Gahow Wang
986a289616
P0 fixes (blocking usability): - FIX-01: thread-local cuBLAS handle (was creating/destroying per matmul) - FIX-16: EOS token no longer leaks into API responses - FIX-17: max_seq_len configurable via --max-seq-len (default 2048, was hardcoded 256) - FIX-18: max_tokens clamped to available seq space, prompt overflow returns 400 P1 fixes (bugs & performance): - FIX-07: CachingAllocator wired into all hot paths (to_device, embedding, rope, concat) - FIX-08: CudaDeviceProp buffer increased to 32KB for CUDA 12.9 safety - FIX-09: tokenizer byte_fallback graceful degradation (was panic) - FIX-19: causal mask uses -INFINITY instead of -1e9 (BF16 supports inf) - FIX-20: LayerNorm rewritten to numerically stable two-pass algorithm - FIX-21: min block size guard (32 threads) for LayerNorm/RMSNorm launches P2 fixes (improvements): - FIX-22: Option<GpuKVCache> + take() eliminates dummy KV cache allocations - FIX-23: RoPE cache no longer artificially capped at 8192 positions Verified on dash5 (RTX 5090): 51 tok/s batch=1, 74 tok/s 2-concurrent, 1.7-3.3x HF transformers. Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
215 lines
7.2 KiB
Markdown
215 lines
7.2 KiB
Markdown
# xserv — To Be Fixed (2026-05-23 审查更新)
|
||
|
||
> 由全面审查产出的修复清单。每项修复有明确验收标准。
|
||
> 优先级: P0 (阻塞可用性) > P1 (严重bug/性能) > P2 (重要改进) > P3 (设计债务)
|
||
|
||
---
|
||
|
||
## 第一批：P0 — 阻塞可用性
|
||
|
||
### FIX-01: 全局 cuBLAS handle [P0-性能] ❌未修
|
||
|
||
**问题**: `gemm.rs` 中 `matmul` (line 146) 和 `batched_matmul` (line 224) 每次调用都 `CublasContext::new()` 创建+销毁 handle。Qwen3-8B 一次 forward ~252 次 matmul。
|
||
|
||
**修复要求**:
|
||
- 使用 thread-local 单例 cuBLAS handle
|
||
- handle 生命周期覆盖整个进程
|
||
- `matmul` / `batched_matmul` 函数体内不再有 `CublasContext::new()`
|
||
|
||
**验收标准**:
|
||
1. `grep -n "CublasContext::new" crates/xserv-kernels/src/gemm.rs` 只出现 1 次（thread_local 初始化处）
|
||
2. 编译通过，现有 gemm_test 全部通过
|
||
|
||
---
|
||
|
||
### FIX-16: EOS token 泄漏到 API 响应 [P0-功能] ❌新发现
|
||
|
||
**问题**: `engine.rs:218` 中 `emit_token` 先发 `GenerateEvent::Token { text: "<|im_end|>" }` 再发 `Done`。`api.rs:110-111` 把所有 Token text 拼到 content 里，导致最终响应包含 `<|im_end|>` 乱码。
|
||
|
||
**修复要求**:
|
||
- `emit_token` 中，当 token 是 EOS 时，不发送 Token event（或发送空 text），直接发 Done
|
||
- 或者: API 层收到 Done 时丢弃最后一个 token 的 text（如果 finish_reason == "stop"）
|
||
|
||
**验收标准**:
|
||
1. 发送请求，响应 content 不包含 `<|im_end|>` 或其他 special token 文本
|
||
2. streaming 模式下最后一个 content chunk 不是 EOS 文本
|
||
3. 编译通过
|
||
|
