xtrain/docs/evolution.md

xtrain 演进总览 — 按维度记录每次变化

每个里程碑（T# 基建 phase 或 v# 训练 run）在四个维度上分别改了什么、结果如何。 这是活文档：每次新 run 收尾时追加一行/一段。细节见各 docs/runs/0N-*.md、各 phase 设计文档、docs/known-issues.md。

四个维度：算法（autograd/优化器/精度/反向数学）· 模型架构（dim/层/头/算子）· Infra（构建/显存/并行/吞吐）· 数据集（语料/token/epoch/tokenizer）。

---

一、基建 phase（T1–T12）—— 主要动「算法」与「Infra」

Phase	维度	变化	结果 / 验证
T1	Infra	Rust↔CUDA FFI 构建链（build.rs+nvcc, no_cuda cfg），gitea↔dash5 流	vector-add 跑通
T2	Infra	Tensor 抽象（dtype/shape/Storage, H↔D 拷贝）+ elementwise kernel	roundtrip 保真
T3	算法	手写 tiled GEMM fwd/bwd + finite-diff 梯度检查 harness	fwd vs cuBLAS 1e-7；bwd vs finite-diff
T4	算法	tape autograd 引擎 + 11 算子 backward（含梯度扇出累加）；attention 由 matmul+softmax 组合	每算子 finite-diff ≤2e-2
T5	模型架构	组装 tiny decoder（RoPE+RMSNorm+SwiGLU）+ embedding/reshape/transpose 算子	overfit 27/27 + PyTorch 对拍 B>1
T6	算法 + 数据集	手写 AdamW + 训练 loop + LR sched + grad clip + checkpoint；gpt2 BPE + TinyStories	真训出连贯英文
T7	Infra	cuBLAS matmul + GPU 端 AdamW/grad-norm + 去 per-op sync	~3×：2.7K→8.5K tok/s，零回归
T8	Infra	NCCL DDP（单进程 thread-per-GPU）+ 梯度 all-reduce	多卡（当时弱扩展 ~1.4×）
T9	算法/模型架构 + Infra	加 per-head QK-norm（Qwen3 兼容）；safetensors 导出	xserv 闭环：贪心逐 token 一致
T10	算法/Infra	batched 多序列 forward（linears flatten [B·S,dim] + fused batched SDPA + 每序列 RoPE）	单卡 15–24×；MFU 0.4%→14%（修 KI-1）
T11	Infra	device caching/pool allocator（复用 op 输出显存，消 per-step cudaMalloc）	单卡 2.3×；8卡 461K tok/s 近线性（修 KI-5）
T12	算法/Infra	bf16 混合精度（fp32 master，cuBLAS GemmEx，norm/softmax/CE 保 fp32）	dim768 OOM 解除，−29% 显存/+13% tok/s（修 KI-2）

---

二、Scaling runs（v0–v6）—— 主要动「模型架构」与「数据集」

架构始终是 Qwen3-style（RoPE + RMSNorm + QK-norm + SwiGLU，gpt2 50257 词表），只放大 dim/层；其余维度逐版变化如下：

ver	模型架构（dim/层/头·hd · 核心/总参）	数据集（语料 · 实训 token · epoch）	算法/精度	Infra（GPU · 吞吐）	结果（val · 备注）
v0	dim32/4L/2h · 41K/3.26M	TinyStories 3MB 切片 · ~0.72M · —	fp32 单序列	1 GPU	val 3.80（toy，不可用）
v1	dim256/8L/8h · 8.4M/34M	TinyStories 全量 · 5.1M · 0.01ep	fp32 单序列	1 GPU · 3.3K	val 2.58
v2	dim384/12L/12h · 28M/67M	TinyStories · 37M · 0.08ep	fp32 单序列	4 GPU DDP · 3.6K	val 1.71（暴露 KI-1/弱扩展）
v3	dim512/16L/16h · 67M/119M	TinyStories · 246M · 0.53ep	fp32 batched(T10)	1 GPU · 26K	val 1.30
v4	dim768/18L/24h · 127M/205M	TinyStories · 721M · 1.54ep	fp32 batched	8 GPU(T11) · 145K	val 1.17（仍欠拟合）
v5	dim768/18L（同 v4）	TinyStories · 2.49B · 5.33ep	bf16(T12)	8 GPU · 217K	val 1.11：⚠️TinyStories 饱和（3.5×数据仅↓5%）
v6	dim768/18L（同 v4/v5）	FineWeb-edu 真实网页 · 2.29B · 1.02ep	bf16	8 GPU · 218K	val 3.07：⚠️FineWeb 留出集，与 v0–v5 不可比（真实网页熵高，~3.0 是预期）；判据=采样质量+transfer。第一版脱离 TinyStories，语言种类质变（小故事→真实说明文）；transfer→TinyStories val 2.75(v5 native 1.11)，纯通用数据对窄分布有代价；val 末步仍单调降=未饱和

实训 token = steps×batch×seq（非数据集大小）。val 同一 1M-token TinyStories 留出集（v0–v5 可比；v6 起换 FineWeb-edu 留出集，分布不同、不可比）。

---

三、各维度的累积演进（轴向看一条线怎么走的）

• 算法：手写 autograd(tape)+扇出累加 → AdamW/LR-sched/grad-clip → +QK-norm(Qwen3) → batched forward → bf16 混合精度(fp32 master)。
• 模型架构：固定 Qwen3-style；dim 32→256→384→512→768；核心参数 41K→127M（总 3.26M→205M）。
• Infra：单卡 fp32 → cuBLAS/GPU-optim(T7) → NCCL DDP(T8) → batched forward(T10) → caching allocator(T11) → bf16(T12)。吞吐 3.3K→217K tok/s，MFU 0.4%→17%（每次提升都对应一块 perf 基建，详见 known-issues + MFU 分析）。
• 数据集：TinyStories 3MB 切片 → 全量 TinyStories（epoch 0.01→5.33，至饱和）→ v6 毕业到 FineWeb-edu 真实网页（2.255B 语料，1.02ep）。tokenizer 全程 gpt2 BPE（复用 xserv-tokenizer；v6 刻意不换 tokenizer 以隔离「数据来源」变量，KI-4 留后续版本）。
  • v5→v6 数据轴的质变：v0–v5 都吃合成幼儿故事（TinyStories，低熵、词汇受控），v5 证明同尺寸模型在它上面已饱和；v6 第一版换成真实教育类网页文本（FineWeb-edu），语言种类发生质变——采样从「只会写小故事」变成「能写历史/科学/说明文」。
  • ⚠️ val 不可比：v0–v5 的 val 是同一 TinyStories 1M 留出集（彼此可比）；v6 起换 FineWeb-edu 留出集，分布不同、val（3.07）不能和 v0–v5（~1.1）比大小——真实网页熵高，~3.0 是预期而非回退。v6 的判据是采样质量 + transfer eval（v6→TinyStories val 2.75 vs v5 native 1.11，量化「纯通用数据对窄分布的代价」）。

四、perf 杠杆台账（详见 known-issues.md）

• 已修：KI-1 单序列 launch-bound（T10）· KI-5 per-op cudaMalloc 串行（T11）· KI-2 bf16/OOM（T12）。
• 待办：KI-3 激活重计算（放大到 dim1024+ 时）· KI-4 大词表小 vocab · process-per-GPU（要更高多卡线性时）。
• 两次「先 profile 再动手」证伪了错误的拟修复（KI-1「加大batch」、KI-5「分桶all-reduce」），避免了无效大改——profile-first。