bernini_optimization_docs/docs/editing_lossless_optimization.md

Bernini Editing 无损推理优化总结

更新日期：2026-07-02

本文记录 Bernini V2V/RV2V editing 的严格热推理基线、已交付优化、数学语义审计和 当前限制。冻结用例与双分支协议见 benchmarks/editing/README.md，GPU 数值审计见 benchmarks/editing/semantic_audit/SEMANTIC_AUDIT.md。

结论

本报告中的 lossless 指同一实数算法和数学映射：模型权重、scheduler、40 个 denoising step、dense attention、CFG/APG 分支定义和随机采样语义不变。实现可以改变 等价计算的批处理方式、通信排列和 BF16 GEMM 的归约分块，因此不要求 pristine 与 optimized 逐比特一致，也不把跨实现 SHA256 相同作为交付条件。

正式 A/B 在同一节点 pool0-01826 上使用 8x H100 80 GB、Ulysses 8、DP=1。 五个用例串行总时间从 1714.106 s 降到 1138.782 s，总和口径加速 1714.106 / 1138.782 = 1.505x。这里没有启用 PISA、FP8、EasyCache 或 TeaCache，也没有跳过任何 diffusion step。

固定测试配置

项目	配置
模型	ByteDance/Bernini-Diffusers，snapshot b988d6af97714041e0d21a31d4faff5ac42bac09
语义规划器	Qwen2.5-VL-7B，25 planning steps
Renderer	Wan2.2 A14B 双 DiT expert，BF16，每个 expert 40 layers
软件	PyTorch 2.5.1+cu124，CUDA 12.4，dense FA3
GPU	单节点 8x H100 80 GB
并行	world size 8，Ulysses 8，DP=1；pristine 为 serial CFG，optimized 为 CFG varlen batch
Editing 验证集	benchmarks/editing/tasks.json 的 3 条 V2V/MV2V 和 2 条 RV2V/ADS2V
视频	81 帧，16 fps，source-derived resolution，最大边 848
Diffusion	40 scheduler steps，UniPC，flow shift 5.0
Planner decoder	vit_denoising_step=5，vit_txt_cfg=1.2，vit_img_cfg=1.0
随机性	seed 42

这里的 Editing pristine 是原始代码分支上严格同步、完整 warmup 后得到的五元素 hot vector，不是 T2V 文档中由单条首请求日志取整得到的 200 s reporting anchor。以后评估 PISA、FP8、EasyCache 或 TeaCache 时，应把本交付的 dense lossless stack 称为该候选的 optimized-stack baseline，不能继续使用 T2V 的 200 s 作为严格分母。

推荐交付配置

当前推荐配置称为 editing_lossless。它不是一个虚构的 BERNINI_OPTIMIZATION_PROFILE selector，而是由 scripts/bernini/run_editing_hot_optimized.sh 固化的一组默认值：

• V2V 和 RV2V 都执行完整 40/40 diffusion steps；
• self/cross attention 都保持 dense FA3；
• 所有已验证的 exact kernel、通信、offload、cache 和 CFG packing 默认开启；
• RV2V 默认把最多五个独立 guidance segment 放在同一次 varlen forward 中；
• PISA、FP8、EasyCache、TeaCache 和所有 diffusion-step reuse 强制关闭。

该配置的正式 measure vector 为：

[192.528052, 191.511893, 190.842407, 243.134162, 320.765783] s

五请求串行总和为 1138.782 s，不是单请求延迟。V2V 三例合计加速 1.284x， RV2V 两例合计加速 1.731x，全部五例按总时间加权为 1.505x。

Profile 开关明细

正式 optimized timing row 会记录完整 optimization_env。下表是正式 run 实际记录的配置指纹， 也是推荐 launcher 的默认值：

