research(KERNEL-CUDA-DECODE-MEGAKERNEL): evaluate tile-scheduled persistent decode
メンテナーはふだん 1 日以内に返信
まだ誰も着手していません。
評価
- 難易度
- 5/5
- 見積もり時間
- 1週間以上
- 初心者へのやさしさ
- 25/100
- issue の種類
- 機能追加
- 明瞭さ
- おおむね明確
- 活発さ
- 活発
- 技術スタック
- cpp
調査の方向性
まず Cohere のコミット 67d0b9ca22ea3652796b715d1d1863459e0e2c3c を pin して調査し、次に vLLM と vllm.cpp で同一の低バッチ・ワークロードを ModelRegistry::Forward、dense_attn::AttnBlock、vt::FusedChain、vt::MergedGemmGroup に沿って追跡します。完了条件は、pin した vLLM oracle と比較した launch、tail、帯域幅、およびアイドル容量について、計測済みの根拠があることです。回収可能なアイドル容量が示された場合にのみ、実装を試みてください。
索引モデルが issue の本文から書いたものです。
説明
Row: KERNEL-CUDA-DECODE-MEGAKERNEL
Evaluate a CUDA decode megakernel that schedules GEMM tiles, attention splits,
and routed-expert work across operation boundaries.
Cohere reports that its North Mini Code engine reaches 292 tok/s at batch size
1 on one H100. The engine reports 1.58x the decode throughput of vLLM v0.24.
The release uses one persistent block per streaming multiprocessor, fixed task
descriptors, counter barriers, and dynamic work queues.
Reference: cohere-ai/cohere-megakernel commit
67d0b9ca22ea3652796b715d1d1863459e0e2c3c.
Scope:
- Pin and inspect the complete executing path in the Cohere release.
- Trace an identical low-batch decode workload in vLLM and vllm.cpp.
- Measure launch gaps, wave tails, device bandwidth, and idle capacity.
- Specify a CUDA task ABI with descriptors, operation codes, barriers, and
schedule variants. - Build one synthetic persistent-kernel proof if the trace shows recoverable
idle capacity. - Preserve eager and CUDA Graph fallbacks for every unsupported shape.
The pinned vLLM oracle remains the correctness source. The Cohere release is a
performance reference only. Any implementation must route through
ModelRegistry::Forward, dense_attn::AttnBlock, vt::FusedChain, and
vt::MergedGemmGroup where those shared seams apply.
Out of scope:
- A performance claim before an identical-workload, same-device A/B test.
- A universal execution model for CPU, ROCm, Metal, Vulkan, or Tenstorrent.
- Vendoring ThunderKittens before the dependency decision has measured evidence.
- Treating the BF16 H100 release as completion of required quantized arms.
- Model integration in the initial spike.
Stop conditions:
- Stop implementation if the trace does not show material recoverable idle
capacity after CUDA Graph replay. - Leave H100-specific execution
PENDINGuntil a leased or otherwise authorized
H100 can run the gate. - Refuse a result if token output differs from the pinned vLLM oracle.
FOLLOWING_AGENTS_PROTOCOL
- 主要言語
- C++
- スター
- 423
- フォーク
- 53
- 平均マージ
- 1日 5時間
- マージ済み PR（30日）
- 376
環境構築
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
mudler/vllm.cpp のほかの issue
-
難易度 2/5 1〜3時間 初心者へのやさしさ 84/100
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 70/100
メンテナーはふだん 1 日以内に返信
-
難易度 1/5 1時間未満 初心者へのやさしさ 88/100
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 84/100
メンテナーはふだん 1 日以内に返信
mudler/vllm.cpp の issue をすべて見る
似ている issue
-
難易度 2/5 半日 初心者へのやさしさ 84/100
-
難易度 2/5 1〜3時間 初心者へのやさしさ 84/100
メンテナーはふだん 1 日以内に返信
-
難易度 1/5 1〜3時間 初心者へのやさしさ 88/100
ROCm/rocm-libraries#12703 ·
メンテナーはふだん 2 日以内に返信
-
bug
難易度 1/5 1〜3時間 初心者へのやさしさ 88/100
isl-org/Open3D#7585 · コメント 1 件 ·
メンテナーはふだん 2 日以内に返信
-
Feature request
難易度 2/5 1〜3時間 初心者へのやさしさ 76/100
qbittorrent/qBittorrent#24975 ·
メンテナーはふだん 3 日以内に返信