从零实现 LLM Inference：077. roseinfer vs vLLM vs SGLang vs TensorRT-LLM（baseline）
用仓库自带的 online/offline serving benchmark 跑一轮 baseline，对齐参数和环境，比较 roseinfer 与 vLLM / SGLang / TensorRT-LLM 的在线延迟（P50/P90/P99）与离线吞吐。
Posts by Tag
LLM
从零实现 LLM Inference：076. 继续追性能：和 SGLang / TensorRT-LLM 的差距到底在哪？
把 074/075 的 multiprocess serving 稳住之后，继续看 online/offline 的性能差距：roseinfer 的 decode（TPOT/ITL）已经能压住 vLLM，但 TTFT 还是明显落后 SGLang/TRT-LLM。本文先把现象拆清楚，再做两个增量试验：mpasync...
从零实现 LLM Inference：075. Online P99 长尾时延：从 700ms 尾巴到 vLLM 级别
071–074 把 multiprocess serving 的工程税压住之后，online 侧的 P99 还是明显炸尾。顺着 trace/metrics 把锅拆开，发现罪魁祸首其实很朴素：Python GC jitter。照着 vLLM/SGLang 的做法加上 GC freeze，再把 OpenAI SSE ...
从零实现 LLM Inference：074. Multiprocess Serving 极致优化：Ablation / 稳定性 / 拓扑绑核 / Async Streaming / Profiling
把 071 的 API/engine 多进程拆分继续榨：thread cap、topology-aware affinity、cmd budget、pipe bytes IPC、flat events、offline 快计数、async streaming……所有点都有开关、默认按正收益打开；再用一套 onlin...
从零实现 LLM Inference：073. Benchmark + Profiling Harness（torch profiler / nsys）& 加入 TensorRT-LLM 对比
把 serving benchmark 做成“可回归 + 可解释”：在不污染 benchmark 数据的前提下，给 online/offline 增加独立 profiling stage（PyTorch profiler + Nsight Systems），并把 TensorRT-LLM 也纳入同一套公平对比；同...
从零实现 LLM Inference：072. CPU/GPU Overlap Scheduler（把 roseinfer 的 decode loop 做成 pipeline）
参考 SGLang/vLLM/TensorRT-LLM 的 overlap scheduling：用 future-token 占位 + GPU FutureMap + one-step delayed output，把 scheduler 从“GPU->CPU 同步 + CPU 串行”改成真正的 CPU/...
从零实现 LLM Inference：071. Multiprocess Serving（engine process）让 roseinfer 的 Online 延迟稳定下来
做一次业界级调研：vLLM/SGLang/TensorRT-LLM 的进程拆分怎么做；再把 roseinfer 从“一个进程干所有事”改成“API 进程 + engine 进程”，用可回归的 online/offline benchmark 跑出数据与图。
从零实现 LLM Inference：070. Fused MLP + Fused Sampler + Fused KV Append（把 MLP epilogue / sampling / KV writeback 也做成默认开启）
继续补齐 roseinfer 的“业内默认”推理优化：把 MLP epilogue（bias+GELU + bias+residual）做成 Triton kernel，把 sampling（top-k/top-p + sample）接到 flashinfer 的 from_logits GPU kernel，并...
从零实现 LLM Inference：069. Operator Fusion（给 roseinfer 补齐 attention 之外的算子融合）
业内推理引擎的性能不只靠 attention：decode(T=1) 下 LN/残差/激活这类小算子会变成“launch + 带宽”热点。本文调研 vLLM/SGLang/TensorRT-LLM 的融合思路，并在 roseinfer 落地 Triton fused add+LayerNorm（in-place）...
从零实现 LLM Inference：068. Chunked Prefill（给 roseinfer 加增量 Prompt Ingestion）
实现业界常见的 chunked prefill：把长 prompt 按 chunk 增量写入 paged KV cache，并与 decode 交错调度；提供可选开关与 online/offline benchmark，对比 chunked on/off 的延迟与吞吐。
从零实现 LLM Inference：067. 给 roseinfer 加 FlashAttention（Prefill 三选一：naive / flashinfer / flash-attn）
在 roseinfer 的 prefill attention 上引入可插拔后端：保留原始实现，同时支持官方 flash-attn 与 flashinfer；并复用 066 的 online/offline benchmark 做自对比、自动出图。
从零实现 LLM Inference：066. Online/Offline Serving Benchmark（roseinfer vs vLLM vs SGLang）
给 roseinfer 加一套可回归的 benchmark：同一套 trace / 参数，分别启动 roseinfer/vLLM/SGLang 的 OpenAI server 压测在线延迟（TTFT/TPOT/ITL/E2E），再做 offline throughput 对比，并自动生成论文风格图表。
从零实现 LLM Inference：065. KV 元数据数组化（_block_infos / _block_refcounts）
KVBlockManager 的 block 元数据原来用 dict 做 global_id -> info/refcount 映射，decode 热路径会频繁查表。这里把两张表改成定长 list（按 global_id 直接索引），减少 Python dict 开销。
从零实现 LLM Inference：064. KVBlockInfo 改成可变（减少 per-token KV 元数据开销）
KV append 的热路径里，每层每 token 都要更新一次 block length。之前用 NamedTuple 需要不断创建新对象并回写 dict；这版改成 slots dataclass，length 原地自增，减少 Python 分配和重复查表。
从零实现 LLM Inference：063. Triton batched KV COW clone（替换 index_select/index_copy）
prefix cache hit 后，多条 session 会共享同一批 KV blocks；第一次 decode 写入时如果 last block 还没写满，就会触发 COW：先 clone block 再 append token。原实现用 index_select/index_copy 搬整块 KV；这版加...
从零实现 LLM Inference：062. Triton KV append identity-pos（full batch 但 pos 不一致）
上一版 full-batch KV-append 只覆盖 pos 常量的稳态；但只要 prompt 长度不一致，decode 的 pos 就会按 request 分叉，仍然要构造 batch_idx/pos 这类 index tensor。这版补一个 identity batch 的 Triton kernel：...
