HyperModels 新 Trainer Context Parallel 接入设计方案

0. 基本信息与术语

项目	内容
目标入口	TextTrainer / BaseTrainer / HyperAutoModel
主 mesh	dp_replicate、dp_shard、cp、tp；EP 为派生逻辑分组
Phase 1	核心 CP 功能闭环：Colossal、Pure Ulysses、Hybrid、Async、Head-Tail load balance
Phase 2	fused/varlen backend、模型专用 attention 和组合并行扩展
Phase 3	大规模性能优化、通信调度优化和生产化能力完善
首期后端	Ascend NPU/HCCL；功能、精度和性能验收均直接使用 NPU/HCCL

术语	含义
Colossal CP（AllGather CP）	Q 保持 local sequence，K/V 在 CP group 内 AllGather 为 global sequence
Ulysses CP	Q/K/V 从 sequence shard A2A 到 head shard，attention 后再转回 sequence shard
Hybrid CP	在 Ulysses 子组执行 head A2A，在 Colossal 子组执行 K/V AllGather
Async CP	在安全 handoff 点发起 collective，在 attention consumer 前等待，以覆盖 projection/RoPE 后的可并行计算
Head-Tail load balance	对 Colossal CP 的 Q sequence 做 Head-Tail 重排和双 attention，平衡 causal attention 计算量
CP rank	持有一个连续 sequence shard 的 rank
CP wrapper	适配模型 attention forward 签名、并调用 CP strategy 的 wrapper

---

1. 目标与范围

1.1 目标

新 Trainer 需要提供从 YAML 到训练 step 的完整 CP 能力：

CP 拓扑与方法声明
  -> 主 DeviceMesh / CP 子组
  -> batch sequence shard
  -> attention wrapper + CP collective
  -> local logits/loss
  -> DP+CP loss 聚合
  -> FSDP/TP 梯度同步
  -> optimizer step

CP 的标准使用也必须通过 plan_overrides 显式声明 attention 方法。Planner 可以识别
attention boundary 和默认 placement，但不得替用户选择 CP 通信方法；Applier 只应用
用户声明的 wrapper/compute。这样可以避免模型结构被误判后静默使用错误的通信语义。

1.2 Phase 1 目标

交付范围如下：

场景	Phase 1 交付要求	关键约束
同步 Colossal	必须交付	Q 保持 local sequence，K/V 在完整 cp_mesh 上 AllGather
同步 Pure Ulysses	必须交付	ulysses_degree == cp_size，Q/K/V head 满足整除约束
同步 Hybrid	必须交付	1 < ulysses_degree < cp_size 且 cp_size % ulysses_degree == 0
异步 Colossal	必须交付	K/V 在最后一个安全 handoff 后发起异步 AllGather，attention 前等待
异步 Pure Ulysses	必须交付	Q/K/V 在安全 handoff 后发起异步 A2A，attention 前等待
异步 Hybrid	必须交付	Ulysses 子组 A2A 和 Colossal 子组 K/V gather 建立显式依赖链，不允许伪异步
Head-Tail load balance	必须交付	仅作用于 Colossal 语义；重排、mask、双 attention、输出还原和 backward 必须闭环

具体目标：

1. YAML 只声明 cp_size 和每个 attention 边界使用的 CP 方法；方法通过
   plan_overrides.inner_wrapper（或自定义 local_compute_fn）注入。
2. 同步、异步和 load-balance 不是全局开关，而是不同的显式 wrapper。Hybrid 的
   ulysses_degree 等方法私有数据可以写在 inner_wrapper Target 内；异步 handoff 由
   模型专用 wrapper 在代码中显式处理，当前实现不提供通用 AsyncCPHandoffProvider 注册协议。
   不得重新引入 accelerator.cp.algorithm/schedule/ulysses_degree。
3. CP 方法的 mesh、layout、head、handoff 和 batch contract 在 apply/preflight 阶段校验；
   不提供算法默认值、隐式 wrapper 选择或 runtime fallback。
4. 提供 Colossal AllGather、Ulysses A2A、Hybrid 子组通信、异步 launch/wait 和
   Head-Tail 重排所需的可微 primitive；底层 collective 统一复用 platform。
5. 标准 HF SDPA/QKV attention 至少提供同步和异步接入路径；无法安全识别 handoff 的
   HF 模型使用模型专用 wrapper，未匹配的 attention 明确报错。
6. 固化 global position、causal mask、labels、padding、packed metadata、local loss、
   backward 和 optimizer-step contract。
7. 对上述七个交付场景完成 CP=1/CP>1 的 logits、loss、gradient 和 optimizer-step parity；
   异步场景还必须通过 NPU profiler 证明存在有效通信计算重叠。

