DeepGEMM/MEGAMOE_SM90_DEV.md

# SM90 MegaMoE 开发日志

## 2026-06-17 23:55:32 CST

- 对应 clean 工作 commit：`1dafd0f17376d8730bebb472dc8e15d9645c6b52`
- 用户请求摘要：重做 Phase 1 接口/基础设施提交，保证它作为独立 clean commit 在线性历史中出现，并通过远端测试。
- 本次提交的核心改动：
  - 新增 SM90 MegaMoE host API：`get_symm_buffer_size_for_sm90_mega_moe`、`get_token_alignment_for_sm90_mega_moe`、`fp8_mega_moe`。
  - 新增 SM90 MegaMoE JIT heuristics、runtime launch glue、scheduler 和空 kernel stub。
  - Python MegaMoE wrapper 支持按当前 CUDA device 区分 SM90/SM100，SM90 使用 `(1, 128, 128)` recipe 和 float SF 路径。
  - SM90 symmetric buffer Phase 1 接口返回 8 个常规 view：`x`、`x_sf`、`topk_idx`、`topk_weights`、`l1_acts`、`l1_acts_sf`、`l2_acts`、`l2_acts_sf`。
  - 新增 Phase 1 smoke 测试脚本：`megamoe_dev_test_scripts/phase1/interface_smoke.py`。
  - 更新 `AGENTS.md`，记录 phase 测试脚本提交规范、开发日志规范和 60 秒左右 timeout 规则。
  - 更新 `MEGAMOE_SM90_DESIGN.md`，将 Dispatch 与 L1 TMA/WGMMA 拆成独立 phase。
- 关键文件列表：
  - `AGENTS.md`
  - `MEGAMOE_SM90_DESIGN.md`
  - `csrc/apis/sm90_mega.hpp`
  - `csrc/jit_kernels/heuristics/sm90_mega_moe.hpp`
  - `csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp`
  - `csrc/python_api.cpp`
  - `deep_gemm/__init__.py`
  - `deep_gemm/mega/__init__.py`
  - `deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh`
  - `deep_gemm/include/deep_gemm/layout/mega_moe.cuh`
  - `deep_gemm/include/deep_gemm/scheduler/sm90_mega_moe.cuh`
  - `megamoe_dev_test_scripts/phase1/interface_smoke.py`
- 详细开发流程：
  - 本地从原混合 Phase 1/Phase 2 commit 回退到 Phase 0 基线，保留工作区改动并重新拆分 commit。
  - 本地将 SM90 kernel 降到 Phase 1 空 kernel stub，仅保留 ABI、JIT 模板参数和 launch 静态检查。
  - 本地将 `get_symm_buffer_size_for_sm90_mega_moe` 降到 Phase 1 接口，返回 8 个常规 buffer views，不暴露 Phase 2 dispatch 内部状态。
  - 本地新增 `megamoe_dev_test_scripts/phase1/interface_smoke.py`，验证 SM90 buffer views、float SF dtype、weight transform 和空 kernel launch。
  - 本地静态检查：`git diff --check`、`python3 -m py_compile megamoe_dev_test_scripts/phase1/interface_smoke.py`。
  - 远端同步：`rsync -avR AGENTS.md MEGAMOE_SM90_DESIGN.md csrc/python_api.cpp deep_gemm/__init__.py deep_gemm/mega/__init__.py deep_gemm/include/deep_gemm/layout/mega_moe.cuh csrc/apis/sm90_mega.hpp csrc/jit_kernels/heuristics/sm90_mega_moe.hpp csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh deep_gemm/include/deep_gemm/scheduler/sm90_mega_moe.cuh megamoe_dev_test_scripts/phase1/interface_smoke.py g0034:/mnt/beegfs/lxy/DeepGEMM/`。
  - 远端 build：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s bash develop.sh'"`，通过。
  - 远端 single-rank smoke：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s python3 megamoe_dev_test_scripts/phase1/interface_smoke.py'"`，通过。
  - 远端 2-rank smoke：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1 timeout 60s torchrun --standalone --nproc_per_node=2 megamoe_dev_test_scripts/phase1/interface_smoke.py'"`，通过。
- 测试结果和已知问题：
  - Phase 1 build 和 smoke 测试均通过。
  - single-rank 仍出现 PyTorch symmetric memory warning：`cuMulticastCreate failed with: "invalid argument"`，当前不影响 smoke。
  - Phase 1 kernel 是空 kernel，不产生 dispatch/GEMM 输出；正确性只覆盖接口、buffer views、JIT 编译与 launch。
- 后续待办：
  - 在线性历史中继续提交 Phase 2 dispatch-only 实现。
  - Phase 3 开始实现 L1 TMA + 单 tile WGMMA，并增加 accumulator/reference 对比。

