diff --git a/docs/advanced_features/nsa_prefill_cp_shared_kv_bs_gt1_l1_prefetch_zero_sm_plan_zh.md b/docs/advanced_features/nsa_prefill_cp_shared_kv_bs_gt1_l1_prefetch_zero_sm_plan_zh.md
new file mode 100644
index 000000000..67cdf844a
--- /dev/null
+++ b/docs/advanced_features/nsa_prefill_cp_shared_kv_bs_gt1_l1_prefetch_zero_sm_plan_zh.md
@@ -0,0 +1,736 @@
+# NSA Prefill CP Shared-KV bs>1 L1 Prefetch 与 0SM 传输计划
+
+> 日期：2026-06-10
+> 分支：`cjy-cp-refactor`
+> 当前基线：`c8c736e75`
+> 范围：target model 的 bs>1 CP shared-KV L1 prefetch；MLA KV 与 NSA index 两条路径；后续 0SM/低 SM TAI kernel 设计。
+
+## 0. 目标和非目标
+
+### 0.1 目标
+
+1. 在 `--enable-cp-shared-kv-prefill-bs-gt1` 下恢复 target model 的 L1 shared-KV prefetch。
+2. 保持两级流水线合同：
+
+```text
+L2 -> L1 HiCache load:      提前 2 个 layer
+L1 shared-KV prefetch:      提前 1 个 layer
+当前 layer consume/wait:    只等自己需要的 layer-ready event
+```
+
+3. bs>1 下 prefetch 必须使用 request-aware slot spans，不能继续使用单个 scalar `prefix_pages` 把整个 flattened page table 切成 prefix/suffix。
+4. 第一版先支持 target model：
+   - MLA KV prefix L1 prefetch；
+   - NSA index prefix L1 prefetch；
+   - current suffix 仍沿用当前同步 compose/reduce 路径。
+5. 后续为 prefix prefetch 提供 0SM/低 SM transport primitive，避免 prefetch materialize 与当前 layer attention/MLA/MOE 抢 SM。
+
+### 0.2 非目标
+
+1. 第一版不打开 EAGLE/draft prefetch。draft 只有少量 executable layer，且 draft KV 生命周期应跟随 target mirror，不能简单套 target 的 next-layer prefetch。
+2. 第一版不改变 decode 路径。
+3. 第一版不改变 HiCache storage layout，也不强制切换到 layer-page-first。
+4. 第一版不把 current suffix 的跨 rank compose 改成 0SM。current suffix 是当前 layer 刚产生的数据，peer-read ordering 比历史 prefix 更严格，先保留已有同步语义。
+5. 不新增 all-reduce/all-gather 来同步 “prefetch plan 是否一致”。plan 必须由本地 deterministic metadata 推导。
+
+---
+
+## 1. 两级流水线合同
+
+我们期望的 target layer 流水线如下：
+
+```text
+warmup / batch prepare:
+  为 layer 0、layer 1 至少启动 L2->L1 load
+
+处理 layer L-2:
+  启动 layer L 的 L2->L1 load
+
+处理 layer L-1:
+  在 prefetch stream 上等待 layer L 的 L2->L1 load event
+  启动 layer L 的 L1 shared-KV prefetch
+
+处理 layer L:
+  当前 layer index/MLA consume 时等待 layer L 的 L1 prefetch event
+  current suffix 仍在当前 layer 生成后同步 fill/reduce
+  attention 使用 prefix-prefetched + current-filled dense view
+```
+
+对应窗口：
+
+| 时间点 | 允许做的工作 | 不允许做的工作 |
+| --- | --- | --- |