类别	开关	正式值
Kernel	BERNINI_FUSED_KERNELS	1
Communication	BERNINI_A2A_SINGLE	1
Communication overlap	BERNINI_ASYNC_QKV_A2A	1
Planner mask	BERNINI_PLANNER_MASK_CPU	1
Condition cache	BERNINI_CACHE_CONDITION	1
DiT offload	BERNINI_DIT_CPU_MASTER	1
Pipeline offload	BERNINI_PIPELINE_CPU_MASTER	1
Qwen output	BERNINI_QWEN_HIDDEN_ONLY	1
Editing media	BERNINI_DEDUPE_EDITING_MEDIA	1
Editing static DiT inputs	BERNINI_CACHE_EDITING_STATIC_DIT_INPUT	1
Auxiliary transfer	BERNINI_SELECTIVE_EDITING_H2D	1
Layout pruning	BERNINI_PRUNE_UNUSED_EDITING_LAYOUTS	1
CFG	launcher CFG_BATCH / CLI --cfg_batch	1 / enabled
RV2V packing	BERNINI_RV2V_CFG_BATCH_CHUNK_SIZE	5
Attention	BERNINI_ATTENTION_BACKEND	fa3
Diffusion cache	BERNINI_DIFFUSION_CACHE	none
T2V-only planner shortcut	BERNINI_PLANNER_COND_ONLY	0
T2V-only static cache	BERNINI_CACHE_T2V_STATIC_INPUT	0
FP8	BERNINI_FP8_FFN_UP	0
Resident modules	BERNINI_RESIDENT_DIT/T5/CONDITION_MODELS	0/0/0
Approximate variables	PISA/EasyCache/TeaCache variables	unset

正式 run 使用的 CLI 还包括 --use_unipc --use_src_tgt_id --ulysses 8 --num_frames 81 --max_image_size 848 --num_inference_steps 40 --flow_shift 5.0 --seed 42 --fps 16 --vit_denoising_step 5 --vit_txt_cfg 1.2 --vit_img_cfg 1.0 --cfg_batch。

被测版本

角色	分支与提交	Slurm job	节点	说明
pristine	benchmark/editing-pristine，9f5de73c45c9e8a2e7af23efec37889e354d813c	13357422	pool0-01826	harness 基于 upstream 8c805a5；核心实现未改
optimized	optimization/editing-lossless，521d6bc4a39a144f904a6e4266888ae42c3bcc80	13357799	pool0-01826	完整 editing lossless stack，RV2V chunk=5
semantic audit	optimization/editing-lossless，f1ae46b2427c56fb32b68e5d0f1620375af85614	13358786 / 13358800	pool0-01881	增加测试、审计档案和 launcher 防漂移 unset；验证 521d6bc 的数学路径

pristine 与 optimized 分别记录了 249.402837 s 和 177.988664 s 的 model load。 这两个数字只作 cold-start 诊断，完全排除在下表与 1.505x 加速之外。

正式热推理结果

五个元素的顺序固定为：

[v2v_case1, v2v_case2, v2v_case3, rv2v_case1, rv2v_case2]

严格 measure-round 向量为：

pristine_s = [247.662622, 245.681346, 244.530002, 374.843315, 601.388817]
optimized_s = [192.528052, 191.511893, 190.842407, 243.134162, 320.765783]

用例	manifest task	输出 tensor shape	Pristine	Optimized	加速
v2v_case1	v2v	81x480x848x3	247.663 s	192.528 s	1.286x
v2v_case2	mv2v	81x480x848x3	245.681 s	191.512 s	1.283x
v2v_case3	v2v	81x480x848x3	244.530 s	190.842 s	1.281x
rv2v_case1	rv2v	81x848x480x3	374.843 s	243.134 s	1.542x
rv2v_case2	ads2v	81x448x848x3	601.389 s	320.766 s	1.875x
五例串行总和	-	-	1714.106 s	1138.782 s	1.505x

总加速按 sum(pristine) / sum(optimized) 计算，不是五个 speedup 的算术平均。 对应的每请求算术均值是 342.821 s 和 227.756 s，但五个任务的分辨率、输入结构和 CFG 分支不同，因此向量和逐项结果比单一 mean 更重要。

五例完整计时明细

所有正式结果均来自同一节点 pool0-01826，使用 8x H100 80 GB、 Ulysses 8、DP=1、40 个 diffusion step、25 个语义规划 step、81 输出帧、 最大边 848、16 fps、flow shift 5.0 和 seed 42。

Formal hot request 是跨 8 rank 同步并取 MAX 的精确 wall time，包含输入媒体读取与 preprocess、Qwen/planner、T5、40-step diffusion、VAE decode、D2H 和 tensor postprocess；不包含 model load、warmup/compile 和 MP4 encode/write。

v2v_case1

输入为 1920x1080、150 帧、30 fps、5.000 s 的 source_case1.mp4；任务是在 雪地道路右侧添加稳定的雪人，输出为 81x480x848x3。

