diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交.md
new file mode 100644
index 0000000..35a3666
--- /dev/null
+++ b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交.md
@@ -0,0 +1,883 @@
+# Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交
+
+## 一、教程定位
+
+本教程是赛题二 **Fused MoE** 任务的 “benchmark 性能基线与 XPU-OJ 提交衔接”模块，主要帮助学员跑通目标算子的 benchmark 脚本，理解原库 API、输入输出结构、性能指标和性能基线结果，并进一步读懂 XPU-OJ 题目包中的接口约定、测试数据、参考输出和精度要求。
+
+需要特别说明：
+
+* 本教程不提供可直接提交的标准答案代码。
+
+* 本教程仅提供冒烟级 starter 示例代码，用于验证环境、语言、提交链路和 `run_kernel(...)` 接口。
+
+* benchmark 脚本用于建立性能基线，不是最终提交物。
+
+* XPU-OJ 题包中的 `baseline()` 属于 OJ 后台参考实现，用于生成 `output_ref`，不是选手提交代码。
+
+* 选手最终需要自行实现 `run_kernel(...)`，并在正确性通过后继续优化性能。
+
+
+完成本教程后，学员应能够跑通 benchmark 脚本，记录性能基线结果，读懂 XPU-OJ 题包，理解 OJ 的测试输入与参考实现，并完成一次冒烟级 OJ 提交。
+
+## 二、学习目标
+
+完成本模块后，你将能够：
+
+1. 理解 Fused MoE 推理算子的基本作用、输入输出和典型应用场景；
+
+2. 跑通对应 benchmark 脚本，并记录性能基线结果；
+
+3. 学习如何基于 Trition 与 MXMACA C++ 编写 Fused MOE 算子；
+
+4. 完成数值正确性测试，即验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果是否数值完全一致。
+
+ * reference：基于 PyTorch 架构在 CPU 上运行的**数值基准**实现；
+
+ * pybind：将 MXMACA C++ 算子编译并封装为 Python 可调用的动态库，**实现复杂且迁移成本高**；
+
+ * Triton：基于 Python 编写的高效 GPU Kernel，可利用 Agent 自动调优，**开发效率高、易于迁移**；
+
+ * 要求 pybind 和 Triton 结果均与 reference 一致，鼓励参赛选手持续调优 Triton ，使其性能逼近甚至超越 pybind 性能。
+
+5. 区分 benchmark 性能基线、OJ 参考实现和选手提交代码；
+
+6. 读懂对应 XPU-OJ 题包中的题目描述、接口约定、数据范围和精度要求；
+
+7. 完成一次冒烟级 `run_kernel(...)` 提交，确认 OJ 链路、语言环境和接口调用正常；
+
+8. 使用 AI Agent 辅助阅读题包、生成初版实现、定位错误并规划性能优化方向。
+
+
+## 三、适用对象
+
+**本模块适合以下人员：**
+
+* 参与基于 AI Agent 开发范式的国产 GPU 大模型推理算子库优化比赛的学生；
+
+* 对 GPU 推理算子性能优化感兴趣的开发者；
+
+* 需要了解 Fused MoE 推理性能的研究人员。
+
+
+**学习本模块前，需掌握以下基础知识：**
+
+* Python、C++ 编程基础；
+
+* PyTorch 基础；
+
+* GPU 推理基本概念。
+
+
+## 四、前置准备
+
+**开始实战前，请确认你已经完成以下准备：**
+
+### 4.1 环境准备
+
+* 已获取 GPU 资源并进入赛事专属镜像环境。
+
+
+若未完成可参考：[基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent部署准备教程.md-MetaX-MACA/揭榜挂帅-沐曦赛题](https://www.gitlink.org.cn/metax-maca/op_optimization/tree/master/%E5%9F%BA%E4%BA%8EAI%20Agent%E5%BC%80%E5%8F%91%E8%8C%83%E5%BC%8F%E7%9A%84%E5%9B%BD%E4%BA%A7GPU%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8E%A8%E7%90%86%E7%AE%97%E5%AD%90%E5%BA%93%E4%BC%98%E5%8C%96%2F%E6%A8%A1%E5%8A%9B%E6%96%B9%E8%88%9FAgent%E9%83%A8%E7%BD%B2%E5%87%86%E5%A4%87%E6%95%99%E7%A8%8B.md)
+
+### 4.2 工具准备
+
+* 已准备 Agent 工具；
+
+* 已配置 Token / API Key；
+
+* 已确认 Agent 可以正常调用模型。
+
+
+若未完成可参考：[基于AI Agent开发范式的国产GPU大模型推理算子库优化/模力方舟Agent部署准备教程.md-MetaX-MACA/揭榜挂帅-沐曦赛题](https://www.gitlink.org.cn/metax-maca/op_optimization/tree/master/%E5%9F%BA%E4%BA%8EAI%20Agent%E5%BC%80%E5%8F%91%E8%8C%83%E5%BC%8F%E7%9A%84%E5%9B%BD%E4%BA%A7GPU%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8E%A8%E7%90%86%E7%AE%97%E5%AD%90%E5%BA%93%E4%BC%98%E5%8C%96%2F%E6%A8%A1%E5%8A%9B%E6%96%B9%E8%88%9FAgent%E9%83%A8%E7%BD%B2%E5%87%86%E5%A4%87%E6%95%99%E7%A8%8B.md)
+
+### 4.3 代码准备
+
+* 已获取 Fused MoE 源码，包括 benchmark 测试脚本和供参考的冒烟代码。
+
+
+源码目录：[MetaX-MACA/揭榜挂帅-沐曦赛题 | GitLink](https://www.gitlink.org.cn/metax-maca/op_optimization/tree/master/%E5%9F%BA%E4%BA%8EAI%20Agent%E5%BC%80%E5%8F%91%E8%8C%83%E5%BC%8F%E7%9A%84%E5%9B%BD%E4%BA%A7GPU%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%8E%A8%E7%90%86%E7%AE%97%E5%AD%90%E5%BA%93%E4%BC%98%E5%8C%96/operator_task_package/fused_moe_task_package)
+
+### 4.4 账号准备
+
+* 已获取 XPU-OJ 账号。
+
+
+XPU-OJ 账号由组委会统一发放，参赛者无需自行注册。
+
+如果登录后看不到题目，请联系助教或赛事运营确认账号是否已加入对应比赛 / 用户组。
+
+## 五、知识预备
+
+### 5.1 混合专家模型 MoE
+
+参考链接：[https://huggingface.co/blog/zh/moe](https://huggingface.co/blog/zh/moe)
+
+混合专家模型（Mixed Expert Models，简称 MoE）是一种稀疏激活的模型结构。与稠密模型不同，MoE 在前向计算时只激活部分参数，从而在相近的计算预算下，获得更大的模型容量和更快的收敛速度。这也是当前大模型扩展参数规模的主流路径之一。
+
+MoE 的主要优势体现在预训练和训练阶段的算力效率上，但在推理阶段带来了新的**挑战**：
+
+* **显存占用高**：尽管每个 Token 只激活部分专家，但所有专家的参数仍需常驻显存。例如 Mixtral 8×7B 的实际参数量接近 47B，而非 8×7B 的简单叠加，因为除 FFN 外的大多数参数在各专家间是共享的。
+
+* **计算不均衡**：不同专家接收的 Token 数量可能不同，导致计算负载不均，容易形成局部瓶颈。
+
+* **访存压力大**：专家权重、Token 路由、Permute / Unpermute 都会带来额外的显存读写，而不仅仅是计算量的减少。
+
+
+因此，在推理阶段对 MoE 算子进行系统级优化具有非常重要的意义，在不改变模型行为和数值精度的前提下，通过更合理的调度、融合与访存优化，缓解稀疏性带来的碎片化和内存压力。
+
+### 5.2 INT8 模型量化
+
+参考链接：[https://www.cnblogs.com/chentiao/p/18315901](https://www.cnblogs.com/chentiao/p/18315901)
+
+INT8 量化是一种用于减少模型大小和计算复杂度的方法，特别是在深度学习模型中。它通过将浮点数（通常是 FP32）转换为 8 位整数 (INT 8)，从而减少内存使用和提高计算效率。
+
+## 六、项目实践1-从 Benchmark 验证到 XPU-OJ
+
+**项目目标：**先跑通 Fused MoE 算子的 benchmark 脚本，建立性能基线；再基于同一题目语义完成 XPU-OJ 冒烟提交，确认评测环境能够正确调用 `run_kernel(...)`，为后续正确性修复和性能优化打基础。
+
+### 6.1 在赛事镜像中验证 Fused MoE Benchmark
+
+#### Step 1：检查运行环境
+
+**目标：**确认当前环境满足本模块运行要求，包括编译器、MXMACA 工具链及 Python 依赖库。
+
+**操作：**检查 Python、编译工具、MXMACA 编译器及关键 Python 包（numpy、torch、triton）是否存在。
+
+**命令示例：**
+
+```apl
+python --version # 检查Python版本，Python ≥ 3.8
+g++ --version # 确认 C++ 编译器存在
+which mxcc # 确认 MACA 编译器存在
+
+
+# 检查 Python 依赖
+python - << 'EOF'
+import sys
+deps = ["numpy", "torch", "triton"]
+missing = []
+for d in deps:
+ try:
+ __import__(d)
+ except ImportError:
+ missing.append(d)
+if missing:
+ print(f"[ERROR] Missing packages: {missing}")
+ sys.exit(1)
+else:
+ print("[OK] numpy, torch, triton are installed.")
+EOF
+```
+
+**预期结果：**
+
+* Python 3.12.11
+
+* g++ (Ubuntu 13.3.0-6ubuntu2~24.04.1) 13.3.0
+
+* /opt/maca/mxgpu\_llvm/bin/mxcc
+
+* \[OK\] numpy, torch, triton are installed.