Phase 1 不要求任意能力自由组合。支持单元是一个明确命名或 Target 声明的 wrapper；例如
async + load_balance 只有在存在独立 wrapper 和完整 contract 时才算支持，不能把两个开关
拼接后自动生成行为。Ulysses/Hybrid 与 Head-Tail load balance 的组合默认非法并 fail-fast。

1.3 非目标

以下能力不阻塞 Phase 1：

• DSA indexer/sparse attention/indexer loss；
• Qwen3.5-VL/MRoPE、复杂多模态输入；
• PP+CP、EP+CP 生产组合和不同 CP size 的 checkpoint reshard；
• 未注册的 FlashAttention、NPU fused attention 和任意自定义 varlen kernel。

---

2. 总体方案

2.1 分层架构

Trainer YAML / CLI
        |
        v
TrainerConfig
  accelerator.cp_size + plan_overrides
        |
        v
DistributedSetup / MeshContext
  device_mesh / cp_mesh / dp_cp_mesh
        |
        +-----------------------+
        |                       |
        v                       v
PlanOverrideResolver      ShardingPlanner
  match/when 校验          parameter + boundary placement
        |                       |
        +-----------+-----------+
                    v
              ShardingPlan
              module specs + explicit CP intent
                    |
                    v
              ShardingApplier
     TP placement -> declared CP wrapper -> FSDP/HSDP
                    |
                    v
             Model attention boundary
                    |
                    v
             CPStrategy runtime
 Colossal / Ulysses / Hybrid / Async / LoadBalance
                    |
                    v
          local logits/loss/backward

2.2 职责边界

模块	职责
TrainerConfig	读取 cp_size 和 plan_overrides，不保存通用 CP 算法配置
MeshContext	构造 cp_mesh、dp_cp_mesh，提供 rank/group/topology
PlanOverrideResolver	按 FQN 和 when: cp 合并用户声明，缺失或冲突时 fail-fast
ShardingPlanner	识别 attention/MLP/MoE 边界，生成 placement；不推断 CP 方法
ShardingApplier	只注入显式声明的 inner_wrapper/local_compute_fn，处理双模式
CPStrategy	作为 wrapper 内部实现 Colossal/Ulysses/Hybrid、异步 launch/wait、Head-Tail 和 autograd
cp_utils.py	保存同步/异步 tensor collective、layout transform、Head-Tail 和 batch shard helper
BaseTrainer/TextTrainer	在 forward 前准备 local batch，执行 loss/gradient/optimizer 生命周期
mean_global_loss	在 DP+CP 域聚合 token 和 loss，生成 backward/logging 结果

CPStrategy 是 wrapper 内部运行时接口，不作为用户 YAML 的通用配置对象：wrapper 负责适配
模型签名并明确选择 strategy，strategy 负责通信算法。每个包含 CP collective 的注入都必须
声明 region_dispatch: false，防止声明式边界再次发起冲突通信。

2.3 一次训练 step

1. DataLoader/collator 生成 global micro batch
2. PlanOverrideResolver 校验 `when: cp` 条目、目标模块和显式 CP 方法
3. CP batch prepare：global labels/positions/mask -> local sequence shard
4. model forward：由 YAML 指定的 wrapper 执行 local Q + strategy(global K/V 或 head A2A)
5. local logits/loss；不在 CP 边界 gather logits
6. mean_global_loss 在 dp_cp_mesh 聚合有效 token 和 loss
7. backward；FSDP/TP 在正确同步域归约参数梯度
8. optimizer.step；同一 CP group 的 replicated parameter 保持一致

---

3. 对外接口

3.1 Trainer YAML

cp_size 只表示 CP 拓扑 degree。CP 算法、attention forward 约定和通信边界必须在
plan_overrides 中逐模块声明；不提供 accelerator.cp.algorithm、schedule、
ulysses_degree、load_balance 或 async_fallback 等通用 CP 配置字段。

accelerator:
  dp_shard_size: 1
  dp_replicate_size: 1
  tp_size: 1
  cp_size: 2
  ep_size: 1
  pp_size: 1
  sequence_parallel: false
  loss_parallel: false

plan_overrides:
  # HF 风格 forward(hidden_states)，内部调用 F.scaled_dot_product_attention。
  # sdpa_hf 的通信方法由 wrapper 固定，框架不再根据模型结构自动猜测。
  - match: "*.self_attn"
    when: cp
    region_dispatch: false
    inner_target: self
    inner_wrapper: sdpa_hf

字段语义和校验：

字段	约束
cp_size	>=1，必须与主 mesh/world size 匹配
plan_overrides.when	cp_size>1 时必须命中；cp_size=1 可跳过，但应记录 INFO
inner_target	指定被包装的 inner attention；无法自动定位时必须显式填写
inner_wrapper	注册表名或 _target_ callable，唯一决定该边界的 CP 方法
local_compute_fn	仅用于用户接管完整 local-region compute；函数内含 collective 时必须伴随 region_dispatch: false
region_dispatch	CP wrapper/compute 含通信或自定义 kernel 时必须为 false，不得省略
未命中/缺少方法	CP>1 在 apply 前直接报错，不自动选择 wrapper、不回退 AllGather

