docs: MoE perf-path progress + remaining work (#7-#10)

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

docs/MOE_PROGRESS.md

@@ -199,3 +199,29 @@ o = scores @ v -> merge heads -> @Wo + bo
 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。
+
+---
+
+## 性能版进度（2026-05-29 深夜，续）
+
+目标：让 gpt-oss 解码够快，真跑 AIME/GSM8K。当前「正确优先」版（host attention、无 KV
+cache、experts 常驻 CPU 按需上传）只能跑几个 token 的前向，不可能跑 2400 token 生成。
+
+四块拆解（task #7-#10）：
+- ✅ **#7 GPU sink-attention（decode）**：`decode_attention_sink` kernel 已写、已编译通过、
+  已 push（commit 2f9e69a）。sink 作为 softmax 分母额外一列、不贡献 value；带 sliding window。
+  **还差**：flash PREFILL kernel 也要加 sink（多 token 一次性），否则 prefill 仍走 host。
+- ⬜ **#8 MXFP4 experts 放 GPU + dequant kernel（关键阻塞）**：BF16 全量 experts 36GB 单卡放不下；
+  必须把 experts 以 MXFP4（13GB）放 GPU，用一个小 CUDA kernel 在每个 expert GEMM 前现解到
+  BF16 scratch。否则 decode 每 token 要从 CPU 上传 ~5GB experts（2400 token = 数 TB），不可行。
+- ⬜ **#9 GPU MoE + KV-cache 解码**：router matmul + top-k（1 token 时 host 取 top4 即可）、
+  4 个 expert GEMV、KV cache（复用 GpuKVCache/paged）让 decode 变 O(1)/token。
+- ⬜ **#10 接 server + 跑 AIME/GSM8K**：engine 识别 gpt_oss arch、HTTP 服务、`tools/bench`
+  对比 llama.cpp 金标准。
+
+**关键依赖**：#8 是单卡跑通的前置（显存）；或者把 gptoss 接进 Phase 18 的 PP（BF16 experts 切到
+多卡）。单卡走 MXFP4-on-GPU 更省事。建议顺序 #8 → #9 → #7(prefill) → #10。
+
+**已确认可用资产**：BF16 dequant 模型在 dash5 `/opt/wjh/models/gpt-oss-20b-bf16`；
+MXFP4 原始模型 `/opt/wjh/models/gpt-oss-20b`；llama.cpp 金标准 GGUF
+`/opt/wjh/models/gpt-oss-20b-gguf/gpt-oss-20b-mxfp4.gguf`（已验证 "Paris" / "408"）。