诊断项	Pristine	Optimized
每 step guidance DiT 求值	4 个 serial forward	1 次 packed forward，4 segments
diffusion tqdm 日志区间	约 206-214 s	约 171-172 s
residual proxy	约 33.663 s	约 20.528 s
Formal hot request	247.662622 s	192.528052 s
Warmup request	298.902 s	238.069 s
MP4 encode/write	0.958 s	0.951 s
正式节省 / 加速	-	55.135 s / 1.286x

v2v_case2

输入为 1920x1080、150 帧、29.970 fps、5.005 s 的 source_case2.mp4；任务是把 人的动作改为在狗旁自然蹲下，输出为 81x480x848x3。

诊断项	Pristine	Optimized
每 step guidance DiT 求值	4 个 serial forward	1 次 packed forward，4 segments
diffusion tqdm 日志区间	约 206-214 s	约 171 s
residual proxy	约 31.681 s	约 20.512 s
Formal hot request	245.681346 s	191.511893 s
Warmup request	246.854 s	191.634 s
MP4 encode/write	0.796 s	0.776 s
正式节省 / 加速	-	54.169 s / 1.283x

v2v_case3

输入为 1920x1080、125 帧、25 fps、5.000 s 的 source_case3.mp4；任务是把 人形机器人替换为保持动作和反射的机器狗，输出为 81x480x848x3。

诊断项	Pristine	Optimized
每 step guidance DiT 求值	4 个 serial forward	1 次 packed forward，4 segments
diffusion tqdm 日志区间	约 206-214 s	约 170-171 s
residual proxy	约 30.530 s	约 19.842 s
Formal hot request	244.530002 s	190.842407 s
Warmup request	246.095 s	191.949 s
MP4 encode/write	0.706 s	0.719 s
正式节省 / 加速	-	53.688 s / 1.281x

rv2v_case1

输入为 1080x1920、125 帧、25 fps、5.000 s 的人物视频，加一张 1280x2173 参考衬衫图像；任务是将参考衬衫迁移到人物，输出为 81x848x480x3。

诊断项	Pristine	Optimized
每 step guidance DiT 求值	6 个 serial forward，包含重复 VTIC	1 次 packed forward，5 distinct segments
diffusion tqdm 日志区间	约 335-343 s	约 222-223 s
residual proxy	约 31.843 s	约 20.134 s
Formal hot request	374.843315 s	243.134162 s
Warmup request	376.080 s	240.936 s
MP4 encode/write	0.635 s	0.628 s
正式节省 / 加速	-	131.709 s / 1.542x

rv2v_case2

输入为 4096x2160、151 帧、30 fps、5.033 s 的目标视频，加一条 1280x720、121 帧、24 fps、5.042 s 的参考视频；任务是将参考视频放到电脑屏幕， 输出为 81x448x848x3。

诊断项	Pristine	Optimized
每 step guidance DiT 求值	6 个 serial forward	1 次 packed forward，V == VI，4 distinct segments
diffusion tqdm 日志区间	约 536-544 s	约 285 s
residual proxy	约 57.389 s	约 35.766 s
Formal hot request	601.388817 s	320.765783 s
Warmup request	602.474 s	320.993 s
MP4 encode/write	0.747 s	0.758 s
正式节省 / 加速	-	280.623 s / 1.875x

tqdm 与 residual 的口径

Formal hot request、warmup 和 encode 来自 JSONL 精确记录。diffusion tqdm 不是独立 CUDA stage timer：8 个 rank 各自在第 40 次 update 和进度对象稍后 close 时 各打印一次 40/40，后一次还可能包含 loop 后的清理等待，且都只有整秒级显示。 上表的 residual proxy 是 formal request - 最大 tqdm 整秒显示 的诊断值，混合了 media preprocess、Qwen、T5、expert switch、VAE、D2H、postprocess 以及 tqdm 边界误差， 它既不是严格上界或下界，也不能解读为精确的“非 diffusion 固定开销”。

计时协议

每个分支只启动一次八 rank torchrun，每个 rank 只加载一次 pipeline。一个 distributed process group 依次执行五例 warmup，再依次执行五例 measure；没有 八路 data parallel，也没有同时生成多个 sample。