同一份 YAML 可以通过 when: cp 在 CP=1 调试时跳过 CP 注入，但这不等于存在默认
CP 方法。CP>1 时每一个实际 attention boundary 都必须有且只有一个明确的方法声明。

内置 wrapper 的选择示例：

attention 形态	inner_wrapper	CP 方法
HF forward(hidden_states) + SDPA	sdpa_hf	K/V AllGather
分离 QKV forward(q, k, v) + SDPA	sdpa_qkv	K/V AllGather
HF + FlexAttention	flex_hf	由 wrapper 约定的 Flex CP
分离 QKV + FlexAttention	flex_qkv	由 wrapper 约定的 Flex CP
Pure Ulysses	独立 Ulysses wrapper 或 _target_ callable	固定 sequence/head A2A 语义
Hybrid	_target_ callable	wrapper-local ulysses_degree 决定 Ulysses/Colossal 子组
Async Colossal/Ulysses/Hybrid	独立 async _target_ callable	wrapper 显式声明 handoff、launch、wait 和 backward contract
Head-Tail load balance	独立 load-balance _target_ callable	固定 Colossal + Head-Tail 重排语义
自定义 fused attention	用户注册名或 _target_ callable	wrapper 自行实现并明确校验 layout/backend

Ulysses/Hybrid/Async/load balance 等方法不能通过额外的 YAML algorithm 或 schedule
字段覆盖 wrapper 行为；需要使用对应的 wrapper 实现（或用户自定义 callable）。通信方法
由 wrapper 类型固定，ulysses_degree 等方法私有数据通过该 Target 的具名参数提供并由 wrapper
校验。handoff 不是普通配置数据：模型专用 wrapper 必须在代码中解析真实模块，或替换 forward
插入显式 handoff。这样配置入口仍只有一个：plan_overrides.inner_wrapper。

同一 attention 只能选择一个 wrapper。Pure Ulysses 不需要额外 degree 参数，因为其 degree
固定等于 cp_size；Hybrid wrapper 可以在自身 Target 内声明 ulysses_degree，但不能在
accelerator.cp 下另写全局 degree。wrapper 必须自行校验 cp_size、head 整除关系、
sequence/head layout、handoff 和 backend 能力。

3.1.1 各 CP 场景的 plan_overrides 写法

以下示例统一采用 HF SDPA attention。公共字段相同：

plan_overrides:
  - match: "*.self_attn"
    when: cp
    region_dispatch: false
    inner_target: self
    inner_wrapper: <按场景替换>

sdpa_hf、sdpa_hf_ulysses 以及 sdpa_qkv、sdpa_qkv_ulysses 是当前实现中的内置注册名；
FlexAttention 对应 flex_hf、flex_qkv 及其 Ulysses 变体。通用 CP Target 路径指向
hyper_parallel.distributed.context_parallel.wrappers 中带 @inner_wrapper 的 callable；模型专用
wrapper 则位于对应模型的 adapter 目录。wrapper 可以返回 replacement forward 交给 rewriter 安装；
外部 wrapper 也可以原地替换 target_module.forward 并返回 None。QKV 风格 attention 使用对应的
*_qkv_* wrapper，算法参数和校验规则不变。

同步 Colossal/AllGather

inner_wrapper:
  _target_: hyper_parallel.distributed.context_parallel.wrappers.sdpa_hf_cp_wrapper

同步 Pure Ulysses

inner_wrapper:
  _target_: hyper_parallel.distributed.context_parallel.wrappers.sdpa_hf_ulysses_cp_wrapper

Pure Ulysses 的 ulysses_degree 固定等于 cp_size，不单独配置。

同步 Hybrid

inner_wrapper:
  _target_: hyper_parallel.distributed.context_parallel.wrappers.sdpa_hf_hybrid_cp_wrapper
  ulysses_degree: 2

异步 Colossal/AllGather（Qwen3-MoE）

inner_wrapper:
  _target_: hyper_parallel.models.qwen3_moe.adapter.distributed.context_parallel_async.qwen3_moe_async_colossal_cp_wrapper

异步 Pure Ulysses（Qwen3-MoE）

inner_wrapper:
  _target_: hyper_parallel.models.qwen3_moe.adapter.distributed.context_parallel_async.qwen3_moe_async_ulysses_cp_wrapper

异步 Hybrid（Qwen3-MoE）

    inner_wrapper:
      _target_: hyper_parallel.models.qwen3_moe.adapter.distributed.context_parallel_async.qwen3_moe_async_hybrid_cp_wrapper
      ulysses_degree: 2