+| `layer L-2` | 启动 `L2->L1(layer L)` | 阻塞 forward stream 等 H2D |
+| `layer L-1` attention 前 | 启动 `L1 prefetch(layer L)` | 与当前 layer 必要 KV reduce 争抢 collective 顺序 |
+| `layer L` consume | 等待 `L1 prefetch(layer L)` event | 重新 materialize 已经 prefetched 的 prefix |
+
+关键点：
+
+1. L2->L1 load 比 L1 prefetch 早一个 layer，避免 L1 prefetch 读到尚未从 host load back 的 device pages。
+2. L1 prefetch 的启动点应保持在当前 layer attention 前，即当前实现中的 `_maybe_start_cp_shared_kv_attention_prefetch()` 语义。
+3. L1 prefetch 不应该提前到 MQA/index materialize 前，否则会与当前 layer 的必要 materialize/reduce 重叠，造成之前观察到的性能回退。
+4. L2->L1 load event 与 L1 prefetch event 是两个不同层次的 readiness：
+   - L2->L1 event：device pool 中的真实 physical pages 已经可读；
+   - L1 prefetch event：dense prefix buffer 已经可被 consumer 使用。
+
+---
+
+## 2. 当前代码事实
+
+### C1. L1 prefetch hook 已经在 attention 前
+
+相关文件：
+
+- `python/sglang/srt/layers/attention/nsa_backend.py`
+  - `_maybe_start_cp_shared_kv_attention_prefetch(forward_batch, layer_id)`
+
+当前 hook 做的事情：
+
+```text
+next_layer_id = layer_id + 1
+index_prefetcher.start_next_layer_prefix(next_layer_id)
+mla_prefetcher.start_next_layer_prefix(next_layer_id)
+```
+
+结论：L1 prefetch 的 “提前 1 layer” 启动位置基本符合目标；bs>1 工作重点不是移动 hook，而是让 prefetcher 的 plan 和 materialize 支持 batch。
+
+### C2. MLA/index prefetcher 仍强制 batch_size == 1
+
+相关文件：
+
+- `python/sglang/srt/layers/attention/nsa/cp_shared_kv_prefetch.py`
+  - `CpSharedKVMlaPrefetcher.maybe_create()`
+  - `CpSharedKVIndexPrefetcher.maybe_create()`
+
+当前行为：
+
+```text
+if int(forward_batch.batch_size) != 1:
+    create_skip / fallback reason=batch_size
+    return None
+```
+
+结论：不能直接删除 guard。pre-batch 代码内部仍假设 prefix 是 flattened slot 的 `[0:prefix_pages)`。
+
+### C3. 当前 prefetcher 使用 scalar prefix_pages
+
+当前 prefetcher 字段：
+
+```text
+prefix_pages: int
+slot_logical_pages: Tensor
+page_inverse: Tensor
+total_slots = slot_logical_pages.numel()
+```
+
+当前 consume 逻辑：
+
+```text
+prefix slots: [0, prefix_pages)
+suffix slots: [prefix_pages, total_slots)
+```
+
+bs=1 时成立；bs>1 时不成立。
+
+bs>1 的 row-major page table 形态是：
+
+```text
+req0: [req0 prefix pages][req0 current pages][req0 padding/empty slots]
+req1: [req1 prefix pages][req1 current pages][req1 padding/empty slots]
+...
