# Phase 18: Pipeline Parallelism (PP)

> 目标：在单机多卡上做 **流水线并行**，把 Qwen3-8B 的 **层** 切成 `P` 段（stage），
> 每张卡只持有连续的一段层（+ stage0 的 `embed_tokens`、最后一段的 `norm`/`lm_head`），
> 激活（hidden state）在相邻 stage 之间用 **NCCL P2P send/recv** 传递。
> 与 TP（按 head / 中间维切，每层 2 次 AllReduce）互补：PP 通信量小（每 token 仅 `P-1`
> 次点对点传 `[tokens, hidden]`），KV 与权重按 **层** 降到约 1/P。
> 先做 **PP=2 / 4（组内）**，正确性优先。

## 1. 硬件约束（dash5）

- 8× RTX 5090（32GB，SM120），**无 NVLink**，纯 PCIe Gen5。
- 拓扑：GPU 0–3 一组、4–7 一组，组内 `PHB`（同 host bridge，可 P2P），跨组 `NODE`。
- **PP 同样建议在组内**（0–3 或 4–7）：虽然 PP 的通信量远小于 TP，但 P2P 仍走 PCIe，
  跨组延迟更高。PP=2/4 用 0–1 / 0–3。
- 相比 TP：TP 每 token `2·layers = 72` 次 AllReduce（延迟主导）；PP 每 token 仅
  `P-1` 次 send/recv，每次 `[tokens, hidden]` BF16（decode batch=1 时 8KB）。
  **PP 对慢互联（PCIe / 无 NVLink）更友好**，这是在 dash5 上做 PP 的主要动机之一。

## 2. 切分方案（layer-wise）

Qwen3-8B：`hidden=4096`、`num_heads=32`、`num_kv_heads=8`、`head_dim=128`、
`intermediate=12288`、`layers=36`、`vocab=151936`。`36` 能被 `2/4` 整除（PP=3/6 需处理余数，
本阶段先要求 `layers % P == 0`）。

设 stage 数 `P`，本 stage = `s`，每段 `L = layers / P` 层，本段持有全局层
`[s·L, (s+1)·L)`：

| 组件 | 持有者 | 说明 |
|------|--------|------|
| `embed_tokens` `[vocab, hidden]` | **仅 stage 0** | token → hidden |
| transformer block `i` 的全部权重 | 持有 `i` 的那个 stage | 不切 head / 中间维（与 TP 正交） |
| 该层 KV cache | 持有 `i` 的那个 stage | **每卡 KV 降到约 1/P** |
| 最终 `norm` `[hidden]` | **仅最后一段** | |
| `lm_head` `[vocab, hidden]` | **仅最后一段** | hidden → logits |

- 注意力 / MLP 的层内计算 **完全不变**（不需要 AllReduce）：每个 stage 用它自己那几层
  的完整权重、完整 head 做 forward。PP 与 TP 正交，可叠加（本阶段不实现 TP×PP）。
- **RoPE** 用全局绝对 position，每个 stage 的 `RopeCache` 完全相同（按 position 索引），
  各 stage 独立做，无需通信。
- **每个 stage 一个独立的 `PagedKVCache`**，层数 = 本段层数 `L`（不是 36）。forward 时
  按「本段内的局部层号 `0..L`」索引 cache —— 与单卡代码完全一致，只是 `self.layers`
  只装了本段的层。实现技巧：给 cache 传一个 `num_hidden_layers` 改写成 `L` 的 config 克隆，
  **无需改 `PagedKVCache`**。

### 通信点
- prefill：stage `s` 算完本段层，得到 `[S, hidden]` → **send 给 `s+1`**；`s+1` recv 后接着算。
- decode：同理传 `[B, hidden]`（batch=1 时 `[1, hidden]`）。
- 每 token 共 `P-1` 次 send/recv；最后一段算出 logits 并采样。
- 采样得到的 token id（一个 `u32`）由 **最后一段经线程内 channel 回传给 stage0**
  （同进程多线程，无需走 NCCL）。

## 3. 进程 / 线程模型

沿用 TP 的 **单进程、多线程**：每个 stage 一个 OS 线程，线程启动时 `cudaSetDevice(stage)`。
- **stage 0 = 协调者（coordinator）**，跑在调用线程上：持有 scheduler、tokenizer、HTTP
  response sender、停止判定（eos / max_tokens）与「下一步输入 token」。
- **stage 1..P-1 = worker 线程**：从控制 channel 收命令（Register/Prefill/Decode/Free/Shutdown），
  每步 `recv` 上游 hidden → 跑本段层 → `send` 给下游；最后一段 `head`+采样 → 把 token 回传 stage0。
- 控制信息（命令、采样参数、token id）走 `mpsc`（极小）；**重活（hidden 张量）走 NCCL P2P（GPU↔GPU）**。

> **v1 串行语义**：一次处理一个请求、一次一个 token，流水线每步「灌满又排空」
> （stage0 decode 第 `t+1` 步依赖最后一段第 `t` 步采出的 token）。这保证 **正确性**，
> 并拿到 TTFT/TPOT 与每卡显存；**throughput 的真正收益来自 microbatch/请求级流水线
> 重叠（1F1B）**，列为后续工作（见 §7）。

执行流（每请求）：
```
coordinator                     worker s (1..P-1)            last stage (P-1)
─────────────                   ─────────────────            ────────────────
broadcast Register(slot)        cache.register(slot)         cache.register(slot)
broadcast Prefill{n,slot,samp}
 x=embed(prompt)
 x=layers_prefill(x,slot)
 send x → stage1                recv x ← s-1
                                x=layers_prefill(x,slot)
                                send x → s+1 ───────────────► recv x ← P-2
                                                             x=layers_prefill(x,slot)
                                                             logits=head(x); next=sample
 next ◄────────────── token channel ◄──────────────────────  token_tx.send(next)
 stream(next); loop Decode{slot} 直到 eos/length
broadcast Free(slot)            cache.free(slot)             cache.free(slot)
```