其中 _target_ 是 YAML 中的字面量键名。当前异步 wrapper 直接适配 Qwen3-MoE attention
的 forward/projection/fused-attention contract，并在实现内部完成异步 launch、依赖等待和
反向通信；它不是通用 HF SDPA wrapper，也不通过 YAML 接收模型名、handoff 路径或任意字符串。
其他模型必须提供自己的 @inner_wrapper callable，并在代码中明确 handoff、handle 生命周期、
前向等待点和 backward 顺序；不存在可自动套用的 AsyncCPHandoffProvider 注册接口。

Colossal Head-Tail load balance

inner_wrapper:
  _target_: hyper_parallel.distributed.context_parallel.wrappers.sdpa_hf_load_balance_cp_wrapper

Head-Tail wrapper 是 Colossal 语义的本地 tensor 实现，负责 Q 的 Head-Tail 重排、K/V
AllGather、双 SDPA、输出还原及 backward 通信。当前实现通过 wrapper 自身识别并改写目标
attention 的 forward；preflight 无法拦截或识别目标 attention 时直接报错。

模型专用异步接入应在 QK-Norm、RoPE 和 layout transform 完成后发起 collective，并尽量保留
可覆盖的 projection/预处理计算；禁止在 SDPA consumer 处才 launch 后立即 wait，并将这种没有
有效 overlap 的路径标记为异步支持。

async + load_balance 不从上述两个 wrapper 自动组合。需要支持时必须另行提供明确命名的
wrapper Target，并声明 Head-Tail 两个 Q 分支各自的 handoff、handle 生命周期和 backward 次序。

3.2 Python API

CP 不新增一个承载算法选择的通用 Python/YAML 配置对象。Planner 只接收拓扑参数和
用户声明的 plan_overrides；每个 CP wrapper 在 apply 时接收通用 mesh 上下文，并由
自身固定通信方法和输入输出 contract。

plan = ShardingPlanner(plan_overrides={
    "model.layers.*.self_attn": ModuleShardingSpec(
        inner_target="self",
        inner_wrapper="sdpa_hf",
        region_dispatch=False,
    ),
}).plan(
    model,
    device_mesh,
    tp_size=1,
    cp_size=2,
    ep_size=1,
    sequence_parallel=False,
    loss_parallel=False,
)
model, tp_grad_info = apply_sharding_plan(
    model,
    plan,
    device_mesh,
)

配置传播链：

YAML -> TrainerConfig.accelerator.cp_size + plan_overrides
     -> PlanOverrideResolver（match/when/字段校验）
     -> ShardingPlanner（placement + 显式 CP intent）
     -> ShardingPlan.module_specs
     -> ShardingApplier（只应用声明的 wrapper/compute）
     -> wrapper 内部 CPStrategy

3.3 CP strategy 接口

class ContextParallelStrategy:
    def validate(self, mesh, model) -> None:
        ...

    def shard_batch(self, batch, cp_mesh) -> dict:
        ...

    def attention(self, q, k, v, *, cp_mesh, attention_meta):
        ...

    def launch(self, q, k, v, *, cp_mesh, handoff_meta):
        """异步 strategy 返回按 layer/invocation 隔离的 handle state。"""
        ...

    def wait(self, state, q, k, v, *, attention_meta):
        """在 consumer 前 materialize 通信结果并恢复 layout/autograd。"""
        ...

    def restore_output(self, output, *, cp_mesh, attention_meta):
        ...

实现要求：

• AllGatherStrategy 复用 cp_utils.flex_cp_allgather；
• UlyssesStrategy 实现 sequence/head A2A，并提供可微 backward；
• HybridStrategy 管理 Ulysses 子组和 AllGather 子组；
• Async strategy 管理安全 handoff、异步 launch/wait、反向逆通信和 handle 生命周期；
• Head-Tail strategy 管理 Colossal Q 重排、双 attention、mask 和输出还原；
• strategy 由显式 wrapper 固定，不读取 accelerator.cp 或其他隐式全局配置；
• wrapper 必须在注入时校验自己的 sequence/head/layout/backend 约束；
• strategy 不依赖 HF 模型类名，只接收 layout、mask 和 mesh metadata。

3.4 模型/Wrapper 扩展接口

Planner 可以通过模板识别 attention 的 placement，但不再设置隐式的 CP wrapper。标准
模型和非标准模型都由用户在 YAML 中指定 inner_target、inner_wrapper 或
local_compute_fn。模型差异只影响 wrapper 的实现，不需要新建一套 Trainer。

标准 HF attention 的显式声明：

plan_overrides:
  - match: "*.self_attn"
    when: cp
    region_dispatch: false
    inner_target: self
    inner_wrapper:
      _target_: hyper_parallel.distributed.context_parallel.wrappers.sdpa_hf_cp_wrapper