+```
+
+如果仍用 `[0, prefix_pages)`：
+
+1. 只能覆盖 req0 prefix；
+2. 会把 req0 current / padding gap / req1 prefix 混在同一个 suffix bounding span 里；
+3. 可能重复 reduce 无效 slot；
+4. 更严重时会把不同 request 的 logical page 映射压到同一 dense view 中，复现之前 bs>1 cache-hit 精度下降类问题。
+
+### C4. sync compose 已经有 bs>1 span helper，可复用语义
+
+相关文件：
+
+- `python/sglang/srt/layers/attention/nsa/cp_shared_kv_runtime.py`
+  - `build_batch_prefix_slot_spans(...)`
+  - `build_batch_current_slot_spans(...)`
+
+已有语义：
+
+```text
+build_batch_prefix_slot_spans:
+  返回每个 request prefix 在 flattened real_page_table 里的精确 slot spans
+
+build_batch_current_slot_spans:
+  返回每个 request current suffix 在 flattened real_page_table 里的精确 slot spans
+```
+
+结论：bs>1 prefetch 第一版应复用这两个 helper。不要重新发明 bounding span，也不要引入 batch-global scalar prefix。
+
+### C5. 当前 TAI IPC materialize 是 SM kernel，不是 0SM
+
+相关文件：
+
+- SGLang:
+  - `python/sglang/srt/layers/attention/nsa/cp_shared_kv_runtime.py`
+    - `_try_tai_ipc_materialize_token_kv_page_slots_into(...)`
+    - `_try_tai_ipc_materialize_paged_buffer_page_slots_into(...)`
+- tai-kernel:
+  - `python/tai_kernel/nsa_prefill/ipc.py`
+    - `materialize_cuda_ipc_peer_pages_slot_dense(...)`
+  - `python/tai_kernel/nsa_prefill/csrc/kvcacheio_lf_pf.cu`
+    - `ipc_materialize_peer_pages_slot_dense_kernel`
+    - `ipc_materialize_peer_pages_slot_dense_multi_warp_kernel`
+
+当前优势：
+
+1. 避免原来的 local materialize + all-reduce 冗余通信；
+2. 可以直接 peer-read owner rank 的 L1 page；
+3. 已支持 fp8 packed page 与 bf16 page 形态。
+
+当前不足：
+
+1. kernel 使用 SM copy，不是 Copy Engine；
+2. `start_slot != 0` 会 fallback；
+3. 输入是一个连续 slot range，不是 spans list；
+4. 用于 sync compose，不是 prefetcher 的 prefix pipeline。
+
+结论：0SM 计划不能把现有 IPC kernel 直接称为 0SM。它是可用的 SM baseline，0SM 需要新增 CE/batched-copy primitive。
+
+### C6. index active-layer skip 已经改变 index prefetch 的 layer 集合
+
+index skip 后，index K/scale 只在 active index layers 存储。L1 index prefetch 必须满足：
+
+```text
+如果 next_layer_id 不是 index active layer:
+  不启动 index prefetch
+  不访问 compacted index cache slot
+
+如果 next_layer_id 是 index active layer:
+  使用 state_layer_id / active index layer id 映射后的 index buffer
+```
+
+MLA KV prefetch 仍然每个 target layer 都可能需要。
+
+### C7. draft/EAGLE prefetch 当前应保持关闭
+
+之前已经确认：draft KV 生命周期应是 target KV 的镜像，draft 不应该维护独立的 page ownership / HiCache state。draft prefetch 若直接套 target 的 `next_layer_id=layer+1`，容易出现：
+
+1. draft 只有一层或层数很少，`next_layer` 语义不稳定；
+2. target/draft layer id 空间不同；
+3. draft consume 时机在 target forward 之后，和 target prefetch window 不同。
+
+结论：bs>1 L1 prefetch 第一版只打开 target。draft 后续作为单独阶段处理。
+
+---
+
+## 3. bs>1 L1 prefetch 语义设计
+
+### 3.1 新的 prefetch plan 形态
+
+建议在 `cp_shared_kv_prefetch.py` 内部引入一个小的 batch-aware plan dataclass，或者直接把同等字段放入两个 prefetcher：
+
+```python
+@dataclass(frozen=True)
+class CpSharedKVBatchPrefetchPlan:
+    batch_size: int
+    page_size: int
+    prefix_slot_spans: tuple[tuple[int, int], ...]
+    current_slot_spans: tuple[tuple[int, int], ...]