||
---
|
||
|
||
### FIX-17: max_seq_len 硬编码 256 [P0-功能] ❌新发现
|
||
|
||
**问题**: `engine.rs:53` 硬编码 `let max_seq_len = 256`，超过就 KV cache panic。
|
||
|
||
**修复要求**:
|
||
- `Engine::load` 接受 `max_seq_len` 参数（或从 config 读取，上限为 config.max_seq_len()）
|
||
- `main.rs` 中通过命令行参数或环境变量传入，默认值改为 2048
|
||
- 同步更新 RoPE cache 上限（当前 `qwen3.rs:45` 限制 8192，应与 max_seq_len 一致）
|
||
|
||
**验收标准**:
|
||
1. `grep -n "let max_seq_len = 256" crates/xserv-server/` 返回 0 行
|
||
2. 启动 server 时 `--max-seq-len 4096` 可用
|
||
3. 编译通过
|
||
|
||
---
|
||
|
||
### FIX-18: max_tokens 无上限校验 [P0-功能] ❌新发现
|
||
|
||
**问题**: API 不校验 `max_tokens`，客户端可发 `max_tokens: 1000000` 导致 KV cache panic。
|
||
|
||
**修复要求**:
|
||
- `api.rs` 中 clamp `max_tokens` 到 `engine.max_seq_len - prompt_tokens.len()`
|
||
- 如果 prompt 已超过 max_seq_len，返回 400 错误
|
||
|
||
**验收标准**:
|
||
1. 发送 `max_tokens: 999999`，不 panic，正常生成到 seq_len 上限
|
||
2. 发送超长 prompt（> max_seq_len），返回 HTTP 400
|
||
3. 编译通过
|
||
|
||
---
|
||
|
||
## 第二批：P1 — 严重 bug/性能
|
||
|
||
### FIX-07: 使用 CachingAllocator [P1-性能] ❌未修
|
||
|
||
**问题**: `CachingAllocator` 已实现（`allocator.rs`）但从未使用。所有 GPU 分配直接 `cudaMalloc`。
|
||
|
||
**修复要求**:
|
||
- `Tensor::empty` 对 GPU device 使用 `cached_alloc` 而非 `GpuBuffer::alloc`
|
||
- `GpuBuffer::Drop` 调用 `cached_dealloc` 归还到池（而非 `cudaFree`）
|
||
- 或者更简单：在 `GpuBuffer::alloc` 内部接入 caching allocator（全局透明替换）
|
||
|
||
**验收标准**:
|
||
1. 连续运行 10 次 decode step，`cudaMalloc` 调用次数应显著低于总分配次数
|
||
2. 编译通过，现有测试通过
|
||
3. 推理结果与修复前一致
|
||
|
||
---
|
||
|
||
### FIX-08: CudaDeviceProp FFI 安全性 [P1-Bug] ❌未修
|
||
|
||
**问题**: `ffi.rs:31` 用 `_pad: [u8; 4096]` 猜测 `cudaDeviceProp` struct 大小，CUDA 12.9 可能更大。
|
||
|
||
**修复要求**:
|
||
- 增大 pad 到 `[u8; 8192]` 或使用 `cudaDeviceGetAttribute` 替代 name 查询
|
||
- 可参考 `device.rs` 中已有的 `cudaDeviceGetAttribute` 用法
|
||
|
||
**验收标准**:
|
||
1. `device_info()` 返回正确的 device name
|
||
2. 编译通过
|
||
|
||
---
|
||
|
||
### FIX-09: Tokenizer byte_fallback panic [P1-Bug] ❌未修
|
||
|
||
**问题**: `bpe.rs:176-182` 中 Qwen3 tokenizer 遇到不在 vocab 的单字节时 panic。
|
||
|
||
**修复要求**:
|
||
- 当 `byte_fallback == true` 且单字节不在 vocab 时，查找 `<0xNN>` 格式 token
|
||
- 如果 `<0xNN>` 也不存在，返回 unk_token_id（而非 panic）
|
||
|
||
**验收标准**:
|
||
1. 包含所有 256 个字节值的字符串可以 encode 不 panic
|
||
2. 编译通过
|
||
|
||
---
|
||
|
||
### FIX-19: 因果掩码 -1e9 应改为 -inf [P1-Bug] ❌新发现
|
||
|
||
**问题**: `csrc/attention/causal_mask.cu:31` 用 `-1e9f` 代替 `-inf`，注释说 "BF16 没有 -inf" 但这是错误的。
|
||
|
||
**修复要求**:
|
||
- BF16 路径改为 `__float2bfloat16(-INFINITY)`