非标准模型可注册模型规格，但规格只提供目标 FQN、batch contract 和可用 wrapper，不能
绕过 YAML 的方法选择：

register_cp_model_spec(
    architecture="deepseek_v3",
    attention_targets=("*.self_attn",),
    batch_prepare_fn=prepare_deepseek_v3_cp_batch,
    wrappers=("deepseek_v3_mla_all_gather", "deepseek_v3_mla_ulysses"),
)

用户自定义 attention wrapper 的约定：

@inner_wrapper
def my_cp_attention_wrapper(
    target_module,
    mesh,
    tp_mesh,
    cp_mesh,
    ep_mesh,
):
    """原地替换 target_module.forward；内部明确实现一种 CP 通信方法。"""
    del mesh, tp_mesh, ep_mesh
    original_forward = target_module.forward

    def cp_forward(*args, **kwargs):
        # 1. 解包 local/DTensor 输入；2. 按本 wrapper 的方法通信；
        # 3. 执行 attention；4. 恢复 boundary contract。
        return original_forward(*args, **kwargs)

    target_module.forward = cp_forward

然后在 YAML 中显式绑定实现：

plan_overrides:
  - match: "*.self_attn"
    when: cp
    region_dispatch: false
    inner_target: core_attention
    inner_wrapper:
      _target_: my_project.cp.my_cp_attention_wrapper

plan_overrides 是唯一的 CP 注入入口，用于指定每个模块实际使用的 CP 方法：

spec = ModuleShardingSpec(
    inner_target="self",
    inner_wrapper="my_cp_wrapper",
    region_dispatch=False,
)
planner = ShardingPlanner(
    plan_overrides={"model.layers.0.self_attn": spec}
)

inner_wrapper 与 local_compute_fn 二选一：前者替换/包装 attention inner forward，
后者替换 local-region 的计算函数。两者都必须由用户显式声明；CP>1 时只声明
inner_target 或只依赖模板推断均不构成完整 CP 接入。

3.5 低层 cp_utils/platform 接口

Colossal 继续复用现有 AllGather primitive：

local_batch = shard_batch_for_cp(global_batch, mesh_context.cp_mesh)
global_k, global_v = flex_cp_allgather(
    local_k,
    local_v,
    cp_dim=2,
    cp_mesh=mesh_context.cp_mesh,
)

其余场景需要提供同一层级的能力：

• Ulysses：sequence-to-head/head-to-sequence 可微 A2A；
• Hybrid：稳定 (co, ds) 子 mesh、A2A + K/V AllGather layout transform；
• Async：platform-owned launch、handle、wait、stream/event 和可微逆通信；
• Head-Tail：Q 重排/还原、双 attention metadata 和 backward 映射。

实现约束：所有 collective 复用 cp_mesh.get_group() 或从 root mesh 缓存得到的稳定子组，禁止在
forward 中 dist.new_group()；底层通信不得绕过 platform。AllGather backward 必须提供
reduce-scatter 语义，A2A backward 必须执行逆 layout transform；cp_size=1 返回 identity。

---

4. 核心实现设计

4.1 Mesh 与通信域

主 mesh：

world_size = pp × dp_replicate × dp_shard × cp × tp

CP 相关子组：

子组	用途
cp_mesh	attention AllGather 或 Ulysses A2A
dp_cp_mesh	global loss/token 聚合
Ulysses subgroup	Hybrid 中 sequence/head A2A
Colossal subgroup	Hybrid 中 K/V AllGather
FSDP mesh	参数/梯度同步；至少覆盖需要同步的 DP 与 CP 域

EP 不进入主 mesh 乘积；EP mesh 在 apply 阶段从 dense rank domain 派生。PP 首期固定为 1。

4.2 Batch contract

CP 切分前 batch 必须仍是 global sequence。处理顺序：

global collated batch
  -> 生成 global position_ids、labels/shift_labels、padding metadata
  -> 按 strategy 的 padding policy 对齐
  -> 按 cp_rank 切出 local sequence
  -> model forward

字段	规则
input_ids	沿 sequence 维切分
labels	先保证 global next-token 语义，再切分
shift_labels	global shift 后切分，禁止各 rank 独立 shift 丢失边界 target
position_ids	global 位置生成后切分，rank 不从 0 重新编号
attention_mask	根据 local-Q/global-K 或 head-shard 语义生成，禁止盲切
inputs_embeds	沿 batch 的 sequence 维切分
seq_lens/seq_lens_padded	按 local chunk 和 pack boundary 重算
past_key_values/use_cache	训练首期拒绝
未知 tensor	原样透传或 fail-fast，不默认沿最后一维切分

padding policy：

strategy	约束
all_gather	S 对齐到 cp_size 的倍数
ulysses	S 对齐到 CP degree，且 head 维满足 A2A 整除
hybrid	同时满足 Ulysses degree 和子组约束
load_balance	另行使用 2*cp_size 或 zigzag 对齐，不影响普通 AllGather