+
+
+**常见问题：**
+
+| **报错** | **原因** | **解决办法** |
+| --- | --- | --- |
+| `g++：command not found` | 未安装 C++ 编译工具 | `apt update && apt install -y build-essential` |
+| `Python 3.6.x/ Python 3.7.x` | Python 版本过低 | `conda install python=3.12` （推荐3.10+) |
+| `ModuleNotFoundError: numpy` | 当前 Python 缺少依赖 | `pip install numpy torch triton` |
+
+#### Step 2：进入项目目录
+
+**目标：**进入本模块所需的源码目录。
+
+**操作：**切换到指定项目路径。
+
+**命令示例：**
+
+```apl
+# 克隆代码仓库
+git clone https://gitlink.org.cn/metax-maca/op_optimization.git
+# 切换到fused moe目录下benchmark项目
+cd '.\op_optimization\基于AI Agent开发范式的国产GPU大模型推理算子库优化\operator_task_package\fused_moe_task_package\benchmark'
+```
+
+#### Step 3：pybind 编译
+
+**目标：**将用 C++ 编写的 fused\_moe 算子编译为 Python 可调用的 pybind 模块。
+
+**操作：**运行 `fused_moe/scripts/build_fused_moe_i8_tn_pybind.sh` 脚本
+
+**命令示例：**
+
+```apl
+bash scripts/build_fused_moe_i8_tn_pybind.sh
+```
+
+切换 Python 环境命令示例：
+
+```apl
+PYTHON_BIN=/path/to/python bash scripts/build_fused_moe_i8_tn_pybind.sh
+```
+
+**预期结果：**
+
+编译成功无报错，终端显示：
+
+* \[SUCCESS\] /root/Project/fused\_moe/standalone/fused\_moe\_i8\_tn/build/fused\_moe\_i8\_tn\_ pybind.so
+
+ 且成功生成 `fused_moe/standalone/fused_moe_i8_tn/build/fused_moe_i8_tn_pybind.cpython-310-x86_64-linux-gnu.so` 文件
+
+ **常见问题：**
+
+ | **报错** | **原因** | **解决办法** |
+ | --- | --- | --- |
+ | `Python.h: No such file or directory` | Python 头文件路径未找到 | 确认 `PYTHON_BIN` 路径正确，脚本自动探测 `sysconfig.get_path('include')` |
+ | `libpython3.x.so: cannot find` | 链接时找不到 Python 库 | 1、执行 `find $CONDA_PREFIX -name "libpython3*.so*"`查找绝对路径
2、将该路径赋值给 `LIBPYTHON_PATH` |
+ | `recompile with -fPIC` | 编译未开启位置无关代码 | 确保 `mxcc`/ `g++`编译参数中有 `-fPIC` |
+ | `permission denied` | 无脚本执行权限 | `chmod +x scripts/*.sh` |
+ | `undefined reference to Py_...` | Python 版本不匹配 | 确认编译脚本中`PYTHON_BIN`路径与当前运行的 Python 环境完全一致 |
+
+ #### Step 4：正确性验证
+
+ **目标：**验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果的数值是否一致。
+
+ **操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_pybind_test.sh` 脚本
+
+ **命令示例：**
+
+ ```apl
+ bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend all # 运行全部计算方式
+
+ # --backend：选择计算方式
+ # 只测 pybind：
+ bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend pybind
+ # 只测 triton：
+ bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend triton
+ # 只测 reference:
+ bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend reference
+ ```
+
+ **预期结果：**
+
+ 编译成功无报错，输出示例如下：
+
+ > pybind:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.69531, C\[last\]=-0.44531
+
+ > pybind:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.57813, C\[last\]=-0.49805
+
+ > pybind:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.08594, C\[last\]=-0.33594
+
+ > reference:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.6934, C\[last\]=-0.4451
+
+ > reference:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.5768, C\[last\]=-0.4975
+
+ > reference:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.0875, C\[last\]=-0.3362
+
+ > triton:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.69337, C\[last\]=-0.44513
+
+ > triton:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.57678, C\[last\]=-0.49749
+
+ > triton:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.08748, C\[last\]=-0.33618
+
+ **结果解释：**
+
+ * “pybind/reference/Triton”：三种计算方式；
+
+ * “fused\_moe\_i8\_tn\_topk1/2/3 passed”：测试算子通过数值校验，数值误差在允许范围内且无明显异常，否则会报错 FAILED；
+
+ * ”rows=... , cols=...“：输出 Tensor 的形状；
+
+ * ”sample C\[0\]=... , C\[last\]=...“：首尾采样值，用于辅助定位数值偏差，不作为精度判定依据。
+
+
+ **常见问题：**
+
+ | **报错** | **原因** | **解决办法** |
+ | --- | --- | --- |
+ | `ModuleNotFoundError: fused_moe_i8_tn_pybind` | pybind 模块未编译或未加入 `PYTHONPATH` | 回到步骤 3，确认 `.so`已生成；执行 `export PYTHONPATH=/root/Project/fused_moe:$PYTHONPATH` |
+ | `FAILED: max abs diff too large` | 数值误差超过阈值 | 检查 scale 是否应用位置错误；确认 TopK 索引与权重是否一致 |
+ | `FAILED: shape mismatch` | 输出张量形状不一致 | 检查 Token Permute / Unpermute 逻辑；确认 expert 维度对齐 |
+ | `FAILED: NaN or Inf detected` | 溢出或未初始化内存 | 检查 INT8 乘加是否溢出；确认 GEMM 输出是否反量化 |
+ | 终端长时间无输出 | Kernel 死锁或 Launch 失败 | 减小测试 shape；检查是否触发 MACA 硬件限制 |
+
+ #### Step 5：性能测试
+
+ **目标：**输出 benchmark 结果对比表
+
+ **操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_benchmark.sh` 脚本
+
+ **命令示例：**
+
+ ```apl
+ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 20
+ # --backend：选择计算方式
+ # --warmup：设置预热次数
+ # --iters：设置迭代次数
+ ```
+
+ **预期结果：**
+
+ 编译成功无报错，输出示例如下：
+
+ > pybind:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=0.308978, TOPS=0.027149, warmup=5, iters=20
+
+ > pybind:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=0.304500, TOPS=0.055098, warmup=5, iters=20
+
+ > pybind:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=0.297775, TOPS=0.042256, warmup=5, iters=20
+
+ > reference:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=1685.43, TOPS=0.000005, warmup=5, iters=20
+
+ > reference:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=3384.52, TOPS=0.000005, warmup=5, iters=20
+
+ > reference:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=2532.14, TOPS=0.000005, warmup=5, iters=20
+
+ > triton:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=19.013421, TOPS=0.000441, warmup=5, iters=20
+
+ > triton:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=16.745914, TOPS=0.001002, warmup=5, iters=20
+
+ > triton:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=19.630328, TOPS=0.000641, warmup=5, iters=20
+
+ **结果解释：**
+
+ * “pybind/reference/Triton”：三种计算方式；
+
+ * “fused\_moe\_i8\_tn\_topk1/2/3”：分别对应选择前 1 / 2 / 3 个专家场景下的 MoE 算子；
+
+ * “avg\_ms”：平均算子执行耗时（毫秒），这里不计算预热时间，只计算正式迭代的时间；
+
+ * “TOPS”：Tera Operations Per Second，本次 MoE 算子的总运算量 / 实际耗时；
+
+ * “warmup=5, iters=20”：预热轮数和正式迭代数。
+
+
+ **常见错误：**
+
+ | **报错** | **原因** | **解决办法** |
+ | --- | --- | --- |
+ | `ModuleNotFoundError: fused_moe_i8_tn_pybind` | pybind 模块未编译或未加入 `PYTHONPATH` | 回到步骤 3，确认 `.so`已生成；执行 `export PYTHONPATH=/root/Project/fused_moe:$PYTHONPATH` |
+ | 终端长时间无输出 | Kernel 死锁或 MACA 驱动异常 | 减小测试 shape；重启容器或设备 |
+ | avg\_ms 异常抖动（±50%） | 其他进程占用 GPU | 关闭其他占用显存的进程，单机单任务运行 |
+
+ ### 6.2 在 XPU-OJ 平台进行提交
+
+ 平台链接：[https://xpuoj.com/](https://xpuoj.com/)
+
+ #### Step 6：从 Benchmark 到 XPU-OJ 提交
+
+ **目标：**理解 Benchmark 和 XPU-OJ 在线评测任务的不同，完成从 Benchmark 到 XPU-OJ 提交的转换。
+
+ **操作：**
+
+ 1、厘清 Benchmark 和 XPU-OJ 的区别：
+
+ 赛事镜像中的 Benchmark 脚本用于理解目标算子的调用方式、输入输出 shape 和性能基线；XPU-OJ 题包用于定义最终评测接口、数据范围、参考输出和精度要求。
+
+ | **维度** | **Benchmark 脚本** | **XPU-OJ 提交** |
+ | --- | --- | --- |
+ | **目的** | 理解算子接口、建立性能基线 | 统一环境下的正确性+性能评测 |
+ | **接口形式** | Python API | 三种接口供选择：
* CUDA C（`extern "C"`）
* TileLang（Python `@jit`）
* Triton（Python `@triton.jit`） |
+ | **函数签名** | `backend_fn(...)` | `run_kernel(...)` |
