External Cannbot Model Model Infer Superkernel

SuperKernel 适配技能

提供 SuperKernel 算子二进制融合技术的完整适配流程，包括模型分析、Scope 范围确定、代码实施和性能验证。

重要原则

• 前置条件：必须满足 exe_mode: "ge_graph"、Atlas A3 硬件、PyTorch 框架
• 仅 Decode 阶段生效：Prefill 阶段输入长度动态变化，SuperKernel 自动禁用
• 手动标记 Scope：需要使用 superkernel_scope 上下文管理器标记融合范围
• 配置互斥：不支持 eager 模式和 aclgraph 模式
• 先理解再行动：分析模型结构后再确定 Scope 范围，避免盲目复制其他模型配置
• 组合使用：SuperKernel 作为优化技术之一，可与其他优化技术（多流并行、融合算子等）组合使用

重要提醒

必须完成所有四个步骤：

1. 分析模型结构
2. 确定 Scope 范围
3. 代码编写
4. 性能测试验证（必须执行，不可跳过）

最终产出：

• 优化后的代码文件（config.yaml、modeling_*.py）
• SuperKernel 优化文档（superkernel_optimization_report.md）

工作流程

第一步：分析模型结构

目标：理解模型架构，识别可以应用 SuperKernel 的部分

1. 读取模型代码：

   • 找到模型实现文件（cann-recipes-infer/models/{model_name}/models/modeling_*.py）
   • 找到配置文件（cann-recipes-infer/models/{model_name}/config.yaml）
   • 找到 runner 文件（cann-recipes-infer/models/{model_name}/models/runner_*.py）

2. 识别模型架构特征：

   • 是否有 Attention 层（Self-Attention、Cross-Attention）
   • 是否有 MoE 层（专家路由、专家计算）
   • 是否有其他计算密集型模块（FFN、LayerNorm 等）
   • Prefill 和 Decode 是否已分离

3. 检查当前配置：

   • exe_mode 是否为 ge_graph（必须）
   • enable_superkernel 当前状态
   • 硬件是否为 Atlas A3
   • 是否已启用图模式（torch.compile）

4. 识别潜在问题：

   • 动态 shape 问题（KV Cache 是否预分配）
   • 控制流问题（是否有 Python if/for）
   • 不支持的算子（Tiling 下沉算子）

产出：

• 模型结构分析（内部记录，不输出文件）
• 可应用 SuperKernel 的模块列表
• 潜在问题清单

第二步：确定 Scope 范围

目标：确定 SuperKernel 的融合范围

使用 AskUserQuestion 提供以下选项：

执行内容：

• 根据用户选择，生成对应的 Scope 配置
• 如果选择"自动分析工具"，启动 subagent 执行性能分析
• 生成 Scope 标记代码片段
• 确定需要修改的文件和具体位置

产出：

• Scope 配置方案（内部记录，不输出文件）
• 需要修改的代码位置和具体改动

详细的 Scope 分析方法见 references/scope-analysis-guide.md

第三步：代码编写

目标：实施 SuperKernel 适配代码

重要：这一步只修改代码，不输出任何中间文档。

3.1 配置文件修改

修改 cann-recipes-infer/models/{model_name}/config.yaml：

# 确保以下配置
exe_mode: "ge_graph"              # 必须是 ge_graph
model_config:
  enable_superkernel: True        # 启用 SuperKernel
  enable_multi_streams: False     # 根据需求配置
  enable_cache_compile: False     # 根据需求配置

3.2 模型代码修改

在 cann-recipes-infer/models/{model_name}/models/modeling_*.py 中：

# 1. 导入上下文管理器
from executor.utils import superkernel_scope

# 2. 在 decode 方法中添加 Scope 标记
class YourModel:
    def decode(self, input_ids, ...):
        is_prefill = False  # decode 阶段

        # 根据选择的 Scope 策略添加
        with superkernel_scope(
            self.enable_superkernel and not is_prefill,
            label="decode_layers",  # 或 "attention_only", "moe_only"
            option="stream-fusion=1"  # 编译选项
        ):
            for decoder_layer in self.layers:
                # 运算逻辑
                hidden_states = decoder_layer(
                    hidden_states,
                    attention_mask=attention_mask,
                    ...
                )

        return hidden_states

Scope 标记位置示例：

• 仅 Attention：在 Attention 模块的 forward 方法中
• 仅 MoE：在 MoE 层的 forward 方法中
• 全 Decoder 层：在整个 Decoder 层循环外层

产出：

• 修改后的代码文件（config.yaml、modeling_*.py 等）

第四步：性能测试验证（必须执行）

目标：验证 SuperKernel 适配的正确性和性能提升

重要：这一步必须执行，不可跳过。完成代码修改后立即进行性能测试。

4.1 建立性能基线

1. 临时禁用 SuperKernel：

   cd cann-recipes-infer/models/{model_name}
   # 备份当前配置
   cp config.yaml config.yaml.superkernel
   # 禁用 SuperKernel
   sed -i 's/enable_superkernel: True/enable_superkernel: False/' config.yaml
   