4.3 三种同步 strategy

Colossal / AllGather

Q: [B, Nq, S/C, D]
K/V: [B, Nk, S/C, D]
  -> K/V AllGather on cp_mesh
K/V: [B, Nk, S, D]
  -> local-Q/global-KV attention
output: [B, Nq, S/C, D]

不要求 Q head 被 CP 整除，适合 GQA/MQA；causal mask 必须使用 local Q 的 global offset。

Pure Ulysses

local sequence shard
  -> sequence/head A2A on cp_mesh
head shard + global sequence
  -> local attention
  -> head/sequence A2A
local sequence output

要求 ulysses_degree == cp_size，Q head 和参与通信的 KV head 满足整除约束。

Hybrid

CP mesh
  -> Ulysses subgroup：sequence -> head A2A
  -> Colossal subgroup：K/V AllGather
  -> attention
  -> inverse A2A

要求 cp_size % ulysses_degree == 0。每个子组必须使用稳定的 rank 顺序和已缓存 process group。

4.4 Async 和 load balance

Async strategy 是独立的双边界注入，不是同步 wrapper 上的布尔开关。它在最后一个安全
projection/RoPE/layout handoff 后提前发起通信，在 attention consumer 前等待：

q_proj/k_proj/v_proj (+ QK norm/RoPE)
  -> async communication launch
  -> reshape/mask/metadata
  -> attention boundary wait

forward/backward 必须形成对称闭环：

forward:  handoff post-hook -> launch -> consumer pre-hook wait -> attention
backward: attention autograd -> launch inverse collective
          -> handoff/projection backward pre-hook wait -> projection grad GEMM

异步边界由模型专用 wrapper 暴露，不由框架根据模型类名猜测结构。当前 Qwen3-MoE
实现直接在 wrapper 内完成 handoff 与 collective 生命周期；通用 HF 模型若需异步，
必须新增并注册自己的 @inner_wrapper callable：

@inner_wrapper
def my_async_cp_wrapper(target_module, mesh, tp_mesh, cp_mesh, ep_mesh):
    """Replace target_module.forward and own launch/wait/backward contract."""
    ...

模型侧应在已有 forward 中保留原 attention 数学逻辑，仅在 projection/layout 完成后增加
明确的 launch/wait 边界，不复制整个 attention 实现：

q = project_norm_and_layout_q(hidden_states)
k = project_norm_and_layout_k(hidden_states)
q, k = apply_rotary_pos_emb(q, k, cos, sin)
q = self.cp_q_handoff(q)       # wrapper 在 post-hook launch Q
k = self.cp_k_handoff(k)       # wrapper 在 post-hook launch K

v = project_and_layout_v(hidden_states)  # 与已 launch 的 Q/K 通信重叠
v = self.cp_v_handoff(v)       # launch V
q, k, v = self.cp_attn_wait(q, k, v)  # pre-hook wait/materialize
output = attention_interface(q, k, v, attention_mask)

通用 async wrapper 从 target_module.get_async_cp_handoffs() 取得真实 Module，注册 launch、wait
和 backward hook。preflight 必须检查四个 Module 唯一、属于当前 attention、调用次数匹配且输出
layout 符合 wrapper contract。没有实现协议的 attention 不能选择异步 wrapper。

各模式的 Phase 1 异步语义：

模式	launch 点	consumer 前等待内容
Async Colossal	K/V 最后安全 handoff	K/V async AllGather
Async Pure Ulysses	Q/K/V 最后安全 handoff	Q/K/V sequence-to-head async A2A
Async Hybrid	Q/K/V 最后安全 handoff	Ulysses 子组 A2A；K/V 继续进入 Colossal 子组 gather 依赖链

Hybrid 的两段 collective 存在数据依赖。实现可以通过 platform 的异步依赖链在 A2A 完成后
继续发起 K/V AllGather，并在 attention 前统一 materialize；如果首版只能异步 A2A、同步
AllGather，必须在 wrapper 名称、能力矩阵和 profiler 结果中标记为 half_async，不能宣称为
完整 Async Hybrid。完整交付要求 forward 和 backward 的两段依赖、stream/event 顺序及
DTensor layout 恢复全部闭环。

handoff 不存在、跨越不安全或 wrapper 无法保证顺序时：

• 异步 wrapper 在 apply/preflight 阶段直接报错；
• 需要同步通信时，用户改为显式选择对应的同步 wrapper；不得由 runtime 自动回退。

HF forward(hidden_states) 的通用 SDPA consumer interception 通常只能在 Q/K/V 已全部生成后
看到张量，适合同步 wrapper，但不足以保证有效异步 overlap。异步 HF wrapper 必须依赖上述
handoff provider，而不是替换整个 attention forward。仅在 SDPA 调用点 launch 并立即 wait
属于伪异步，验收时按同步路径处理。

