docs: Phase 19 MoE (gpt-oss-20b) design + progress snapshot

Architecture + exact HF reference math (router softmax-after-topk,
interleaved clamped (up+1)*glu experts, attention sinks, alternating
sliding window, head_dim 64, rope 150000), MXFP4 dequant plan, and the
correctness-first -> PP -> llama.cpp roadmap. MOE_PROGRESS.md captures
live state for resuming after a machine reboot (HF is firewalled here;
download via proxy + hf-mirror; gpt-oss-20b not yet downloaded).

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

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）。

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/<file>` 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。