## 2026-06-18 00:00:45 CST

- 对应 clean 工作 commit：`540e5aeadc1b21dca8222a838ed6e5b6c4de93e8`
- 用户请求摘要：在线性 Phase 1 commit 之后提交 Phase 2 dispatch-only 实现，并重新通过远端 single-rank、2-rank、8-rank correctness 测试。
- 本次提交的核心改动：
  - 将 SM90 kernel 从 Phase 1 空 kernel 扩展为 Phase 2 dispatch-only kernel。
  - 实现 dispatch workspace 清理、expert count、source token-topk index 写入、NVLink barrier、remote/local token/SF/top-k weight pull、token source metadata 写入、`l1_arrival_count` release。
  - 扩展 SM90 symmetric buffer views，额外暴露 `l1_topk_weights`、`expert_recv_count_sum`、`l1_arrival_count`、`token_src_metadata` 供 Phase 2 correctness 检查。
  - 更新 Python `SymmBuffer`，SM90 分支解包 12 个 views，SM100 分支保持 8 个 views。
  - 新增 Phase 2 correctness 脚本 `megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py`，使用 torchrun-compatible distributed init。
- 关键文件列表：
  - `csrc/apis/sm90_mega.hpp`
  - `deep_gemm/mega/__init__.py`
  - `deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh`
  - `megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py`
- 详细开发流程：
  - 在 Phase 1 commit 和 Phase 1 日志 commit 之后，从原 dispatch-only 实现恢复 Phase 2 相关文件，保证历史顺序为 Phase 1 -> Phase 1 log -> Phase 2。
  - 本地静态检查：`python3 -m py_compile megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py`、`git diff --check`。
  - 远端同步：`rsync -avR csrc/apis/sm90_mega.hpp deep_gemm/mega/__init__.py deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py g0034:/mnt/beegfs/lxy/DeepGEMM/`。
  - 远端 build：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s bash develop.sh'"`，通过。
  - 远端 single-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s python3 megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py --tokens-list 0,8,48,192'"`，通过。
  - 远端 2-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1 timeout 60s torchrun --standalone --nproc_per_node=2 megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py --tokens-list 0,8,48,192'"`，通过。
  - 远端 8-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 timeout 60s torchrun --standalone --nproc_per_node=8 megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py --tokens-list 0,8,48,192'"`，通过。
  - 确认远端无残留 `dispatch_only_correctness` / `interface_smoke` / `torchrun` 进程。
- 测试结果和已知问题：
  - Phase 2 build 通过。
  - Phase 2 dispatch-only correctness 在 single-rank、2-rank、8-rank 下通过。
  - 覆盖 `num_tokens=0,8,48,192`，并覆盖 `BLOCK_M=32/64/128`。
  - single-rank 仍出现 PyTorch symmetric memory warning：`cuMulticastCreate failed with: "invalid argument"`，当前不影响 correctness。
- 后续待办：
  - Phase 3：在 Phase 2 dispatch 产物上实现 L1 TMA + 单 tile WGMMA。
  - 为 Phase 3 增加 accumulator / scaled GEMM reference 对比测试。