## 4. 通信库：NCCL P2P

复用 `xserv-distributed`（已有 NCCL FFI + `TpContext`/AllReduce），新增：
- FFI：`ncclSend(sendbuff, count, dtype, peer, comm, stream)`、
  `ncclRecv(recvbuff, count, dtype, peer, comm, stream)`。
- `PpContext`：与 `TpContext` 同样的 `ncclCommInitRank`（一个 comm 跨 `P` 个 stage），
  外加 `send_bf16_ptr(ptr, count, peer)` / `recv_bf16_ptr(ptr, count, peer)`，在 **null
  stream** 上发起（与模型 kernel 同流，天然有序）。
- 线性流水线无死锁：stage0 只 send、最后一段只 recv、中间段「先 recv 上游、再 send 下游」，
  依赖链无环，从头解锁。每个 stage 在 send/recv + 本段计算后 `synchronize()`，
  确保 NCCL 读完发送缓冲再复用/释放（v1 串行下成本可接受）。

> **决策点**：和 TP 一样，collective/P2P 先用 NCCL 把 PP 跑通拿正确性与基线；
> 手写 P2P（PCIe 上的 cudaMemcpyPeer）作为后续学习项。

## 5. 权重分片加载

`Qwen3::from_weights_pp(config, weights, stage, num_stages, device)`：
- 只把全局层 `[s·L, (s+1)·L)` 搬到本 stage 的 GPU（其余层的权重直接 drop，不占显存）。
- `embed_tokens`：仅 stage 0 加载；其余 stage 放一个 1×1 占位张量（forward 用 `is_first_stage`
  守卫，永不触碰）。
- `norm`/`lm_head`：仅最后一段加载；其余放占位。
- head 不切（不做 TP），所以 `local_num_heads = num_heads`、`local_num_kv_heads = num_kv_heads`。

每卡显存 ≈ `权重(transformer 1/P) + KV(1/P) + (stage0: embed) + (last: norm+lm_head)`。
对 Qwen3-8B：transformer 层约 14GB，PP=2 每卡约 7GB 层权重 + embed 或 lm_head（各 ~1.2GB）。

## 6. 实现步骤（逐步可验证）

1. **P18.1 — `xserv-distributed` P2P**：`ncclSend/Recv` FFI + `PpContext`。
   验收：2 卡，rank0 send 已知向量、rank1 recv，校验一致（`tests/sendrecv.rs`）。
2. **P18.2 — 分段权重加载**：`from_weights_pp`，每 stage 只持有本段层 + 该有的 embed/head。
   验收：各 stage 层数 = `L`、显存约 1/P（+ embed/head）。
3. **P18.3 — stage forward**：`embed` / `forward_layers_prefill` / `forward_layers_decode` /
   `head`，每段独立 KV cache。
   验收：**PP=1 与单卡 `forward_*_paged` 逐 token 一致**（同一条代码路径退化）。
4. **P18.4 — PP engine + `--pp N`**：多线程 stage workers + NCCL 传递 + stage0 协调。
   验收：`--pp 2/4` 端到端可服务；**greedy 输出与单卡（PP=1）逐 token 一致**；
   用现有 llama.cpp bench 跑正确性（GSM8K/AIME）；测 PP=1/2/4 的 TTFT/TPOT/每卡显存。

## 7. 预期与风险

- **显存**：每卡 transformer 权重 + KV ≈ 1/P，这是 PP 的主要收益（可上更大模型 / 更长 context）。
- **单流吞吐**：v1 串行无 stage 重叠 → 单流 tok/s **不会超过单卡**（多一份 P2P + sync 开销，
  可能略低）。这是 PP 的本质：**没有 microbatch 重叠就没有加速**。诚实记录实测，并与
  llama.cpp 的 `--split-mode layer`（同样是层切流水线、单序列也串行跨卡）对比 —— 两者单流
  都应≈单卡。
- **真正的 throughput 收益**（后续）：请求级 / microbatch 流水线（1F1B），让 stage 间重叠：
  stage1 算 microbatch A 时 stage0 算 B。需要把 scheduler 改成跨 stage 连续批处理。
- **风险**：NCCL 多线程 init 同步；send 缓冲生命周期（必须 sync 后再复用）；
  `layers % P != 0` 的余数分配（本阶段先约束整除）；与 CUDA Graph decode 的结合（先走非 graph 路径）。
- 正确性优先：先 PP=1 等价（逐 token 对齐），PP=2/4 与单卡对齐，再谈性能。

## 8. 与 llama.cpp 的对比口径

- **xserv**：`--pp N`，`CUDA_VISIBLE_DEVICES=0..N-1`。
- **llama.cpp**：`-sm layer`（默认即层切流水线）+ `--tensor-split` 均分层，`CUDA_VISIBLE_DEVICES=0..N-1`。
  （对照 TP 用的是 `-sm row`。）
- 指标：正确性（GSM8K / AIME exact-match）、单流 TTFT/TPOT、并发吞吐、每卡 VRAM。
- 复用 `tools/bench/runner.py` 与 `run_pp_parallel.sh`（仿 `run_tp_parallel.sh`）。

## 9. 不在本阶段范围

- TP×PP 混合（2D 并行）、跨组 / 多节点。
- microbatch / 1F1B 流水线重叠（throughput 收益，后续）。
- vocab-parallel embedding / lm_head。
- `layers % P != 0` 的非均匀切分；与 CUDA Graph decode 结合。