从零实现 LLM Inference：061. Triton KV append full-batch fast path（少分配 index tensor）
batch decode 稳态里，经常满足 fast_batch_idx 是 [0..B-1] 且同一步 pos 对整个 batch 是常量；这时 Triton KV append 还在每 step 构造 batch_idx/pos 这类小 tensor。这个 PR 新增 full-batch Triton ke...
从零实现 LLM Inference：060. KV append identity fast path（少做一次 index_select）
append_token_batch 里 fast_batch_idx 很多时候就是 [0..B-1]；之前每层都会 index_select 把 key_new/value_new 重新拷一遍，还会构造 pos_t。这个小改动在 identity batch 时直接复用 key_new/value_new，并且...
从零实现 LLM Inference：059. Batched KV rollover（block 满了也别退化成 for-loop）
append_token_batch 之前只覆盖 len<block_size 的 fast path；一旦 last block 满了（len==block_size）就会退化成逐 request 的 append_token。这个点会制造 ITL 的尖刺。这版把 rollover 也塞回 batch：先...
从零实现 LLM Inference：058. Prefix Cache logits 常驻 device（减少 hit 的 CPU/GPU 拷贝）
prefix cache hit 时我们还在把 last_logits 从 CPU 拷回 GPU；这版把 entry 的 last_logits 直接存成 device 上的一份小 clone，hit 变成真正的零拷贝。
从零实现 LLM Inference：057. Batched KV COW（shared block 的 append_token_batch fast path）
prefix cache 复用会让 decode 的最后一个 KV block refcount>1；之前 append_token_batch 直接退化成逐 request 的 append_token + copy-on-write，CPU/GPU overhead 都很明显。这版把 COW clone...
从零实现 LLM Inference：056. Prefix Cache Radix Tree（longest prefix 查找加速）
055 做了 longest-prefix reuse，但 longest-prefix 查询还是 O(N) 扫描；这版用 token trie 替换掉 scan，把 cache miss 的 longest-prefix 查找从 ms 级降到 us 级，减少 scheduler CPU overhead。
从零实现 LLM Inference：055. Prefix Cache Longest Prefix Reuse（longest prefix KV 复用）
prefix cache 之前只能 exact hit；这版做 longest-prefix 复用：命中“缓存 prompt 是新 prompt 的前缀”时直接挂载 KV blocks，然后用 decode(T=1) teacher-forcing 补齐 suffix。顺手把 paged-attn Triton ...
从零实现 LLM Inference：054. Prefix Cache Token Key（prompt string -> token ids）
prefix cache 之前用 prompt 字符串当 key；在 pretok 场景里，prompt 文本不同但 token ids 相同会导致 cache miss。改成优先用 prompt_token_ids tuple 作为 key，并加了一个 benchmark knob 复现/量化收益。
从零实现 LLM Inference：053. CUDA Graph Host Buffers（把 metadata copy 变成真·non_blocking）
paged-attn + CUDA Graph decode 里，每步都在 torch.tensor(list) 然后 copy_ 到 GPU，既有分配也不是真正 non_blocking。改成复用 pinned host buffer + numpy view 直接写入，吞吐提升、TPOT 下降。
从零实现 LLM Inference：052. Batched Worker Lookups（减少 streaming decode 的锁开销）
SchedulerManager 的 worker loop 里每个 token 都会进一次 lock 取 q/detok/state；改成每步 decode 批量抓取一次，减少 lock acquire/release 和热点 dict 访问。
从零实现 LLM Inference：051. Fast TopK/TopP Sampling（避开 full-vocab sort/scatter）
之前 top_k+top_p 采样每步都会对整个 vocab 做 sort/gather，开销巨大。把采样改成直接在 sorted topk 空间里做 top-p + multinomial，并顺手把 top_k clamp 到 vocab size。
从零实现 LLM Inference：050. Stream Interval（每 N token flush 一次）
streaming 如果每个 token 都 q.put + HTTP flush，会把 Python/IO overhead 放大。引入 stream_interval：第一段内容立刻发，后续每 N 个 token 合并成一个 chunk 再发，吞吐和 tail latency 都能更稳。
从零实现 LLM Inference：049. Max Inflight Requests（过载保护 / 429）
burst streaming 下 unlimited inflight 会把排队延迟炸到 p99，但吞吐几乎不变。给 SchedulerManager 加 max_inflight_requests：超过就直接拒绝（HTTP 429），benchmark_streaming 也打印 Rejected 与 rej...
从零实现 LLM Inference：048. Streaming Submit Schedule（absolute vs relative）
submit_interval_ms 如果用“sleep after each add_request”的相对口径，提交路径一变快，实际到达率就变了，TTFT 会被排队形态污染。给 benchmark_streaming 加 submit_scheudle=absolute，用 t0+i*interval 固定到...