+ | **数据范围** | 多种 head\_dim / batch\_size / seq\_len 组合 | 固定参数范围（以题包为准） |
+ | **验证** | 无自动正确性校验，人工对比输出数值 | 强制通过 `torch.allclose(rtol=2e-2, atol=5e-3)` |
+ | **输出** | 终端直接输出 | 排行榜得分 |
+
+ 2、理解完成 benchmark 验证并成功建立性能基线后，需要完成以下转换：
+
+ 1. 从 benchmark 脚本中理解目标 API；
+
+ 2. 在对应 OJ 平台【题目描述】中查看 `run_kernel(...)` 接口；
+
+ 3. 对照 OJ 平台【题目描述】中的输入 shape、数据范围和精度要求；
+
+ 4. 编写自己的 `run_kernel(...)`；
+
+ 5. 在 OJ 平台提交`run_kernel(...)`，先通过正确性；
+
+ 6. 正确性通过后，再对比 benchmark 耗时 / OJ 耗时继续优化。
+
+
+#### Step 7：登录 XPU-OJ 平台并进入题目页面
+
+**目标：**访问 XPU-OJ 评测平台，找到 `fused_moe_i8_tn`算子题目，熟悉题目页面布局。
+
+**操作：**
+
+1. 进入 XPU-OJ 平台后使用分配到的账号进行登录
+
+ [](https://www.picgo.net/image/image7.4dk6yw)
+
+2. 进入比赛页面：点击顶部导航栏【比赛】，选择【进行中】，找到对应比赛进入。
+
+ [](https://www.picgo.net/image/image8.4dkxr6)
+
+ 3、进入题目页面：本算子对应比赛题目6：`Fused MoE i8 tn`，点击进入题目页面：
+
+ [](https://www.picgo.net/image/image9.4doS64)
+
+ 完成上述步骤可进入如下题目页面：
+
+ * 左侧：题目描述，下滑可查看 CUDA Maca、Triton 和 TileLang 三种语言的接口约定、输入输出格式、示例、数据范围、正确性要求以及提示；
+
+ * 右侧：提交区域，输入编写的`run_kernel(...)`后在下方选择对应的语言即可提交。还可以通过上方导航栏【我的提交】查看历史提交。
+
+
+[](https://www.picgo.net/image/image10.4doWIj)
+
+#### Step 8：理解 XPU-OJ 评测接口和精度要求
+
+**目标：**明确提交代码的接口规范、函数签名及评测判分标准，避免因接口不匹配或理解偏差导致反复提交失败。
+
+**操作：**
+
+1. 在题目页面中找到"接口约定"部分，确认你选择的提交语言（CUDA C / TileLang / Triton），仔细阅读对应的函数签名，**确认参数类型和顺序完全一致**。
+
+2. 对照 Benchmark 的接口（8 个参数、无 `out`），注意 XPU-OJ 的接口**多了一个** `**out**`**参数**（共 9 个），你的代码必须**原地写回结果到** `**out**`，不能只 `return`。
+
+3. 阅读数据范围与提示部分，记住以下关键约束：
+
+ * `topk`恒为 8，`num_experts`恒为 256
+
+ * `EM = num_tokens × 8`，且 `EM`必须是 128 的倍数
+
+ * `N`、`K`由 case 携带：Gate-up 为 (4096, 7168)，Down 为 (7168, 2048)
+
+ * `b_col_major`布局是 `[expert, n, k]`，不是 `[expert, k, n]`
+
+ * `expert_ids`每 128 行一个 tile：`expert(r) = expert_ids[r // 128]`
+
+ * `a`和 `scale_a`已按 routed row 展开，直接用 `a[r, :]`和 `scale_a[r]`即可
+
+4. 找到正确性要求中的评测口径，确认精度要求：
+
+ * 容差：`rtol=2e-2, atol=5e-3`
+
+ * 通过率：`matched_ratio >= 0.99`（至少 99% 的元素在容差范围内）
+
+
+#### Step 9：提交 OJ 冒烟代码
+
+**目标：**提交冒烟代码，确认 OJ 提交链路、语言环境和 `run_kernel(...)` 接口可用。
+
+**操作：**
+
+1. 粘贴代码：在题目页面右侧的提交区域输入编写的`run_kernel(...)` ；
+
+2. 选择语言：在提交界面语言下拉框中选择对应的开发语言（本任务支持 CUDA Mac、Triton 和 TileLang，教程示例对应 CUDA Maca）；
+
+3. 执行提交：点击【提交】按钮，系统将自动进入评测队列，出现如下界面；
+
+4. 等待结果：评测时间与题目测试点数量、队列状态和平台负载有关，通常需要等待数十秒到数分钟。以平台实际返回为准。
+
+
+[](https://www.picgo.net/image/image11.4do0yf)
+
+**预期结果：**
+
+* 提交成功后，系统会自动运行评测程序。
+
+* 首先进行正确性校验，如果输出结果与参考实现差异超过容差，则标记为 `Wrong Answer`。
+
+* 正确性通过后，进行性能评测，计算加速比和得分。
+
+
+#### Step 10：分析评测结果与评分机制
+
+**目标：**深入理解 OJ 评测报告的各项指标含义，结合官方评分规则（参考图片），分析当前代码的性能瓶颈与得分潜力。
+
+**操作：**
+
+1. 查看结果详情：在提交记录中查看状态、总得分、耗时、内存及 SPJ Report（单测试点检查器信息）。
+
+2. 解读关键指标：
+
+ * Config：测试场景参数（如 batch, seqlen, heads 等）；
+
+ * Baseline：官方基准实现耗时（对应 50分）；
+
+ * User kernel：你的代码实际耗时；
+
+ * Speedup vs base：加速比（Baseline / User kernel）；
+
+ * Score ratio：得分比例（0~1），映射为 0~100 分；
+
+ * Pass：功能正确性（OK 表示通过，FAIL 表示错误）。
+
+3. 评分规则：
+
+ * 正确性优先：未通过正确性测试或稳定性测试的作品，客观评测得分记为 0 分；
+
+ * OJ 平台对单测试点的评分遵循以下公式：
+
+
+$S(T\_k) = \frac{100}{1 + \left(\frac{1}{0.5} - 1\right) \cdot \frac{T\_k - T\_h}{T\_b - T\_h}}$
+
+其中，$T\_k$代表你的 kernel 平均时间；$T\_b$代表 PyTorch baseline 平均时间（对应 50 分）；$T\_h$代表硬件理论下限 。
+
+#### Step 13：榜单查看与优化方向
+
+**目标：**掌握榜单查看方法，了解自身排名位置，并制定针对性的代码优化策略。
+
+**操作：**
+
+1. 查看榜单：进入题目榜单页面，观察：
+
+ * 总得分：各题目得分总和，决定最终排名。
+
+ * 个人排名：页面顶部显示“我的排名”与“我的总分”。
+
+ * 各题得分：表格中每列对应一个任务（FlashInfer / FlashAttention / MCTLASS Fused MoE），便于横向对比。
+
+
+ [](https://www.picgo.net/image/image12.4doNRi)
+
+ 点击【排行榜】进入如下页面：
+
+ [](https://www.picgo.net/image/image13.4doU7W)
+
+2. 制定优化方向：
+
+
+| **优化方向** | **具体说明** |
+| --- | --- |
+| 算子融合 | 将矩阵乘、scale、softmax 等步骤合并为单个内核，减少 HBM 往返。 |
+| 并行策略调整 | 在 Decode 阶段采用分块或 Split-K 思路，提升长 KV 序列并行度。 |
+| 在线 Softmax | 引入局部最大值与局部求和动态缩放，保证数值稳定并减少访存。 |
+| 显存访问合并 | 保证相邻线程访问相邻地址，按 HeadDim 等连续维度向量化加载。 |
+| 利用内存层级 | 将频繁更新的标量放入寄存器，块内复用数据放入共享内存。 |
+| 软件流水线 | 在当前分块计算时预取下一分块数据，隐藏内存加载延迟。 |
+| 减少冗余计算 | 提取循环不变量，处理变长序列时减少复杂分支。 |
+
+## 七、项目实践2-Kernel Swift 智能算子迁移系统自动调优
+
+系统链接：[https://deeplink.org.cn/kernelswift/task](https://deeplink.org.cn/kernelswift/task)
+
+**项目目标：**基于 KernelSwift 智能算子迁移系统，对 Fused MoE 算子进行在线自动调优。通过输入算子的 PyTorch 代码，一键生成适配沐曦硬件的高性能实现，高效完成算子优化与全流程追踪。
+
+### 步骤1：复用算子广场的Fused MoE 算子进行二次优化
+
+**目标：**通过提交算子广场的 fused\_moe 算子代码发起自动优化流程，实现二次优化
+
+**操作：**
+
+1. 进入算子广场：点击左侧导航栏 【算子广场】，进入算子列表页
+
+ 搜索 fused\_moe 算子，复制 `input_code.py` 代码，也可直接复制以下代码：
+
+ ```python
+ import torch
+ import torch.nn as nn
+ import torch.nn.functional as F
+
+
+ class Model(nn.Module):
+ """
+ Reference PyTorch MoE forward (no fused kernels).
+ Expects inputs:
+ hidden_states: (M, in_size)
+ w1: (E, hidden_size, in_size) where hidden_size = 2 * up_dim
+ w2: (E, out_size, up_dim)
+ topk_weights: (M, top_k)
+ topk_idx: (M, top_k)
+ top_k: int
+ renormalize: bool
+ """
+
+ def __init__(self):
+ super().__init__()
+
+ def forward(
+ self,
+ hidden_states: torch.Tensor,
+ w1: torch.Tensor,
+ w2: torch.Tensor,
+ topk_weights: torch.Tensor,
+ topk_idx: torch.Tensor,
+ top_k: int,
+ renormalize: bool = True,
+ ) -> torch.Tensor:
+ if renormalize:
+ topk_weights = topk_weights / topk_weights.sum(dim=-1, keepdim=True)
+
+ seq_len = hidden_states.size(0)
+ out_size = w2.size(1)
+ output = hidden_states.new_zeros(seq_len, out_size)
+ num_experts = w1.size(0)
+
+ # Accumulate expert contributions
+ for eid in range(num_experts):
+ token_idx, k_idx = torch.where(topk_idx == eid)
+ if token_idx.numel() == 0:
+ continue
+ gate_proj, up_proj = w1[eid].chunk(2, dim=0)
+ down_proj = w2[eid]
+ tmp = F.linear(hidden_states[token_idx], gate_proj)
+ tmp = F.silu(tmp) * F.linear(hidden_states[token_idx], up_proj)
+ tmp = F.linear(tmp, down_proj)
+ tmp = tmp * topk_weights[token_idx, k_idx, None]
+ output.index_add_(0, token_idx, tmp.to(output.dtype))
+ return output
+
+
+ # Hyperparameters
+ seq_len = 128
+ in_size = 128
+ hidden_size = 256 # 2 * up_dim
+ out_size = 128
+ num_experts = 32
+ top_k = 4
+
+ dtype = torch.float16
+
+ def get_inputs():
+ hidden_states = (torch.rand(seq_len, in_size, dtype=dtype) - 0.5) / 2
+ w1 = (torch.rand(num_experts, hidden_size, in_size, dtype=dtype) - 0.5) / 2
+ w2 = (torch.rand(num_experts, out_size, hidden_size//2, dtype=dtype) - 0.5) / 2
+ routing_logits = (torch.rand(seq_len, num_experts, dtype=dtype) - 0.5) / 2
+ routing_weights = torch.softmax(routing_logits, dim=-1, dtype=torch.float32)
+ topk_weights, topk_idx = torch.topk(routing_weights, top_k, dim=-1)
+ return [hidden_states, w1, w2, topk_weights, topk_idx, top_k, True]
+
+ def get_init_inputs():
+ return []
+ ```
+
+2. 进入新建任务页：点击左侧导航栏【新建任务】 ，进入算子提交页面。
+
+3. 编写算子代码：在 `model.py` 编辑器中输入刚刚复制的 fused\_moe 算子代码。
+
+ 如果想自行编写算子代码，需严格遵循标准格式规范：输入代码必须包含 `class Model` 定义算子实现，`get_init_inputs` 和 `get_inputs` 定义测试用例，确保优化过程可验证算子正确性。
+
+4. 配置优化参数
+
+ * 指定任务名称：支持字母、下划线、数字组合，示例：fused\_moe\_01
+
