Files

T

coolguyandClaude Opus 4.7 0a31fad292 Document optimization lever sequencing rationale

Captures the dependency graph between pending levers (model size,
Option B, AMP, compile, TensorRT, Option A re-enable, Julia port) and
the rule that infrastructure optimization precedes the model-size
experiment because every future training run benefits from the
infrastructure speedup, not just the one keystone experiment.

ideas.md gets a third Active Research Threads pointer.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

2026-05-07 21:35:52 +09:00

3.2 KiB

Raw Blame History

Optimization Sequencing

여러 최적화 lever 사이의 의존성과 권장 진행 순서. 시간 지나면서 update.

Pending levers

Lever	어디서 nail되는지	현재 상태
Model size growth (hidden ≥ 1024 / layers ≥ 6)	`docs/plans/model_size_experiment.md`	인프라 미설치
Option B (per-worker interleaved traversal)	plan 미작성	미시작
AMP trainer	`docs/plans/amp_trainer.md` (구현 됨, default off)	모델 키운 후 재측정
torch.compile trainer	`docs/plans/torch_compile.md`	모델 키운 후 재측정
TensorRT inference	plan 미작성	모델 키운 + eval dense 시점
Option A re-enable	코드 있음 (default off)	모델 키운 후 또는 Option B 후
Julia port	`docs/research/julia_port_evaluation.md`	Torch.jl 결과 대기 중. Flux FAIL.

의존성 그래프

Julia decision (Torch.jl pending)
   │
   ├── PASS → port 작업 (큰 분기)
   └── FAIL → Python/Cython 유지
                │
                ▼
         Option B 인프라 작업
                │
                ▼
         모델 크기 실험 (200 iter × 4 config)
                │
                ▼
   ┌────────────┼────────────┬─────────────┐
   ▼            ▼            ▼             ▼
   AMP 재측정   compile      TensorRT     Option A
   재측정       (eval-heavy)  재활성

권장 순서와 사유

1. Julia 결정 확정 (지금 진행 중) — Torch.jl criterion 4 결과 도착하면 Julia GO/NO-GO 자동 판정. 이게 "어떤 런타임 위에서 최적화하나"를 결정.

2. 인프라 최적화 먼저, 모델 크기 실험 뒤에 — 핵심 원칙.

모델 크기 실험은 1회성 아님. 4 config × 200 iter = 800 iter의 한 번이 아니라 여러 변수 바꾸면서 다회 재측정.
인프라 1.3× 빨라지면 모든 미래 학습 실험에 복리 적용. 모델 크기 실험만의 누적 절약 + 그 후 ablation/seed 다중 실행 + selectivity 연구 등 전부 혜택.
거꾸로 가면 (모델 크기 → 최적화) 모델 크기 실험 다시 돌려야 할 때 기존 측정값이 인프라 다른 상태에서 나온 거라 비교 신뢰도 낮음.

3. AMP/compile/TRT는 모델 키운 후 — 이건 doc 곳곳에 이미 박힘. 작은 모델에서 dispatch 오버헤드 > kernel 이득. docs/performance.md "Post-A Optimization Calculus" 참조.

4. Option A 재활성은 옵션 B 또는 모델 키움 후 — docs/performance.md "Option A Bench Result" 참조.

현재 진행 상태 (2026-05-07)

⏳ Julia Torch.jl criterion 4 측정 중
⏸ Option B: plan 미작성, Julia 결과 후
⏸ 모델 크기 실험 인프라: 미시작
✅ Cython 봇 (~2.55× on opponent_act)
✅ Option A 코드: 머지됨, default off
✅ AMP 코드: 머지됨, default off

결정 점들

언제 이 doc 다시 보는가:

Torch.jl 결과 들어올 때 (Julia 트랙 closed/branched)
Option B plan 작성 시점
모델 크기 실험 결과 받을 때 (downstream lever 4개 모두 trigger 결정)

3.2 KiB Raw Blame History Unescape Escape