Head-Tail load balance 只允许 AllGather：batch 先按 zigzag 重排，attention 内交换 Q 片段并执行
双 attention，输出再还原原始 sequence 顺序。该能力必须有独立的 mask、padding 和 backward contract。
它只能通过显式的 load-balance wrapper 接入，不能通过额外的全局 YAML 开关打开。

Phase 1 至少交付同步 Colossal Head-Tail wrapper。async + load_balance 不是自动组合能力；只有
提供独立 wrapper、明确两个 Q 分支的 launch/wait 次序并通过 profiler 验证后才标记支持。

4.5 Attention 与模型适配

模型/类型	接入方式
HF SDPA hidden_states	sdpa_hf primitive interception
QKV 风格 core attention	sdpa_qkv
FlexAttention	flex_hf / flex_qkv，block mask 使用 global KV 长度
DeepSeek MLA	在压缩 K/V expand_kv 前接入专用 wrapper，不能直接套普通 SDPA
GLM5 DSA	indexer、sparse attention、indexer loss 分别注册 placement/wrapper
Qwen3.5 linear/VL	模型规格提供 sequence、MRoPE、multimodal mask 和 attention boundary

所有 wrapper 都必须支持 production/validate 双模式，且未命中实际 attention primitive 时 fail-fast。

4.6 Loss、梯度与 optimizer

统一内部 loss contract：

local_loss_sum
local_valid_tokens

mean_global_loss 在 dp_cp_mesh 上聚合 token 和 loss；backward scale 与 FSDP SUM/AVG 语义一致，
logging loss 与可微 loss 分开生成。

要求：

• CP rank 的 valid token 只统计一次；
• optimizer step 前 replicated parameter gradient 在目标同步域一致；
• optimizer step 后 CP group 参数一致；
• TP/EP 副本不重复计数；
• gradient accumulation、activation checkpoint 和 mixed precision 不改变 CP=1 数值语义。

---

5. 代码改动边界

模块	主要改动
trainer/config.py	AcceleratorConfig 保留 cp_size，读取 plan_overrides
components/distributed/config.py	校验 when: cp、wrapper/compute 声明和 mesh 约束；不提供通用 CP 算法配置
components/distributed/infrastructure.py	构造 cp_mesh/dp_cp_mesh、Hybrid 子 mesh 和 wrapper 所需稳定通信组
cp_utils.py	提供 Colossal/Ulysses/Hybrid 同步与异步 primitive、Head-Tail、batch/mask/padding 工具
sharding_config.py	保存 CP layout 和显式 wrapper/compute intent
sharding_planner.py	合并 plan_overrides，校验 head/layout/backend，禁止隐式 CP 方法
sharding_applier.py	解析并注入用户声明的 wrapper/compute，填充 wrapper Target 上下文并执行 fail-fast
trainer/base.py	forward 前 CP batch prepare，统一 global label/position contract
loss_utils.py / FSDP2	DP+CP token/loss 和 replicated gradient 域闭环
模型实现	为无安全 handoff 的 HF attention 和 MLA/DSA/VL 等非标准 attention 增加专用 wrapper/handoff contract

所有 cp_size>1 的模型都必须在 YAML 中为 attention 声明 plan_overrides。只有
cp_size=1 可以借助 when: cp 跳过该条目；不得因为模型是标准 HF attention 就省略
CP 方法声明。

---

6. 支持矩阵与整体迁移范围

6.1 支持矩阵

能力	Phase 1	Phase 2	Phase 3
cp_size + 显式 plan_overrides 方法	必须	保持兼容	保持兼容
同步 Colossal/AllGather	完整支持	性能优化	持续回归
同步 Pure Ulysses	完整支持	性能优化	持续回归
同步 Hybrid	完整支持	子组/拓扑优化	持续回归
Async Colossal	完整支持并证明 overlap	handoff 覆盖扩展	调度优化
Async Pure Ulysses	完整支持并证明 overlap	handoff 覆盖扩展	调度优化
Async Hybrid	完整支持；half-async 仅算中间里程碑	collective 依赖链优化	调度优化
Head-Tail load balance	同步 Colossal 完整支持	独立 async 组合按 wrapper 扩展	性能优化
SDPA/Flex	标准 SDPA/QKV 必须；Flex wrapper 明确支持边界	fused/varlen 扩展	持续回归
GQA/MQA	Colossal 支持；Ulysses/Hybrid 按 head 约束 fail-fast	KV 策略扩展	完整优化
TP+CP	组件和 Trainer E2E 闭环	稳定支持	持续回归
FSDP+CP	loss/gradient/optimizer 正确性闭环	稳定支持	持续回归
DSA/VL/MLA	不作为核心场景的统一 wrapper；已有专用路径需回归	按模型逐项扩展	持续扩展

