better-dsh 0.2.5-c → 0.2.5-e

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-tensorrt-llm.md

@@ -1,206 +0,0 @@
----
-title: "Tensorrt Llm — 使用 NVIDIA TensorRT 优化 LLM 推理以实现最大吞吐量和最低延迟"
-sidebar_label: "Tensorrt Llm"
-description: "使用 NVIDIA TensorRT 优化 LLM 推理以实现最大吞吐量和最低延迟"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Tensorrt Llm
-
-使用 NVIDIA TensorRT 优化 LLM 推理，实现最大吞吐量和最低延迟。适用于在 NVIDIA GPU（A100/H100）上进行生产部署、需要比 PyTorch 快 10-100 倍的推理速度，或需要使用量化（FP8/INT4）、in-flight batching（动态批处理）和多 GPU 扩展来服务模型的场景。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/tensorrt-llm` 安装 |
-| 路径 | `optional-skills/mlops/tensorrt-llm` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖项 | `tensorrt-llm`, `torch` |
-| 平台 | linux, macos |
-| 标签 | `Inference Serving`, `TensorRT-LLM`, `NVIDIA`, `Inference Optimization`, `High Throughput`, `Low Latency`, `Production`, `FP8`, `INT4`, `In-Flight Batching`, `Multi-GPU` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 skill 激活时 agent 所看到的指令内容。
-:::
-
-# TensorRT-LLM
-
-NVIDIA 的开源库，用于在 NVIDIA GPU 上以最先进的性能优化 LLM 推理。
-
-## 何时使用 TensorRT-LLM
-
-**在以下情况下使用 TensorRT-LLM：**
-- 在 NVIDIA GPU（A100、H100、GB200）上部署
-- 需要最大吞吐量（Llama 3 上 24,000+ tokens/sec）
-- 实时应用需要低延迟
-- 使用量化模型（FP8、INT4、FP4）
-- 跨多个 GPU 或节点扩展
-
-**在以下情况下改用 vLLM：**
-- 需要更简单的设置和 Python 优先的 API
-- 希望使用 PagedAttention 而无需 TensorRT 编译
-- 使用 AMD GPU 或非 NVIDIA 硬件
-
-**在以下情况下改用 llama.cpp：**
-- 在 CPU 或 Apple Silicon 上部署
-- 需要无 NVIDIA GPU 的边缘部署
-- 希望使用更简单的 GGUF 量化格式
-
-## 快速开始
-
-### 安装
-
-```bash
-# Docker（推荐）
-docker pull nvidia/tensorrt_llm:latest
-
-# pip 安装
-pip install tensorrt_llm==1.2.0rc3
-
-# 需要 CUDA 13.0.0、TensorRT 10.13.2、Python 3.10-3.12
-```
-
-### 基本推理
-
-```python
-from tensorrt_llm import LLM, SamplingParams
-
-# 初始化模型
-llm = LLM(model="meta-llama/Meta-Llama-3-8B")
-
-# 配置采样参数
-sampling_params = SamplingParams(
-    max_tokens=100,
-    temperature=0.7,
-    top_p=0.9
-)
-
-# 生成
-prompts = ["Explain quantum computing"]
-outputs = llm.generate(prompts, sampling_params)
-
-for output in outputs:
-    print(output.text)
-```
-
-### 使用 trtllm-serve 提供服务
-
-```bash
-# 启动服务器（自动下载和编译模型）
-trtllm-serve meta-llama/Meta-Llama-3-8B \
-    --tp_size 4 \              # 张量并行（4 个 GPU）
-    --max_batch_size 256 \
-    --max_num_tokens 4096
-
-# 客户端请求
-curl -X POST http://localhost:8000/v1/chat/completions \
-  -H "Content-Type: application/json" \
-  -d '{
-    "model": "meta-llama/Meta-Llama-3-8B",
-    "messages": [{"role": "user", "content": "Hello!"}],
-    "temperature": 0.7,
-    "max_tokens": 100
-  }'
-```
-
-## 核心特性
-
-### 性能优化
-- **In-flight batching**：生成过程中的动态批处理
-- **Paged KV cache**：高效内存管理
-- **Flash Attention**：优化的注意力计算核
-- **量化**：FP8、INT4、FP4，推理速度提升 2-4 倍
-- **CUDA graphs**：降低内核启动开销
-
-### 并行化
-- **张量并行（TP）**：跨 GPU 拆分模型
-- **流水线并行（PP）**：按层分布
-- **专家并行**：用于混合专家（Mixture-of-Experts）模型
-- **多节点**：扩展至单机以外
-
-### 高级特性
-- **推测解码（Speculative decoding）**：使用草稿模型加速生成
-- **LoRA serving**：高效多适配器部署
-- **分离式服务（Disaggregated serving）**：预填充与生成分离
-
-## 常见模式
-
-### 量化模型（FP8）
-
-```python
-from tensorrt_llm import LLM
-
-# 加载 FP8 量化模型（速度提升 2 倍，内存减少 50%）
-llm = LLM(
-    model="meta-llama/Meta-Llama-3-70B",
-    dtype="fp8",
-    max_num_tokens=8192
-)
-
-# 推理方式与之前相同
-outputs = llm.generate(["Summarize this article..."])
