ChunkedLinearCrossEntropy：分块词表交叉熵（Qwen3.5训练显存削峰方案）概述问题根源：LMHead词表乘法带来巨大显存尖峰大模型CausalLM训练标准流程：主干Transformer输出hidden_states[B, L, H]过lm_head = nn.Linear(H, vocab_size)：logits=hidden@WlmTlogits = hidden @ W_{lm}^Tlogits=hidden@WlmT​logits转fp32，计算F.cross_entropyQwen3.5-0.8B：vocab_size=248320。对于 packing 得到的长序列L=16384：bf16 logits张量：16384 × 248320 × 2 bytes ≈ 8GBcross_entropy计算需要fp32，直接翻倍到16GB4080只有16GB显存，仅仅这一步logits就直接OOM/触发GPU重置。更糟的：prompt部分label=-100，本来不需要参与loss，但原生实现依然全部送入lm_head，完整算出整段logits，白白占用显存。核心痛点总结：原生实现：一次性生成完整[L, V]logits，全部保存在计算图，显存尖峰由序列长度 × 词表大小决定；提示token也参与lm_head矩阵乘。✅分块方案两个核心优化：过滤：只取label≠-100的token，prompt直接剔除，不送入lm_head；分块流式计算：有效token拆成小块（本例_CHUNK_TOKENS=2048），每块单独算logits，计算完立刻del logits释放显存；计算图不保存完整logits；前向no_grad + 反向重算logits：前向只累加loss，不保留logits激活；反向阶段，利用保存的hidden、lm_head权重、labels，重新计算当前chunk的logits来求梯度。👉 显存上限：仅单个chunk的logits常驻显存，不再是全局全长logits。性能特点：词表矩阵乘不在模型关键路径上；分块几乎不增加step耗时，只压低显存尖峰。实验数据回顾（A100，stage2，无梯度检查点）Case步内峰值显存step耗时普通，完整logits，非pack短序列21.2 GB0.349 s普通 + 2048分块，非pack短序列18.5 GB0.349 s16k packing长序列，完整logits35.5 GB0.784 s16k packing长序列 +2048分块29.1 GB0.762 s短样本场景：省2.7GB；长pack序列收益巨大，省6.4GB；耗时几乎不变；4080上chunk=256/2048，step时间稳定≈2.6s。补充：这和前面线性注意力、FA varlen空block是独立优化。这个模块只管lm_head词表矩阵乘+交叉熵loss显存，不影响Transformer主干、FlashAttention、线性注意力。原理拆解（autograd custom Function）PyTorch自定义autograd Function，把前向、反向逻辑拆开。Forward（前向）输入：hidden（有效token对应的hidden，已经过滤掉label=-100），lm_head.weight，labels保存hidden, weight, labels到ctx，不保存logits；torch.no_grad()上下文内，循环遍历chunk：每块做F.linear算出当前chunk的logits，转fp32；单块计算cross_entropy，sum累加loss；计算完成立刻del logits释放显存；最终返回平均loss（总loss / 有效token数量）。关键点：no_grad，logits不进入autograd计算图，不会占用计算图的激活显存。Backward（反向）ctx里只有hidden, weight, labels，没有logits。必须重算logits求梯度：遍历同样chunk；每块重新计算logits；手动推导cross-entropy梯度：dLdlogit=softmax(logit)−one_hot(label)\frac{d\mathcal{L}}{dlogit}=softmax(logit)-one\_hot(label)dlogitdL​=softmax(logit)−one_hot(label)代码里用scatter_add实现onehot减法，避免实例化超大onehot矩阵（节省显存）；算出dlogits，链式求导：dhidden=dlogits@Wlmdhidden = dlogits @ W_{lm}dhidden=dlogits@W