## 2026-06-18 00:46:51 CST

- 对应 clean 工作 commit：`842124b1c588d78a9fc4ff7fbdaf2b7b80e5287c`
- 用户请求摘要：确认 Phase 3 verification buffer 方案后，实施 SM90 MegaMoE Phase 3 L1 TMA + 单 tile WGMMA，并完成远端 build/correctness/regression 验证。
- 本次提交的核心改动：
  - 扩展 SM90 symmetric buffer views，新增 `l1_accum_debug: float32[128, 128]`，用于 Phase 3 单 tile FP32 accumulator correctness 验证。
  - SM90 Python `SymmBuffer` 暴露 `buffer.l1_accum_debug`，SM100 分支保持兼容的 `None` 属性。
  - SM90 JIT/runtime 增加 `l1_accum_debug` kernel 参数。
  - SM90 kernel 保留 Phase 2 dispatch 路径，并新增 `BLOCK_M == 128` 下的 L1 TMA producer 和 WGMMA consumer：TMA load L1 acts/SFA/L1 weights，执行 FP8xFP8 WGMMA，应用 activation SF 和 weight SF，并写出首个 L1 tile 的 scaled FP32 accumulator。
  - Phase 3 barrier/debug 初始化仅在 `BLOCK_M == 128` 启用，dispatch named barrier 从 `0` 调整到 `1`，避免与 full-CTA `__syncthreads()` 使用的 barrier 冲突并修复 Phase 2 小 `BLOCK_M` 回归。
  - 新增 Phase 3 correctness 脚本 `megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py`，基于实际 dispatch pool 计算 PyTorch FP32 reference 并对比 `l1_accum_debug`。
- 关键文件列表：
  - `csrc/apis/sm90_mega.hpp`
  - `csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp`
  - `deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh`
  - `deep_gemm/mega/__init__.py`
  - `megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py`
- 详细开发流程：
  - 本地扩展 SM90 buffer layout 和 Python wrapper，新增 committed verification view `l1_accum_debug`。
  - 本地在 SM90 kernel 中移除 Phase 2 的非 dispatch thread 早退，改为 dispatch/TMA/math role branches；Phase 3 computation 只在 `BLOCK_M == 128` 路径启用。
  - 本地实现 Phase 3 shared memory layout、full/empty barrier 初始化、L1 acts/SFA/weights TMA load、SM90 FP8 WGMMA、float SF scaling 和 debug accumulator 写出。
  - 本地新增 `megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py`，固定 `num_tokens=128`、`num_topk=1`，从 `buffer.l1_acts` / `buffer.l1_acts_sf` / transformed L1 weights 计算 reference。
  - 本地静态检查：`python3 -m py_compile megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py`、`git diff --check`。
  - 远端路径确认：`ssh g0034 "docker exec sglang-lxy bash -lc 'ls /mnt/beegfs/lxy/DeepGEMM'"`。
  - 远端同步：`rsync -avz --relative csrc/apis/sm90_mega.hpp csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh deep_gemm/mega/__init__.py megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py g0034:/mnt/beegfs/lxy/DeepGEMM/`。
  - 远端首次 build 暴露远端 `csrc/apis/mega.hpp` stale copy 与本地不一致，随后同步本地 `csrc/apis/mega.hpp` 到远端用于恢复远端 workspace 一致性；该文件本次 clean work commit 未改动。
  - 远端 build：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s bash develop.sh'"`，通过。
  - 远端 Phase 3 single-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s python3 megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py'"`，通过，`max_diff=0.006541`。
  - 远端 Phase 3 2-rank correctness/no-hang：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1 timeout 60s torchrun --standalone --nproc_per_node=2 megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py'"`，通过，rank0 输出 `max_diff=0.006541`。
  - 远端 Phase 2 regression 初次发现小 `BLOCK_M` dispatch-only case 在新增 full-CTA barrier 后出现 illegal memory access；本地修复为 Phase 3 barrier/debug 初始化只在 `BLOCK_M == 128` 启用，并将 dispatch named barrier 改为 `1`。
  - 修复后重新同步 kernel 文件，并重新执行远端 build，通过。
  - 远端 Phase 2 single-rank regression：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s python3 megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py --tokens-list 192'"`，通过。
  - 远端 Phase 2 2-rank regression：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1 timeout 60s torchrun --standalone --nproc_per_node=2 megamoe_dev_test_scripts/phase2/dispatch_only_correctness.py --tokens-list 192'"`，通过。
- 测试结果和已知问题：
  - Phase 3 build 通过。
  - Phase 3 single-rank 和 2-rank correctness 均通过，FP32 accumulator 最大误差 `0.006541`，满足 `atol=1e-2, rtol=5e-2`。
  - Phase 2 dispatch-only `BLOCK_M=128` single-rank 和 2-rank regression 通过。
  - single-rank 仍出现 PyTorch symmetric memory warning：`cuMulticastCreate failed with: "invalid argument"`，当前不影响 correctness。
  - Phase 3 仅验证 L1 单 tile WGMMA/scaling/debug output，不包含 L1 SwiGLU/quant epilogue、L2 GEMM 或 final combine。
- 后续待办：
  - Phase 4：在 Phase 3 accumulator 上实现 L1 epilogue，包括 gate/up deinterleave、SwiGLU、top-k weight、FP8 quantize 和 `l2_arrival_mask` release。
  - 扩展 Phase 3/4 测试覆盖更多 N-block、multi-expert 和非首 tile accumulator 映射。

