xserv

从零用 Rust + CUDA 构建的 LLM 推理引擎，目标是吃透 LLM Serving 全栈技术。

xserv 不依赖 PyTorch / vLLM / TensorRT 等现成框架，自己实现了张量抽象、CUDA kernel、 分词器、模型前向、KV cache、调度器和 OpenAI 兼容的 HTTP 服务。当前在单张 RTX 5090 上可以 跑通 Qwen3-8B（BF16），并提供一套与 llama.cpp 对比正确性和性能的标准 benchmark。

现状一览

• 模型：GPT-2（124M）、Qwen3-8B（BF16）
• 性能（RTX 5090，Qwen3-8B BF16，贪心解码，单流）：约 56 tok/s，约为 HF transformers 的 1.4×、llama.cpp 的 ~0.6×
• 精度：在 AIME 2025 / GSM8K 上与 llama.cpp 同权重对比基本持平（数值保真度验证通过）
• 服务：OpenAI 兼容 /v1/chat/completions，支持 SSE 流式输出
• 关键能力：自写 GEMM / Flash-Attention 2(SM120) / Paged-Attention kernel、 分页 KV cache（含 CPU 换出/换入 弹性显存）、连续批处理（continuous batching）、 CUDA Graph 解码、按显存自适应的 KV 池

这是一个以学习为主的项目，逐 Phase 推进，每步都做数值/端到端验证。

架构

xserv/
├── csrc/                  # CUDA 源码 (.cu/.cuh)
│   ├── gemm/              #   GEMM (naive / tiled / gemv)
│   ├── attention/         #   Flash-Attention 2 (SM120)、Paged-Attention、causal mask
│   ├── normalization/     #   LayerNorm / RMSNorm
│   ├── activation/        #   GELU / SiLU
│   ├── embedding/         #   embedding lookup / RoPE / transpose
│   └── reduce/            #   softmax
├── crates/
│   ├── xserv-cuda/        # CUDA FFI、Stream、显存分配器、Pinned 内存、CUDA Graph
│   ├── xserv-tensor/      # Tensor 类型（strided 布局、BF16/F16/F32、CPU↔GPU）
│   ├── xserv-kernels/     # kernel registry（自写 kernel + cuBLAS 可切换）
│   ├── xserv-tokenizer/   # BPE 分词器
│   ├── xserv-model/       # 模型定义（GPT-2 / Qwen3）、权重加载、KV cache、采样
│   └── xserv-server/      # tokio + axum HTTP 服务、调度器
├── tools/                 # 辅助脚本 + benchmark 套件（见下）
└── docs/                  # 每个 Phase 的设计文档 + benchmark 报告

环境要求

• GPU：NVIDIA，计算能力 SM120（RTX 5090 / Blackwell）。其它架构需调整 CUDA_ARCH。
• CUDA Toolkit：12.9（nvcc 需在 PATH，构建 .cu 依赖它）
• Rust：edition 2024（建议较新的 stable 工具链）
• 模型：HuggingFace 目录格式（含 config.json、tokenizer.json、*.safetensors）

构建

export CUDA_HOME=/usr/local/cuda-12.9
export PATH=$CUDA_HOME/bin:$PATH
cargo build --release

如果本地没有 GPU/CUDA，可用远端构建脚本把代码同步到带卡的机器上构建/运行/测试：

./tools/sync-and-build.sh build      # 远端 cargo build --release
./tools/sync-and-build.sh test       # 远端 cargo test

（远端主机、目录、模型路径在 tools/sync-and-build.sh 顶部配置。）

基本用法

1. 启动 HTTP 服务（OpenAI 兼容）

./target/release/xserv-server /path/to/qwen3-8b \
    --port 8080 \
    --max-batch 4 \
    --max-seq-len 8192 \
    --swap-space-gb 8

参数说明：

参数	含义	默认
--port	监听端口	8080
--max-batch	解码批大小（并发上限）	4
--max-seq-len	单序列最大长度	2048
--swap-space-gb	KV 换出到 CPU 的 pinned 内存大小（0 关闭）	8

请求示例（流式）：

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-8b",
    "messages": [{"role": "user", "content": "用一句话解释什么是注意力机制"}],
    "max_tokens": 256,
    "temperature": 0,
    "stream": true
  }'

其它端点：GET /health、GET /v1/models。

2. 命令行推理

# 单轮生成
cargo run --release --bin xserv-cli -- /path/to/qwen3-8b --max-tokens 256

# 交互式多轮对话
cargo run --release --bin xserv-chat -- /path/to/qwen3-8b

3. 单机性能基准

# 输出每个 prompt 的 TTFT / TBT / TPOT（JSON）
cargo run --release --bin bench-qwen3 -- /path/to/qwen3-8b --gen-tokens 64 [--cuda-graph]