2. 运行基线测试：

   bash infer.sh 2>&1 | tee baseline.log
   

3. 记录基线性能：

   • Decode 单步耗时（ms）
   • 吞吐量（tokens/s）
   • 从日志中提取关键性能指标

4.2 测试优化版本

1. 恢复 SuperKernel 配置：

   # 恢复 SuperKernel 配置
   cp config.yaml.superkernel config.yaml
   

2. 运行优化测试：

   bash infer.sh 2>&1 | tee optimized.log
   

3. 记录优化性能：

   • Decode 单步耗时（ms）
   • 吞吐量（tokens/s）
   • 从日志中提取关键性能指标

4.3 性能对比分析

计算性能提升：

性能提升 = (基线耗时 - 优化后耗时) / 基线耗时 × 100%
吞吐量提升 = (优化后吞吐量 - 基线吞吐量) / 基线吞吐量 × 100%

4.4 生成优化报告

必须生成：创建 superkernel_optimization_report.md，包含：

# SuperKernel 优化报告

## 优化配置

- 模型：{model_name}
- Scope 策略：{scope_strategy}
- 优化日期：{date}

## 代码修改

### 配置文件修改
- 文件：`config.yaml`
- 修改内容：启用 `enable_superkernel: True`

### 模型代码修改
- 文件：`cann-recipes-infer/models/modeling_*.py`
- 修改内容：添加 SuperKernel scope 标记
- Scope 范围：{scope_description}

## 性能测试结果

### 基线性能（SuperKernel 禁用）
- Decode 单步耗时：{baseline_latency} ms
- 吞吐量：{baseline_throughput} tokens/s

### 优化后性能（SuperKernel 启用）
- Decode 单步耗时：{optimized_latency} ms
- 吞吐量：{optimized_throughput} tokens/s

### 性能提升
- 延迟降低：{latency_improvement}%
- 吞吐量提升：{throughput_improvement}%

## 结论

{conclusion}

## 使用说明

优化后的模型配置已保存，可直接使用：
\`\`\`bash
cd cann-recipes-infer/models/{model_name}
bash infer.sh
\`\`\`

产出：

• 性能测试日志（baseline.log、optimized.log）
• SuperKernel 优化报告（superkernel_optimization_report.md）

详细的性能基线建立方法见 references/performance-baseline-guide.md

最终交付物

完成所有四个步骤后，必须提供：

1. 优化后的代码文件：

   • cann-recipes-infer/models/{model_name}/config.yaml（已启用 SuperKernel）
   • cann-recipes-infer/models/{model_name}/models/modeling_*.py（已添加 Scope 标记）

2. SuperKernel 优化报告：

   • superkernel_optimization_report.md
   • 包含完整的性能对比数据和优化说明

不需要输出：

• 中间分析文档（superkernel_analysis.md）
• Scope 规划文档（superkernel_scope_plan.md）
• 其他临时文件

Scope 选择指南

快速决策树

模型类型？
├─ MoE 模型 → 优先选择"仅 MoE 模块"
├─ 标准 Transformer → 优先选择"仅 Attention 模块"
└─ 简单模型 + 有成功案例 → 可选择"全 Decoder 层"

首次尝试？
└─ 是 → 选择"仅 Attention 模块"（风险最小）

追求最优性能？
└─ 是 → 选择"使用自动分析工具"

已知最优配置？
└─ 是 → 选择"自定义 Scope"

Scope 模板

详细的 Scope 模板见 resources/scope-templates/ 目录：

• attention-only.md - 仅 Attention 的 Scope 模板
• moe-only.md - 仅 MoE 的 Scope 模板
• full-model.md - 全模型 Scope 模板

配置检查清单

启用 SuperKernel 前，请确保：

• exe_mode 设置为 ge_graph（不能是 eager 或 aclgraph）
• 硬件为 Atlas A3 系列
• 框架为 PyTorch
• 模型已区分 prefill 和 decode 阶段
• 已正确标记 SuperKernel scope

参考文档

内部文档

• references/scope-analysis-guide.md - Scope 分析详细指南
• references/performance-baseline-guide.md - 性能基线建立指南
• resources/scope-templates/ - Scope 模板

外部文档

• 官方 SuperKernel 开发文档
• PyTorch 图模式使用指南
• DeepSeek-R1 decode 性能优化
• SuperKernel 易用性指南

最佳实践

1. 首次尝试：选择"仅 Attention 模块"，风险最小
2. 逐步扩大：验证成功后再扩大 Scope 范围
3. 性能对比：每次修改后都进行性能对比
4. 文档记录：记录每次尝试的配置和结果
5. 问题排查：遇到问题先查看检查清单和常见问题
6. 寻求帮助：复杂问题可以调用其他 skill 或查阅详细文档