从零实现 LLM Inference：047. Streaming Tokenize Workers（把 encode 挪出 add_request）
add_request 里同步做 tokenizer.encode 会放大 submit wall / p99。引入 tokenize_workers 线程池，把 tokenization 变成后台阶段，并把 TTFT 拆到 tokenize/queue/prefill 三段。
从零实现 LLM Inference：046. Streaming Pretok（绕过 tokenizer.encode）
streaming bench 里 add_request 的 p99 很容易被 tokenizer.encode 的 CPU 开销污染。增加 add_request(prompt_token_ids=…) + benchmark_streaming –pretok，把 tokenization 从提交路径挪出去。
从零实现 LLM Inference：045. Streaming TTFT 拆解（Queue wait vs Prefill）
TTFT 只是一个总数：里面既有排队等待，也有 prefill 的真实计算。只看 TTFT 很容易把优化方向搞反。给 SchedulerManager 记录 admit timestamp，并在 benchmark_streaming 里打印 TTFT breakdown。
从零实现 LLM Inference：044. Streaming Benchmark Warmup + Repeat（把 cold-start 拆出去）
paged-attn / CUDA Graph 的第一次请求会把 Triton JIT 和 graph capture 算进 TTFT/吞吐，导致对比结论失真。给 benchmark_streaming 加 warmup-runs + repeat-runs，把冷启动和稳态拆开。
从零实现 LLM Inference：043. Streaming Benchmark 开关（paged-attn / CUDA Graph / NVTX）
streaming 场景想看 TTFT/TPOT/ITL 的 p99，但之前不好一条命令切换 decode 的快路径，也不好给 nsys 挂 NVTX。补齐 benchmark 的三个开关。
从零实现 LLM Inference：042. Triton KV Append（把 KV 写入从 4 个 op 合成 1 个 kernel）
decode 每层都要把 (k,v) 写进 KV cache。原来是 index_select + index_put 四连。先用一个 Triton kernel fuse 成一次写入，并加上 batch size gate，避免小 batch 退化。
从零实现 LLM Inference：041. Batched Sampler（干掉 per-request .item() 同步）
decode 已经很快了但还不够？很多时候慢在 sampling：每步 B 次 .item() 会把 GPU pipeline 打散。把采样做成 batch，一步只同步一次。
从零实现 LLM Inference：040. CUDA Graph 加速 paged decode
decode 热路径里 kernel launch 太密？把一次 decode step 捕获成 CUDA Graph，replay 省掉大量 CPU dispatch。
从零实现 LLM Inference：039. Triton Autotune（paged-attn decode kernel）
把 paged-attn decode kernel 的 num_warps/num_stages 从“拍脑袋常量”变成 Triton autotune；结果在 decode 热路径里反而回退了。
从零实现 LLM Inference：038. Batched KV Append Fast Path
paged decode 还在慢？很多时候瓶颈不在 attention，而是在每步 L*B 次的 KV 写入：做一个 batch fast-path，直接把 Python 循环砍掉。
从零实现 LLM Inference：037. Paged Attention Slot Mapping
block_table 不再每步 gather/copy：把它常驻 GPU，用 slot_mapping 让 triton kernel 直接索引，decode 吞吐更稳。
从零实现 LLM Inference：036. Paged Attention Block Table Cache
paged attention decode 每步重建 block_table 太浪费：按 session 缓存 row，只在 block 变化时更新，decode 吞吐和 TPOT 更稳。
从零实现 LLM Inference：035. Paged Attention Fast Path
paged attention decode 路径里不该构建 attention_mask；同时把 block_tables 的 H2D copy 合并成一次 async，收一点点 TPOT/throughput。
从零实现 LLM Inference：034. Max Active Requests
pack admission 会把 active sessions 拉得很高：加一个 max_active_requests（max_num_seqs）把 decode backlog 的 ITL/TPOT tail 收回来。
从零实现 LLM Inference：033. Prefill Admission Packing
token budget + FIFO 仍然会遇到 head-of-line blocking：用 lookahead packing 把短请求先塞进 prefill，收敛 TTFT p99。
从零实现 LLM Inference：032. Decode-first Worker Loop
worker loop 在有 active sessions 时先 decode 再 prefill：减少 decode 被 admission 抢占，收敛 ITL p99。
从零实现 LLM Inference：031. Prefill Token Budget
prefill admission 从“按请求数”升级为“按 tokens 预算”：限制 prefill 抢占，收敛 ITL p99。
从零实现 LLM Inference：030. Prefill Admission Knob
把 worker 的 prefill admission batch size 从 decode batch size 解耦：TTFT p99 直接砍掉一半。
从零实现 LLM Inference：029. Prefix Cache + Prefill Micro-Batching
prefix cache 开启时也能 micro-batch prefill：hit 直接 attach，miss 合并成一次 forward。
从零实现 LLM Inference：028. Prefill Micro-Batching
把 worker 里的 prefill 从串行变成 micro-batch，一次 forward 吞掉一批 pending request。
从零实现 LLM Inference：027. Pending Queue Admission
把 streaming 的 add_request 从 prefill 中解耦：快速入队，由 worker 统一做 prefill + decode。
从零实现 LLM Inference：026. Reuse Tokenization
OnlineScheduler 支持 prompt_token_ids，server 去掉重复 encode，benchmark 增加 –pretok。
从零实现 LLM Inference：025. Scheduler Public API
把 server/benchmark 对 OnlineScheduler._sessions 的直接访问收口。
从零实现 LLM Inference：024. Graceful Shutdown
补齐 SchedulerManager 的 close，优雅停掉 worker 并结束 streaming。
从零实现 LLM Inference：023. Worker Wakeup Event
server worker 用 threading.Event 驱动唤醒，去掉 idle 轮询 sleep。
从零实现 LLM Inference：022. Online Scheduler Active Queue
OnlineScheduler 用 deque 维护活跃队列，去掉每 step 的全量扫描。
从零实现 LLM Inference：021. TTFT/TPOT + Finished Queue
给 benchmark 加上 TTFT/TPOT，并把 server 的 finished 清理从扫描改成事件。
从零实现 LLM Inference：020. HuggingFace GPT2 Loader
支持从 HuggingFace 加载 GPT2 权重，为后续和 vLLM/sglang 对齐 benchmark 铺路。
从零实现 LLM Inference：019. Paged Attention
实现真正的 paged attention。
从零实现 LLM Inference：018. Performance
通过性能观测进行性能优化。
从零实现 LLM Inference：017. Profiler
使用 pytorch profiler 进行性能观测。
从零实现 LLM Inference：016. Simple Prefix Caching
实现简单的 prefix caching，通过 prefix cache 来复用之前的 kv-cache。