每次请求前后都执行 CUDA synchronize 和 distributed barrier，最终对 rank elapsed 取 MAX。计时包含：

1. 参考图像/视频读取、变换和 VAE/ViT media preprocessing。
2. Qwen2.5-VL 语义规划和 ViT decoder/connector。
3. UMT5 conditioning。
4. 40-step dense video diffusion，包括 expert H2D/switch 和全部通信。
5. VAE decode、D2H 以及输出 tensor postprocess。

计时不包含模型加载、第一轮 compile/warmup、MP4 encode 和文件写入。MP4 仍在 timer 外生成以便人工检查。这个边界模拟模型已驻留的服务请求；不能与包含 checkpoint load、Slurm 排队或 allocation 初始化的 walltime 混算。

时间账本与 RV2V 成本解释

边界	Pristine	Optimized	是否进入正式加速比
Model load	249.402837 s	177.988664 s	否
五例 warmup 总和	1770.404 s	1183.581 s	否
五例 formal hot request 总和	1714.106 s	1138.782 s	是
五例 MP4 encode/write 总和	3.843 s	3.831 s	否

1714.106 -> 1138.782 s 是五个请求串行总和，不是某一个 RV2V 请求，也不包含 上表其他三行。单请求的严格值必须查看五元向量或逐例表。

RV2V 比 V2V 慢的主因不是“又多跑了 diffusion step”：两者都是 40 step，但是 每个 step 内的 guidance segment 数量和 sequence length 不同。前例的 848x480 或 480x848 目标空间 token 数相同，第五例 848x448 需单独记为 N2：

N  = 21 temporal patches * 30 * 53 spatial patches = 33,390 tokens
N2 = 21 temporal patches * 28 * 53 spatial patches = 31,164 tokens

以每个 varlen segment 独立 dense self-attention 的 sum(L_i^2) 作结构估算：

路径	Distinct guidance segments	每 step token 量级	self-attention 代价量级
target-only T2V 参考	3	约 3N	约 3N^2
本次 V2V	4	约 7N	约 13N^2
rv2v_case1，视频+图像参考	5	约 9N + 3I	约 17.6N^2
rv2v_case2，两条视频	4，V == VI 已 alias	约 10N2	约 28N2^2

I 是参考图像 latent token 数；本例图像只有一个 temporal latent slice，因此 I ≈ N/21，表中 17.6N^2 来自 N^2 + (2N)^2 + 3(2N + I)^2。 这些是根据冻结用例的 segment 结构做的代数估算， 不是 profiler 输出，也不代表整个 DiT 的 FLOP 精确比例。Packed varlen forward 不会让 segments 之间相互 attention，但仍必须对每个 segment 完成原本的 dense attention 和 MLP。Packing 本身的收益是提高 GPU 利用率；静态工作复用来自独立 cache， 重复 VTIC 和 V == VI 的删除来自 dedupe/alias。组合起来仍不是把 RV2V 变成 T2V 的计算量。

日志中 optimized diffusion 进度的代表值为 V2V 约 170-172 s、 rv2v_case1 约 222-223 s、rv2v_case2 约 285 s，与上述 sequence 结构一致。 当前 harness 没有低开销 CUDA-event stage ledger，因此不能从现有数据中准确拆出 media/Qwen/T5/DiT/VAE 各自的秒数。

与 T2V 交付数字的口径差异

T2V 文档中的 3.57x 和本文的 Editing 1.505x 不是同一种 A/B：

数字	分子 / 分母	口径
T2V lossless 2.41x	200 / 83.152 s	200 s 是 pristine reporting anchor，不是与 83.152 s 的同节点严格 A/B
T2V EasyCache 增量 1.48x	83.152 / 56.056 s	同节点，但只实际执行平均 28.6/50 个 DiT forward，属于 approximate
T2V EasyCache 累计 3.57x	200 / 56.056 s	reporting anchor 叠加 approximate cache，不是纯 lossless 同节点实测
Editing lossless 1.505x	1714.106 / 1138.782 s	同节点五请求总和，每例都是 dense 40/40 step

Editing 本次没有使用 EasyCache，而且 T2V 的 planner cond-only 和 pure-T2V static-input cache 对真实 source media 不适用；Editing 还有更长、更多的 guidance segments。 因此不能用 T2V 3.57x 作为 Editing lossless 的应达目标，也不能把 T2V 的 EasyCache 1.48x 直接乘到 Editing 1.505x 上。

