Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

research(KERNEL-CUDA-DECODE-MEGAKERNEL): evaluate tile-scheduled persistent decode

Đang mở
  • Có gì không ổn?
#3,084 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
5/5
Thời gian dự kiến
Hơn một tuần
Mức phù hợp với người mới
25/100
Loại issue
Tính năng
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
cpp
Lĩnh vực
backend, machine-learning, performance

Hướng nghiên cứu

Bắt đầu bằng cách pin và kiểm tra commit Cohere 67d0b9ca22ea3652796b715d1d1863459e0e2c3c, sau đó lần theo workload low-batch giống hệt trong vLLM và vllm.cpp qua ModelRegistry::Forward, dense_attn::AttnBlock, vt::FusedChain và vt::MergedGemmGroup. Chỉ được xem là hoàn tất khi có bằng chứng đo đạc về thời điểm launch, phần tail, băng thông và năng lực nhàn rỗi so với oracle vLLM đã pin; chỉ thử triển khai nếu đã chứng minh được có năng lực nhàn rỗi có thể thu hồi.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

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 PENDING until 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

Ngôn ngữ chính
C++
Star
423
Fork
53
Merge trung bình
1 ngày 7 giờ
Pull request đã merge (30 ngày)
380

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của mudler/vllm.cpp

Tất cả issue của mudler/vllm.cpp

Issue tương tự

Thêm issue về C++

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.