从零实现 LLM Inference：015. Simple Benchmark
实现简单的 benchmark，对比不同实现的性能。
从零实现 LLM Inference：014. Scheduler Manager
实现 scheduler manager，支持 online scheduler 的接入。
从零实现 LLM Inference：013. Simple OpenAI API
支持简单的 openai api，实现 chat completion。
从零实现 LLM Inference：012. Server
实现简单的 inference server，使用 FastAPI 以及 uvicorn。
从零实现 LLM Inference：011. Online Scheduler
实现 online scheduler，展示连续批处理。
从零实现 LLM Inference：010. Use KV Block
让 kv block manager 真正发挥作用，实现 python 版 paged attention。
从零实现 LLM Inference：009. Batch Decoding
实现 batch decode，并隐式实现 continuous batching。
从零实现 LLM Inference：008. KV Block Manager
实现基础的 kv block manager
从零实现 LLM Inference：007. Offline Scheduler
实现离线调度器，支持并发请求。
从零实现 LLM Inference：006. Inference Session
添加 Inference Session，支持并发请求。
从零实现 LLM Inference：005. Streaming
实现流式生成（streaming），支持边生成边输出。
从零实现 LLM Training：025. Init
解决模型初始化问题，让训练更稳定。
从零实现 LLM Inference：004. Batch
实现 batch inference 功能，支持多条 prompt 同时推理。
从零实现 LLM Inference：003. Sampling
实现 top-k top-p 这种 sampling 操作，并把整体的 prefill decode 流程规范化，对齐业界 vllm，huggingface 的实现。
从零实现 LLM Inference：002. KV-Cache
实现 kv-cache 部分，让模型能够处理推理时的 kv-cache。
从零实现 LLM Inference：001. Generate
实现最基本的 greedy generate。
从零实现 LLM Training：024. Eval
添加单独的 eval.py 文件，从而将评估与训练相分离。
从零实现 LLM Training：023. Gradient Accumulation and Clip Gradient Norm
实现梯度累积和梯度裁剪，提高训练稳定性。
从零实现 LLM Training：022. FineWebNPYDataset
引入 FineWebNPYDataset 数据集 class。
从零实现 LLM Training：021. WandB
使用 WandB 记录训练过程，方便后续分析。
从零实现 LLM Training：020. PyTorch Profiler and NVTX
使用 PyTorch profiler 与 NVTX 捕捉 trace，深入分析训练性能瓶颈。
从零实现 LLM Training：019. Activation Checkpoint
通过 activation checkpointing 以重计算换显存，优化大模型训练。
从零实现 LLM Training：018. LR Cosine Scheduler
为学习率引入 cosine scheduler，并将调度状态写入 checkpoint。
从零实现 LLM Training：017. Save Config to Checkpoint
将模型配置写入 checkpoint，简化加载与推理时的配置管理。
从零实现 LLM Training：016. Multi Doc Dataset
重构 Dataset，支持多文档输入与更合理的切分策略。
从零实现 LLM Training：015. Simple Generate
在完成基础训练后，实现一个最简单的文本生成脚本。
从零实现 LLM Training：014. Use Real Data
将 toy 数据集替换为更真实的文本数据，完善训练链路。
从零实现 LLM Training：013. Eval and Logging
加入验证集评估和日志记录，用 loss 与 PPL 监控训练效果。
从零实现 LLM Training：012. Argparse
为训练脚本引入 argparse 命令行参数，向工业级实现迈进。
从零实现 LLM Training：011. Checkpoints
为训练过程加入 checkpoint 容错机制，支持从中间状态恢复。
从零实现 LLM Training：010. Mixed Precision
在完成张量并行后，引入混合精度训练以提高算力利用率。
从零实现 LLM Training：009. True Tensor Parallel for Attention
通过按 head 维度切分 QKV，让 Attention 形成真正的张量并行。
从零实现 LLM Training：008. Use Row Parallel for Attention
将 Row Parallel Linear 引入 Attention 层，搭配 Column Parallel 完成张量并行。
从零实现 LLM Training：007. Use Row Parallel for FFN
把 Row Parallel Linear 引入 FFN 模块，配合 Column Parallel 完成张量并行。
从零实现 LLM Training：006. Row Parallel
在已有 Column Parallel 基础上实现 Row Parallel Linear。
从零实现 LLM Training：005. Use Column Parallel
把 Column Parallel Linear 集成到 GPTModel 中并用训练循环验证。
从零实现 LLM Training：004. Column Parallel
引入列张量并行（Column Parallel）作为张量并行的第一步。
从零实现 LLM Training：003. Simple DDP
使用 PyTorch DDP 实现最简单的数据并行训练。
从零实现 LLM Training：002. Loss and Train Loop
为 mini-GPT 加上最基本的 loss 和最小 train loop。
从零实现 LLM Training：001. mini-GPT
从零实现 mini-GPT 的配置、模型和简单前向。
GAE 推导
Generalized Advantage Estimation（GAE）推导与直觉
数据并行
数据并行
训练时的显存开销
训练时的显存开销
SGLang
SGLang
Inference
从零实现 LLM Inference：077. roseinfer vs vLLM vs SGLang vs TensorRT-LLM（baseline）
用仓库自带的 online/offline serving benchmark 跑一轮 baseline，对齐参数和环境，比较 roseinfer 与 vLLM / SGLang / TensorRT-LLM 的在线延迟（P50/P90/P99）与离线吞吐。
从零实现 LLM Inference：076. 继续追性能：和 SGLang / TensorRT-LLM 的差距到底在哪？
把 074/075 的 multiprocess serving 稳住之后，继续看 online/offline 的性能差距：roseinfer 的 decode（TPOT/ITL）已经能压住 vLLM，但 TTFT 还是明显落后 SGLang/TRT-LLM。本文先把现象拆清楚，再做两个增量试验：mpasync...
从零实现 LLM Inference：075. Online P99 长尾时延：从 700ms 尾巴到 vLLM 级别
071–074 把 multiprocess serving 的工程税压住之后，online 侧的 P99 还是明显炸尾。顺着 trace/metrics 把锅拆开，发现罪魁祸首其实很朴素：Python GC jitter。照着 vLLM/SGLang 的做法加上 GC freeze，再把 OpenAI SSE ...
从零实现 LLM Inference：074. Multiprocess Serving 极致优化：Ablation / 稳定性 / 拓扑绑核 / Async Streaming / Profiling
把 071 的 API/engine 多进程拆分继续榨：thread cap、topology-aware affinity、cmd budget、pipe bytes IPC、flat events、offline 快计数、async streaming……所有点都有开关、默认按正收益打开；再用一套 onlin...
从零实现 LLM Inference：073. Benchmark + Profiling Harness（torch profiler / nsys）& 加入 TensorRT-LLM 对比
把 serving benchmark 做成“可回归 + 可解释”：在不污染 benchmark 数据的前提下，给 online/offline 增加独立 profiling stage（PyTorch profiler + Nsight Systems），并把 TensorRT-LLM 也纳入同一套公平对比；同...
