 + GSM8K，复用 `tools/bench` + `summarize_fullq.py`。 + +## 5. 风险 + +- MXFP4 格式细节必须逐字对 → Python 反量化兜底。 +- attention sinks + 交替滑窗：现有 flash/paged kernel 未必支持 → 正确优先版本先走朴素 + attention（显式 mask + sink 列）。 +- llama.cpp pinned b9371 早于 gpt-oss（约 2025-08）→ 需升级 submodule，有连锁影响。 +- 性能：MoE 正确优先版本（逐 expert gather/scatter）会慢；先对再快。 +- **环境**：huggingface.co 被墙，需经代理 + hf-mirror 下载（见 `MOE_PROGRESS.md` §2）。 + +## 6. 不在本阶段范围 + +GPU 原生 MXFP4 + 按需反量化 kernel（先全 BF16）；高性能 grouped-GEMM / expert parallel； +TP×MoE；单卡运行（需 MXFP4-native）。 diff --git a/docs/MOE_PROGRESS.md b/docs/MOE_PROGRESS.md new file mode 100644 index 0000000..6445b85 --- /dev/null +++ b/docs/MOE_PROGRESS.md @@ -0,0 +1,177 @@ +# MoE (gpt-oss-20b) — 工作进度与续作指南 + +> **中断原因**：用户要重启 dash5 机器（IP 等可能变），让我先把当前 MoE 支持工作的状态 +> 完整记录到本文件，重启后据此继续。本文件是"重启后从这里接着干"的唯一入口。 + +最后更新：Phase 18 (PP) 已完成并 push；Phase 19 (MoE/gpt-oss-20b) 刚起步（下载受阻， +架构与参考数学已侦查清楚）。 + +--- + +## 0. 一句话现状 + +- ✅ **Phase 18 流水线并行 (PP)** 全部完成、验证、benchmark，已 commit 并 push 到 + `origin/phase18-pipeline-parallelism`（gitea）。 +- 🚧 **Phase 19 MoE (gpt-oss-20b)** 刚开始：架构 + HF 参考数学已核对（见 + `docs/19-moe-gpt-oss.md`），**模型还没下载完**（HF 被墙，正在解决下载路径），代码未动。 + +--- + +## 1. 环境关键事实（重启后很可能变 / 需重新确认） + +- **本机**（开发机，非 GPU）：`/home/gahow/projects/xserv`，有公网（走代理）。 +- **dash5**（GPU 机，8×RTX 5090，无 NVLink，0-3/4-7 分组）：通过 `ssh dash5` 访问。 + - 远端仓库目录：`/opt/wjh/projects/xserv`，模型目录：`/opt/wjh/models/`。 + - **dash5 无外网、无 rsync**；同步用 `./tools/sync-and-build.sh`（tar over ssh）。 + - cargo 在 `$HOME/.cargo/bin`；CUDA 12.9 在 `/usr/local/cuda-12.9`。 + - ⚠️ **重启后 `ssh dash5` 的 IP/可达性可能变** —— 先 `ssh dash5 hostname` 确认； + 若连不上，检查 `~/.ssh/config` 里 `dash*` 配置 / 让用户给新地址。 +- **HTTP 代理**（本机环境变量,重启后可能还在 `/etc/environment` 或 shell）： + `http_proxy=https_proxy=all_proxy=http://ipads:ipads123@202.120.40.82:11235` +- **huggingface.co 被墙**（`SSL_ERROR_SYSCALL`，即使过代理）。pypi 可过代理。 +- **`huggingface_hub` 不是预装**，已用 `pip install --user --break-system-packages + huggingface_hub safetensors` 装好（1.17.0）；venv 不可用（无 ensurepip）。 + +--- + +## 2. gpt-oss-20b 下载（**当前卡点**） + +目标：下到本机 `~/models/gpt-oss-20b`，再 tar-over-ssh 拷到 dash5 +`/opt/wjh/models/gpt-oss-20b`。 + +**已验证可行的下载路径**（重启后照此做）： +- huggingface.co 直连/经代理都失败。 +- hf-mirror.com 的 `/resolve/` 会 **308 跳回 huggingface.co**（也被墙）——所以不能用 + `curl -L` 跟跳转，`huggingface_hub` 设 `HF_ENDPOINT` 在新版(1.17)上 HEAD 也失败。 +- ✅ **能用的办法**：直接走 **hf-mirror 的 `/raw/`（小文件）和实际 CDN，经代理 curl**。 + 已成功取到 `config.json`（200, 1799 bytes）： + ```bash + curl -s -x "http://ipads:ipads123@202.120.40.82:11235" \ + "https://hf-mirror.com/openai/gpt-oss-20b/raw/main/config.json" -o config.json + ``` + 大文件（safetensors）要用 `/resolve/main/` 且 **指定 `-x` 代理、不要 `-L`**， + 若仍 308 跳回 hf.co，则改用 hf-mirror 的 LFS 直链或 `huggingface_hub` 配合 + `HF_ENDPOINT=https://hf-mirror.com` + 代理（库内部不跟 308）。**下载脚本草稿在 + `/tmp/dl_shards.sh`（重启后 /tmp 会清空，需重建）。** + +**待下载文件**（3 个分片 + 元数据，总 ~13.5GB MXFP4）： +- `model-00000-of-00002.safetensors`、`model-00001-of-00002.safetensors`、 + `model-00002-of-00002.safetensors`（注意是 0/1/2 三个，命名 of-00002） +- `model.safetensors.index.json`、`config.json`、`tokenizer.json`、 + `tokenizer_config.json`、`special_tokens_map.json`、`generation_config.json`、 + `chat_template.jinja` + +**重启后第一步**：`ls -la ~/models/gpt-oss-20b/` 看已下了哪些、`wc -c` 校验分片大小， +断点续传用 `curl -C -`。 + +--- + +## 3. gpt-oss-20b 架构（config.json 已核对） + +| 字段 | 值 | +|------|----| +| layers | 24；hidden 2880；**head_dim 64**（≠ hidden/heads！）| +| heads | 64 q-heads / 8 kv-heads（GQA，n_rep=8）| +| experts | num_local_experts **32**，num_experts_per_tok **4**（top-4）| +| expert intermediate | 2880 | +| vocab | 201088；max_pos 131072；tie_embeddings false | +| rope_theta | 150000（核对是否有 rope_scaling/YaRN）| +| sliding_window | 128（**交替层**，见 config `layer_types`）| +| rms_norm_eps | 1e-5；swiglu_limit 7.0；alpha 1.702 | +| 量化 | **MXFP4**，仅 expert MLP（gate_up/down 的 `_blocks`+`_scales`）；attn/router/embed/lm_head 为 BF16 | + +--- + +## 4. HF 参考数学（已从 transformers `modeling_gpt_oss.py` 逐字核对，务必照抄） + +完整版见 `docs/19-moe-gpt-oss.md` §2。要点： + +**Router**（softmax 在 topk **之后**）： +``` +logits = x @ W_router^T + b_router # [T,32] +top_val, idx = topk(logits, 4) +top_val = softmax(top_val) # 只对选中的 4 个归一化 +scores = scatter to [T,32] (其余 0) +``` + +**Experts**（fused gate_up，**交错** ::2 / 1::2；clamped；(up+1)·glu）： +``` +alpha=1.702, limit=7.0 +gate_up = x @ gate_up_proj[e] + bias # [.., 2*2880] +gate = gate_up[..., ::2]; up = gate_up[..., 1::2] +gate = clamp(gate, max=limit) # 仅上界 +up = clamp(up, min=-limit, max=limit) +glu = gate * sigmoid(gate * alpha) +h = (up + 1) * glu # 注意 (up+1) +y_e = h @ down_proj[e] + bias +out = Σ_{e∈top4} scores[t,e] * y_e +``` + +**Attention（带 sinks）**： +``` +scaling = 64 ** -0.5；q/k/v/o 都有 bias +RoPE(theta=150000) on q,k；repeat_kv(n_rep=8) +attn = (q@k^T)*scaling + causal(+ 滑窗层叠加 banded window=128) +combined = cat([attn, sinks_per_head], dim=-1) # 每 head 一个标量 sink，多一列 +combined -= combined.max(-1, keepdim) # 数值稳定 +probs = softmax(combined, -1) +scores = probs[..., :-1] # 丢掉 sink 列（概率不归一到 1！） +o = scores @ v -> merge heads -> @Wo + bo +``` + +**RMSNorm**：标准（fp32 算 variance，eps=1e-5）。 + +参考源码已存（重启后 /tmp 清空需重取）：`pip download transformers --no-deps` +解 wheel 取 `transformers/models/gpt_oss/modeling_gpt_oss.py`（967 行）。 + +--- + +## 5. MXFP4 反量化（expert 权重） + +- expert 张量名：`model.layers.{i}.mlp.experts.gate_up_proj_blocks` + `..._scales`， + `...down_proj_blocks` + `..._scales`（bias 是 BF16 的 `gate_up_proj_bias`/`down_proj_bias`）。 +- MXFP4：每 **32** 元素一 block，共享一个 **E8M0**（8-bit 指数）scale，每元素 4-bit + FP4(E2M1，16 码字)。反量化 `val = fp4_lut[code] * 2^(e8m0 - 127)`。 +- **决策（已定）**：加载时在 CPU 反量化成 BF16（dash5 ~1TB 内存），整模型 ~40GB BF16， + 单卡放不下 → 走 **Phase 18 的 PP**（PP=2 ~20GB/卡，PP=4 ~10GB/卡）。不写 GPU 原生 + MXFP4 kernel（风险高、慢），先正确跑通+对比，后续再优化。 + +--- + +## 6. 实施路线（Phase 19，逐步可验证） + +1. **P19.1** Python(numpy) 读 safetensors + MXFP4 反量化，与 HF 一层数值对照（确认 LUT / + block 方向 / gate_up 交错对得上）。**不依赖 GPU，重启后可先做。** +2. **P19.2** `crates/xserv-model/src/config.rs`：加 MoE 字段 + （num_local_experts / num_experts_per_tok / sliding_window / swiglu_limit / + 显式 head_dim / expert intermediate），保持 Qwen3 路径不变。 +3. **P19.3** 新文件 `crates/xserv-model/src/gptoss.rs`：dense（attn+sinks+bias+滑窗 / + RMSNorm / lm_head）+ MoE FFN（正确优先：逐 token top-4 gather→clamped SwiGLU→加权和）。 + MXFP4 在 `from_weights` 反量化为 BF16。验收：prefill logits 与 HF BF16 容差内一致。 +4. **P19.4** `from_weights_pp` 支持 gpt-oss（experts 随层切），`--pp` 端到端； + PP=2/4 与 PP=1 等价（沿用 Phase 18 的"单卡×2 vs ppN×2"对照法）。注：~40GB 需 PP≥2。 +5. **P19.5** llama.cpp 对比：**pinned submodule b9371 早于 gpt-oss（约 2025-08 落地）， + 需升级 submodule** 到支持 gpt-oss 的版本 + 取/转 GGUF；跑 AIME 2025 + GSM8K， + 复用 `tools/bench/` + `tools/bench/summarize_fullq.py`（已有，PP 阶段写的）。 + +--- + +## 7. 复用 Phase 18 的资产 + +- 多卡：`--pp N`（已验证），`crates/xserv-distributed`（NCCL P2P + AllReduce）。 +- bench：`tools/bench/runner.py`（支持 `--pp`/`--tp`）、`summarize_fullq.py`、 + `tools/pp_quality_full.sh`（xserv 0-3 ‖ llama 4-7 并行跑 AIME+GSM8K 的范式可直接改用）。 +- 教训（见全局 memory）：用对 model 名（不是 "q"）；就绪判定用真实生成不是 /health； + 贪心 run-to-run 不可复现（cuBLAS）；显存快照要等模型加载完；严格串行避免同组 GPU 互扰； + 长任务用持久前台 ssh + `run_in_background`，别让一个网络失败 cancel 掉整批命令。 + +--- + +## 8. 重启后立即要做（checklist） + +1. `ssh dash5 hostname` 确认 GPU 机可达（不行就问用户新地址 / 改 ~/.ssh/config）。 +2. `git -C ~/projects/xserv log --oneline -6` 确认 PP 5 个 commit 还在 + （`859c0cc..` 那串，分支 `phase18-pipeline-parallelism`）。 +3. `ls -la ~/models/gpt-oss-20b/` 看下载进度，续传缺的分片（§2）。 +4. 重新 `pip download transformers` 取参考源码（/tmp 已清）。 +5. 从 §6 的 P19.1 接着干。