与 llama.cpp 对比 benchmark

tools/bench/ 提供一套一键对比套件，把 xserv 和 llama.cpp（同一份 BF16 权重）放在 相同负载下，黑盒通过 OpenAI API 对比：

• 性能：TTFT、TPOT、吞吐（单流 + 不同并发）
• 精度：AIME 2025、GSM8K（标准数据集，exact-match 评分）

# 一次性准备（需联网的机器）：拉取 llama.cpp 子模块 + 下载数据集
git submodule update --init third_party/llama.cpp        # 固定在 tag b9371
HF_ENDPOINT=https://hf-mirror.com python3 -m tools.bench.fetch_datasets

# 一键对比（构建 llama.cpp + 转 GGUF + 构建 xserv + 跑两套 + 出报告）
./tools/sync-and-build.sh bench -- --max-seq-len 8192 --quality-limit 50
./tools/sync-and-build.sh fetch-bench-out
# 报告产物：bench-out/comparison-<时间戳>.{md,json}

设计细节见 docs/16-llama-cpp-comparison.md，结果报告见 docs/benchmarks/llama-cpp-comparison.md。

文档

• docs/00-roadmap.md：总体路线图与各 Phase 设计
• docs/01..15-*.md：CUDA FFI / Tensor / GEMM / Attention / KV cache / 性能优化等每个 Phase 的设计文档
• docs/16-llama-cpp-comparison.md：llama.cpp 对比基准的设计
• docs/17-tensor-parallelism.md：张量并行（TP）设计
• docs/18-pipeline-parallelism.md：流水线并行（PP）设计
• docs/benchmarks/：各阶段的 benchmark 报告（含 pp-sweep.md）

多卡并行（TP / PP）

单机多卡，复用 NCCL（crate xserv-distributed）。两种切法正交、二选一：

• 张量并行 --tp N：按 head / 中间维切每一层，层内用 AllReduce 聚合（每 token 2·层数 次）。
• 流水线并行 --pp N：按层切成 N 段，相邻段间用 NCCL P2P 传 hidden state（每 token 仅 N-1 次）， 通信量远小于 AllReduce，对无 NVLink 的 PCIe 更友好。

# 组内 GPU 0-3：4 卡张量并行 / 4 卡流水线并行
CUDA_VISIBLE_DEVICES=0,1,2,3 ./target/release/xserv-server /path/to/qwen3-8b --tp 4
CUDA_VISIBLE_DEVICES=0,1,2,3 ./target/release/xserv-server /path/to/qwen3-8b --pp 4

PP 实测（dash5，Qwen3-8B BF16，单流贪心；每卡显存为权重+最小 KV 池）：

配置	TTFT	TPOT	tok/s	每卡显存
单卡	33ms	17.4ms	57.5	24.0 GB
PP=2	36ms	18.1ms	55.3	11.6 / 13.6 GB
PP=4	36ms	17.9ms	55.8	7.3 / 5.3 / 5.3 / 9.4 GB

质量对比（AIME 2025 30 题 + GSM8K 30 题，贪心，xserv 在 GPU 0-3、llama.cpp 在 GPU 4-7 并行）：

引擎	PP	AIME	GSM8K
xserv	1/2/4	8 / 7 / 7 (/30)	29/30 (96.7%) 全部一致
llama	1/2/4	7 / 7 / 7 (/30)	29/30 (96.7%) 全部一致

正确性：hidden state 跨段是 bit-exact BF16 P2P 拷贝，PP=4 输出与单卡逐字节一致（用「单卡×2 vs PP=4×2」对照确认——单卡自身因 cuBLAS 非确定性 run-to-run 会变，而 PP=4 可复现且落在某次单卡轨迹上）。 GSM8K 12 个格子全是 29/30，xserv 与 llama.cpp 完全一致；AIME 的 ±1 是长生成下贪心对 GEMM 抖动的敏感， 非 PP 或引擎效应。收益在显存（每卡权重+KV ≈ 1/N）；v1 为串行流水线，单流 TPOT 基本持平、不优于单卡， 真正的吞吐提升需后续做 microbatch / 1F1B 重叠。完整数据见 docs/benchmarks/pp-sweep.md。

路线图（节选）

已完成 Phase 0–18：CUDA 基础设施 → Tensor → GEMM → Transformer kernels → Attention → 模型加载 → 分词器 → GPT-2 → KV cache → Qwen3-8B → Paged Attention → 连续批处理 → HTTP API → Flash Attention 2 → 性能优化 → 张量并行（TP） → 流水线并行（PP）； 并加入了 llama.cpp 对比基准 与 KV CPU 换出 等基础设施。

后续方向：PP microbatch/1F1B 流水线重叠（吞吐收益）、2D TP×PP、投机解码、量化（FP8 / INT8）、多模态。

许可

MIT