-```
-
-### 多 GPU 部署
-
-```python
-# 跨 8 个 GPU 的张量并行
-llm = LLM(
-    model="meta-llama/Meta-Llama-3-405B",
-    tensor_parallel_size=8,
-    dtype="fp8"
-)
-```
-
-### 批量推理
-
-```python
-# 高效处理 100 个 prompt
-prompts = [f"Question {i}: ..." for i in range(100)]
-
-outputs = llm.generate(
-    prompts,
-    sampling_params=SamplingParams(max_tokens=200)
-)
-
-# 自动 in-flight batching 以实现最大吞吐量
-```
-
-## 性能基准
-
-**Meta Llama 3-8B**（H100 GPU）：
-- 吞吐量：24,000 tokens/sec
-- 延迟：每 token 约 10ms
-- 对比 PyTorch：**快 100 倍**
-
-**Llama 3-70B**（8× A100 80GB）：
-- FP8 量化：比 FP16 快 2 倍
-- 内存：FP8 减少 50%
-
-## 支持的模型
-
-- **LLaMA 系列**：Llama 2、Llama 3、CodeLlama
-- **GPT 系列**：GPT-2、GPT-J、GPT-NeoX
-- **Qwen**：Qwen、Qwen2、QwQ
-- **DeepSeek**：DeepSeek-V2、DeepSeek-V3
-- **Mixtral**：Mixtral-8x7B、Mixtral-8x22B
-- **视觉模型**：LLaVA、Phi-3-vision
-- **100+ 模型**，可在 HuggingFace 上获取
-
-## 参考文档
-
-- **[优化指南](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/tensorrt-llm/references/optimization.md)** — 量化、批处理、KV cache 调优
-- **[多 GPU 配置](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/tensorrt-llm/references/multi-gpu.md)** — 张量/流水线并行、多节点
-- **[服务指南](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/tensorrt-llm/references/serving.md)** — 生产部署、监控、自动扩缩容
-
-## 资源
-
-- **文档**：https://nvidia.github.io/TensorRT-LLM/
-- **GitHub**：https://github.com/NVIDIA/TensorRT-LLM
-- **模型**：https://huggingface.co/models?library=tensorrt_llm

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-torchtitan.md

@@ -1,378 +0,0 @@
----
-title: "Distributed Llm Pretraining Torchtitan"
-sidebar_label: "Distributed Llm Pretraining Torchtitan"
-description: "使用 torchtitan 提供 PyTorch 原生分布式 LLM 预训练，支持 4D 并行（FSDP2、TP、PP、CP）"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Distributed Llm Pretraining Torchtitan
-
-使用 torchtitan 提供 PyTorch 原生分布式 LLM 预训练，支持 4D 并行（FSDP2、TP、PP、CP）。适用于在 8 到 512+ GPU 规模下预训练 Llama 3.1、DeepSeek V3 或自定义模型，支持 Float8、torch.compile 及分布式检查点。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/torchtitan` 安装 |
-| 路径 | `optional-skills/mlops/torchtitan` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖 | `torch>=2.6.0`, `torchtitan>=0.2.0`, `torchao>=0.5.0` |
-| 平台 | linux, macos |
-| 标签 | `Model Architecture`, `Distributed Training`, `TorchTitan`, `FSDP2`, `Tensor Parallel`, `Pipeline Parallel`, `Context Parallel`, `Float8`, `Llama`, `Pretraining` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发该 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。
