1. 训练时间估算 时间 ∝ 总FLOPs / (算力FP8/FP16 × 利用率) 总FLOPs ≈ 6 × 参数 × Token数 再除以单卡算力、并行数、利用率，就是时长。 ​ 2. Prefill / Decode 优化 ​ - Prefill：长序列并行、FlashAttention、分块、算子融合、向量化 ​ - Decode：KV cache、连续Batch、PagedAttention、Speculative Decoding ​ 3. Two-batch overlap ​ - 同时跑两个微批次，计算/通信重叠 ​ - 负优化：计算太快、通信太小、显存不够、调度 overhead 盖过收益 ​ 4. Megatron-LM 通信优化 TP+PP+DP三维并行； 重叠通信计算； 分桶AllReduce； 激活重计算； 减少跨节点通信量。 ​ 5. PD分离（PP+DP）为什么要KV transfer 为了流水线+数据并行一起用，提高吞吐； 虽然有KV拷贝成本，但整体能堆更大Batch、更高利用率。 ​ 6. MuON / AdamW 不能混用 优化器状态、动量、更新逻辑完全不兼容； 预训练用一个，微调换另一个，状态不匹配，直接训崩/不收敛。 ​ 7. 跨SM PD / AF 分离 核心：拆任务、提高 occupancy、隐藏延迟； PD：并行度拆分更干净； AF：聚焦注意力/前馈访存与计算重叠； 看模型结构、Kernel瓶颈选。 ​ 8. CUDA Global / Shared 注意 ​ - Global：对齐、连续访问、合并访存、少随机读、用L2缓存 ​ - Shared：防bank conflict、分块复用、同步_sync、容量控制 ​ 9. DeepSeek-V3 优化点 高效架构+长序列支持； 优化Attention/FFN计算； 更好的并行策略； 推理侧低延迟高吞吐。 ​ 10. DeepSeek-DSA/NSA/MoBA ​ - DSA：领域稀疏注意力 ​ - NSA：神经稀疏注意力 ​ - MoBA：混合专家注意力 核心都是稀疏化、省计算、扩容量。 ​ 11. NCCL 原语 & AllReduce 次数 原语：Send/Recv、Broadcast、Reduce、AllGather、ReduceScatter、AllReduce Ring AllReduce：2次（ReduceScatter + AllGather）。 ​ 12. 小数据量 NVSHMEM vs Ring AllReduce 少了Ring多跳延迟； 直接GPU-GPU读+本地Reduce； 小数据下延迟更低、更简单。 ​ 13. 超长序列训练并行 TP+PP+CP（上下文并行）+ ZeRO； 分块Attention、分块FFN； 激活重算+KV复用； 控制通信量。 ​ 14. Ampere → Hopper 算子升级 - 用TF32、FP8、新指令 ​ - 适配TMA、异步拷贝 ​ - 优化Warp调度、 occupancy ​ - 重写Attention/MatMul，用Hopper专属优化