6.2 本次迁移的整体工作面

类别	迁移内容
基础闭环	cp_size、mesh/group、batch shard、显式 wrapper、offset mask、global loss、FSDP gradient domain
同步算法	Colossal、Pure Ulysses、Hybrid；包括子组构造、layout transform、autograd 和输出恢复
异步算法	Colossal/Ulysses/Hybrid 的 handoff、launch/wait、反向逆通信、stream/event 和 profiler 验收
负载均衡	Colossal Head-Tail 的输入重排、双 attention、mask、输出还原、backward 和 padding contract
模型扩展	仅处理无法套用标准 SDPA 的 MLA、DSA、linear/VL attention；按模型增加 wrapper 和 batch contract

以下能力不纳入本次 CP 迁移主线：inference cache、PP 生产组合、EP 生产组合、跨 CP size checkpoint
reshard，以及未注册的 fused kernel。它们只在后续组合并行/工程 Issue 中单独跟踪。

---

7. 验证设计

7.1 测试分层

层级	验证内容
UT	plan_overrides、wrapper-local 参数、padding、batch field、offset mask、head/layout/handoff 约束
Component	NPU/HCCL 上验证 Colossal/Ulysses/Hybrid 同步与异步 forward/backward、load balance、process group/handle 生命周期
Trainer Level 0	tiny Causal LM，CP=1/2/Hybrid factor，固定 seed，2~5 step parity
Trainer Level 1	Llama/Qwen 为核心，NPU/HCCL，多 micro-batch/FSDP；专用模型路径按支持矩阵回归
Performance	NPU profiler 检查 async launch/wait、stream 依赖和有效 overlap；禁止以 API 名称替代性能证据

7.2 Phase 1 验收项

1. YAML 中每个 CP attention 的 when: cp、inner_target、inner_wrapper/
   local_compute_fn 和 region_dispatch 能到达 apply；缺失或冲突声明会在启动前报错；
2. global input、position、labels 在 CP rank 拼接后恢复 reference；
3. Colossal AllGather backward 为 reduce-scatter 语义，且不泄漏 process group；
4. Pure Ulysses 和 Hybrid 的 forward/backward 与 CP=1/reference parity，Hybrid 子组 rank 顺序稳定；
5. local-Q/global-KV causal mask 与 CP=1 一致；
6. Async Colossal/Ulysses/Hybrid 与对应同步路径数值一致，forward/backward 均无悬空 handle；
7. NPU profiler 证明异步 collective 与有效计算区间重叠；launch 后立即 wait 不通过验收；
8. Head-Tail load balance 的重排/还原、mask、padding、loss token 和 backward 全部一致；
9. local logits 拼接、global loss、valid token 数与 CP=1 一致；
10. 每个 trainable parameter gradient 与 CP=1 一致；
11. optimizer step 后 replicated parameter 在 CP group 内一致；
12. production/validate 输出和梯度一致；
13. 不支持的模型、backend、layout、handoff、cache、packed/TND 和非法能力组合 fail-fast；
14. cp_size=1 与未启用 CP 的原始 Trainer 回归一致。

7.3 Phase 2/3 扩展验收项

• fused/varlen backend 与 Phase 1 同步 reference parity；
• Async collective 依赖链在更多模型 handoff 和组合并行下保持正确 overlap；
• GQA/MQA 的扩展 KV 策略有明确精度、通信量和 head-layout 证据；
• MLA/DSA/VL 模型只在专用 wrapper/batch contract 完成后标记支持；
• 大规模场景验证通信组生命周期、显存峰值、吞吐和长稳可靠性。

---

8. 交付拆分

1. CP-Declaration：plan_overrides schema、when: cp、wrapper/compute 解析、拓扑摘要和非法组合校验；
2. CP-Colossal：AllGather primitive、batch contract、显式 SDPA/QKV wrapper、offset mask 和 Trainer parity；
3. CP-Gradient：DP+CP loss、FSDP/HSDP gradient domain、TP+CP 基础 E2E；
4. CP-Ulysses-Hybrid：Pure Ulysses/Hybrid 同步 strategy、子组、layout、autograd 和输出恢复；
5. CP-Async：Colossal/Ulysses/Hybrid 的 handoff、launch/wait、反向通信和 profiler overlap 验收；
6. CP-LoadBalance：Colossal Head-Tail 重排、双 attention、mask、padding 和 backward；
7. CP-Model：无法复用标准 SDPA/QKV contract 的 MLA/DSA/VL 等模型专用 wrapper。

第 1～6 项共同构成 Phase 1 核心交付，不是按“先只交付 AllGather、其余以后再补”的可选顺序；
允许按 PR 拆分实现，但最终验收必须覆盖完整功能面。只有同时满足显式配置可达、组件测试、
Trainer parity、异步 profiler 证据和明确支持矩阵，才能将某项能力标记为新 Trainer 已支持；
任何“自动猜测 wrapper”“缺失时默认 AllGather”或“launch 后立即 wait”的实现都不算支持。