+ * 选择适配硬件：算子需要适配的目标硬件厂商及型号，建议：沐曦
+
+ * 最大演化轮次：优化算法迭代次数，取值范围40-400，建议默认40，复杂算法可提高至100+
+
+5. 提交优化任务：点击右下角 \[优化\] 按钮，系统将提交任务并进入 \[生成中\] 状态
+
+
+[](https://www.picgo.net/image/image1.4SHrb4)
+
+完成上述步骤将看到如下界面：
+
+[](https://www.picgo.net/image/image2.4SHscu)
+
+### 步骤2：任务查看与结果管理
+
+**目标：**在新建优化任务后可追踪任务进度，获取优化结果
+
+**操作：**
+
+1. 查看任务列表：点击左侧【任务查看】，可看到所有提交的优化任务
+
+ * 任务状态：排队中、环境初始化、算子预编译、精度验证、性能调优、已完成、失败
+
+ * 任务信息：任务名称、进度、创建时间、适配硬件
+
+ * 操作按钮：查看详情、删除任务
+
+
+ [](https://www.picgo.net/image/image3.4SHDeY)
+
+2. 追踪任务进度：当前任务状态为【运行中】时，点击任务列表中的【查看详情】按钮，追踪任务进度：
+
+ * 左侧：原始算子代码（输入的 `input_code.py`）
+
+ * 右侧：任务进度条，包含以下阶段：
+
+ 1. 环境初始化：准备目标硬件编译环境
+
+ 2. 算子预编译：验证算子代码是可正常编译
+
+ 3. 精度验证：验证优化后算子输出与原始算子误差的可接受范围
+
+ 4. 性能调优：按设定的演化轮次迭代优化算子性能
+
+
+ * 顶部：任务名称、创建/更新时间、适配硬件、当前轮次进度
+
+
+[](https://www.picgo.net/image/image4.4SHVpp)
+
+3. 获取优化结果：当前任务状态为【已完成】时，可在详情页查看优化结果：
+
+ * 优化后算子代码支持一键复制
+
+ * 算子加速比（基准耗时 / 优化后耗时）、性能数据（如延迟、吞吐量）
+
+ * 可点击【Diff 对比】查看优化前后代码差异，理解性能提升逻辑
+
+
+ [](https://www.picgo.net/image/image5.4ScbBr)
+
+4. 任务异常处理
+
+ * 任务失败：查看错误日志，常见原因包括代码不符合规范、测试用例错误、硬件适配问题，修改后重新提交任务；
+
+ * 排队时间长：可调整提交时间，或联系平台管理员确认资源状态。
+
+
+## 八、Agent使用说明
+
+在本模块中，Agent可以帮助你完成以下任务：
+
+1. **环境检查**
+
+ ```plaintext
+ 我正在算力平台进行 Fused MoE 的 Benchmark 验证。
+ 需要的环境信息如下：
+ - Python 3.12
+ - g++ 13.3.0
+ - mxcc 已安装
+ - numpy / torch / triton 已安装
+
+ 请帮我确认：
+ 1. 当前环境是否满足编译与运行要求？
+ 2. 是否有潜在的不兼容风险（如 Python 与 libpython 版本）？
+ ```
+
+2. **运行测试**
+
+ ```plaintext
+ 请帮我运行 scripts/run_fused_moe_i8_tn_pybind_test.sh 脚本
+ ```
+
+3. **分析结果**
+
+ ```plaintext
+ 这是性能测试结果：
+ pybind: avg_ms=0.30, TOPS=0.027
+ triton: avg_ms=19.01, TOPS=0.0004
+ reference: avg_ms=1685, TOPS=0.000005
+
+ 请分析：
+ 1. 为什么 pybind 比 Triton 快这么多？
+ 2. TOPS 指标是否可信？
+ 3. 当前结果是否已经具备提交价值？
+ ```
+
+4. **报错检查**
+
+ ```plaintext
+ 编译 pybind 时出现以下错误：
+ /usr/bin/ld: cannot find -lpython3.10
+
+ 已知：
+ - 使用的是 Conda Python 3.10
+ - mxcc 编译正常
+
+ 请一步一步告诉我：
+ 1. 错误原因是什么？
+ 2. 如何用 find 命令定位 libpython3.10.so？
+ 3. 如何在 build_fused_moe_i8_tn_pybind.sh 中正确指定路径？
+ ```
+
+5. **代码理解**
+
+ ```plaintext
+ 请帮我梳理释 benchmark_fused_moe_i8_tn.py 代码整体框架
+ ```
+
+6. **生成 OJ 提交代码**
+
+7. **KernelSwift 系统搜索算子**
+
+
+```plaintext
+请帮我在算子广场检索 fused_moe 算子
+```
+
+## 九、常见问题与注意事项
+
+### 9.1 Benchmark 验证
+
+1. 环境准备与依赖问题
+
+ * 确保算力平台已正确安装 Python 和 C++、MACA 编译器及相关运行时库，避免因环境缺失导致编译失败；
+
+ * 镜像环境使用 Conda Python 作为默认运行环境，避免系统 Python 与 Conda Python 混用，防止 `Python.h`或 `libpython`路径错误。
+
+2. pybind 编译与链接
+
+ * 若`Python.h not found`，请检查脚本中`PYTHON_INCLUDE`是否指向当前 Python 的 `include`目录；
+
+ * 若`libpython not found`，请直接指定 Conda 下的`**libpython3.x.so**`绝对路径，避免链接系统静态库；
+
+ * 编译 `pybind`模块时，务必开启 `-fPIC`，否则会出现 `recompile with -fPIC`错误。
+
+3. 性能测试建议
+
+
+benchmark 应在关闭其他占用 GPU 的任务后执行，避免干扰性能数据；
+
+多次运行取平均值，避免单次抖动影响结果；
+
+性能对比应基于相同随机种子、相同 shape、相同 TopK、相同 batch size的条件下进行，降低误差。
+
+### 9.2 OJ 提交
+
+1. 为什么本地能跑，OJ 上却 Runtime Error？
+
+ 本地环境和 OJ 沙箱不完全一样。OJ 可能限制某些 Python 写法、外部文件访问或动态编译行为。
+
+ 常见例子：
+
+ ```python
+ def silu(x: torch.Tensor) -> torch.Tensor:
+ ...
+ ```
+
+ 这种类型注解可能触发：
+
+ ```text
+ Access to torch.Tensor is not allowed
+ ```
+
+ 处理方式：去掉 `torch.Tensor` 类型注解。
+
+2. 为什么 OJ 是 Wrong Answer？
+
+ 优先检查四个点：
+
+ * `token_ids[r]` 是否先除以 `topk`；
+
+ * `expert_ids` 是否按 `r // 128` 取；
+
+ * `b_col_major` 是否按 `[expert, n, k]` 理解；
+
+ * 结果是否写回 `out`，而不是只返回一个新 tensor。
+
+3. 为什么冒烟代码很慢？
+
+
+冒烟代码的目标是确认接口正确，不是追求性能。
+
+如果它能过正确性，但耗时很高，这是正常的。下一步才是把核心计算替换成 Triton kernel 或其他更快的 GPU 实现。
+
+### 9.3 Kernel Swift 智能算子迁移系统自动调优
+
+1. 代码规范问题
+
+ 输入代码需符合以下标准格式：
+
+ * `class Model`，表示待优化的算子实现；
+
+ * `def get_init_inputs`，表示 module init 的输入测试样例；
+
+ * `def get_inputs`，表示 module forward 的输入测试样例。
+
+2. 性能优化建议
+
+ * 对于复杂算子，可适当提高最大演化轮次（如 100-200），获得更高加速比；
+
+ * 优先选择算子广场中已有优化案例的算子类型，降低适配失败概率。
+
+3. 硬件适配问题
+
+ * 提交任务前确认目标硬件支持的算子类型；
+
+ * 优化失败时，可尝试更换适配硬件，或调整算子实现逻辑。
\ No newline at end of file
diff --git a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md b/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md
deleted file mode 100644
index c29c08d..0000000
--- a/基于AI Agent开发范式的国产GPU大模型推理算子库优化/MCTLASS_Fused MoE 算子优化.md
+++ /dev/null
@@ -1,1400 +0,0 @@
-# Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交
-
-## 一、教程定位
-
-本教程是赛题二 **Fused MoE** 任务的“benchmark 性能基线与 XPU-OJ 提交衔接”模块，主要帮助学员跑通目标算子的 benchmark 脚本，理解原库 API、输入输出结构、性能指标和性能基线结果，并进一步读懂 XPU-OJ 题目包中的接口约定、测试数据、参考输出和精度要求。
-
-需要特别说明：
-
-* 本教程不提供可直接提交的标准答案代码。
-
-* 本教程仅提供冒烟级 starter 示例代码，用于验证环境、语言、提交链路和 `run_kernel(...)` 接口。
-
-* benchmark 脚本用于建立性能基线，不是最终提交物。
-
-* XPU-OJ 题包中的 `baseline()` 属于 OJ 后台参考实现，用于生成 `output_ref`，不是选手提交代码。
-
-* 选手最终需要自行实现 `run_kernel(...)`，并在正确性通过后继续优化性能。
-
-
-完成本教程后，学员应能够跑通 benchmark 脚本，记录性能基线结果，读懂 XPU-OJ 题包，理解 OJ 的测试输入与参考实现，并完成一次冒烟级 OJ 提交。
-
-## 二、学习目标
-
-完成本模块后，你将能够：
-
-1. 理解 Fused MoE 推理算子的基本作用、输入输出和典型应用场景。
-
-2. 跑通对应 benchmark 脚本，并记录性能基线结果。
-
-3. 学习如何基于 Trition 与 MXMACA C++ 编写 Fused MOE 算子。
-
-4. 完成数值正确性测试，即验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果是否数值完全一致。
-
- * reference：基于 PyTorch 架构在 CPU 上运行的**数值基准**实现。
-
- * pybind：将 MXMACA C++ 算子编译并封装为 Python 可调用的动态库，**实现复杂且迁移成本高**。
-
- * Triton：基于 Python 编写的高效 GPU Kernel，可利用 Agent 自动调优，**开发效率高、易于迁移**。
-
- * 要求 pybind 和 Triton 结果均与 reference 一致，鼓励参赛选手持续调优 Triton ，使其性能逼近甚至超越 pybind 性能。
-
-5. 区分 benchmark 性能基线、OJ 参考实现和选手提交代码。
-
-6. 读懂对应 XPU-OJ 题包中的题目描述、接口约定、数据范围和精度要求。
-
-7. 完成一次冒烟级 `run_kernel(...)` 提交，确认 OJ 链路、语言环境和接口调用正常。
-
-8. 使用 AI Agent 辅助阅读题包、生成初版实现、定位错误并规划性能优化方向。
-
-
-## 三、适用对象
-
-**本模块适合以下人员：**
-
-* 参与基于 AI Agent 开发范式的国产 GPU 大模型推理算子库优化比赛的学生。
-
-* 对 GPU 推理算子性能优化感兴趣的开发者。
-
-* 需要了解 Fused MoE 推理性能的研究人员。
-
-
-**学习本模块前，需掌握以下基础知识：**
-
-* Python、C++ 编程基础。
-
-* PyTorch 基础。
-
-* GPU 推理基本概念。
-
-
-## 四、前置准备
-
-**开始实战前，请确认你已经完成以下准备：**
-
-**环境准备：**
-
-* 已进入赛事专属镜像环境。
-
-
-**工具准备：**
-
-* 已准备 Agent 工具；
-
-* 已配置 Token / API Key；
-
-* 已确认 Agent 可以正常调用模型。
-
-
-**代码准备：**
-
-* 已获取 Fused MoE 源码。
-
-
-## 五、项目实践：从 Benchmark 验证到 XPU-OJ 提交
-
-**项目目标：**先跑通 Fused MoE 算子的 benchmark 脚本，建立性能基线；再基于同一题目语义完成 XPU-OJ 冒烟提交，确认评测环境能够正确调用 `run_kernel(...)`，为后续正确性修复和性能优化打基础。
-
-### 步骤 1：检查运行环境
-
-**目标：**确认当前环境满足本模块运行要求，包括编译器、MXMACA 工具链及 Python 依赖库。
-
-**操作：**检查 Python、编译工具、MXMACA 编译器及关键 Python 包（numpy、torch、triton）是否存在。
-
-**命令示例：**
-
-```apl
-python --version # 检查Python版本，Python ≥ 3.8
-g++ --version # 确认 C++ 编译器存在
-which mxcc # 确认 MACA 编译器存在
-
-
-# 检查 Python 依赖
-python - << 'EOF'
-import sys
-deps = ["numpy", "torch", "triton"]
-missing = []
-for d in deps:
- try:
- __import__(d)
- except ImportError:
- missing.append(d)
-if missing:
- print(f"[ERROR] Missing packages: {missing}")
- sys.exit(1)
-else:
- print("[OK] numpy, torch, triton are installed.")
-EOF
-```
-
-**预期结果：**
-
-* Python 3.12.11
-
-* g++ (Ubuntu 13.3.0-6ubuntu2~24.04.1) 13.3.0
-
-* /opt/maca/mxgpu\_llvm/bin/mxcc
-
-* \[OK\] numpy, torch, triton are installed.