完整无损优化栈

通用系统优化

方法	实现与保持的语义
BF16 + dense FA3	self/cross attention 都执行完整 dense attention；没有 sparse top-k 或 token 丢弃
Exact fused kernels	Triton/PyTorch fusion 覆盖 SwiGLU、RMSNorm、LayerNorm+modulation、residual gate、rotary 和 Ulysses transpose；公式不变
all_to_all_single	用单 buffer collective 替换 list all_to_all；head/token permutation 和 padding trim 不变
Async QKV/A2A	Q/K/V projection 与专用通信 stream 上的 A2A 重叠；event 依赖保持消费顺序
CFG variable-length packing	独立 guidance 分支拼成 varlen batch，再按原长度拆回；每个 segment 的 mask、timestep、RoPE 和 text boundary 独立
Condition projection cache	request 内复用不变的 condition projection；key 覆盖多个 editing condition slot，不跨请求泄漏
Sequence metadata cache	复用稳定的长度、padding 和 cu_seqlens；长度保留为 Python list，避免逐 step 构造微小 CUDA tensor
CPU-master offload	CPU master storage 永久保留；H2D 时挂接 CUDA storage，drop 时恢复 CPU storage 指针，取消无意义 D2H 回写
Pipeline CPU-master	同一 storage 策略扩展到 Qwen、ViT decoder、connector、T5 和 VAE
Qwen hidden-only	renderer 只消费 hidden state，因此跳过未使用的 lm_head 和 KV-cache 输出
Planner mask CPU schedule	在 CPU 上计算同一 cosine/floor/min/max MaskGIT schedule，并保留原实现的 index-zero skip 行为，消除每轮 scalar sync

BERNINI_RESIDENT_DIT、BERNINI_RESIDENT_T5 和 BERNINI_RESIDENT_CONDITION_MODELS 明确为 0。历史 T2V profiling 显示常驻会增加 normal DiT step 的显存压力和执行时间；本次 Editing 没有对 resident 单独重跑 五例消融，正式 launcher 沿用已审计的 CPU-master transfer 策略。

Editing 专项优化

方法	实现与数学依据
Media feature dedupe	相同 realpath+duration 的输入只做一次确定性 media encode；缓存序列化 payload/distribution parameters，逻辑上的 latent sampling 仍逐次执行，因此 RNG 消耗不变
Per-request/per-expert static DiT cache	缓存 source patch tokens、source RoPE、只依赖 target shape 的 RoPE 和 masks；每 step 变化的 noisy-target patch embedding 仍重新计算
Selective auxiliary H2D	positive branch 保留完整输入；uncond/imgcond 只搬运 Qwen 实际读取的六类 tensor，所有 transform 和随机操作仍按原顺序完成
Layout pruning	V2V 不构建从未读取的 image-only/video-only latent layouts；RV2V 不构建未读取的 image-only layout
RV2V no-image alias	没有 source image 时 wvae == wvid，所以 eps_VI == eps_V，image guidance 项 omega_img * (eps_VI - eps_V) 数学上为 0；直接复用同一 prediction
RV2V shared-result dedupe	serial fallback 复用已经计算的 VTIC/shared conditional 结果，删除同输入、同条件、同 timestep 的重复 forward
V2V packed guidance	vae_txt_vit_wapg 的 base/image/text/target 条件分支按真实长度打包，拆分后仍执行原来的 APG delta 与 scale 链
RV2V all-branch packing	base, V, VI, VTI, VTIC 最多五个逻辑分支一次打包；默认 chunk=5，zero-scale 分支仍遵循原 alias 规则
Cache lifecycle	media、condition、metadata、static DiT 和 packed-condition cache 都在 request/expert 边界显式激活或清理

RV2V 最终组合仍是原公式：

base
+ omega_vid * (eps_V - base)
+ omega_img * (eps_VI - eps_V)
+ omega_txt * (eps_VTI - eps_VI)
+ omega_tgt * (eps_VTIC - eps_VTI)

packing 只改变这些 eps 的批处理求值方式，不改变分支输入、差分顺序或系数。V2V 的 WAPG projection 同样在拆分后执行，未被线性化或省略。