+    total_slots: int
+    dense_num_pages: int
+    prefix_slot_count: int
+    current_slot_count: int
+```
+
+字段合同：
+
+- `prefix_slot_spans`：只包含历史 cache-hit prefix pages。
+- `current_slot_spans`：只包含本次 extend 产生的 current pages。
+- `total_slots`：`slot_logical_pages.numel()`。
+- `dense_num_pages`：dense buffer 的 page 数，沿用现有 remap helper 结果。
+- `prefix_slot_count/current_slot_count`：用于日志、阈值、benchmark，不用于切分 tensor。
+
+构造方式：
+
+```text
+logical_pages = metadata.real_page_table
+prefix_slot_spans = build_batch_prefix_slot_spans(
+    logical_pages=logical_pages,
+    prefix_lens_cpu=forward_batch.extend_prefix_lens_cpu,
+    page_size=page_size,
+)
+current_slot_spans = build_batch_current_slot_spans(
+    logical_pages=logical_pages,
+    prefix_lens_cpu=forward_batch.extend_prefix_lens_cpu,
+    extend_lens_cpu=forward_batch.extend_seq_lens_cpu,
+    page_size=page_size,
+)
+```
+
+### 3.2 prefetch create gate
+
+替换当前 `batch_size != 1` guard 后，create gate 应变成：
+
+```text
+if batch_size < 1:
+  skip/fail
+
+if no prefix_slot_spans:
+  skip, reason=no_prefix_pages
+
+if sum(prefix span pages) < min_prefix_pages:
+  skip, reason=prefix_below_min
+
+if sum(extend_seq_lens_cpu) < min_async_extend_tokens:
+  skip, reason=extend_below_min
+```
+
+注意：threshold 应基于 batch aggregate work，而不是单个 request。bs>1 的目的就是把多个 200-2000 token extend 合起来打满 compute；如果逐 request threshold，会错误关闭有收益的 batch prefetch。
+
+### 3.3 prefix materialize
+
+bs>1 第一版可先使用现有 SM IPC / local materialize 语义，但必须接受 spans：
+
+```text
+for (start_slot, end_slot) in prefix_slot_spans:
+  materialize slot range into dense buffer 对应位置
+```
+
+不能把 spans 合并成一个包含 current/gap 的 bounding span，除非合并后仍能证明：
+
+1. 中间 gap 都是有效 prefix；
+2. 不包含 current suffix；
+3. 不包含 empty/padded page slots；
+4. dense remap 对 gap 的写入不会影响 attention 可见范围。
+
+当前 row-major bs>1 下通常不能证明这些条件，因此默认使用 exact spans。
+
+### 3.4 consume/current fill
+
+consume 时：
+
+```text
+wait prefix_prefetch_event(layer L)
+for (start_slot, end_slot) in current_slot_spans:
+  materialize current pages / fill current rows
+  reduce current rows if仍使用 collective path
+remap logical locs to dense locs
+return dense_kv_cache, dense_locs
+```
+
+当前 suffix 不应再用：
+
+```text
+start_slot = prefix_pages
+end_slot = total_slots
+```
+
+这会在 bs>1 下把多个 request 的 prefix/current/gap 混在一起。
+
+### 3.5 page_inverse 要保持 per-request 语义
+
+之前 cache-hit 掉点的强 root cause 是 batch-global logical page inverse 把不同 request 的相同 logical page value 合并到同一个 dense page。prefetch 也必须遵守同一规则：
+
+```text
+page_inverse key = (req_id, logical_page)
+不能只用 logical_page
+```
+
+现有 remap helper 已经有 per-row sorted/dense metadata，prefetch 不应绕开它创建 batch-global inverse。
