# 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。

### 实测张量布局（layer 0，已用 `tools/mxfp4_probe.py` 核对）
```
self_attn.q_proj.weight [4096,2880] +bias[4096]   # 64 heads*64
self_attn.k_proj.weight [512,2880]  +bias[512]    # 8 kv*64
self_attn.v_proj.weight [512,2880]  +bias[512]
self_attn.o_proj.weight [2880,4096] +bias[2880]
self_attn.sinks [64]                               # 每 q-head 一个标量（BF16）
input_layernorm.weight [2880]; post_attention_layernorm.weight [2880]
mlp.router.weight [32,2880] +bias[32]
mlp.experts.gate_up_proj_blocks [32,5760,90,16] U8 + _scales [32,5760,90] U8 + _bias[32,5760] BF16
mlp.experts.down_proj_blocks    [32,2880,90,16] U8 + _scales [32,2880,90] U8 + _bias[32,2880] BF16
# 全局: model.embed_tokens.weight, model.norm.weight, lm_head.weight (BF16)
```
MXFP4 打包：`[..., nblk=90, 16]` U8，每 16 字节 = 32 个 FP4 码（低 nibble=偶 idx，高 nibble=奇 idx），
每 block 一个 E8M0 scale；`90*32 = 2880 = 输入(hidden)维`。即 gate_up 每 expert 权重逻辑 shape
`[5760 out, 2880 in]`（**已转置存储**：行=out，列=in，与 HF `nn.Linear` 一致 `y=x·Wᵀ`）。

### RoPE（**rotate_half，非 interleave**）
```
dim = head_dim = 64; base = rope_theta = 150000
inv_freq = 1 / base^(arange(0,64,2)/64)        # 32 项
freqs = pos ⊗ inv_freq                          # [S, 32]；cos/sin = cos(freqs)/sin(freqs)  (不 doubling)
# 应用: x=[.., 64], first=x[:32], second=x[32:]
#   out_first  = first*cos - second*sin
#   out_second = second*cos + first*sin
```
> ⚠️ 与 Qwen3 的 RoPE kernel（interleave）不同 —— gptoss 走 rotate_half。需单独处理。

### Decoder layer（pre-norm 残差，结构同 Qwen3）
```
h = x + attn(input_norm(x))            # attn 含 sinks/bias/滑窗
out = h + moe(post_norm(h))            # moe = router + top4 experts 加权和
```
最终：`logits = lm_head(norm(h_last))`。无 q_norm/k_norm（与 Qwen3 不同，gptoss 没有）。

## 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）。