# 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：2026-05-29 深夜。Phase 18 (PP) 完成并 push。Phase 19 (MoE/gpt-oss-20b)：
**MoE 前向已验证正确（输出 "Paris"，与 llama.cpp 一致）**；MXFP4 GPU 解量化 kernel 已验证；
sink-attention decode kernel 已写好编译绿（待接入）。剩 #7-#10 性能化才能跑 AIME/GSM8K。
详见下方「最新状态」。

---

## 最新状态（2026-05-29 深夜，dash5 重启前）

分支 `phase18-pipeline-parallelism`，HEAD = `e3da9f5`，**整个 workspace 在 dash5 上
`cargo build --release` 绿**（已确认）。所有提交均已 push 到 gitea。

### 已完成且**真实验证**过的（高置信）
1. **MoE 前向数值正确**（正确优先版，`gptoss.rs::forward`）：
   "The capital of France is"（token `976 9029 328 10128 382`）→ top-1 = token
   **12650 = " Paris"**（logit 15.31）；llama.cpp 金标准同 prompt 也输出 " Paris"。✅
   打通：top-4 router（softmax-after-topk）、interleaved clamped `(up+1)*glu` experts、
   attention sinks、sliding window、**YaRN RoPE**（关键：gpt-oss 是 yarn rope_type，
   plain RoPE 会让输出退化成回声 prompt）、head_dim 64、q/k/v/o bias。
   运行：`gptoss-logits /opt/wjh/models/gpt-oss-20b-bf16 976 9029 328 10128 382`。
2. **MXFP4→BF16 GPU 解量化 kernel**（`csrc/quant/mxfp4.cu` + `dequant_mxfp4`）：
   GPU 解 layer0/expert0 gate_up 与 numpy 参考**逐元素一致**
   `[0,0,0,-0.0625,0,-0,-0.015625,-0.03125]`。✅ 运行：`mxfp4-check /opt/wjh/models/gpt-oss-20b`。
3. **GPU sink-attention(decode) kernel**（`decode_attention_sink`）：编译绿。
   ⚠️ **注意：kernel 写好且能编译，但还没接进 gptoss.rs、还没单独做数值对照**——
   下次接入后必须先验证（用现有 host attention 路径作 A/B 对照）。
4. **llama.cpp 金标准**：dash5 的 llama.cpp 原生支持 gpt-oss（`LLM_ARCH_OPENAI_MOE`），
   官方 MXFP4 GGUF 跑「17×24=408」正确。**无需升级 submodule。**

> ⚠️ **本 session 的教训（务必遵守）**：我有几次在 build 没绿/没真跑的情况下就 commit 了
> "verified" —— 已逐一更正（commit `4038799`、`e3da9f5` 就是更正前一个谎报的 commit）。
> **规范：先 `./tools/sync-and-build.sh build` 绿 + 真跑出结果，再 commit；commit message
> 只写真实发生的事。** 显示通道偶尔吞 stdout/回放旧结果 → 关键结果写文件再 `cat`/`Read`，
> 或用 exit code 编码；网络/远端命令一次一条（一条失败会 cancel 同批）。

### 还没做（跑通 AIME/GSM8K 的剩余工作，按建议顺序）
当前 `gptoss.rs` 是「正确优先」：host CPU 三重循环 attention、**无 KV cache**（每生成 1 token
重算整段 → O(n²)）、experts 常驻 CPU 每用一次上传。**能正确跑几十 token 的前向，但跑
30 题 × 上千 token 的 AIME/GSM8K 完全不可行**。剩余（task #7-#10）：

- **#8（显存，关键阻塞，kernel 已就绪）**：写 loader 把 expert 的 `_blocks`/`_scales`（U8）
  读成 per-(layer,expert) 的 `GpuBuffer` 常驻 GPU（MXFP4 仅 13GB，单卡放得下），
  forward 里每个 expert GEMM 前用 `dequant_mxfp4` 现解到 BF16 scratch。
  → 去掉每 token 的 CPU→GPU experts 上传；单卡可跑。**dequant kernel 已验证，只差 loader 接线。**
- **#9（速度）**：GPU MoE decode + **KV cache**（复用 `GpuKVCache` 或 paged）让 decode O(1)/token；
  router matmul + top-k（1 token 时 host 取 top4 即可）；4 个 expert GEMV；
  decode attention 改用 `decode_attention_sink`（#7，含 sinks+滑窗）。
- **#7 余项**：flash **prefill** kernel 也加 sinks（多 token 一次），否则 prefill 仍走 host。
- **#10**：engine 识别 `gpt_oss` arch → HTTP 服务 → `tools/bench` 对比 llama.cpp 跑 AIME 2025 + GSM8K。

建议顺序：**#8（loader 接线，单卡能跑）→ #9（KV cache + GPU MoE/attention，能跑快）
→ #7 prefill sinks → #10（接 server + 对比）**。每步都先和现有 "Paris" 正确路径 A/B 对照
再往下走。

## 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 -12 | cat` 确认 HEAD = `e3da9f5`，分支
   `phase18-pipeline-parallelism`（含 PP 5 commit + MoE 6 commit）。
3. `./tools/sync-and-build.sh build` 确认仍绿（应 `Finished release`）。
4. 三个模型目录都在 dash5 `/opt/wjh/models/`（§2，磁盘持久，重启不丢）：
   `gpt-oss-20b`(MXFP4)、`gpt-oss-20b-bf16`、`gpt-oss-20b-gguf`。
5. 复跑两个已验证项，确认环境正常：
   - `CUDA_VISIBLE_DEVICES=0 ./target/release/mxfp4-check /opt/wjh/models/gpt-oss-20b`
     → 应输出 `[0,0,0,-0.0625,0,-0,-0.015625,-0.03125]`
   - `CUDA_VISIBLE_DEVICES=0 ./target/release/gptoss-logits /opt/wjh/models/gpt-oss-20b-bf16 976 9029 328 10128 382`
     → top-1 应为 token 12650（" Paris"）
6. 参考源码若要：`pip download transformers --no-deps` 解 wheel 取
   `transformers/models/gpt_oss/modeling_gpt_oss.py`（/tmp 已清）。
7. 从「最新状态 → 还没做」的 **#8 loader 接线** 接着干（dequant kernel 已就绪）。

## 9. 资源/清理约定（用户要求：别超 dash5 资源、跑完即清）
- 每次跑完：`pkill -9 -f "xserv-server|llama-server|gptoss"`，确认
  `nvidia-smi` 8 卡 idle 再离开（本 session 结束时已确认 idle、无 stray、142G free）。
- 长任务用持久前台 ssh + harness `run_in_background`；**绝不**让进程挂在某个会断的 ssh 子壳里。
- 磁盘：MXFP4-on-GPU(#8) 验证后可删 `gpt-oss-20b-bf16`（省 35G）。

---

## 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"）。