-:::
-
-# TorchTitan - PyTorch 原生分布式 LLM 预训练
-
-## 快速开始
-
-TorchTitan 是 PyTorch 官方的大规模 LLM 预训练平台，支持可组合的 4D 并行（FSDP2、TP、PP、CP），在 H100 GPU 上相比基线可实现 65%+ 的加速。
-
-**安装**：
-```bash
-# 从 PyPI 安装（稳定版）
-pip install torchtitan
-
-# 从源码安装（最新特性，需要 PyTorch nightly）
-git clone https://github.com/pytorch/torchtitan
-cd torchtitan
-pip install -r requirements.txt
-```
-
-**下载 tokenizer**：
-```bash
-# 从 https://huggingface.co/settings/tokens 获取 HF token
-python scripts/download_hf_assets.py --repo_id meta-llama/Llama-3.1-8B --assets tokenizer --hf_token=...
-```
-
-**在 8 个 GPU 上启动训练**：
-```bash
-CONFIG_FILE="./torchtitan/models/llama3/train_configs/llama3_8b.toml" ./run_train.sh
-```
-
-## 常用工作流
-
-### 工作流 1：在单节点上预训练 Llama 3.1 8B
-
-复制此检查清单：
-
-```
-单节点预训练：
-- [ ] 步骤 1：下载 tokenizer
-- [ ] 步骤 2：配置训练
-- [ ] 步骤 3：启动训练
-- [ ] 步骤 4：监控与检查点
-```
-
-**步骤 1：下载 tokenizer**
-
-```bash
-python scripts/download_hf_assets.py \
-  --repo_id meta-llama/Llama-3.1-8B \
-  --assets tokenizer \
-  --hf_token=YOUR_HF_TOKEN
-```
-
-**步骤 2：配置训练**
-
-编辑或创建 TOML 配置文件：
-
-```toml
-# llama3_8b_custom.toml
-[job]
-dump_folder = "./outputs"
-description = "Llama 3.1 8B training"
-
-[model]
-name = "llama3"
-flavor = "8B"
-hf_assets_path = "./assets/hf/Llama-3.1-8B"
-
-[optimizer]
-name = "AdamW"
-lr = 3e-4
-
-[lr_scheduler]
-warmup_steps = 200
-
-[training]
-local_batch_size = 2
-seq_len = 8192
-max_norm = 1.0
-steps = 1000
-dataset = "c4"
-
-[parallelism]
-data_parallel_shard_degree = -1  # Use all GPUs for FSDP
-
-[activation_checkpoint]
-mode = "selective"
-selective_ac_option = "op"
-
-[checkpoint]
-enable = true
-folder = "checkpoint"
-interval = 500
-```
-
-**步骤 3：启动训练**
-
-```bash
-# 单节点 8 个 GPU
-CONFIG_FILE="./llama3_8b_custom.toml" ./run_train.sh
-
-# 或显式使用 torchrun
-torchrun --nproc_per_node=8 \
-  -m torchtitan.train \
-  --job.config_file ./llama3_8b_custom.toml
-```
-
-**步骤 4：监控与检查点**
-
-TensorBoard 日志保存至 `./outputs/tb/`：
-```bash
-tensorboard --logdir ./outputs/tb
-```
-
-### 工作流 2：使用 SLURM 进行多节点训练
-
-```
-多节点训练：
-- [ ] 步骤 1：为规模配置并行度
-- [ ] 步骤 2：设置 SLURM 脚本
-- [ ] 步骤 3：提交作业
-- [ ] 步骤 4：从检查点恢复
-```
-
-**步骤 1：为规模配置并行度**
-
-在 256 个 GPU（32 个节点）上训练 70B 模型：
-```toml
-[parallelism]
-data_parallel_shard_degree = 32  # FSDP across 32 ranks
-tensor_parallel_degree = 8        # TP within node
-pipeline_parallel_degree = 1      # No PP for 70B