明确关闭或不适用的方法

正式 launcher 锁定以下边界：

方法	正式配置	原因
PISA	BERNINI_ATTENTION_BACKEND=fa3，PISA variables unset	sparse attention 改变 attention mapping
FP8	BERNINI_FP8_FFN_UP=0	quantization 改变数值映射；当前实现与默认 CPU-master DiT offload 硬互斥
EasyCache / TeaCache	BERNINI_DIFFUSION_CACHE=none，cache variables unset	会复用输出并跳过实际 DiT forward
Planner cond-only	BERNINI_PLANNER_COND_ONLY=0	editing visual-source branches 并不相等，不能应用 T2V identity shortcut
T2V static cache	BERNINI_CACHE_T2V_STATIC_INPUT=0	editing 有真实 source media，不能套用 pure-T2V fake-target cache
DiT/T5/condition 常驻	三个 BERNINI_RESIDENT_* 开关均为 0	历史 T2V profiling 中常驻增加 normal-step 显存压力和时间；本次 Editing 没有独立重跑该消融

因此“CFG branch forward 次数减少”不等于“diffusion step skipping”：每个请求仍执行 完整 40 个 scheduler/denoising step，所有逻辑 guidance 分支仍进入同一公式。

1.505x 是上述整套 lossless 方法合并后的正式五例 A/B，不是每个方法单独 speedup 的乘积。当前没有对每一个开关都做同节点五例 formal ablation，因此不能 从这个数字反推 fused kernel、A2A、offload、media cache 或 CFG packing 各自节省了 多少秒。下一步的独立贡献必须用同一 optimized-stack baseline 逐项开关重测。

尚未纳入当前交付的候选

候选	当前状态
Rank-leader media/Qwen/T5 + broadcast	尚未完成语义审计和五例正收益 A/B
Server-lifetime immutable media cache	当前只有 request-local dedupe；跨请求 key、LRU 和 RNG 合同待验证
Root H2D + NCCL broadcast	尚未用真实 expert bucket 完成 microbenchmark
Expert-2 延迟预取	尚未验证 copy-stream event、峰值显存和 E2E 收益
Full-DiT torch.compile / CUDA Graph	尚未处理 expert switch、dynamic layout、collective 顺序和 RNG state
VAE decode compile / async D2H / output buffer reuse	尚未完成逐项数值验证和热请求 A/B

这些都是 roadmap，不能算入当前 1.505x。完整验收顺序见 editing_optimization_roadmap.md。

算法与数学语义审计

正确性检查按从纯函数到真实 GPU 路径分层完成：

层次	结果	覆盖范围
原 editing/unit discovery	66/66 pass	cache 生命周期、media RNG、layout、selective H2D、planner schedule、RV2V packing 等
补充 V2V/launcher 后完整 discovery	69/69 pass	V2V serial-vs-packed、zero/nonzero scale 组合、正式 launcher 的近似方法强制关闭
Fused GPU audit	19/19 pass，job 13358786	真实 BF16 Bernini 维度下逐公式对 FP32/FP64 oracle
Parallel + real Wan audit	19/19 pass，job 13358800	NCCL A2A、async stream、padding、真实 Wan block serial-vs-packed

关键结果：

• fused audit 使用 dim=5120、40 heads、head dim 128 和 production-derived token geometry。最差 max abs 为 0.015625，最差 relative L2 为约 1.74e-5，cosine 大于 0.9999999998；SwiGLU、rotary 和 layout roundtrip 中相应项目为 exact。
• 2-GPU NCCL audit 的 18 个 legacy-vs-single、oracle、roundtrip 和 async-stream comparison 都是 0 个 BF16 mismatch。
• 一个真实 WanTransformer3DModel block 以五个不同 VAE/text length 和 timestep 比较 serial 与 packed：max abs 0.0078125，relative L2 0.0031476，cosine 0.9999951，atol=0.05, rtol=0.05 sampled close fraction 为 1.0。
• V2V/RV2V CPU differential test 覆盖 serial/packed、chunk 1/3/5、source-image 有无、guidance scale 开关和 alias 组合；最终 guidance tensor 按容差一致。
• planner test 对 35 组 query/planning-step 组合复现原 cosine/floor schedule、mask、 indices 和历史 skip 语义。

正式五例中，每个分支自己的 warmup/measure decoded hash 都重复一致，所有跨分支 decoded shape 一致；pristine 与 optimized 的 decoded hash 不同。这与 packed/fused BF16 GEMM 使用不同 reduction tiling 相符，不构成算法错误。