-
-
-**常见问题：**
-
-| 报错 | 原因 | 解决办法 |
-| --- | --- | --- |
-| `g++：command not found` | 未安装 C++ 编译工具 | `apt update && apt install -y build-essential` |
-| `Python 3.6.x/ Python 3.7.x` | Python 版本过低 | `conda install python=3.12` （推荐3.10+） |
-| `ModuleNotFoundError: numpy` | 当前 Python 缺少依赖 | `pip install numpy torch triton` |
-
-### 步骤 2：进入项目目录
-
-**目标：**进入本模块所需的源码目录。
-
-**操作：**切换到指定项目路径。
-
-**命令示例：**
-
-```apl
-#克隆代码仓库
-git clone https://gitlink.org.cn/metax-maca/op_optimization.git
-#切换到fused moe目录下benchmark项目
-cd op_optimization/基于AI Agent开发范式的国产GPU大模型推理算子库优化/operator_task_package/fused_moe_task_package/benchmark
-```
-
-
-### 步骤 3：pybind 编译
-
-**目标：**将用 C++ 编写的 fused\_moe 算子编译为 Python 可调用的 pybind 模块。
-
-**操作：**运行 `fused_moe/scripts/build_fused_moe_i8_tn_pybind.sh` 脚本
-
-**命令示例：**
-
-```apl
-bash scripts/build_fused_moe_i8_tn_pybind.sh
-```
-
-切换 Python 环境命令示例：
-
-```apl
-PYTHON_BIN=/path/to/python bash scripts/build_fused_moe_i8_tn_pybind.sh
-```
-
-**预期结果：**
-
-编译成功无报错，终端显示：
-
- * \[SUCCESS\] /root/Project/fused\_moe/standalone/fused\_moe\_i8\_tn/build/fused\_moe\_i8\_tn\_ pybind.so
-
- 且成功生成 `fused_moe/standalone/fused_moe_i8_tn/build/fused_moe_i8_tn_pybind.cpython-310-x86_64-linux-gnu.so` 文件
-
-
-**常见问题：**
-
-
-| 报错 | 原因 | 解决办法 |
-| --- | --- | --- |
-| `Python.h: No such file or directory` | Python 头文件路径未找到 | 确认 `PYTHON_BIN` 路径正确，脚本自动探测 `sysconfig.get_path('include')` |
-| `libpython3.x.so: cannot find` | 链接时找不到 Python 库 | 1、执行 `find $CONDA_PREFIX -name "libpython3*.so*"`查找绝对路径
2、将该路径赋值给 `LIBPYTHON_PATH` |
-| `recompile with -fPIC` | 编译未开启位置无关代码 | 确保 `mxcc`/ `g++`编译参数中有 `-fPIC` |
-| `permission denied` | 无脚本执行权限 | `chmod +x scripts/*.sh` |
-| `undefined reference to Py_...` | Python 版本不匹配 | 确认编译脚本中`PYTHON_BIN`路径与当前运行的 Python 环境完全一致 |
-
-### 步骤 4：正确性测试
-
-**目标：**验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果的数值是否一致。
-
-**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_pybind_test.sh` 脚本
-
-**命令示例：**
-
-```apl
-bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend all # 运行全部计算方式
-
-# --backend：选择计算方式
-# 只测 pybind：
-bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend pybind
-# 只测 triton：
-bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend triton
-# 只测 reference:
-bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend reference
-```
-
-**预期结果：**
-
-编译成功无报错，输出示例如下：
-
-> pybind:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.69531, C\[last\]=-0.44531
-
-> pybind:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.57813, C\[last\]=-0.49805
-
-> pybind:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.08594, C\[last\]=-0.33594
-
-> reference:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.6934, C\[last\]=-0.4451
-
-> reference:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.5768, C\[last\]=-0.4975
-
-> reference:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.0875, C\[last\]=-0.3362
-
-> triton:fused\_moe\_i8\_tn\_topk1 passed: rows=256, cols=128, sample C\[0\]=0.69337, C\[last\]=-0.44513
-
-> triton:fused\_moe\_i8\_tn\_topk2 passed: rows=512, cols=128, sample C\[0\]=-0.57678, C\[last\]=-0.49749
-
-> triton:fused\_moe\_i8\_tn\_topk3 passed: rows=384, cols=128, sample C\[0\]=-1.08748, C\[last\]=-0.33618
-
-**结果解释：**
-
- * “pybind/reference/Triton”：三种计算方式；
-
- * “fused\_moe\_i8\_tn\_topk1/2/3 passed”：测试算子通过数值校验，数值误差在允许范围内且无明显异常，否则会报错 FAILED；
-
- * ”rows=... , cols=...“：输出 Tensor 的形状；
-
- * ”sample C\[0\]=... , C\[last\]=...“：首尾采样值，用于辅助定位数值偏差，不作为精度判定依据。
-
-
-
-**常见问题：**
-
-
-| 报错 | 原因 | 解决办法 |
-| --- | --- | --- |
-| `ModuleNotFoundError: fused_moe_i8_tn_pybind` | pybind 模块未编译或未加入 `PYTHONPATH` | 回到步骤 3，确认 `.so`已生成；执行 `export PYTHONPATH=/root/Project/fused_moe:$PYTHONPATH` |
-| `FAILED: max abs diff too large` | 数值误差超过阈值 | 检查 scale 是否应用位置错误；确认 TopK 索引与权重是否一致 |
-| `FAILED: shape mismatch` | 输出张量形状不一致 | 检查 Token Permute / Unpermute 逻辑；确认 expert 维度对齐 |
-| `FAILED: NaN or Inf detected` | 溢出或未初始化内存 | 检查 INT8 乘加是否溢出；确认 GEMM 输出是否反量化 |
-| 终端长时间无输出 | Kernel 死锁或 Launch 失败 | 减小测试 shape；检查是否触发 MACA 硬件限制 |
-
-### 步骤5：性能测试
-
-**目标：**输出 benchmark 结果对比表
-
-**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_benchmark.sh` 脚本
-
-**命令示例：**
-
-```apl
-bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 20
-# --backend：选择计算方式
-# --warmup：设置预热次数
-# --iters：设置迭代次数
-```
-
-**预期结果：**
-
-编译成功无报错，输出示例如下：
-
-> pybind:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=0.308978, TOPS=0.027149, warmup=5, iters=20
-
-> pybind:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=0.304500, TOPS=0.055098, warmup=5, iters=20
-
-> pybind:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=0.297775, TOPS=0.042256, warmup=5, iters=20
-
-> reference:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=1685.43, TOPS=0.000005, warmup=5, iters=20
-
-> reference:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=3384.52, TOPS=0.000005, warmup=5, iters=20
-
-> reference:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=2532.14, TOPS=0.000005, warmup=5, iters=20
-
-> triton:fused\_moe\_i8\_tn\_topk1 benchmark: avg\_ms=19.013421, TOPS=0.000441, warmup=5, iters=20
-
-> triton:fused\_moe\_i8\_tn\_topk2 benchmark: avg\_ms=16.745914, TOPS=0.001002, warmup=5, iters=20
-
-> triton:fused\_moe\_i8\_tn\_topk3 benchmark: avg\_ms=19.630328, TOPS=0.000641, warmup=5, iters=20
-
-**结果解释：**
-
-* “pybind/reference/Triton”：三种计算方式；
-
-* “fused\_moe\_i8\_tn\_topk1/2/3”：分别对应选择前 1 / 2 / 3 个专家场景下的 MoE 算子；
-
-* “avg\_ms”：平均算子执行耗时（毫秒），这里不计算预热时间，只计算正式迭代的时间；
-
-* “TOPS”：Tera Operations Per Second，本次 MoE 算子的总运算量 / 实际耗时；
-
-* “warmup=5, iters=20”：预热轮数和正式迭代数。
-
-
-**常见错误：**
-
-| 报错 | 原因 | 解决办法 |
-| --- | --- | --- |
-| `ModuleNotFoundError: fused_moe_i8_tn_pybind` | pybind 模块未编译或未加入 `PYTHONPATH` | 回到步骤 3，确认 `.so`已生成；执行 `export PYTHONPATH=/root/Project/fused_moe:$PYTHONPATH` |
-| 终端长时间无输出 | Kernel 死锁或 MACA 驱动异常 | 减小测试 shape；重启容器或设备 |
-| avg\_ms 异常抖动（±50%） | 其他进程占用 GPU | 关闭其他占用显存的进程，单机单任务运行 |
-
-### 步骤 6：理解 XPU-OJ 提交要求
-
-**目标：**在完成前文的本地验证后，理解 XPU-OJ 的提交接口、评测方式和 Candidate 管理方式。
-
-在完成前文的本地验证后，本节将带你把实现提交到 XPU-OJ，并确认评测环境能够正确调用 `run_kernel(...)`。
-
-完成本节后，你应能够完成一次最小 OJ 提交，查看评测结果，并据此进入正确性修复或后续性能优化。
-
-本节的冒烟提交只用于验证函数接口、索引逻辑和提交流程；性能优化请在正确性通过后再进行。
-
-
-##### 账号准备
-
-XPU-OJ 账号由组委会统一发放。登录入口：
-
-
-https://xpuoj.com/
-
-
-如果登录后看不到比赛或题目，请联系助教或赛事运营确认账号是否已经加入对应比赛或用户组。
-
-#### OJ 基础概念
-
-##### 什么是 OJ
-
-OJ 可以理解为“自动评测机”。
-
-你提交代码后，OJ 会自动完成：
-
-1. 加载你的代码；
-
-2. 构造测试输入；
-
-3. 调用你的 `run_kernel(...)`；
-
-4. 生成参考答案；
-
-5. 对比你的输出和参考输出；
-
-6. 返回评测状态、耗时、内存和分数。
-
-
-所以，OJ 不是让你提交 benchmark 日志，也不是让你提交本地运行截图，而是让你提交一份符合接口约定的代码。
-
-##### 什么是 Candidate
-
-Candidate 就是一次可复现的候选方案。
-
-建议每一轮都记录：
-
-| 记录项 | 示例 |
-| --- | --- |
-| 候选编号 | candidate-001 |
-| 代码文件 | `oj/problem_1_fused_moe/solution001.cu` |
-| 本地检查结果 | local check passed |
-| OJ 结果 | WA / RE / AC |
-| 备注 | 初始冒烟版，只验证接口 |
-
-这样后续多次打榜时，不会忘记哪一版代码对应哪一次提交结果。
-
-### 步骤 7：以 CUDA MACA 语言为例实现冒烟代码
-
-本节以 CUDA MACA 语言为例介绍冒烟代码的编写方式，选手提交阶段可自行选择 Triton、CUDA MACA 或 TileLang 作为实现语言。
-
-
-#### 接口约定
-
-你必须在提交的 CUDA 源码中提供如下 C 符号，函数名、参数类型、顺序必须完全一致，并使用 `extern "C"` 防止 name mangling：
-
-```cpp
-#include
-#include
-
-extern "C" void run_kernel(
- const int8_t* a,
- const int8_t* b_col_major,
- const float* scale_a,
- const float* scale_b,
- const float* moe_weights,
- const int32_t* token_ids,
- const int32_t* expert_ids,
- int64_t topk,
- __nv_bfloat16* out
-);
-```
-
-#### 题目语义与索引规则
-
-本题计算的是 `fused_moe_i8_tn` 形式的 W8A8 MoE GEMM。核心公式是：
-
-```text
-out[r, n] =
- sum_k(a[token(r), k] * b_col_major[expert(r), n, k])
- * scale_a[token(r)]
- * scale_b[expert(r), n]
- * moe_weights[r]
-```
-
-两个索引最容易写错：
-
-```text
-token(r) = token_ids[r] / topk
-expert(r) = expert_ids[r / 128]
-```
-
-注意：
-
-* `token_ids` 不是直接拿来当 `a` 的行号，要先除以 `topk`；
-
-* `expert_ids` 不是每一行一个 expert，而是每 128 行一个 expert；
-
-* `b_col_major` 的布局是 `[expert, n, k]`，不是 `[expert, k, n]`；
-
-* 最终结果必须写回传入的 `out`。
-
-
-#### 准备 OJ 提交文件
-
-在终端中创建目录：
-
-```bash
-cd /data/fusedmoe_v2.1
-mkdir -p oj/problem_1_fused_moe
-```
-
-新建 CUDA 源码文件：
-
-```bash
-touch oj/problem_1_fused_moe/solution001.cu
-```
-
-注意：冒烟版的目标只是确认 CUDA MACA 提交接口、索引和 OJ 提交流程，不追求性能最优。
-
-#### CUDA MACA 冒烟代码
-
-将下面代码保存到：
-
-```text
-oj/problem_1_fused_moe/solution001.cu
-```
-
-```cpp
-#include
-#include
-#include
-
-// xcore1000's CUDA-compatible compiler does not expose NVIDIA's __dp4a.