-context_parallel_degree = 1       # Increase for long sequences
-```
-
-**步骤 2：设置 SLURM 脚本**
-
-```bash
-#!/bin/bash
-#SBATCH --job-name=llama70b
-#SBATCH --nodes=32
-#SBATCH --ntasks-per-node=8
-#SBATCH --gpus-per-node=8
-
-srun torchrun \
-  --nnodes=32 \
-  --nproc_per_node=8 \
-  --rdzv_backend=c10d \
-  --rdzv_endpoint=$MASTER_ADDR:$MASTER_PORT \
-  -m torchtitan.train \
-  --job.config_file ./llama3_70b.toml
-```
-
-**步骤 3：提交作业**
-
-```bash
-sbatch multinode_trainer.slurm
-```
-
-**步骤 4：从检查点恢复**
-
-若配置的文件夹中存在检查点，训练将自动恢复。
-
-### 工作流 3：为 H100 启用 Float8 训练
-
-Float8 在 H100 GPU 上可提供 30-50% 的加速。
-
-```
-Float8 训练：
-- [ ] 步骤 1：安装 torchao
-- [ ] 步骤 2：配置 Float8
-- [ ] 步骤 3：启动并开启 compile
-```
-
-**步骤 1：安装 torchao**
-
-```bash
-USE_CPP=0 pip install git+https://github.com/pytorch/ao.git
-```
-
-**步骤 2：配置 Float8**
-
-在 TOML 配置中添加：
-```toml
-[model]
-converters = ["quantize.linear.float8"]
-
-[quantize.linear.float8]
-enable_fsdp_float8_all_gather = true
-precompute_float8_dynamic_scale_for_fsdp = true
-filter_fqns = ["output"]  # Exclude output layer
-
-[compile]
-enable = true
-components = ["model", "loss"]
-```
-
-**步骤 3：启动并开启 compile**
-
-```bash
-CONFIG_FILE="./llama3_8b.toml" ./run_train.sh \
-  --model.converters="quantize.linear.float8" \
-  --quantize.linear.float8.enable_fsdp_float8_all_gather \
-  --compile.enable
-```
-
-### 工作流 4：405B 模型的 4D 并行
-
-```
-4D 并行（FSDP + TP + PP + CP）：
-- [ ] 步骤 1：创建种子检查点
-- [ ] 步骤 2：配置 4D 并行
-- [ ] 步骤 3：在 512 个 GPU 上启动
-```
-
-**步骤 1：创建种子检查点**
-
-跨 PP 阶段一致初始化所必需：
-```bash
-NGPU=1 CONFIG_FILE=./llama3_405b.toml ./run_train.sh \
-  --checkpoint.enable \
-  --checkpoint.create_seed_checkpoint \
-  --parallelism.data_parallel_shard_degree 1 \
-  --parallelism.tensor_parallel_degree 1 \
-  --parallelism.pipeline_parallel_degree 1
-```
-
-**步骤 2：配置 4D 并行**
-
-```toml
-[parallelism]
-data_parallel_shard_degree = 8   # FSDP
-tensor_parallel_degree = 8       # TP within node
-pipeline_parallel_degree = 8     # PP across nodes
-context_parallel_degree = 1      # CP for long sequences
-
-[training]
-local_batch_size = 32
-seq_len = 8192
-```
-
-**步骤 3：在 512 个 GPU 上启动**
-
-```bash
-# 64 节点 x 8 GPU = 512 GPU
-srun torchrun --nnodes=64 --nproc_per_node=8 \
-  -m torchtitan.train \
-  --job.config_file ./llama3_405b.toml
-```
-
-## 何时使用 vs 替代方案
-
-**使用 TorchTitan 的场景：**
-- 从头预训练 LLM（8B 到 405B+）
-- 需要无第三方依赖的 PyTorch 原生方案
-- 需要可组合的 4D 并行（FSDP2、TP、PP、CP）
