xserv/docs/19-gpt-oss-moe.md

Phase 19: gpt-oss-20b — MoE 模型支持与两次 CUDA 调试实战

目标:支持 OpenAI gpt-oss-20b(32 专家 top-4 MoE),GSM8K 精度对齐 llama.cpp, 并以此为载体做 FP8 / MXFP4 量化。本文档事后整理,重点放在踩过的坑: 两个教科书级的 CUDA bug 排查过程比结论本身更有学习价值。

后续:docs/20-sparse-moe.md(稀疏化),benchmark 数据见 docs/benchmarks/{fp8-quantization,mxfp4-and-llama-decode,sparse-moe}.md。

1. 模型架构(与 Qwen3 的差异点)

gpt-oss-20b(config.json,已在 dash5 验证):

项	值	说明
layers / hidden	24 / 2880	hidden 不是 128 的倍数的来源(2880 = 22.5×128)
heads	64 Q / 8 KV,head_dim 64	head_dim ≠ hidden/heads(64×64=4096>2880),GQA n_rep=8
MoE	32 experts,top-4,expert inter 2880	router 是普通 Linear [2880→32] + bias
attention	交替 sliding(128)/full,layer 0 是 sliding	每层带 attention sinks(每 head 一个可学习标量)
RoPE	YaRN(theta 150000, factor 32, orig 4096)	attn_factor = 0.1·ln(32)+1 乘在 cos/sin 上
激活	clamp 后的 GLU	gate=gu[::2], up=gu1::2, gate≤7, up∈[-7,7], glu=gate·σ(1.702·gate), h=(up+1)·glu
词表	201088	EOS 是列表 [200002,199999,200012] = `<
其它	attention_bias=true	q/k/v/o 全部带 bias(Qwen3 没有)

Harmony 对话格式:gpt-oss 不是普通 chat template,输出分 channel (analysis=思维链,final=正式回答),控制 token <|start|>/<|channel|>/<|message|>/<|end|>。 三个坑:(1) system 消息必须含 Reasoning: 等 canonical 行,缺了模型 OOD、 channel 选择不稳定;(2) repetition penalty 会惩罚必须重复出现的控制 token, 导致模型只输出 analysis 不出 final(MoE 默认关掉);(3) 服务端要用多 EOS 判停。

2. MoE 前向(dense 版,Phase 20 之前)

router GEMV → topk_softmax(GPU)→ moe_replicate(复制到全部本地专家)
→ batched GEMM gate_up → bias → GLU → batched GEMM down → bias
→ weighted_sum(只取 top-4)→ all-reduce

要点:top-k 的专家编号始终留在 GPU(topk_ids),host 不同步; dense 的代价(每 token 读全部专家权重)在 Phase 20 用 sparse GEMV 解决。 TP 用 expert parallelism:rank r 拥有专家 [r·E/world, (r+1)·E/world), weighted_sum 里按 expert_start + local_experts 过滤非本地命中, all-reduce 把各 rank 的部分和加起来——这要求"跳过"语义而不是"乘 0"。

3. CUDA 调试实战 ①:prefill NaN(flash-attention sinks)

症状:长 prompt(≳192 token)prefill 后输出全 NaN → argmax 落在 token 201087(max_by 平局取最后)或 token 0(!)。短 prompt 完全正常。

定位手法:给每个 stage 加 NaN 检查(环境变量开关,事后移除), 二分出第一个出 NaN 的位置:layer-0 的 flash_attention_sinks 输出, 而它的 q/k 输入是干净的 → bug 在 kernel 内部。

根因:causal 跳过逻辑只剔除"完全在未来"的 kv tile;一个完全滑出 sliding window(128)的过去 tile 仍被处理,所有 key 都被 mask 成 -inf → row_max = -inf → online softmax 里 expf(-inf-(-inf)) = NaN, 下一个有效 tile 的修正项 0·NaN 把整行毒掉。

修复:row_max == -INFINITY 的 tile 直接跳过(贡献为零)。 教训:online softmax 的"空 tile"是边界条件标配;decode kernel 早就 防了这个(local_max==-INFINITY guard),prefill kernel 漏了—— 同一逻辑的两份实现要做同样的边界测试。触发阈值 ~192 token 解释了 "短测试全过、长对话必炸"的诡异表象。

4. CUDA 调试实战 ②:decode 间歇性乱码(GEMV 未初始化共享内存)

症状:同一 prompt ~70% 的运行在第二轮对话或长生成中突然输出 !!!!/token 201087/NaN logits,间歇性 → 不是确定性逻辑错误, 是竞态或未初始化读。只有 gpt-oss 出问题,Qwen3 从不复现。

定位:逐 stage 检查,第一个出问题的是 decode 的 o_proj 输出 (maxabs≈1e33),输入干净 → M=1 的 GEMV kernel。

根因(gemv.cu):

if (col >= N) return;        // ← 在协作加载 x_shared 和 __syncthreads 之前!
...cooperative load + __syncthreads()...

当 N % 128 != 0 时,最后一个 block 的越界线程提前退出,没参与 共享内存装载;在界线程读到未初始化的 smem(且 __syncthreads 在有线程 已退出时是 UB)。命中条件:n=2880 的矩阵(o_proj、MoE gate_up/down)—— 2880 % 128 ≠ 0;而 Qwen3 所有维度都是 128 对齐的,所以"只有 gpt-oss 不稳定"。q/k/v(4096)、lm_head(201088)对齐,幸免。

修复:所有线程先完成装载 + barrier,col >= N 检查移到 syncthreads 之后。

教训:__syncthreads() 之前的任何 early-return 必须是 block-uniform 的。Phase 20 的 sparse GEMV 专门遵守了这条(整个 block 基于同一个 topk_ids 值统一退出,发生在装载之前)。

修复后的验证:GSM8K 全量 1319 题,xserv 94.5% vs llama.cpp 94.4% ——统计上同一水平,证明两个 kernel bug 就是之前 55% vs 95% 差距的全部原因。

5. 量化(详见 benchmark 文档)

• FP8 W8A8(tools/quantize_fp8.py):per-expert 标量 scale,权重转置 存 [E,N,K] 喂 cuBLASLt(Blackwell 要求 transA=T)。两个性能坑: (1) 每次调用重建 plan + 跑 heuristic → 比 BF16 还慢,修复 = per-shape plan cache;(2) 逐专家发射 ~768 个小 GEMM,修复 = 单条 strided-batched 调用 + 把 scale 移到融合的 post-scale kernel。最终 1.41× vs BF16。
• MXFP4 W4A16(tools/quantize_mxfp4.py):E2M1 + per-32 UE8M0 块 scale, 13GB 模型,贪心输出与 BF16 逐字一致,但手写 dequant-GEMV 打不过 cuBLASLt FP8(带宽效率差),定位为省显存方案。
• 检测方式:safetensors 的 dtype/scale 秩自动识别,loader 无需配置。

6. 本阶段的工具沉淀

• bench-gpt-oss:in-process 推理 + --forced(teacher-forced prefill top-1)/--forced-decode(沿参考轨迹逐位置 top-1)——分离"前向算错" 和"贪心轨迹分叉"的利器。
• tools/eval_gsm8k_fast.py(持久 xserv-chat 管道)、 tools/xserv_vs_llama.py(warm-server 同机对打,计入 llama 的 reasoning_content)。
• 经验:贪心解码不是逐位可复现的(cuBLAS 非确定性会翻转后段 argmax), 多卡正确性要用"单卡×2 + 多卡×2 互相比",精度要用基准集而不是逐字 diff。