+
+---
+
+## 4. 0SM/低 SM transport 设计
+
+### 4.1 为什么现有 IPC kernel 不够
+
+现有 `materialize_cuda_ipc_peer_pages_slot_dense` 是 GPU SM copy kernel。它适合低延迟 SM copy baseline，但作为 prefetch 长 prefix 时有两个问题：
+
+1. 会和当前 layer attention / MQA / MOE 抢 SM；
+2. 如果 prefetch 过长，可能拖慢当前 layer，抵消 overlap 收益。
+
+目标 0SM primitive 应把 prefix page materialize 变成 Copy Engine 或 CPU gather + CE DMA 路径。
+
+### 4.2 0SM 第一版 API 建议
+
+在 tai-kernel 中新增独立 API，保留现有 SM IPC kernel：
+
+```python
+materialize_cuda_ipc_peer_pages_slot_dense_ce(
+    peer_ptrs,
+    dst,
+    owner_ranks,
+    src_page_indices,
+    dst_page_indices,
+    page_nbytes: int,
+    stream,
+) -> None
+```
+
+语义：
+
+```text
+for i in [0, page_count):
+  src = peer_ptrs[owner_ranks[i]] + src_page_indices[i] * page_nbytes
+  dst = dst_base + dst_page_indices[i] * page_nbytes
+  copy page_nbytes bytes
+```
+
+实现路线：
+
+1. C++/CUDA extension 中构造 CPU descriptor arrays。
+2. 对连续 `(src, dst)` runs 做 merge，减少 CE command 数。
+3. 优先使用 `cudaMemcpyBatchAsync`（CUDA >= 12.8）或多次 `cudaMemcpyPeerAsync` baseline。
+4. 如果运行环境不支持 batch API，显式 warning/fail-fast 到 SM IPC baseline，不 silent fallback 到 all-reduce。
+
+### 4.3 descriptor 必须避免 hidden D2H
+
+0SM CE path 不能每层把 CUDA tensor `.cpu()` 成 descriptor。descriptor 来源应是：
+
+```text
+ForwardBatch CPU metadata
+  -> request prefix/current slot spans
+  -> owner rank + physical page index descriptors
+  -> cached CPU pinned descriptor arrays
+```
+
+要求：
+
+1. `owner_ranks/src_page_indices/dst_page_indices` 尽量在 batch prepare/create 阶段构造；
+2. layer 间只换 source base pointer，不重建 page mapping；
+3. descriptor cache key 应包含：
+   - `slot_logical_pages` identity/version；
+   - layout cp_rank/cp_size；
+   - page size；
+   - prefix/current spans；
+   - dtype/page_nbytes。
+
+### 4.4 readiness / ordering 风险
+
+all-reduce 路径天然有跨 rank 同步语义；0SM peer-read 路径没有 collective barrier。必须明确 ordering：
+
+```text
+L2->L1 load finished on owner rank
+  -> owner rank device page visible to peer CE read
+  -> non-owner rank prefetch CE copy starts
+```
+
+可选实现：
+
+1. 第一版保守：L1 prefetch 只读本 rank owner pages，跨 rank prefix 仍走现有 all-reduce/SM IPC path。
+2. 更完整：为 L2->L1 load 暴露 per-layer CUDA IPC event 或 ready flag，prefetch stream 在读 peer page 前等待对应 peer ready。
+3. 依赖 lockstep layer schedule：所有 CP ranks 在同一个 layer 同步推进，L2->L1 提前 2 层足够覆盖。但这需要 ETE/Nsight 验证，不能作为唯一正确性保证。
+
+推荐实现顺序：先接入 SM IPC spans baseline 验证 bs>1 correctness，再做 0SM CE path；0SM 首版只在能证明 ready 的 prefix pages 上启用。
+
+---
+
+## 5. 实施 phases
+
+### P0. 文档与现状锁定
+
+**文件：**
+
+- 新增：`docs/advanced_features/nsa_prefill_cp_shared_kv_bs_gt1_l1_prefetch_zero_sm_plan_zh.md`
+
+**验收：**
+
+- 文档明确 L2->L1 `+2 layer`、L1 prefetch `+1 layer`。