从零实现 LLM Inference：072. CPU/GPU Overlap Scheduler（把 roseinfer 的 decode loop 做成 pipeline）
参考 SGLang/vLLM/TensorRT-LLM 的 overlap scheduling：用 future-token 占位 + GPU FutureMap + one-step delayed output，把 scheduler 从“GPU->CPU 同步 + CPU 串行”改成真正的 CPU/...
从零实现 LLM Inference：071. Multiprocess Serving（engine process）让 roseinfer 的 Online 延迟稳定下来
做一次业界级调研：vLLM/SGLang/TensorRT-LLM 的进程拆分怎么做；再把 roseinfer 从“一个进程干所有事”改成“API 进程 + engine 进程”，用可回归的 online/offline benchmark 跑出数据与图。
从零实现 LLM Inference：070. Fused MLP + Fused Sampler + Fused KV Append（把 MLP epilogue / sampling / KV writeback 也做成默认开启）
继续补齐 roseinfer 的“业内默认”推理优化：把 MLP epilogue（bias+GELU + bias+residual）做成 Triton kernel，把 sampling（top-k/top-p + sample）接到 flashinfer 的 from_logits GPU kernel，并...
从零实现 LLM Inference：069. Operator Fusion（给 roseinfer 补齐 attention 之外的算子融合）
业内推理引擎的性能不只靠 attention：decode(T=1) 下 LN/残差/激活这类小算子会变成“launch + 带宽”热点。本文调研 vLLM/SGLang/TensorRT-LLM 的融合思路，并在 roseinfer 落地 Triton fused add+LayerNorm（in-place）...
从零实现 LLM Inference：068. Chunked Prefill（给 roseinfer 加增量 Prompt Ingestion）
实现业界常见的 chunked prefill：把长 prompt 按 chunk 增量写入 paged KV cache，并与 decode 交错调度；提供可选开关与 online/offline benchmark，对比 chunked on/off 的延迟与吞吐。
从零实现 LLM Inference：067. 给 roseinfer 加 FlashAttention（Prefill 三选一：naive / flashinfer / flash-attn）
在 roseinfer 的 prefill attention 上引入可插拔后端：保留原始实现，同时支持官方 flash-attn 与 flashinfer；并复用 066 的 online/offline benchmark 做自对比、自动出图。
从零实现 LLM Inference：066. Online/Offline Serving Benchmark（roseinfer vs vLLM vs SGLang）
给 roseinfer 加一套可回归的 benchmark：同一套 trace / 参数，分别启动 roseinfer/vLLM/SGLang 的 OpenAI server 压测在线延迟（TTFT/TPOT/ITL/E2E），再做 offline throughput 对比，并自动生成论文风格图表。
从零实现 LLM Inference：065. KV 元数据数组化（_block_infos / _block_refcounts）
KVBlockManager 的 block 元数据原来用 dict 做 global_id -> info/refcount 映射，decode 热路径会频繁查表。这里把两张表改成定长 list（按 global_id 直接索引），减少 Python dict 开销。
从零实现 LLM Inference：064. KVBlockInfo 改成可变（减少 per-token KV 元数据开销）
KV append 的热路径里，每层每 token 都要更新一次 block length。之前用 NamedTuple 需要不断创建新对象并回写 dict；这版改成 slots dataclass，length 原地自增，减少 Python 分配和重复查表。
从零实现 LLM Inference：063. Triton batched KV COW clone（替换 index_select/index_copy）
prefix cache hit 后，多条 session 会共享同一批 KV blocks；第一次 decode 写入时如果 last block 还没写满，就会触发 COW：先 clone block 再 append token。原实现用 index_select/index_copy 搬整块 KV；这版加...
从零实现 LLM Inference：062. Triton KV append identity-pos（full batch 但 pos 不一致）
上一版 full-batch KV-append 只覆盖 pos 常量的稳态；但只要 prompt 长度不一致，decode 的 pos 就会按 request 分叉，仍然要构造 batch_idx/pos 这类 index tensor。这版补一个 identity batch 的 Triton kernel：...
从零实现 LLM Inference：061. Triton KV append full-batch fast path（少分配 index tensor）
batch decode 稳态里，经常满足 fast_batch_idx 是 [0..B-1] 且同一步 pos 对整个 batch 是常量；这时 Triton KV append 还在每 step 构造 batch_idx/pos 这类小 tensor。这个 PR 新增 full-batch Triton ke...
从零实现 LLM Inference：060. KV append identity fast path（少做一次 index_select）
append_token_batch 里 fast_batch_idx 很多时候就是 [0..B-1]；之前每层都会 index_select 把 key_new/value_new 重新拷一遍，还会构造 pos_t。这个小改动在 identity batch 时直接复用 key_new/value_new，并且...
从零实现 LLM Inference：059. Batched KV rollover（block 满了也别退化成 for-loop）
append_token_batch 之前只覆盖 len<block_size 的 fast path；一旦 last block 满了（len==block_size）就会退化成逐 request 的 append_token。这个点会制造 ITL 的尖刺。这版把 rollover 也塞回 batch：先...
从零实现 LLM Inference：058. Prefix Cache logits 常驻 device（减少 hit 的 CPU/GPU 拷贝）
prefix cache hit 时我们还在把 last_logits 从 CPU 拷回 GPU；这版把 entry 的 last_logits 直接存成 device 上的一份小 clone，hit 变成真正的零拷贝。
从零实现 LLM Inference：057. Batched KV COW（shared block 的 append_token_batch fast path）
prefix cache 复用会让 decode 的最后一个 KV block refcount>1；之前 append_token_batch 直接退化成逐 request 的 append_token + copy-on-write，CPU/GPU overhead 都很明显。这版把 COW clone...