|
||
- F32 路径改为 `-INFINITY`（如果还没有的话）
|
||
|
||
**验收标准**:
|
||
1. causal mask 中被遮蔽的值为 `-inf`（而非 `-1e9`）
|
||
2. 编译通过，attention test 通过
|
||
|
||
---
|
||
|
||
### FIX-20: LayerNorm 数值稳定性 [P1-Bug] ❌新发现
|
||
|
||
**问题**: `csrc/normalization/layernorm.cu:19-25` 注释写 "Welford online" 但实际用 `E[x²] - E[x]²`，大均值小方差时会灾难性抵消。
|
||
|
||
**修复要求**:
|
||
- 改为真正的 two-pass 或 Welford online 算法
|
||
- pass 1: 求 mean; pass 2: 求 variance = E[(x-mean)²]
|
||
|
||
**验收标准**:
|
||
1. 对 mean=1e6, std=1e-3 的输入，layernorm 输出与 PyTorch 一致（relative error < 1e-3）
|
||
2. 编译通过，现有测试通过
|
||
|
||
---
|
||
|
||
### FIX-21: LayerNorm/RMSNorm 最小 block size [P1-Bug] ❌新发现
|
||
|
||
**问题**: `layernorm.cu:88` 和 `rmsnorm.cu` 对 hidden_size < 32 的输入会崩溃（block_reduce 需要至少一个完整 warp）。
|
||
|
||
**修复要求**:
|
||
- launch 时 `block = max(min(hidden_size, 1024), 32)`
|
||
|
||
**验收标准**:
|
||
1. hidden_size=16 的 layernorm/rmsnorm 不崩溃
|
||
2. 编译通过
|
||
|
||
---
|
||
|
||
## 第三批：P2 — 重要改进
|
||
|
||
### FIX-22: Engine dummy KV cache 分配 [P2-性能] ❌新发现
|
||
|
||
**问题**: `engine.rs:142-148` 每次 batched decode 用 `std::mem::replace` 创建 dummy `GpuKVCache::new(..., 1, ...)` 来绕过 borrow checker，每步分配 `num_layers * 2` 个 GPU buffer。
|
||
|
||
**修复要求**:
|
||
- 将 `running` 从 `Vec<Sequence>` 改为存储方式让 KV cache 可以独立借出
|
||
- 或使用 `Option<GpuKVCache>` + `.take()` / `.insert()` 避免 dummy 分配
|
||
|
||
**验收标准**:
|
||
1. batched decode 路径不再分配 dummy KV cache
|
||
2. 编译通过，功能不变
|
||
|
||
---
|
||
|
||
### FIX-23: RoPE cache 硬限 8192 [P2-功能] ❌新发现
|
||
|
||
**问题**: `qwen3.rs:45` `config.max_seq_len().min(8192)` 人为截断。
|
||
|
||
**修复要求**:
|
||
- 去掉 `.min(8192)`，或改为与 engine 的 max_seq_len 一致
|
||
- 确保 RoPE cache 覆盖实际使用的 max_seq_len
|
||
|
||
**验收标准**:
|
||
1. RoPE cache 长度 >= engine max_seq_len
|
||
2. 编译通过
|
||
|
||
---
|
||
|
||
### FIX-15: GPT-2 消除 CPU round-trip [P3-性能] ❌未修
|
||
|
||
**问题**: GPT-2 `split_qkv`、`merge_heads`、`add_bias` 全在 CPU 做。优先级低（GPT-2 不是主力模型）。
|
||
|
||
---
|
||
|
||
## 修复依赖图和执行顺序
|
||
|
||
```
|
||
第一批 P0 (可并行):
|
||
FIX-01 (cuBLAS handle) ← 独立
|
||
FIX-16 (EOS 泄漏) ← 独立
|
||
FIX-17 (max_seq_len) ← 独立，FIX-23 依赖此
|
||
FIX-18 (max_tokens 校验) ← 依赖 FIX-17（需要知道 max_seq_len）
|
||
|
||
第二批 P1 (可并行):
|
||
FIX-07 (caching allocator) ← 独立
|
||
FIX-08 (CudaDeviceProp) ← 独立
|
||
FIX-09 (byte_fallback) ← 独立
|
||
FIX-19 (causal mask -inf) ← 独立
|
||
FIX-20 (layernorm 稳定性) ← 独立
|
||
FIX-21 (min block size) ← 独立
|
||
|
||
第三批 P2:
|
||
FIX-22 (dummy KV cache) ← 独立
|
||
FIX-23 (RoPE cache) ← 依赖 FIX-17
|
||
```
|