-// This is a correctness-first replacement: each int32 stores four signed
-// int8 values in little-endian byte order.
-__device__ inline int32_t signed_byte(uint32_t x) {
- x &= 0xffu;
- return (int32_t)(x ^ 0x80u) - 128;
-}
-
-__device__ inline int32_t dp4a_compat(int32_t a, int32_t b, int32_t acc) {
- uint32_t ua = (uint32_t)a;
- uint32_t ub = (uint32_t)b;
- acc += signed_byte(ua) * signed_byte(ub);
- acc += signed_byte(ua >> 8) * signed_byte(ub >> 8);
- acc += signed_byte(ua >> 16) * signed_byte(ub >> 16);
- acc += signed_byte(ua >> 24) * signed_byte(ub >> 24);
- return acc;
-}
-
-__global__ void w8a8_moe_gemm_kernel(
- const int8_t* __restrict__ a,
- const int8_t* __restrict__ b_col_major,
- const float* __restrict__ scale_a,
- const float* __restrict__ scale_b,
- const float* __restrict__ moe_weights,
- const int32_t* __restrict__ token_ids,
- const int32_t* __restrict__ expert_ids,
- int K, int N, int topk,
- __nv_bfloat16* __restrict__ out)
-{
- int n_base = blockIdx.x * 128;
- int m_base = blockIdx.y * 128;
- int expert = expert_ids[blockIdx.y];
-
- int tid = threadIdx.x;
- int warp_id = tid / 32;
- int lane_id = tid & 31;
-
- int warp_y = warp_id / 2;
- int warp_x = warp_id & 1;
- int my = lane_id / 8;
- int mx = lane_id & 7;
-
- int m_idx[8];
- int n_idx[8];
-#pragma unroll
- for (int i = 0; i < 8; ++i) {
- m_idx[i] = warp_y * 32 + my + i * 4;
- }
-#pragma unroll
- for (int j = 0; j < 8; ++j) {
- n_idx[j] = warp_x * 64 + mx + j * 8;
- }
-
- __shared__ int32_t smem_A[2][128 * 17];
- __shared__ int32_t smem_B[2][128 * 17];
-
- int32_t accum[8][8] = {0};
-
-#pragma unroll
- for (int step = 0; step < 2; ++step) {
- int load_idx = step * 256 + tid;
- int row = load_idx / 4;
- int col_int4 = load_idx & 3;
-
- int r = m_base + row;
- int token = token_ids[r] / topk;
- int64_t a_idx = (int64_t)token * K;
- int4 va = ((const int4*)(a + a_idx))[col_int4];
-
- int sa = row * 17 + col_int4 * 4;
- smem_A[0][sa + 0] = va.x;
- smem_A[0][sa + 1] = va.y;
- smem_A[0][sa + 2] = va.z;
- smem_A[0][sa + 3] = va.w;
-
- int64_t b_idx = (int64_t)expert * N * K + (int64_t)(n_base + row) * K;
- int4 vb = ((const int4*)(b_col_major + b_idx))[col_int4];
-
- int sb = row * 17 + col_int4 * 4;
- smem_B[0][sb + 0] = vb.x;
- smem_B[0][sb + 1] = vb.y;
- smem_B[0][sb + 2] = vb.z;
- smem_B[0][sb + 3] = vb.w;
- }
- __syncthreads();
-
- for (int k_outer = 0; k_outer < K; k_outer += 64) {
- int comp_buf = (k_outer / 64) & 1;
- int load_buf = 1 - comp_buf;
- int next_k = k_outer + 64;
-
- if (next_k < K) {
-#pragma unroll
- for (int step = 0; step < 2; ++step) {
- int load_idx = step * 256 + tid;
- int row = load_idx / 4;
- int col_int4 = load_idx & 3;
-
- int r = m_base + row;
- int token = token_ids[r] / topk;
- int64_t a_idx = (int64_t)token * K + next_k;
- int4 va = ((const int4*)(a + a_idx))[col_int4];
-
- int sa = row * 17 + col_int4 * 4;
- smem_A[load_buf][sa + 0] = va.x;
- smem_A[load_buf][sa + 1] = va.y;
- smem_A[load_buf][sa + 2] = va.z;
- smem_A[load_buf][sa + 3] = va.w;
-
- int64_t b_idx = (int64_t)expert * N * K +
- (int64_t)(n_base + row) * K + next_k;
- int4 vb = ((const int4*)(b_col_major + b_idx))[col_int4];
-
- int sb = row * 17 + col_int4 * 4;
- smem_B[load_buf][sb + 0] = vb.x;
- smem_B[load_buf][sb + 1] = vb.y;
- smem_B[load_buf][sb + 2] = vb.z;
- smem_B[load_buf][sb + 3] = vb.w;
- }
- }
-
-#pragma unroll
- for (int k_step = 0; k_step < 16; ++k_step) {
- int32_t reg_A[8];
- int32_t reg_B[8];
-
-#pragma unroll
- for (int i = 0; i < 8; ++i) {
- reg_A[i] = smem_A[comp_buf][m_idx[i] * 17 + k_step];
- }
-#pragma unroll
- for (int j = 0; j < 8; ++j) {
- reg_B[j] = smem_B[comp_buf][n_idx[j] * 17 + k_step];
- }
-
-#pragma unroll
- for (int i = 0; i < 8; ++i) {
-#pragma unroll
- for (int j = 0; j < 8; ++j) {
- accum[i][j] = dp4a_compat(reg_A[i], reg_B[j], accum[i][j]);
- }
- }
- }
- __syncthreads();
- }
-
- float scale_row[8];
-#pragma unroll
- for (int i = 0; i < 8; ++i) {
- int r = m_base + m_idx[i];
- int token = token_ids[r] / topk;
- scale_row[i] = scale_a[token] * moe_weights[r];
- }
-
- float scale_col[8];
-#pragma unroll
- for (int j = 0; j < 8; ++j) {
- int n = n_base + n_idx[j];
- scale_col[j] = scale_b[(int64_t)expert * N + n];
- }
-
-#pragma unroll
- for (int i = 0; i < 8; ++i) {
- int r = m_base + m_idx[i];
-#pragma unroll
- for (int j = 0; j < 8; ++j) {
- int n = n_base + n_idx[j];
- float v = (float)accum[i][j] * scale_row[i] * scale_col[j];
- out[(int64_t)r * N + n] = __float2bfloat16(v);
- }
- }
-}
-
-static size_t device_allocation_size(const void* p) {
- mcDrvDeviceptr_t base = 0;
- size_t size = 0;
- (void)wcuMemGetAddressRange(&base, &size, (mcDrvDeviceptr_t)(uintptr_t)p);
- return size;
-}
-
-extern "C" void run_kernel(
- const int8_t* a,
- const int8_t* b_col_major,
- const float* scale_a,
- const float* scale_b,
- const float* moe_weights,
- const int32_t* token_ids,
- const int32_t* expert_ids,
- int64_t topk,
- __nv_bfloat16* out)
-{
- size_t b_size = device_allocation_size(b_col_major);
- size_t out_size = device_allocation_size(out);
-
- int N = 7168;
- int K = 2048;
- if (b_size > 5000000000ULL) {
- N = 4096;
- K = 7168;
- }
-
- int EM = 4096;
- if (out_size > 128ULL * 1024ULL * 1024ULL) {
- EM = 32768;
- } else if (out_size == 0) {
- // Last-resort fallback if allocation-size probing is unavailable.
