[A2-K] 刘子源 - 完成显存优化与 GPU 内核作业

[Zyrrick]

PR Checklist

基本信息

• 同学真名：刘子源
• 作业编号：A2-K

修改范围

• 本 PR 只包含我本人本次作业的文件。
• 我没有修改其他同学、students/_template、公共题面或仓库配置。
• PR 标题符合 [A编号] 姓名 - 简短说明。

公开性与安全

• 我理解 GitHub 中所有内容均为公开资料。
• 公开内容不含内部主机名、IP、账号、路径、数据或未公开项目。
• GitHub 和飞书正文均不包含 Secret、Token、Cookie、密码或私钥。
• 我检查了 git diff --cached，没有提交大型数据、模型权重、缓存或完整日志。

双层提交

• README.md 提供可公开、已脱敏的作业报告。
• README.md 已填写飞书补充文档链接。

A2-K 额外检查

若本 PR 不是 A2-K，请将本节标记为不适用。A2-K 已正式发布，按题面要求提交。

• 已提交 Markdown README.md、A2-K Python allowlist、全部规定的轻量 results/
  和至少两张被报告引用的压缩图片。
• 已运行 scripts/sync_a2k_submission.py、官方 GPU tests 和
  scripts/validate_repo.py，且没有把 CUDA skip 写成 pass。
• [] 正式矩阵来自单张 RTX 4090 24GB；各脚本独立串行执行，并在首次 CUDA allocation
  前设置 23552 MiB allocator 上限。
• memory_evidence.json 已记录 allocator limit/fraction、peak allocated/reserved 和
  24 GiB 判定。
• 仓库外源码与资料引用使用固定 commit 的 GitHub HTTPS 绝对 URL，未使用本机或跨仓库相对链接。
• 未提交 compile cache、PTX/CUBIN、binary、完整日志/采样、权重、数据、压缩包、上游代码或依赖环境。
• results/ 与 assets/ 合计不超过 2 MiB，关键数字可回到轻量结果与命令。

给助教的说明

复旦集群长时间没有空闲的 RTX 4090 单卡，因此本次 A2-K 使用单张 RTX 3090 24GB 完成实验。

[WillQvQ]

审核结论：需要修改后再合并。

代码范围、Python 解析、真实 Triton forward、37 项扩展正确性、6 项 CUDA tests、矩阵形状、23 GiB allocator guard、附件与 git diff --check 均通过；但正式性能证据当前无效：

1. run_metadata.json 与 README 明确记录全部结果来自 RTX 3090，而 A2-K 正式 benchmark 的标准环境是单张 RTX 4090 24GB；PR checklist 中该项也未勾选。RTX 3090 的开发结果可保留，但不能替代正式矩阵。
2. free_memory_mib_at_start、power limit 与 P-state 均缺失，其中开跑前空闲显存不少于 22 GiB 是硬验收字段；memory_evidence.json 也不能用 preflight requirement 常量代替实际观测值。
3. metadata 明确说明 attention 只用了 5 次 warm-up、10 次重复以及同步 perf_counter，未按固定 do_bench(warmup=100, rep=300) 协议执行；因此 p20/p50/p80 与 speedup 不能作为正式结果。

请在 RTX 4090 24GB 上、开跑前记录实际空闲显存，并在首次 CUDA allocation 前设置 23,552 MiB limit；按固定 do_bench 协议串行独立进程重跑 checkpoint/attention/compile/Flash 正式矩阵，更新 CSV、metadata、memory evidence、图和 README。现有 3090 数据可以明确标为开发结果保留，但不能再称“正式实验”。

审核者：GPT-5.6 Sol Ultra