从零实现 LLM Inference：056. Prefix Cache Radix Tree（longest prefix 查找加速）
055 做了 longest-prefix reuse，但 longest-prefix 查询还是 O(N) 扫描；这版用 token trie 替换掉 scan，把 cache miss 的 longest-prefix 查找从 ms 级降到 us 级，减少 scheduler CPU overhead。
从零实现 LLM Inference：055. Prefix Cache Longest Prefix Reuse（longest prefix KV 复用）
prefix cache 之前只能 exact hit；这版做 longest-prefix 复用：命中“缓存 prompt 是新 prompt 的前缀”时直接挂载 KV blocks，然后用 decode(T=1) teacher-forcing 补齐 suffix。顺手把 paged-attn Triton ...
从零实现 LLM Inference：054. Prefix Cache Token Key（prompt string -> token ids）
prefix cache 之前用 prompt 字符串当 key；在 pretok 场景里，prompt 文本不同但 token ids 相同会导致 cache miss。改成优先用 prompt_token_ids tuple 作为 key，并加了一个 benchmark knob 复现/量化收益。
从零实现 LLM Inference：053. CUDA Graph Host Buffers（把 metadata copy 变成真·non_blocking）
paged-attn + CUDA Graph decode 里，每步都在 torch.tensor(list) 然后 copy_ 到 GPU，既有分配也不是真正 non_blocking。改成复用 pinned host buffer + numpy view 直接写入，吞吐提升、TPOT 下降。
从零实现 LLM Inference：052. Batched Worker Lookups（减少 streaming decode 的锁开销）
SchedulerManager 的 worker loop 里每个 token 都会进一次 lock 取 q/detok/state；改成每步 decode 批量抓取一次，减少 lock acquire/release 和热点 dict 访问。
从零实现 LLM Inference：051. Fast TopK/TopP Sampling（避开 full-vocab sort/scatter）
之前 top_k+top_p 采样每步都会对整个 vocab 做 sort/gather，开销巨大。把采样改成直接在 sorted topk 空间里做 top-p + multinomial，并顺手把 top_k clamp 到 vocab size。
从零实现 LLM Inference：050. Stream Interval（每 N token flush 一次）
streaming 如果每个 token 都 q.put + HTTP flush，会把 Python/IO overhead 放大。引入 stream_interval：第一段内容立刻发，后续每 N 个 token 合并成一个 chunk 再发，吞吐和 tail latency 都能更稳。
从零实现 LLM Inference：049. Max Inflight Requests（过载保护 / 429）
burst streaming 下 unlimited inflight 会把排队延迟炸到 p99，但吞吐几乎不变。给 SchedulerManager 加 max_inflight_requests：超过就直接拒绝（HTTP 429），benchmark_streaming 也打印 Rejected 与 rej...
从零实现 LLM Inference：048. Streaming Submit Schedule（absolute vs relative）
submit_interval_ms 如果用“sleep after each add_request”的相对口径，提交路径一变快，实际到达率就变了，TTFT 会被排队形态污染。给 benchmark_streaming 加 submit_scheudle=absolute，用 t0+i*interval 固定到...
从零实现 LLM Inference：047. Streaming Tokenize Workers（把 encode 挪出 add_request）
add_request 里同步做 tokenizer.encode 会放大 submit wall / p99。引入 tokenize_workers 线程池，把 tokenization 变成后台阶段，并把 TTFT 拆到 tokenize/queue/prefill 三段。
从零实现 LLM Inference：046. Streaming Pretok（绕过 tokenizer.encode）
streaming bench 里 add_request 的 p99 很容易被 tokenizer.encode 的 CPU 开销污染。增加 add_request(prompt_token_ids=…) + benchmark_streaming –pretok，把 tokenization 从提交路径挪出去。
从零实现 LLM Inference：045. Streaming TTFT 拆解（Queue wait vs Prefill）
TTFT 只是一个总数：里面既有排队等待，也有 prefill 的真实计算。只看 TTFT 很容易把优化方向搞反。给 SchedulerManager 记录 admit timestamp，并在 benchmark_streaming 里打印 TTFT breakdown。
从零实现 LLM Inference：044. Streaming Benchmark Warmup + Repeat（把 cold-start 拆出去）
paged-attn / CUDA Graph 的第一次请求会把 Triton JIT 和 graph capture 算进 TTFT/吞吐，导致对比结论失真。给 benchmark_streaming 加 warmup-runs + repeat-runs，把冷启动和稳态拆开。
从零实现 LLM Inference：043. Streaming Benchmark 开关（paged-attn / CUDA Graph / NVTX）
streaming 场景想看 TTFT/TPOT/ITL 的 p99，但之前不好一条命令切换 decode 的快路径，也不好给 nsys 挂 NVTX。补齐 benchmark 的三个开关。
从零实现 LLM Inference：042. Triton KV Append（把 KV 写入从 4 个 op 合成 1 个 kernel）
decode 每层都要把 (k,v) 写进 KV cache。原来是 index_select + index_put 四连。先用一个 Triton kernel fuse 成一次写入，并加上 batch size gate，避免小 batch 退化。
从零实现 LLM Inference：041. Batched Sampler（干掉 per-request .item() 同步）
decode 已经很快了但还不够？很多时候慢在 sampling：每步 B 次 .item() 会把 GPU pipeline 打散。把采样做成 batch，一步只同步一次。
从零实现 LLM Inference：040. CUDA Graph 加速 paged decode
decode 热路径里 kernel launch 太密？把一次 decode step 捕获成 CUDA Graph，replay 省掉大量 CPU dispatch。
从零实现 LLM Inference：039. Triton Autotune（paged-attn decode kernel）
把 paged-attn decode kernel 的 num_warps/num_stages 从“拍脑袋常量”变成 Triton autotune；结果在 decode 热路径里反而回退了。
从零实现 LLM Inference：038. Batched KV Append Fast Path
paged decode 还在慢？很多时候瓶颈不在 attention，而是在每步 L*B 次的 KV 写入：做一个 batch fast-path，直接把 Python 循环砍掉。
从零实现 LLM Inference：037. Paged Attention Slot Mapping