+- 文档明确当前 prefetcher 的 bs=1 假设和风险。
+- 文档明确 0SM 与现有 SM IPC kernel 的区别。
+
+### P1. 补 bs>1 prefetch plan 单测
+
+**文件：**
+
+- 修改：`test/registered/unit/mem_cache/test_cp_shared_kv_runtime.py`
+- 修改：`test/registered/unit/mem_cache/test_cp_shared_kv_prefetch.py`（如果不存在则新增同级测试文件）
+
+**测试用例：**
+
+1. `batch_size=2`：
+
+```text
+page_size=64
+req0 prefix=128, extend=65
+req1 prefix=64,  extend=129
+```
+
+期望：
+
+```text
+prefix_slot_spans = [(0, 2), (pages_per_req, pages_per_req + 1)]
+current_slot_spans = [(2, 4), (pages_per_req + 1, pages_per_req + 4)]
+```
+
+2. prefix 为 0 的 request 不产生 prefix span，但 current span 仍存在。
+3. 不允许 `prefix_pages=sum(prefix_pages)` 后直接切 `[0:prefix_pages)`。
+4. page inverse 按 `(req_id, logical_page)` 区分两个 request 的相同 logical page value。
+
+**远端命令：**
+
+```bash
+cd /sgl-workspace/sglang-tai
+PYTHONPATH=python python -m pytest -q \
+  test/registered/unit/mem_cache/test_cp_shared_kv_runtime.py \
+  test/registered/unit/mem_cache/test_cp_shared_kv_prefetch.py
+```
+
+### P2. 改造 MLA prefetcher 支持 bs>1 spans
+
+**文件：**
+
+- 修改：`python/sglang/srt/layers/attention/nsa/cp_shared_kv_prefetch.py`
+- 修改：`python/sglang/srt/layers/attention/nsa/cp_shared_kv_runtime.py`（仅在缺少 helper 时修改）
+
+**实现点：**
+
+1. `CpSharedKVMlaPrefetcher.maybe_create()` 不再因为 `batch_size != 1` 直接 skip。
+2. create 阶段构造 `prefix_slot_spans/current_slot_spans`。
+3. `start_next_layer_prefix()` 只 materialize prefix spans。
+4. `consume_prefix_with_current()` 只 fill/reduce current spans。
+5. `consume()` 如果仍存在 legacy suffix path，bs>1 下 fail-fast，避免错误 bounding suffix。
+
+**第一版允许：**
+
+- prefix 使用现有 local materialize + all-reduce 或 SM IPC baseline。
+
+**第一版不允许：**
+
+- silent fallback 到 `[prefix_pages:total_slots)`。
+- batch-global page inverse。
+
+### P3. 改造 index prefetcher 支持 bs>1 spans
+
+**文件：**
+
+- 修改：`python/sglang/srt/layers/attention/nsa/cp_shared_kv_prefetch.py`
+- 修改：`python/sglang/srt/layers/attention/nsa/nsa_indexer.py`（只在 consume 接口需要更明确的 active-layer 映射时修改）
+
+**实现点：**
+
+1. `CpSharedKVIndexPrefetcher.maybe_create()` 使用同一套 batch prefetch plan。
+2. index prefetch 只对 active index layer 启动。
+3. index `dense_page_buffer` 的 remap 和 current spans 必须 request-aware。
+4. index skip layer 不创建 handle，不产生 warning。
+
+**风险控制：**
+
+- 如果 active index layer 映射缺失，fail-fast：
+
+```text
+[CP_SHARED_KV_FAIL_FAST][index_prefetch] reason=missing_active_state_layer
+```
+
+### P4. 接入 L2->L1 +2 layer readiness
+
+**文件：**
+
+- 修改：HiCache load/prefetch 管理相关文件，优先从已有文档定位：
+  - `docs/advanced_features/nsa_prefill_cp_hicache_load_prefetch_overlap_notes.md`
+  - `docs/advanced_features/nsa_prefill_cp_hicache_async_state_sync.md`
