1 背景与目标

MoE 训练中的 Expert Parallel 计算链路同时包含 AllToAll 通信、Grouped MatMul、激活计算和路由归并。若各阶段按独立 kernel 串行执行，会导致通信暴露、AIC/AIV 资源交替空闲，以及中间结果的频繁读写。

本期计划交付面向 Multicore 场景的完整 MoE-FFN 融合算子 HyperMegaMoE，目标是：

1. 以单个融合算子完成 Dispatch、GMM1、SwiGLU、GMM2 和 Combine 的正向计算；
2. 提供与正向语义对应的融合反向，完成激活梯度、专家权重梯度与反向通信；
3. 封装为 DFunction 自动求导接口，通过 HyperParallel 自定义算子 API 对外提供；
4. 用户仅传入 MoE 计算所需的数据、路由结果和专家权重，调度、通信缓冲区和运行时资源由接口内部管理；
5. 在保证数值正确性的前提下，提升 AIC/AIV 并行度和通信—计算掩盖效果。

2 交付范围

2.1 正向融合

正向算子的逻辑名称为 HyperMegaMoE，ACLNN 执行接口为 aclnnHyperMegaMoE。

融合计算链路为：

AllToAll-Dispatch (AIV)
          ↓
GMM1 / up_proj (AIC)
          ↓
SwiGLU (AIV)
          ↓
GMM2 / down_proj (AIC)
          ↓
AllToAll-Combine (AIV)

各阶段按 token/expert tile 拆分为任务，由 AIC worker 和 AIV worker 并发执行。任务之间通过事件计数表达生产者—消费者依赖，满足数据就绪条件后即可放行下游任务，不引入全局屏障。

正向对外输出最终 token 结果 y，shape 与输入 x 一致。中间的 dispatch buffer、GMM 输出、SwiGLU 输出和 combine buffer 不作为公共返回值。

2.2 反向融合

反向算子的逻辑名称为 HyperMegaMoEGrad，ACLNN 执行接口为 aclnnHyperMegaMoEGrad。

反向计算链路为：

AllToAll-Dispatch(dY) (AIV)
          ↓
act_grad: dHidden = dispatched_dY × W2ᵀ (AIC)
          │
          ├── SwiGLUGrad (AIV) ──→ input_grad GMM (AIC)
          │
          └── W2Grad GMM (AIC)

AllToAll-Combine(dX) (AIV) ∥ W1Grad GMM (AIC)

反向必须生成：

• 输入 token 梯度 dx；
• up_proj_weight 梯度 d_up_proj_weight；
• down_proj_weight 梯度 d_down_proj_weight；
• 路由权重参与加权归并时的 d_topk_weights；
• 其他不可导输入返回 None。

W2Grad 与激活梯度分支可并行执行，W1Grad 与 Combine(dX) 可并行执行，以充分利用通信和计算之间的独立性。

2.3 命名约定

层级	正向	反向
逻辑算子名	HyperMegaMoE	HyperMegaMoEGrad
Workspace 查询	aclnnHyperMegaMoEGetWorkspaceSize	aclnnHyperMegaMoEGradGetWorkspaceSize
ACLNN 执行接口	aclnnHyperMegaMoE	aclnnHyperMegaMoEGrad
DFunction	HyperMegaMoEDFunction	由 backward 自动调用 HyperMegaMoEGrad
Python 公共接口	hyper_mega_moe	无需用户显式调用

3 用户接口

3.1 Python API

通过 HyperParallel 自定义算子接口导出：

from hyper_parallel.custom_ops.experimental import hyper_mega_moe

y = hyper_mega_moe(
    x,
    topk_ids,
    topk_weights,
    up_proj_weight,
    down_proj_weight,
)

hyper_mega_moe 保持完整 MoE 语义：路由预处理、offset 构造、unpermute 和 top-k 加权归并均由接口内部完成。基础多核算子的融合边界为 Dispatch → GMM1 → SwiGLU → GMM2 → Combine；Permute/Unpermute 进一步融入核心 kernel 属于可选性能增量，不改变公共签名。

公共接口仅暴露以下必要参数：

参数	类型	建议 shape	语义
x	Tensor / DTensor	[T, H]	本 rank 的未展开 token
topk_ids	Tensor / DTensor	[T, K]	每个 token 的 top-k 专家索引，不参与求导
topk_weights	Tensor / DTensor	[T, K]	每个 token 的 top-k 路由权重
up_proj_weight	Tensor / DTensor	[E_local, H, 2I]	本 rank 的 GMM1/SwiGLU 专家权重
down_proj_weight	Tensor / DTensor	[E_local, I, H]	本 rank 的 GMM2 专家权重