- int32_t host_tokens[4096];
- cudaMemcpy(host_tokens, token_ids, sizeof(host_tokens), cudaMemcpyDeviceToHost);
- int max_token_id = 0;
- for (int i = 0; i < 4096; ++i) {
- if (host_tokens[i] > max_token_id) {
- max_token_id = host_tokens[i];
- }
- }
- if (max_token_id >= 4096) {
- EM = 32768;
- }
- }
-
- dim3 block(256);
- dim3 grid(N / 128, EM / 128);
- w8a8_moe_gemm_kernel<<>>(
- a, b_col_major, scale_a, scale_b, moe_weights,
- token_ids, expert_ids, K, N, (int)topk, out);
-}
-```
-
-保存前建议人工检查 5 个点：
-
-| 检查项 | 应该满足 |
-| --- | --- |
-| C 符号 | 必须是 `extern "C" void run_kernel(...)` |
-| 参数顺序 | 必须是 `a, b_col_major, scale_a, scale_b, moe_weights, token_ids, expert_ids, topk, out` |
-| token 索引 | 必须使用 `token_ids[r] / topk` |
-| expert 索引 | 必须使用 `expert_ids[r / 128]` 或等价的每 128 行一个 expert 逻辑 |
-| 输出方式 | 必须原地写入 `out`，不要返回新指针 |
-
-### 步骤 8：提交并解读 XPU-OJ 结果
-
-#### 提交到 XPU-OJ
-
-1. 打开 XPU-OJ： https://xpuoj.com/
-
-2. 使用组委会发放的账号登录；
-
-3. 进入比赛页面； [](https://www.picgo.net/image/image6.4ScJM4)
-
-4. 找到题目： ```text1. Fused MoE i8 tn```
-
-5. 点击题目进入详情页；
-
-6. 在提交区域选择本题支持的语言，例如： ```textCUDA / CUDA MACA```
-
-
-```plaintext
-具体名称以页面下拉框为准。
-```
-
-1. 将 `solution001.cu` 中的源码复制到提交框；
-
-2. 点击提交；
-
-3. 等待评测结果返回。
-
-
-#### 查看 OJ 结果
-
-提交后，进入：
-
-```text
-我的提交
-```
-
-常见状态含义如下：
-
-| 状态 | 含义 | 下一步 |
-| --- | --- | --- |
-| Accepted / AC | 正确性通过 | 可以继续优化性能 |
-| Wrong Answer / WA | 输出数值不对 | 检查索引、shape、dtype、缩放系数 |
-| Runtime Error / RE | 运行时报错 | 点开详情看报错栈 |
-| Compile Error / CE | 编译或加载失败 | 检查头文件、语法、`extern "C"` 符号和函数签名 |
-| Time Limit Exceeded / TLE | 超时 | 说明代码太慢，需要做 kernel 优化 |
-
-**测试点结果怎么看：**
-
-点开提交详情后，优先查看每个测试点是否通过正确性校验，再查看耗时和性能指标。一般按以下顺序判断：
-
-1. 先看是否通过：
-
- * 如果出现 `passed`、`pass=true` 或类似通过标记，说明该测试点数值正确；
-
- * 如果出现 `FAILED`、`Wrong Answer`、`allclose failed`、`Runtime Error`，说明当前实现还没有通过该测试点，不能只看性能时间。
-
-2. 再看耗时：
-
- * `time_ms`：当前提交在该测试点上的运行时间，数值越小越好；
-
- * `speedup`：相对基线的加速比，数值越大越好；
-
- * `score_ratio`：当前测试点得分比例，越接近 1 说明越接近该测试点满分。
-
-3. 最后看不同测试点之间的差异：
-
- * 如果某个测试点正确性失败，应先定位该测试点的 shape、topk、dtype、索引规则或容差要求；
-
- * 如果某个测试点正确但明显更慢，说明该场景下可能存在访存、重复计算或并行度不足问题；
-
- * 优化时应优先关注失败测试点和耗时占比较高的测试点。
-
-
-**分数怎么看：**
-
-XPU-OJ 结果通常需要同时关注正确性和性能分数：
-
-* `pass=true`：表示该提交通过正确性校验；
-
-* `pass=false`：表示该提交未通过，通常不会获得有效性能分；
-
-* `time_ms`：当前提交的运行时间，越小越好；
-
-* `speedup`：相对基线的加速比，越大越好；
-
-* `score_ratio`：当前测试点得分比例，越接近 1 说明越接近该测试点满分；
-
-* `allclose failed`：说明输出与参考结果误差超过阈值，应优先修正确性；
-
-* `Runtime Error`：说明编译、运行、越界访问或环境限制出错，应先解决运行问题。
-
-
-评分理解顺序：
-
-1. 先看 `pass`：不通过时先修正确性；
-
-2. 再看 `time_ms`：通过后比较耗时；
-
-3. 再看 `speedup`：判断相对基线是否有提升；
-
-4. 最后看 `score_ratio`：判断当前优化距离满分还有多远。
-
-需要注意：OJ 分数通常不是只由单个测试点决定，而是多个测试点综合计算。因此优化时不要只盯一个最快 case，应优先解决失败测试点和耗时占比较高的测试点。
-
-**是否需要优化怎么看：**
-
-读完 OJ 结果后，可以按下面的顺序判断下一步：
-
-| 现象 | 说明 | 下一步 |
-| --- | --- | --- |
-| 提交结果不通过 | 算子语义、索引、shape、dtype、scale、反量化或输出写回存在问题 | 先修正确性 |
-| 正确性通过但 `time_ms` 很高 | 初版实现可用，但并行度、访存或计算复用不足 | 进入性能优化 |
-| 某个测试点特别慢 | 该场景可能存在重复计算、负载不均或 block 配置不合适 | 针对该测试点单独分析 |
-| 多次提交耗时抖动很大 | 可能受 GPU 占用、预热不足或评测波动影响 | 多提交几次或回到本地 benchmark 复查 |
-
-如果当前版本还没有通过正确性，不建议马上做性能优化。先让冒烟版本跑通，再进入下一轮 Candidate。
-
-**怎么优化：**
-
-在正确性通过后，可以按以下方向逐步优化：
-
-1. 减少重复计算：
-
- * 检查同一个 token 或 expert 是否被重复计算；
-
- * 对 topk2 / topk3 场景，可考虑复用相同 token 的中间结果；
-
- * 避免每个输出元素都重复加载相同的输入向量。
-
-2. 优化访存模式：
-
- * 尽量让连续线程访问连续内存；
-
- * 减少非合并访存；
-
- * 对频繁使用的权重、scale、token id、expert id 做局部缓存；
-
- * 避免不必要的全局内存读写。
-
-3. 提高并行度：
-
- * 将输出矩阵按行、列或 expert 维度切分；
-
- * 对小 batch、小 token 场景，适当增加 block 数量；
-
- * 避免一个 kernel 只有很少 block，导致 GPU 利用率不足。
-
-4. 优化计算粒度：
-
- * 合理设置 `BLOCK_M`、`BLOCK_N`、`BLOCK_K`；
-
- * 让 tile 大小匹配硬件并行能力和 shared memory 限制；
-
- * 对不同 topk 或不同 shape 可以采用不同 kernel 配置。
-
-5. 对比基线逐步验证：
-
- * 每次只改一个优化点；
-
- * 修改后先跑正确性测试；
-
- * 正确后再跑 benchmark；
-
- * 记录每次 `time_ms`、`speedup`、`score_ratio` 变化，避免无效优化。
-
-具体的 Candidate 保存和下一轮 Agent 优化方式，见步骤 9。
-
-如果看到 `0 pts`，通常表示本次提交没有拿到分数。原因可能是：
-
-* 样例没过；
-
-* 测试点没过；
-
-* 代码运行时报错；
-
-* 代码超时；
-
-* 输出与参考答案超过容差。
-
-
-如果看到用时和内存都是 `0`，很多时候说明代码在正式计时前就失败了，例如 C 符号不匹配、编译失败或 kernel launch 失败。
-
-#### 理解 OJ 评测流程
-
-一次 OJ 提交通常会经历下面这些步骤：
-
-1. 选手提交代码；
-
-2. 平台按所选语言加载代码；
-
-3. 评测程序构造输入 tensor；
-
-4. 调用选手代码里的 `run_kernel(...)`；
-
-5. 选手代码把结果写入 `out`；
-
-6. 评测程序生成参考结果；
-
-7. 比较 `out` 和参考结果；
-
-8. 正确性通过后统计运行耗时；
-
-9. 根据题目规则计算分数；
-
-10. 在排行榜或提交记录中更新结果。
-
-
-本题的正确性校验口径是：
-
-```python
-torch.allclose(out_target.float(), out_ref.float(), rtol=0.0, atol=1e-2)
-```
-
-也就是说，OJ 允许很小的数值误差，但不是随便差一点都能过。
-
-### 步骤 9：保存 Candidate 并进入优化
-
-#### 保存 Candidate
-
-建议每一次能跑的版本都用 Git 保存。
-
-```bash
-cd /data/fusedmoe_v2.1
-git status --short
-git add oj/problem_1_fused_moe/solution001.cu
-git commit -m "candidate 001 fused moe i8 tn oj smoke"
-git tag candidate-001-oj-smoke
-```
-
-查看最近候选版本：
-
-```bash
-git log --oneline --decorate -5
-```
-
-如果下一轮要继续优化，可以复制一份新文件：
-
-```bash
-cp oj/problem_1_fused_moe/solution001.cu oj/problem_1_fused_moe/solution002.cu
-```
-
-然后让 Agent 基于 `solution002.cu` 继续改。
-
-#### 使用 Agent 定位问题与优化
-
-本模块中，Agent 主要用来做三件事：
-
-1. 读题目接口；
-
-2. 生成最小可提交代码；
-
-3. 根据 OJ 报错定位问题。
-
-
-建议不要一开始就让 Agent “直接写最快版本”。更稳的流程是：
-
-```text
-第一步：先写一个能过正确性的最小版本。
-第二步：提交 OJ，看是否 AC。
-第三步：AC 后再优化性能。
-```
-
-可以使用下面的 Prompt：
-
-```text
-我正在做 XPU-OJ 的 Fused MoE GEMM 题。
-
-请只做一件事：根据题目接口写一个最小正确的 CUDA MACA run_kernel 冒烟版本。
-
-要求：
-1. C 符号和函数签名必须完全一致：
- extern "C" void run_kernel(
- const int8_t* a,
- const int8_t* b_col_major,
- const float* scale_a,
- const float* scale_b,
- const float* moe_weights,
- const int32_t* token_ids,
- const int32_t* expert_ids,
- int64_t topk,
- __nv_bfloat16* out
- )
-2. token(r) = token_ids[r] / topk
-3. expert(r) = expert_ids[r / 128]
-4. b_col_major 的布局是 [expert, n, k]
-5. 结果必须原地写入 out
-6. 不要做性能优化
-7. 不要依赖外部文件
-8. 请输出完整可复制提交的 CUDA 源码
-```
-
-如果 OJ 返回 `Wrong Answer`，可以继续问：
-
-```text
-OJ 返回 Wrong Answer。
-
-请不要重写整份代码，先根据下面四点检查可能原因：
-1. token_ids 是否正确除以 topk；
-2. expert_ids 是否按每 128 行一个 expert 使用；
-3. b_col_major 是否按 [expert, n, k] 读取；
-4. 是否把结果写入 out，且 dtype 与 out 保持一致。
-
-请给出最小修改建议。
-```
-
-如果 OJ 返回 `Runtime Error`，可以问：
-
-```text
-OJ 返回 Runtime Error。
-
-这是错误日志：[粘贴错误日志]
-
-请先判断是 extern "C" 符号、头文件、编译选项、dtype、shape、越界访问还是 GPU kernel 调用问题。
-只给出最小修复方案。
-```
-
-### 常见问题
-
-#### Q1：为什么本地能跑，OJ 上却 Runtime Error？
-
-本地环境和 OJ 编译环境不完全一样。OJ 可能对头文件、CUDA/MACA 编译参数、外部文件访问或动态链接行为有限制。
-
-常见例子：
-
-```cpp
-extern "C" void run_kernel(...) {
- ...
-}
-```
-
-常见问题包括：没有使用 `extern "C"` 导致符号名被 C++ name mangling 改写、缺少必要头文件、调用了当前 OJ 编译环境不支持的 CUDA intrinsic，或 kernel launch 参数越界。
-
-处理方式：先保证接口符号和参数类型完全一致，再根据错误日志逐项缩小范围。
-
-#### Q2：为什么 OJ 是 Wrong Answer？
-
-优先检查四个点：
-
-1. `token_ids[r]` 是否先除以 `topk`；
-
-2. `expert_ids` 是否按 `r / 128` 取；
-
-3. `b_col_major` 是否按 `[expert, n, k]` 理解；
-
-4. 结果是否写回 `out`，而不是写到临时 buffer 后没有拷回。
-
-
-#### Q3：为什么冒烟代码很慢？
-
-冒烟代码的目标是确认接口正确，不是追求性能。
-
-如果它能过正确性，但耗时很高，这是正常的。下一步才是在 CUDA MACA 源码中继续优化访存、并行度、tile 配置和计算复用。
-
-#### Q4：50 分、10 分是什么意思？
-
-不同比赛和题目的评分规则可能不同。一般可以先这样理解：
-
-* 正确性没过时，通常拿不到有效分数；
-
-* 正确性通过后，平台会继续根据耗时或加速比计算分数；
-
-* 具体分数含义以 XPU-OJ 当前题目的评分说明为准。
-
-
-#### Q5：榜单怎么看？
-
-先看自己的提交是否通过正确性，再看耗时和分数。
-
-建议记录：
-
-| Candidate | OJ 状态 | 用时 | 分数 | 备注 |
-| --- | --- | --- | --- | --- |
-| candidate-001 | AC / WA / RE | 以页面为准 | 以页面为准 | 冒烟版 |
-| candidate-002 | AC / WA / RE | 以页面为准 | 以页面为准 | 第一轮优化 |
-
-不要只看单次结果。每轮都记录，后面才知道 Agent 的修改到底有没有带来收益。
-
-### 从 Benchmark 验证到参赛作品的路径回顾
-
-建议按下面顺序推进：
-
-1. 跑通 benchmark 脚本，理解算子输入输出；
-
-2. 阅读 XPU-OJ 题目页面，确认 `run_kernel(...)` 接口；
-
-3. 提交冒烟代码，确认 OJ 链路正常；
-
-4. 如果冒烟代码 WA / RE，先修正确性；
-
-5. 正确性通过后，再让 Agent 在 CUDA MACA 版本上继续优化 kernel；
-
-6. 每一轮提交都保存 candidate、prompt、代码 diff 和 OJ 结果；
-
-7. 用 OJ 分数和耗时判断优化是否有效。
-
-
-```text
-Benchmark 验证代码用来学习，OJ 用来评分，Candidate 用来管理每一轮结果。
-```
-
-
-## 六、后续实践：Kernel Swift 智能算子迁移系统自动调优
-
-系统链接：[https://deeplink.org.cn/kernelswift/task](https://deeplink.org.cn/kernelswift/task)
-
-**项目目标：**基于 KernelSwift 智能算子迁移系统，对 Fused MoE 算子进行在线自动调优。通过输入算子的 PyTorch 代码，一键生成适配沐曦硬件的高性能实现，高效完成算子优化与全流程追踪。
-
-### 6.1 复用算子广场的Fused MoE 算子进行二次优化
-
-**目标：**通过提交算子广场的 fused\_moe 算子代码发起自动优化流程，实现二次优化
-
-**操作：**
-
-1. 进入算子广场：点击左侧导航栏 【算子广场】，进入算子列表页
-
- 搜索 fused\_moe 算子，复制 `input_code.py` 代码，也可直接复制以下代码：
-
- ```python
- import torch
- import torch.nn as nn
- import torch.nn.functional as F
-
-
- class Model(nn.Module):
- """
- Reference PyTorch MoE forward (no fused kernels).