## 2026-06-18 01:10:02 CST

- 对应 clean 工作 commit：`f3553f976ccd7c2e8978a4c78f7635dca5c14a28`
- 用户请求摘要：继续 SM90 MegaMoE Phase 4，完成 L1 epilogue 的 SwiGLU、top-k weight、FP8 quant 输出和 `l2_arrival_mask` release，并进行远端 correctness/regression 验证。
- 本次提交的核心改动：
  - 将 SM90 `l2_acts_sf` 从 per-128 改为 per-64 layout，使每个 L1 `BLOCK_N=128` tile 经过 gate/up SwiGLU 后独立产生 64 列输出 scale。
  - 扩展 SM90 symmetric buffer views，新增 `l2_arrival_mask` Python 可见 view，用于 Phase 4 correctness 检查 L1 epilogue 到 L2 的 tile readiness。
  - 在 SM90 kernel 的 `BLOCK_M == 128` math path 中实现 L1 epilogue：gate/up deinterleave、可选 activation clamp、SwiGLU、top-k weight、per-row amax、E4M3 quantize、`l2_acts`/`l2_acts_sf` global store 和 `l2_arrival_mask` release。
  - 修正 Phase 4 amax reduction 方向为 `math::warp_reduce<4, false>`，按同一 row 的 4 个 lane 做 max reduction。
  - 新增 Phase 4 correctness 脚本 `megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py`，基于实际 dispatch pool 和 transformed weights 计算 PyTorch reference，并验证 `l2_acts`、`l2_acts_sf` 和 `l2_arrival_mask`。
  - 更新 Phase 1 interface smoke 对 `l2_acts_sf` shape 的断言为 `intermediate_hidden // 64`。
- 关键文件列表：
  - `csrc/apis/sm90_mega.hpp`
  - `csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp`
  - `deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh`
  - `deep_gemm/mega/__init__.py`
  - `megamoe_dev_test_scripts/phase1/interface_smoke.py`
  - `megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py`
- 详细开发流程：
  - 本地阅读 `MEGAMOE_SM90_DESIGN.md` Phase 4 目标，确认本阶段只实现 L1 epilogue 产物，不实现 L2 GEMM/final combine。
  - 本地扩展 SM90 host buffer layout，将 `l2_acts_sf` 改为 per-64，并暴露 `l2_arrival_mask` view 到 Python `SymmBuffer`。
  - 本地更新 SM90 JIT TMA SF descriptor granularity 为 `kL2ActsGranK = 64`。
  - 本地在 kernel math branch 中添加 L1 epilogue 逻辑，保留 Phase 3 `l1_accum_debug` 写出，新增 `l2_acts`、`l2_acts_sf` 和 `l2_arrival_mask` 写出。
  - 本地新增 `megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py`，固定 `num_tokens=128`、`num_topk=1`，验证两个 L1 N-block 的 64 列 SwiGLU/quant 输出。
  - 本地静态检查：`python3 -m py_compile megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py megamoe_dev_test_scripts/phase3/l1_wgmma_single_tile.py megamoe_dev_test_scripts/phase1/interface_smoke.py`，通过。
  - 本地静态检查：`git diff --check`，通过。
  - 远端同步：`rsync -avz --relative csrc/apis/sm90_mega.hpp csrc/jit_kernels/impls/sm90_fp8_mega_moe.hpp deep_gemm/include/deep_gemm/impls/sm90_fp8_mega_moe.cuh deep_gemm/mega/__init__.py megamoe_dev_test_scripts/phase1/interface_smoke.py megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py g0034:/mnt/beegfs/lxy/DeepGEMM/`。