返回值：

• y：完成 top-k 加权归并后的 token 输出，shape 为 [T, H]。

3.2 DFunction 语义

HyperMegaMoEDFunction 封装完整的正反向语义：

• forward 调用 HyperMegaMoE，并仅保存反向必需的激活、路由信息和权重；
• backward 调用 HyperMegaMoEGrad，向自动求导系统返回与公共参数一一对应的梯度；
• 输入为普通 Tensor 时执行本地路径；
• 输入为 DTensor 时，由 DFunction 的分布式调度机制完成 local tensor 提取、layout 推导和输出封装；
• 输出 y 的 DeviceMesh 与 token 维布局与 x 保持一致；
• 专家权重及其梯度沿 Expert Parallel 维分片。

3.3 内部管理的运行时资源

下列内容属于算子实现和运行时资源，不进入 Python 公共签名：

• rank id、EP world size、本地专家数、hidden size 和 sequence/token 数；
• dispatch/combine 的 offset、size 和 group list；
• 对称通信 buffer 及其生命周期；
• 输出与中间张量 buffer；
• event counter 及事件触发阈值；
• RuntimeConfig、TaskDesc 和任务队列；
• GMM/SwiGLU tiling 数据；
• ACLNN workspace 和子算子 workspace。

上述资源根据 Tensor/DTensor 的 shape、dtype、DeviceMesh、Placements 和路由结果生成或复用，并保证多次迭代时的事件状态正确重置。

4 功能语义

4.1 路由与专家并行

• topk_ids 使用全局专家编号；
• 专家按 Expert Parallel mesh 均匀分布到各 rank；
• 每个 token 按 topk_ids 展开为 K 个 expert slot；
• Dispatch 将 expert slot 发送到专家所在 rank；
• 本地专家执行 GMM1 → SwiGLU → GMM2；
• Combine 将 expert 输出发回 token 所在 rank，并按 topk_weights 完成加权归并。

4.2 数值与边界约束

• 激活函数固定为 SwiGLU；
• topk_ids 的取值必须落在全局专家编号范围内；
• topk_weights 的 token 维和 top-k 维必须与 topk_ids 一致；
• up_proj_weight 的输出维必须等于 2I，down_proj_weight 的输入维必须等于 I；
• 各 rank 的专家分片数、权重 shape 和通信域配置必须一致；
• 支持非均匀路由、空专家、热点专家和尾块 token；
• 输入不满足 shape、dtype、layout、容量或分布式约束时，在 host/Python 边界返回明确异常，不进入 device kernel。

5 多核调度与性能目标

5.1 AIC/AIV 并发

• AllToAll 通信任务和 SwiGLU 任务映射到 AIV；
• GMM1、GMM2 及反向 GMM 任务映射到 AIC；
• AIC/AIV worker 独立轮询任务队列，按事件依赖放行；
• 任务粒度同时考虑首块延迟、专家 token 不均衡和 GMM 计算效率；
• 正向和反向均保持单次融合调用语义。

5.2 通信—计算重叠

• Dispatch 与已就绪专家的 GMM1 重叠；
• GMM1 与已就绪 tile 的 SwiGLU 重叠；
• GMM2 完成后尽早触发 Combine；
• 反向 W2Grad 与 act_grad 分支交错执行；
• 反向 W1Grad 与 Combine(dX) 重叠；
• 通信顺序避免多 rank 同时集中访问同一目标 rank。

5.3 运行时要求

• 任务配置与 tiling 可按 shape/dtype/topology 缓存并复用；
• 动态路由信息在每次调用时正确更新；
• 所有异步通信和跨流数据访问具备明确的完成或同步语义；
• 多次迭代、连续正反向和异常恢复后不得复用过期事件状态；
• 缓冲区容量与 workspace 大小由 host 侧计算并校验。

6 可选增量能力

以下能力不作为 HyperMegaMoE 基础交付的阻断项，可根据本期资源与性能收益选择纳入。

6.1 共享专家融合 MoE

支持可选共享专家权重，将共享专家的 GMM1、SwiGLU、GMM2 与路由专家流水协同调度，并在 Combine 阶段合并共享专家输出。公共接口仅在启用该能力时增加 keyword-only 共享专家权重参数。

6.2 Permute/Unpermute 融合扩展

将 top-k token 展开、按专家排序、路由计数、反排序与 top-k 加权归并进一步融入 HyperMegaMoE 执行流程，减少额外 kernel launch 和中间 token 读写。扩展前后保持 hyper_mega_moe 公共签名与数学语义不变。