+- 预计涉及：
+  - `python/sglang/srt/mem_cache/hiradix_cache.py`
+  - `python/sglang/srt/mem_cache/hicache_storage.py`
+  - `python/sglang/srt/layers/attention/nsa_backend.py`
+
+**实现点：**
+
+1. 暴露 `ensure_hicache_load_started(layer_id)` 或等价机制。
+2. 在处理 layer `L-2` 时启动 layer `L` 的 L2->L1 load。
+3. L1 prefetch stream 在处理 layer `L-1` 时等待 layer `L` 的 L2->L1 load event。
+4. 如果当前实现已经一次性提交 all-layer load，应记录为 `load_window=all_layers`，并先只接 wait event，不额外提交重复 load。
+
+**不能做：**
+
+- forward stream 上同步等待 L2->L1。
+- 用新的 all-reduce 确认所有 rank load 完成。
+
+### P5. TAI SM IPC spans baseline
+
+**文件：**
+
+- SGLang：
+  - `python/sglang/srt/layers/attention/nsa/cp_shared_kv_runtime.py`
+- tai-kernel：
+  - `python/tai_kernel/nsa_prefill/ipc.py`
+  - `python/tai_kernel/nsa_prefill/csrc/kvcacheio_ops.cc`
+  - `python/tai_kernel/nsa_prefill/csrc/kvcacheio_lf_pf.cu`
+  - `tests/nsa_prefill/test_cuda_ipc_gather.py`
+  - `benchmark/nsa_prefill/benchmark_cp_shared_kv_ipc_gather.py`
+
+**实现点：**
+
+1. 支持 spans list，而不是只支持 `start_slot == 0` 的连续 range。
+2. 支持 `dst_page_indices`，使 prefix pages 可以写到 dense buffer 的正确 page 槽位。
+3. 支持 bf16/fp8 同一接口，通过 `page_nbytes` 控制。
+4. benchmark 覆盖：
+   - bs=1/2/5/10；
+   - prefix pages 对应 4k/8k/16k/32k/64k/120k/192k tokens；
+   - contiguous / fragmented / owner-lane / zigzag page pattern。
+
+### P6. 0SM CE prototype
+
+**文件：**
+
+- tai-kernel 新增 CE/batched-copy op；具体文件沿用 P5。
+
+**实现点：**
+
+1. C++ extension 内部构造并提交 CE copy。
+2. 支持 run merge，避免每 page 一个 API 调用。
+3. 提供 `--mode sm_ipc|ce_batch|cuda_memcpy_batch` benchmark 对比。
+4. 如果 CUDA runtime 不支持 `cudaMemcpyBatchAsync`，测试中显式标记 skip；生产中 warning 后回 SM IPC，不回 all-reduce。
+
+**验收指标：**
+
+1. Nsight 中 CE path 不出现长时间 copy kernel SM occupancy。
+2. 对大 prefix，当前 layer attention/MOE SM occupancy 不被 prefetch kernel 明显挤占。
+3. 小 prefix 下 CE descriptor overhead 不应超过 SM IPC baseline；否则按阈值选择 SM IPC。
+
+### P7. ETE 验证与默认开关
+
+**远端验证：**
+
+1. GSM8K 两轮：
+
+```bash
+cd /sgl-workspace/sglang
+python benchmark/gsm8k/bench_sglang.py \
+  --host g0034 \
+  --port 17100 \
+  --backend srt \
+  --data-path /mnt/beegfs/cjy/data/gsm8k_test.jsonl \
+  --num-questions 1319 \
+  --parallel 64 \
+  --temperature 0.0 \
+  --top-p 1.0 \
+  --max-new-tokens 512
+```
+
+验收：
+
+```text
+第一轮 accuracy 接近 0.955
+第二轮 cache-hit accuracy 不下降到 0.68/0.69
+Invalid 接近 0
+```
+
+2. replay 压测：
+
+```bash
+ssh g0033
+source /mnt/beegfs/khr/bench/.venv/bin/activate
+python3 /mnt/beegfs/khr/bench/replay_openai_request_log.py \
+  --request-log /mnt/beegfs/khr/bench/workloads/request-chain-mixed-1500-15min-2rps/requests.jsonl \
+  --base-url http://g0034:17100 \
+  --endpoint /v1/chat/completions \