- Expects inputs:
- hidden_states: (M, in_size)
- w1: (E, hidden_size, in_size) where hidden_size = 2 * up_dim
- w2: (E, out_size, up_dim)
- topk_weights: (M, top_k)
- topk_idx: (M, top_k)
- top_k: int
- renormalize: bool
- """
-
- def __init__(self):
- super().__init__()
-
- def forward(
- self,
- hidden_states: torch.Tensor,
- w1: torch.Tensor,
- w2: torch.Tensor,
- topk_weights: torch.Tensor,
- topk_idx: torch.Tensor,
- top_k: int,
- renormalize: bool = True,
- ) -> torch.Tensor:
- if renormalize:
- topk_weights = topk_weights / topk_weights.sum(dim=-1, keepdim=True)
-
- seq_len = hidden_states.size(0)
- out_size = w2.size(1)
- output = hidden_states.new_zeros(seq_len, out_size)
- num_experts = w1.size(0)
-
- # Accumulate expert contributions
- for eid in range(num_experts):
- token_idx, k_idx = torch.where(topk_idx == eid)
- if token_idx.numel() == 0:
- continue
- gate_proj, up_proj = w1[eid].chunk(2, dim=0)
- down_proj = w2[eid]
- tmp = F.linear(hidden_states[token_idx], gate_proj)
- tmp = F.silu(tmp) * F.linear(hidden_states[token_idx], up_proj)
- tmp = F.linear(tmp, down_proj)
- tmp = tmp * topk_weights[token_idx, k_idx, None]
- output.index_add_(0, token_idx, tmp.to(output.dtype))
- return output
-
-
- # Hyperparameters
- seq_len = 128
- in_size = 128
- hidden_size = 256 # 2 * up_dim
- out_size = 128
- num_experts = 32
- top_k = 4
-
- dtype = torch.float16
-
- def get_inputs():
- hidden_states = (torch.rand(seq_len, in_size, dtype=dtype) - 0.5) / 2
- w1 = (torch.rand(num_experts, hidden_size, in_size, dtype=dtype) - 0.5) / 2
- w2 = (torch.rand(num_experts, out_size, hidden_size//2, dtype=dtype) - 0.5) / 2
- routing_logits = (torch.rand(seq_len, num_experts, dtype=dtype) - 0.5) / 2
- routing_weights = torch.softmax(routing_logits, dim=-1, dtype=torch.float32)
- topk_weights, topk_idx = torch.topk(routing_weights, top_k, dim=-1)
- return [hidden_states, w1, w2, topk_weights, topk_idx, top_k, True]
-
- def get_init_inputs():
- return []
- ```
-
-2. 进入新建任务页：点击左侧导航栏【新建任务】 ，进入算子提交页面。
-
-3. 编写算子代码：在 `model.py` 编辑器中输入刚刚复制的 fused\_moe 算子代码。
-
- 如果想自行编写算子代码，需严格遵循标准格式规范：输入代码必须包含 `class Model` 定义算子实现，`get_init_inputs` 和 `get_inputs` 定义测试用例，确保优化过程可验证算子正确性。
-
-4. 配置优化参数
-
- * 指定任务名称：支持字母、下划线、数字组合，示例：fused\_moe\_01
-
- * 选择适配硬件：算子需要适配的目标硬件厂商及型号，建议：沐曦
-
- * 最大演化轮次：优化算法迭代次数，取值范围40-400，建议默认40，复杂算法可提高至100+
-
-5. 提交优化任务：点击右下角 \[优化\] 按钮，系统将提交任务并进入 \[生成中\] 状态
-
-
- [](https://www.picgo.net/image/image1.4SHrb4)
-
-完成上述步骤将看到如下界面：
-
- [](https://www.picgo.net/image/image2.4SHscu)
-
-### 6.2 任务查看与结果管理
-
-**目标：**在新建优化任务后可追踪任务进度，获取优化结果
-
-**操作：**
-
-1. 查看任务列表：点击左侧【任务查看】，可看到所有提交的优化任务
-
- * 任务状态：排队中、环境初始化、算子预编译、精度验证、性能调优、已完成、失败
-
- * 任务信息：任务名称、进度、创建时间、适配硬件
-
- * 操作按钮：查看详情、删除任务
-
-
- [](https://www.picgo.net/image/image3.4SHDeY)
-
-2. 追踪任务进度：当前任务状态为【运行中】时，点击任务列表中的【查看详情】按钮，追踪任务进度：
-
- * 左侧：原始算子代码（输入的 `input_code.py`）
-
- * 右侧：任务进度条，包含以下阶段：
-
- 1. 环境初始化：准备目标硬件编译环境
-
- 2. 算子预编译：验证算子代码是可正常编译
-
- 3. 精度验证：验证优化后算子输出与原始算子误差的可接受范围
-
- 4. 性能调优：按设定的演化轮次迭代优化算子性能
-
-
- * 顶部：任务名称、创建/更新时间、适配硬件、当前轮次进度
-
-
- [](https://www.picgo.net/image/image4.4SHVpp)
-
-3. 获取优化结果：当前任务状态为【已完成】时，可在详情页查看优化结果：
-
- * 优化后算子代码支持一键复制
-
- * 算子加速比（基准耗时 / 优化后耗时）、性能数据（如延迟、吞吐量）
-
- * 可点击【Diff 对比】查看优化前后代码差异，理解性能提升逻辑
-
-
- [](https://www.picgo.net/image/image5.4ScbBr)
-
-4. 任务异常处理
-
- * 任务失败：查看错误日志，常见原因包括代码不符合规范、测试用例错误、硬件适配问题，修改后重新提交任务；
-
- * 排队时间长：可调整提交时间，或联系平台管理员确认资源状态。
-
-
-## 七、Agent使用说明
-
-在本模块中，Agent可以帮助你完成以下任务：
-
-1. **环境检查**
-
- ```plaintext
- 我正在算力平台进行 Fused MoE 的 Benchmark 验证。
- 需要的环境信息如下：
- - Python 3.12
- - g++ 13.3.0
- - mxcc 已安装
- - numpy / torch / triton 已安装
-
- 请帮我确认：
- 1. 当前环境是否满足编译与运行要求？
- 2. 是否有潜在的不兼容风险（如 Python 与 libpython 版本）？
- ```
-
-2. **运行测试**
-
- ```plaintext
- 请帮我运行 scripts/run_fused_moe_i8_tn_pybind_test.sh 脚本
- ```
-
-3. **分析结果**
-
- ```plaintext
- 这是性能测试结果：
- pybind: avg_ms=0.30, TOPS=0.027
- triton: avg_ms=19.01, TOPS=0.0004
- reference: avg_ms=1685, TOPS=0.000005
-
- 请分析：
- 1. 为什么 pybind 比 Triton 快这么多？
- 2. TOPS 指标是否可信？
- 3. 当前结果是否已经具备提交价值？
- ```
-
-4. **报错检查**
-
- ```plaintext
- 编译 pybind 时出现以下错误：
- /usr/bin/ld: cannot find -lpython3.10
-
- 已知：
- - 使用的是 Conda Python 3.10
- - mxcc 编译正常
-
- 请一步一步告诉我：
- 1. 错误原因是什么？
- 2. 如何用 find 命令定位 libpython3.10.so？
- 3. 如何在 build_fused_moe_i8_tn_pybind.sh 中正确指定路径？
- ```
-
-5. **代码理解**
-
- ```plaintext
- 请帮我梳理释 benchmark_fused_moe_i8_tn.py 代码整体框架
- ```
-
-6. **KernelSwift 系统搜索算子**
-
-
- ```plaintext
- 请帮我在算子广场检索 fused_moe 算子
- ```
-
-## 八、常见问题与注意事项
-
-### 8.1 算力平台进行 Benchmark 验证
-
-1. 环境准备与依赖问题
-
- * 确保算力平台已正确安装 Python 和 C++、MACA 编译器及相关运行时库，避免因环境缺失导致编译失败；
-
- * 镜像环境使用 Conda Python 作为默认运行环境，避免系统 Python 与 Conda Python 混用，防止 `Python.h`或 `libpython`路径错误。
-
-2. pybind 编译与链接
-
- * 若`Python.h not found`，请检查脚本中`PYTHON_INCLUDE`是否指向当前 Python 的 `include`目录；
-
- * 若`libpython not found`，请直接指定 Conda 下的`**libpython3.x.so**`绝对路径，避免链接系统静态库；
-
- * 编译 `pybind`模块时，务必开启 `-fPIC`，否则会出现 `recompile with -fPIC`错误。
-
-3. 性能测试建议
-
- * benchmark 应在关闭其他占用 GPU 的任务后执行，避免干扰性能数据；
-
- * 多次运行取平均值，避免单次抖动影响结果；
-
- * 性能对比应基于相同随机种子、相同 shape、相同 TopK、相同 batch size的条件下进行，降低误差。
-
-
-### 8.2 Kernel Swift 智能算子迁移系统自动调优项目
-
-1. 代码规范问题
-
- 输入代码需符合以下标准格式：
-
- * `class Model`，表示待优化的算子实现；
-
- * `def get_init_inputs`，表示 module init 的输入测试样例；
-
- * `def get_inputs`，表示 module forward 的输入测试样例。
-
-2. 性能优化建议
-
- * 对于复杂算子，可适当提高最大演化轮次（如 100-200），获得更高加速比；
-
- * 优先选择算子广场中已有优化案例的算子类型，降低适配失败概率。
-
-3. 硬件适配问题
-
- * 提交任务前确认目标硬件支持的算子类型；
-
- * 优化失败时，可尝试更换适配硬件，或调整算子实现逻辑。
-