6.3 GMM 专家计算分组粒度优化

将 GMM 就绪与调度粒度从单一专家级拓展为 expert × block，根据专家实际 token 数选择 block M。小批次或长尾专家使用较小 block 缩短首块等待，大批次使用较大 block 保持 GMM 效率。

6.4 Token Wave 优化

将专家 token 分成多个 wave，为每个 expert × wave 设置独立就绪事件。前缀 wave 到齐后立即启动对应 GMM M-tile，并将局部完成信号逐级传递到 SwiGLU、GMM2 和 Combine。尾 wave 的就绪阈值使用真实 token 数，避免等待不存在的补齐 token。

7 正确性与测试

7.1 功能测试

• 正向结果与 AllToAll + GroupedMatMul + SwiGLU + GroupedMatMul + AllToAll + weighted combine 参考实现对齐；
• 反向 dx、d_topk_weights、d_up_proj_weight 和 d_down_proj_weight 与参考实现对齐；
• 覆盖普通 Tensor 和 DTensor 输入；
• 覆盖 MindSpore 与 PyTorch 的正向、自动反向和多输入 layout 组合；
• 覆盖多次迭代、连续多次 forward 后 backward、梯度累积和参数更新；
• BF16 场景建议使用 rtol=atol=1e-3 作为基础精度阈值，并在测试记录中说明 shape 和路由分布。

7.2 路由与边界测试

• 均匀路由与非均匀路由；
• 空专家、单热点专家和多热点专家；
• token 数不整除 tile/wave 大小的尾块；
• 不同 T/H/I/E/K 组合与至少两种 EP 规模；
• 非法专家索引、shape 不匹配、dtype 不支持、非法 layout 和缓冲区越界；
• 可选增量被纳入时，分别增加对应的正反向和边界用例。

7.3 稳定性测试

• 连续迭代不出现死锁、事件残留或跨迭代数据污染；
• 异常输入引起的失败可诊断，不使通信域进入不可恢复状态；
• 中间激活和 workspace 生命周期正确，不产生越界、野指针或显存持续增长；
• 异步通信输出在被 AIC/AIV 读取前已完成所需的流间同步。

8 性能验收

性能验收使用固定的硬件、CANN 版本、dtype、T/H/I/E/K、EP 规模和路由分布，并同时报告正向、反向与端到端训练步耗时。

必须提供以下数据：

• HyperMegaMoE 与等价非融合参考链路的耗时对比；
• Dispatch/Combine 通信暴露时间；
• AIC 与 AIV 的并发区间和利用率；
• 均匀路由、非均匀路由和热点专家场景的结果；
• 首轮与稳态迭代数据，明确是否包含编译、tiling 或缓存构建开销；
• 若纳入可选增量，单独报告增量前后的收益和额外显存成本。

性能结论不跨硬件、精度、shape 或路由分布做直接排名。

9 文档与示例

交付内容包含：

• hyper_mega_moe API 文档，说明参数、shape、dtype、DTensor layout、返回值和异常；
• DFunction 正反向语义及梯度列表；
• 单卡 Tensor 与多卡 DTensor 的最小可运行示例；
• 专家并行 DeviceMesh/Placements 配置示例；
• 精度、性能和边界范围说明；
• 可选增量的开关、额外参数和支持范围（如纳入）。

10 验收标准

• 正向算子命名为 HyperMegaMoE，并提供 aclnnHyperMegaMoEGetWorkspaceSize / aclnnHyperMegaMoE；
• 反向算子命名为 HyperMegaMoEGrad，并提供 aclnnHyperMegaMoEGradGetWorkspaceSize / aclnnHyperMegaMoEGrad；
• HyperMegaMoEDFunction 封装正向与反向，用户只需调用 hyper_mega_moe；
• Python 公共接口仅暴露 x、topk_ids、topk_weights、up_proj_weight 和 down_proj_weight；
• 运行时配置、tiling、workspace、通信 buffer、offset/size 和 event counter 由内部管理；
• 正向覆盖 Dispatch → GMM1 → SwiGLU → GMM2 → Combine；
• 反向正确返回 dx、d_topk_weights、d_up_proj_weight 和 d_down_proj_weight；
• Tensor 与 DTensor 调用语义一致，输出 layout 推导正确；
• MindSpore 与 PyTorch 接口语义一致，正反向用例通过；
• 均匀/非均匀路由、空专家、热点专家、尾块与多迭代用例通过；
• 提供可复现的精度与性能报告；
• API 文档、使用示例和支持边界完整。

11 非本期必须项

以下内容只在选入可选增量时纳入对应验收：

• 共享专家融合 MoE；
• Permute/Unpermute 进一步融入核心算子；
• expert × block 的动态 GMM 分组粒度；
• expert × wave 的 token wave 就绪与流水。