block_table 不再每步 gather/copy：把它常驻 GPU，用 slot_mapping 让 triton kernel 直接索引，decode 吞吐更稳。
从零实现 LLM Inference：036. Paged Attention Block Table Cache
paged attention decode 每步重建 block_table 太浪费：按 session 缓存 row，只在 block 变化时更新，decode 吞吐和 TPOT 更稳。
从零实现 LLM Inference：035. Paged Attention Fast Path
paged attention decode 路径里不该构建 attention_mask；同时把 block_tables 的 H2D copy 合并成一次 async，收一点点 TPOT/throughput。
从零实现 LLM Inference：034. Max Active Requests
pack admission 会把 active sessions 拉得很高：加一个 max_active_requests（max_num_seqs）把 decode backlog 的 ITL/TPOT tail 收回来。
从零实现 LLM Inference：033. Prefill Admission Packing
token budget + FIFO 仍然会遇到 head-of-line blocking：用 lookahead packing 把短请求先塞进 prefill，收敛 TTFT p99。
从零实现 LLM Inference：032. Decode-first Worker Loop
worker loop 在有 active sessions 时先 decode 再 prefill：减少 decode 被 admission 抢占，收敛 ITL p99。
从零实现 LLM Inference：031. Prefill Token Budget
prefill admission 从“按请求数”升级为“按 tokens 预算”：限制 prefill 抢占，收敛 ITL p99。
从零实现 LLM Inference：030. Prefill Admission Knob
把 worker 的 prefill admission batch size 从 decode batch size 解耦：TTFT p99 直接砍掉一半。
从零实现 LLM Inference：029. Prefix Cache + Prefill Micro-Batching
prefix cache 开启时也能 micro-batch prefill：hit 直接 attach，miss 合并成一次 forward。
从零实现 LLM Inference：028. Prefill Micro-Batching
把 worker 里的 prefill 从串行变成 micro-batch，一次 forward 吞掉一批 pending request。
从零实现 LLM Inference：027. Pending Queue Admission
把 streaming 的 add_request 从 prefill 中解耦：快速入队，由 worker 统一做 prefill + decode。
从零实现 LLM Inference：026. Reuse Tokenization
OnlineScheduler 支持 prompt_token_ids，server 去掉重复 encode，benchmark 增加 –pretok。
从零实现 LLM Inference：025. Scheduler Public API
把 server/benchmark 对 OnlineScheduler._sessions 的直接访问收口。
从零实现 LLM Inference：024. Graceful Shutdown
补齐 SchedulerManager 的 close，优雅停掉 worker 并结束 streaming。
从零实现 LLM Inference：023. Worker Wakeup Event
server worker 用 threading.Event 驱动唤醒，去掉 idle 轮询 sleep。
从零实现 LLM Inference：022. Online Scheduler Active Queue
OnlineScheduler 用 deque 维护活跃队列，去掉每 step 的全量扫描。
从零实现 LLM Inference：021. TTFT/TPOT + Finished Queue
给 benchmark 加上 TTFT/TPOT，并把 server 的 finished 清理从扫描改成事件。
从零实现 LLM Inference：020. HuggingFace GPT2 Loader
支持从 HuggingFace 加载 GPT2 权重，为后续和 vLLM/sglang 对齐 benchmark 铺路。
从零实现 LLM Inference：019. Paged Attention
实现真正的 paged attention。
从零实现 LLM Inference：018. Performance
通过性能观测进行性能优化。
从零实现 LLM Inference：017. Profiler
使用 pytorch profiler 进行性能观测。
从零实现 LLM Inference：016. Simple Prefix Caching
实现简单的 prefix caching，通过 prefix cache 来复用之前的 kv-cache。
从零实现 LLM Inference：015. Simple Benchmark
实现简单的 benchmark，对比不同实现的性能。
从零实现 LLM Inference：014. Scheduler Manager
实现 scheduler manager，支持 online scheduler 的接入。
从零实现 LLM Inference：013. Simple OpenAI API
支持简单的 openai api，实现 chat completion。
从零实现 LLM Inference：012. Server
实现简单的 inference server，使用 FastAPI 以及 uvicorn。
从零实现 LLM Inference：011. Online Scheduler
实现 online scheduler，展示连续批处理。
从零实现 LLM Inference：010. Use KV Block
让 kv block manager 真正发挥作用，实现 python 版 paged attention。
从零实现 LLM Inference：009. Batch Decoding
实现 batch decode，并隐式实现 continuous batching。
从零实现 LLM Inference：008. KV Block Manager
实现基础的 kv block manager
从零实现 LLM Inference：007. Offline Scheduler
实现离线调度器，支持并发请求。
从零实现 LLM Inference：006. Inference Session
添加 Inference Session，支持并发请求。
从零实现 LLM Inference：005. Streaming
实现流式生成（streaming），支持边生成边输出。
从零实现 LLM Inference：004. Batch
实现 batch inference 功能，支持多条 prompt 同时推理。
从零实现 LLM Inference：003. Sampling
实现 top-k top-p 这种 sampling 操作，并把整体的 prefill decode 流程规范化，对齐业界 vllm，huggingface 的实现。
从零实现 LLM Inference：002. KV-Cache
实现 kv-cache 部分，让模型能够处理推理时的 kv-cache。
从零实现 LLM Inference：001. Generate
实现最基本的 greedy generate。
Training
从零实现 LLM Training：025. Init
解决模型初始化问题，让训练更稳定。
从零实现 LLM Training：024. Eval
添加单独的 eval.py 文件，从而将评估与训练相分离。
从零实现 LLM Training：023. Gradient Accumulation and Clip Gradient Norm
实现梯度累积和梯度裁剪，提高训练稳定性。
从零实现 LLM Training：022. FineWebNPYDataset