-- 在支持 Float8 的 H100 上训练
-- 需要与 torchtune/HuggingFace 互操作的检查点
-
-**使用替代方案的场景：**
-- **Megatron-LM**：仅限 NVIDIA 部署时追求最高性能
-- **DeepSpeed**：更广泛的 ZeRO 优化生态，支持推理
-- **Axolotl/TRL**：微调而非预训练
-- **LitGPT**：教学用途，小规模训练
-
-## 常见问题
-
-**问题：大模型内存不足**
-
-启用激活检查点并减小批次大小：
-```toml
-[activation_checkpoint]
-mode = "full"  # Instead of "selective"
-
-[training]
-local_batch_size = 1
-```
-
-或使用梯度累积：
-```toml
-[training]
-local_batch_size = 1
-global_batch_size = 32  # Accumulates gradients
-```
-
-**问题：TP 异步集合通信导致内存占用过高**
-
-设置环境变量：
-```bash
-export TORCH_NCCL_AVOID_RECORD_STREAMS=1
-```
-
-**问题：Float8 训练未见加速**
-
-Float8 仅对大型 GEMM 有效。过滤小层：
-```toml
-[quantize.linear.float8]
-filter_fqns = ["attention.wk", "attention.wv", "output", "auto_filter_small_kn"]
-```
-
-**问题：更改并行度后检查点加载失败**
-
-使用 DCP 的重分片功能：
-```bash
-# 将分片检查点转换为单文件
-python -m torch.distributed.checkpoint.format_utils \
-  dcp_to_torch checkpoint/step-1000 checkpoint.pt
-```
-
-**问题：Pipeline 并行初始化失败**
-
-请先创建种子检查点（参见工作流 4，步骤 1）。
-
-## 支持的模型
-
-| 模型 | 规模 | 状态 |
-|-------|-------|--------|
-| Llama 3.1 | 8B, 70B, 405B | 生产可用 |
-| Llama 4 | 多种 | 实验性 |
-| DeepSeek V3 | 16B, 236B, 671B (MoE) | 实验性 |
-| GPT-OSS | 20B, 120B (MoE) | 实验性 |
-| Qwen 3 | 多种 | 实验性 |
-| Flux | 扩散模型 | 实验性 |
-
-## 性能基准（H100）
-
-| 模型 | GPU 数 | 并行策略 | TPS/GPU | 技术 |
-|-------|------|-------------|---------|------------|
-| Llama 8B | 8 | FSDP | 5,762 | 基线 |
-| Llama 8B | 8 | FSDP+compile+FP8 | 8,532 | +48% |
-| Llama 70B | 256 | FSDP+TP+AsyncTP | 876 | 2D 并行 |
-| Llama 405B | 512 | FSDP+TP+PP | 128 | 3D 并行 |
-
-## 进阶主题
-
-**FSDP2 配置**：参见 [references/fsdp.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/torchtitan/references/fsdp.md)，了解 FSDP2 与 FSDP1 的详细对比及 ZeRO 等价关系。
-
-**Float8 训练**：参见 [references/float8.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/torchtitan/references/float8.md)，了解 tensorwise 与 rowwise 缩放方案。
-
-**检查点**：参见 [references/checkpoint.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/torchtitan/references/checkpoint.md)，了解 HuggingFace 转换与异步检查点。
-
-**添加自定义模型**：参见 [references/custom-models.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/torchtitan/references/custom-models.md)，了解 TrainSpec 协议。
-
-## 资源
-
-- GitHub：https://github.com/pytorch/torchtitan
-- 论文：https://arxiv.org/abs/2410.06511
-- ICLR 2025：https://iclr.cc/virtual/2025/poster/29620
-- PyTorch 论坛：https://discuss.pytorch.org/c/distributed/torchtitan/44