+  --chain-prefill-scheduler \
+  --prefill-target-concurrency 30 \
+  --max-concurrency 60 \
+  --metric-percentiles 50,90,95,99 \
+  --timeout-sec 240 \
+  --save-result /mnt/beegfs/results/replay-request-chain-mixed-1500-k20-prefill.json
+```
+
+验收：
+
+```text
+无 detokenizer hang
+无 cache-hit 后乱码/accept len 大幅掉到 1 的回归
+无 CP shared-KV fallback 热路径刷屏
+prefill 吞吐不低于当前 bs>1 sync baseline
+```
+
+---
+
+## 6. 日志与 fail-fast 要求
+
+### 6.1 必须 warning/fail-fast 的情况
+
+1. bs>1 prefetcher 发现缺少 `prefix_slot_spans/current_slot_spans`。
+2. `prefix_slot_spans` 与 `real_page_table` row 数不匹配。
+3. `page_inverse` 不是 request-aware。
+4. index active layer 映射缺失。
+5. L1 prefetch 试图读取尚未完成 L2->L1 load 的 layer。
+6. 0SM CE path 不支持当前 dtype/page layout，但配置要求强制 0SM。
+
+### 6.2 不应 warning 刷屏的情况
+
+1. prefix 为 0。
+2. prefix/extend 低于阈值，按策略跳过 prefetch。
+3. index skip layer 不需要 prefetch。
+4. draft/EAGLE prefetch 第一版未启用。
+
+这些只应进入 debug/timing 日志，不能在生产路径刷 warning。
+
+---
+
+## 7. 剩余风险
+
+### R1. peer-read ordering 不是 collective ordering
+
+如果 0SM/IPC prefix prefetch 直接读 peer L1 pages，需要证明 owner rank 的 L2->L1 load 和当前 layer writes 已经完成。否则会读到旧 KV 或未初始化 KV。
+
+第一版规避方式：
+
+```text
+只对历史 prefix pages 启用 prefetch；
+current suffix 仍由当前 layer 同步 compose/reduce；
+L2->L1 load 至少提前两个 layer；
+必要时 prefetch stream 等 local load event。
+```
+
+### R2. CE descriptor CPU overhead 可能抵消收益
+
+如果每 layer 都构造 Python list / CPU descriptor / H2D metadata，0SM copy 本身省下的 SM 可能被 CPU overhead 抵消。
+
+要求：
+
+```text
+descriptor 在 ForwardBatch/create 阶段缓存；
+layer 只更新 base pointer / stream event；
+benchmark 单独统计 descriptor build 与 submit latency。
+```
+
+### R3. fp8 page_nbytes 必须来自真实 tensor stride
+
+fp8 KV cache 之前出现过 paged/ragged shape 不一致问题。prefetch/0SM 不能假设 `hidden_dim * dtype_size`，必须使用真实 page tensor stride 计算：
+
+```text
+page_nbytes = stride(page_dim) * element_size
+```
+
+### R4. bs>1 tiny extend 不能因为 prefetch skip 丢失 current/full reuse
+
+prefetch 只是 overlap 优化。即使 prefix/extend 太短跳过 prefetch，也必须保持：
+
+```text
+current reuse / partial-current reuse / full current sync compose 正确可用
+```
+
+不能让 “不创建 prefetcher” 变成 “不走 reuse”。
+
+### R5. index skip 下的 index prefetch 不应访问被压缩掉的 layer
+
+P3-P6 已经压缩 L1/L2 index cache。prefetch 必须复用 active-layer 映射，否则会访问错误 index state layer 或越界。
+
+---
+
+## 8. 推荐落地顺序
+
+最小可验证路径：
+
+```text
+P0 文档
+P1 单测锁住 spans/page_inverse 语义
+P2 MLA bs>1 prefetch spans baseline
+P3 index bs>1 prefetch spans baseline
+P4 接 L2->L1 +2 readiness
+P5 TAI SM IPC spans baseline benchmark
+P6 0SM CE prototype
+P7 GSM8K/replay/Nsight 验证
+```
+
+不要先做 P6 再修 P2/P3。0SM kernel 只解决 transport 代价，不解决 bs>1 prefix/current slot 语义；如果语义仍是 scalar prefix，kernel 越快只会越快地产生错误。