长文本CP 切分，共2次All2All
第一次AlltoAll，输入按Seq维度汇总，按Head维度切。（切输入，非TP维度的切参数）
[s/c, b, n/t, h] -AlltoAll-> [s, b, n/(t*c), h]
第二次AlltoAll，恢复按Seq维度切，按Head维度汇总。
[s, b, n/(t*c), h] -AlltoAll-> [s/c, b, n/t, h]
其中t 为TP, c 为CP, n = nHead数
举例： CP = 2, TP =4 , H = 8192, nHead = 16
| 阶段 | 形状 | 说明 |
|---|---|---|
| 输入 | [s/2, b, 8192] | CP 切分后，每 rank 持有半个序列 |
| MLA 解压后 Q/K/V | [s/2, b, 16, 192] | 16 heads/rank（64 heads ÷ TP=4），经过了TP的降维 |
| A2A 后（scatter head，gather seq） | [s, b, 8, 192] | 全序列，head 减半 |
| Flash Attention 输出 | [s, b, 8, 128] | 全序列本地计算 |
| A2A 后（scatter seq，gather head） | [s/2, b, 16, 128] | 还原序列分片 |
| o_proj 后 | [s/2, b, 8192] | 还原 hidden_states, 经过TP升维 |
compressed_kv [s, b, 576] ← kv_a_proj 压缩后的 latent，是 _preprocess 的输入 │ ├── split → ct_kv [s, b, 512] ← kv_lora_rank 部分 │ k_pe [s, b, 64] ← rope 部分 │ ├── kv_a_layernorm(ct_kv) │ └── kv_b_proj (Up-projection, 解压) [s, b, 512] → [s, b, 16heads, 128+128] k_nope [s, b, 16, 128] v [s, b, 16, 128] q_b_input (经过 q_b_proj 解压) q_nope [s, b, 16, 128] q_pe [s, b, 16, 64] 最终拼接: query_states [s, b, 16, 192] = q_nope + q_pe key_states [s, b, 16, 192] = k_nope + k_pe value_states [s, b, 16, 128]MLA attention:
DeepseekV2Attention └── self.core_attention_flash = FlashAttention(...) # 基础 flash attn ↓ (当 CP + alltoall 时自动包装) └── self.core_attention_flash = DistributedAttention(FlashAttention, cp_group)