docs: KI-1 re-diagnosed in v3 — larger batch does NOT fix DDP weak scaling

v3 tested the documented mitigation (raise global_batch to amortize the
per-step all-reduce). Isolated back-to-back A/B on 4× RTX 5090, dim384/12L,
seq256:

  global_batch 32 (8/rank)  → 3163 tok/s
  global_batch 256 (64/rank)→ 3200 tok/s   (8× batch, +1.2%, within noise)

8× larger batch = 1/8 the all-reduces per token, yet no speedup → all-reduce
is NOT the bottleneck. GPU util 0–15%, mem ~2–3 GB/32 GB → the workload is
launch-bound: the single-sequence model design (each sequence its own tiny
forward/backward, per-op kernel launches) starves the GPU, and batching only
adds proportionally more serial launches. Real fix is batched (multi-sequence)
forward so GEMMs fill the GPU — a T4/T5 autograd/model change, not a batch knob.
Bucketed/overlapped all-reduce stays deferred (no value until launch-bound is
fixed). KI-1 kept Open with the corrected root cause.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

docs/known-issues.md

@@ -7,14 +7,20 @@
 
 ## Open
 
-### KI-1 · DDP 弱扩展性（small global batch）— `P1` · 由 v2 暴露
-- **现象**：4 卡 DDP 仅 ~3593 tok/s，几乎不快于 v1 单卡 ~3310 tok/s（≈1.08×，远低于近线性；T8 在 tiny 规模为 3.0×@4）。
-- **复现**：v2 训练 `dim384/12L, world=4, global_batch=32（每卡 8）, seq 256`。
-- **根因**：每个 step 对**全部参数梯度**做一次 NCCL all-reduce 是固定开销；`global_batch` 太小 → 每卡 compute 太少 → 通信/同步开销占比过高，吃掉扩展性。
-- **拟修复**：
-  1. 显著加大 `global_batch`（每卡 batch ↑：摊薄 all-reduce、喂饱 GPU）—— v3 先用此缓解；
-  2. 梯度 all-reduce **分桶 + 与 backward 重叠**（bucketed / overlapped all-reduce）；
-  3. 减少 per-step 同步点（与 KI-2/KI 性能项协同）。
+### KI-1 · DDP 弱扩展性（吞吐受单序列 launch-bound 限制）— `P1` · 由 v2 暴露，v3 重新诊断
+- **现象**：4 卡 DDP 仅 ~3.2K tok/s，几乎不快于单卡（≈2× over 单卡，远低于近线性；T8 在 tiny micro-bench 为 3.0×@4）。
+- **复现**：`dim384/12L, world=4, seq 256`。
+- **v3 实测（dash5, 4× RTX 5090, dim384, 隔离 back-to-back A/B）**：
+  | global_batch | 每卡 | tok/s（4卡）| GPU util | 显存 |
+  |---|---|---|---|---|
+  | 32 | 8 | **3163** | 5–69%（spiky）| ~2–3 GB / 32 GB |
+  | 256 | 64 | **3200** | 0–15% | ~2–3 GB / 32 GB |
+  → **加大 8× batch 仅 +1.2% 吞吐（噪声内）**。1 卡 dim384 ≈ 1653 tok/s，4 卡 3163 ≈ 2.1×。
+- **原"拟修复"（加大 global batch）经 v3 实测 falsified**：gbatch256 时每 token 的 all-reduce 次数只有 gbatch32 的 1/8，若瓶颈是 all-reduce 应大幅提速——实际没有 → **all-reduce / 通信不是瓶颈**。
+- **重新诊断的根因**：瓶颈是**单序列模型设计**（T5：每个 sequence 各跑一次独立 forward/backward，逐 op kernel-launch 开销，见 docs/06 延迟瓶颈）。GPU util 仅 0–15%、显存仅占 ~8% → 严重 **launch-bound / under-utilized**；GEMM 太小喂不饱 GPU。加大 batch 只是按比例增加串行 launch 次数，无法摊薄。4 卡相对单卡 ~2× 的固定天花板来自跨 rank 同步税，但**不是**靠调 batch 能修的。
+- **真正的修复（需实作，非调参）**：
+  1. **batched（多序列）forward**——把一个 step 的多条序列在 batch 维一次性过模型，让 GEMM 大到能填满 GPU（这是 launch-bound 的根本解，但要改 T4/T5 的 single-sequence autograd/model，工作量大、有正确性风险）；
+  2. 在 (1) 之后，梯度 all-reduce **分桶 + 与 backward 重叠**（bucketed / overlapped all-reduce）才会有意义（当前 all-reduce 已非瓶颈，做了也无收益）。
 - **参考**：[docs/07-distributed.md](07-distributed.md)、[docs/06-performance.md](06-performance.md)。
 
 ---