引入 FineWebNPYDataset 数据集 class。
从零实现 LLM Training：021. WandB
使用 WandB 记录训练过程，方便后续分析。
从零实现 LLM Training：020. PyTorch Profiler and NVTX
使用 PyTorch profiler 与 NVTX 捕捉 trace，深入分析训练性能瓶颈。
从零实现 LLM Training：019. Activation Checkpoint
通过 activation checkpointing 以重计算换显存，优化大模型训练。
从零实现 LLM Training：018. LR Cosine Scheduler
为学习率引入 cosine scheduler，并将调度状态写入 checkpoint。
从零实现 LLM Training：017. Save Config to Checkpoint
将模型配置写入 checkpoint，简化加载与推理时的配置管理。
从零实现 LLM Training：016. Multi Doc Dataset
重构 Dataset，支持多文档输入与更合理的切分策略。
从零实现 LLM Training：015. Simple Generate
在完成基础训练后，实现一个最简单的文本生成脚本。
从零实现 LLM Training：014. Use Real Data
将 toy 数据集替换为更真实的文本数据，完善训练链路。
从零实现 LLM Training：013. Eval and Logging
加入验证集评估和日志记录，用 loss 与 PPL 监控训练效果。
从零实现 LLM Training：012. Argparse
为训练脚本引入 argparse 命令行参数，向工业级实现迈进。
从零实现 LLM Training：011. Checkpoints
为训练过程加入 checkpoint 容错机制，支持从中间状态恢复。
从零实现 LLM Training：010. Mixed Precision
在完成张量并行后，引入混合精度训练以提高算力利用率。
从零实现 LLM Training：009. True Tensor Parallel for Attention
通过按 head 维度切分 QKV，让 Attention 形成真正的张量并行。
从零实现 LLM Training：008. Use Row Parallel for Attention
将 Row Parallel Linear 引入 Attention 层，搭配 Column Parallel 完成张量并行。
从零实现 LLM Training：007. Use Row Parallel for FFN
把 Row Parallel Linear 引入 FFN 模块，配合 Column Parallel 完成张量并行。
从零实现 LLM Training：006. Row Parallel
在已有 Column Parallel 基础上实现 Row Parallel Linear。
从零实现 LLM Training：005. Use Column Parallel
把 Column Parallel Linear 集成到 GPTModel 中并用训练循环验证。
从零实现 LLM Training：004. Column Parallel
引入列张量并行（Column Parallel）作为张量并行的第一步。
从零实现 LLM Training：003. Simple DDP
使用 PyTorch DDP 实现最简单的数据并行训练。
从零实现 LLM Training：002. Loss and Train Loop
为 mini-GPT 加上最基本的 loss 和最小 train loop。
从零实现 LLM Training：001. mini-GPT
从零实现 mini-GPT 的配置、模型和简单前向。
Codex
Codex 源码剖析：005. 和 Claude Code 以及行业形态对照
把 Codex 和 WineChord/claude-code 对照仓库的源码组织放在一起看：一个更像可复用 harness，一个更像集成式 TypeScript CLI runtime。
Codex 源码剖析：004. App Server、多 Agent 与 Trace
从 App Server 协议生命周期看 Codex 如何把 TUI、远程客户端、多 Agent、审批请求和 trace 统一成可路由的线程系统。
Codex 源码剖析：003. 上下文、记忆与压缩
Codex 不是简单拼 prompt，而是把 base instructions、动态上下文、AGENTS.md、skills、plugins、apps、memory、tracked settings diff、compaction 和 rollout 组织成可恢复的状态。
Codex 源码剖析：002. 工具、审批与沙箱
拆开 Codex 的 ToolRouter、ToolRegistry、ToolCallRuntime、ToolOrchestrator，看模型工具调用如何变成受控执行。
Codex 源码剖析：001. 从 TUI 到 run_turn
从一个用户输入出发，顺着 Codex CLI、TUI、in-process App Server、core Session 和 run_turn，把 Codex 的主循环走一遍。
Coding Agent
Codex 源码剖析：005. 和 Claude Code 以及行业形态对照
把 Codex 和 WineChord/claude-code 对照仓库的源码组织放在一起看：一个更像可复用 harness，一个更像集成式 TypeScript CLI runtime。
Codex 源码剖析：004. App Server、多 Agent 与 Trace
从 App Server 协议生命周期看 Codex 如何把 TUI、远程客户端、多 Agent、审批请求和 trace 统一成可路由的线程系统。
Codex 源码剖析：003. 上下文、记忆与压缩
Codex 不是简单拼 prompt，而是把 base instructions、动态上下文、AGENTS.md、skills、plugins、apps、memory、tracked settings diff、compaction 和 rollout 组织成可恢复的状态。
Codex 源码剖析：002. 工具、审批与沙箱
拆开 Codex 的 ToolRouter、ToolRegistry、ToolCallRuntime、ToolOrchestrator，看模型工具调用如何变成受控执行。
Codex 源码剖析：001. 从 TUI 到 run_turn
从一个用户输入出发，顺着 Codex CLI、TUI、in-process App Server、core Session 和 run_turn，把 Codex 的主循环走一遍。
Source
Codex 源码剖析：005. 和 Claude Code 以及行业形态对照
把 Codex 和 WineChord/claude-code 对照仓库的源码组织放在一起看：一个更像可复用 harness，一个更像集成式 TypeScript CLI runtime。
Codex 源码剖析：004. App Server、多 Agent 与 Trace
从 App Server 协议生命周期看 Codex 如何把 TUI、远程客户端、多 Agent、审批请求和 trace 统一成可路由的线程系统。
Codex 源码剖析：003. 上下文、记忆与压缩
Codex 不是简单拼 prompt，而是把 base instructions、动态上下文、AGENTS.md、skills、plugins、apps、memory、tracked settings diff、compaction 和 rollout 组织成可恢复的状态。
Codex 源码剖析：002. 工具、审批与沙箱
拆开 Codex 的 ToolRouter、ToolRegistry、ToolCallRuntime、ToolOrchestrator，看模型工具调用如何变成受控执行。
Codex 源码剖析：001. 从 TUI 到 run_turn
从一个用户输入出发，顺着 Codex CLI、TUI、in-process App Server、core Session 和 run_turn，把 Codex 的主循环走一遍。
contests
手撕 Softmax 和 Cross-entropy 公式及代码
回归基础，返璞归真
Claude Code
Codex 源码剖析：005. 和 Claude Code 以及行业形态对照
把 Codex 和 WineChord/claude-code 对照仓库的源码组织放在一起看：一个更像可复用 harness，一个更像集成式 TypeScript CLI runtime。