  - 远端 build：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s bash develop.sh'"`，通过。
  - 远端 Phase 4 single-rank 首次 correctness 暴露 SF mismatch，定位为 row amax reduction 方向错误；本地修复 `warp_reduce<4, true>` 为 `warp_reduce<4, false>` 后重新同步 kernel。
  - 远端 rebuild + Phase 4 single-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s bash develop.sh && timeout 60s python3 megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py'"`，SF 通过，仅剩 2 个 E4M3 rounding-boundary dequant 差异。
  - 本地将 Phase 4 verifier 改为在固定 `atol/rtol` 外允许一档 worst-case E4M3 quantization step，避免 CUDA `expf` 与 PyTorch `silu` 的微小差异跨 FP8 rounding boundary。
  - 远端 Phase 4 single-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && timeout 60s python3 megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py'"`，通过。
  - 远端 Phase 4 2-rank correctness：`ssh g0034 "docker exec sglang-lxy bash -lc 'cd /mnt/beegfs/lxy/DeepGEMM && CUDA_VISIBLE_DEVICES=0,1 timeout 60s torchrun --standalone --nproc_per_node=2 megamoe_dev_test_scripts/phase4/l1_epilogue_correctness.py'"`，通过。
  - 远端 Phase 1 single-rank/2-rank regression：`interface_smoke.py`，通过。
  - 远端 Phase 2 single-rank/2-rank regression：`dispatch_only_correctness.py --tokens-list 192`，通过。
  - 远端 Phase 3 single-rank/2-rank regression：`l1_wgmma_single_tile.py`，通过，`max_diff=0.006541`。
  - 提交前本地检查：`python3 -m py_compile ...`、`git diff --check`、`git diff --staged --check`，均通过；检查 touched files 未发现 `// DEBUG` 或 `# DEBUG` debug 代码。
- 测试结果和已知问题：
  - Phase 4 build 通过。
  - Phase 4 L1 epilogue correctness single-rank 和 2-rank 均通过。
  - Phase 1 interface、Phase 2 dispatch-only、Phase 3 L1 WGMMA regression 在 single-rank 和 2-rank 均通过。
  - single-rank 仍出现 PyTorch symmetric memory warning：`cuMulticastCreate failed with: "invalid argument"`，当前不影响 correctness。
  - Phase 4 当前使用 global store 写 `l2_acts`/`l2_acts_sf`，尚未实现设计中的 STSM + double-buffered TMA store。
  - Phase 4 当前验证单 expert、first pool block、`BLOCK_M=128` L1 epilogue；尚未覆盖 L2 GEMM、final combine、多 expert 完整路径和非首 pool block correctness。
- 后续待办：
  - Phase 5：实现 L2 GEMM consumer，消费 `l2_arrival_mask` 和 Phase 4 产出的 FP8 intermediate activations。
  - 后续优化：将 Phase 4 global store 替换为 STSM + TMA store，并扩展 correctness 覆盖多 expert、非首 pool block 和更多 shapes。