PSNR/SSIM 和 contact sheet 只用于发现明显视觉异常，不能证明或否定数学等价。扩散 轨迹会放大早期舍入差异：较低的逐像素相似度可能仍来自同一实数算法；反过来，较高 相似度也不能证明 branch boundary、timestep 或 guidance 公式正确。本交付的语义证据是 显式公式 oracle、排列 oracle 和 serial-vs-packed differential；正式 40-step run 只提供 完整端到端路径的执行覆盖与视频诊断，不是 scheduler 中间状态的独立 differential。

端到端视频诊断

每个 pristine/optimized MP4 都是 81 帧、16 fps、5.0625 秒，分辨率与 decoded tensor shape 一致。对每对压缩后 MP4 计算的诊断值如下；它们不参与 correctness gate：

用例	平均 PSNR	平均 SSIM	首/中/末帧语义检查
v2v_case1	44.2907 dB	0.993895	通过
v2v_case2	40.0705 dB	0.989776	通过
v2v_case3	37.5640 dB	0.993541	通过
rv2v_case1	37.1619 dB	0.964702	通过
rv2v_case2	45.7571 dB	0.993673	通过

结构化向量、job、raw JSONL hash、MP4 hash 和审计摘要保存在 benchmarks/editing/results/editing_lossless_8xh100_20260702.json。

使用与复现

应在两个独立 worktree 中运行，避免 optimized 实现污染 pristine 分支。正式数据对应：

角色	Branch	Measured compute commit
Pristine	benchmark/editing-pristine	9f5de73c45c9e8a2e7af23efec37889e354d813c
Optimized measured implementation	optimization/editing-lossless	521d6bc4a39a144f904a6e4266888ae42c3bcc80

后续 branch head 追加了结果和审计材料，但严格复刻 job 13357422/13357799 时仍应在 临时 worktree 中 detach 到上表的精确 commit，不应只检查 measured commit 是当前 HEAD 的 ancestor。

Pristine worktree：

git switch --detach 9f5de73c45c9e8a2e7af23efec37889e354d813c
test "$(git rev-parse HEAD)" = 9f5de73c45c9e8a2e7af23efec37889e354d813c
OUTPUT_ROOT=/path/to/editing_hot/pristine \
NUM_INFERENCE_STEPS=40 WARMUP_ROUNDS=1 MEASURE_ROUNDS=1 SAVE_MEASURED_OUTPUTS=1 \
srun -A nvr_elm_llm -p interactive --gpus 8 -t 04:00:00 \
  bash scripts/bernini/run_editing_hot_pristine.sh

Optimized worktree：

git switch --detach 521d6bc4a39a144f904a6e4266888ae42c3bcc80
test "$(git rev-parse HEAD)" = 521d6bc4a39a144f904a6e4266888ae42c3bcc80
unset BERNINI_TEACACHE_COEFFICIENTS
OUTPUT_ROOT=/path/to/editing_hot/optimized \
TASKS_FILE=benchmarks/editing/tasks.json \
NUM_INFERENCE_STEPS=40 WARMUP_ROUNDS=1 MEASURE_ROUNDS=1 SAVE_MEASURED_OUTPUTS=1 CFG_BATCH=1 \
BERNINI_FUSED_KERNELS=1 BERNINI_A2A_SINGLE=1 BERNINI_ASYNC_QKV_A2A=1 \
BERNINI_PLANNER_MASK_CPU=1 BERNINI_CACHE_CONDITION=1 \
BERNINI_DIT_CPU_MASTER=1 BERNINI_PIPELINE_CPU_MASTER=1 \
BERNINI_QWEN_HIDDEN_ONLY=1 BERNINI_DEDUPE_EDITING_MEDIA=1 \
BERNINI_CACHE_EDITING_STATIC_DIT_INPUT=1 BERNINI_SELECTIVE_EDITING_H2D=1 \
BERNINI_PRUNE_UNUSED_EDITING_LAYOUTS=1 BERNINI_RV2V_CFG_BATCH_CHUNK_SIZE=5 \
srun -A nvr_elm_llm -p interactive --gpus 8 -t 04:00:00 \
  bash scripts/bernini/run_editing_hot_optimized.sh

完成后在 optimized worktree 中对比最后一轮 measure：

python scripts/bernini/compare_editing_hot.py \
  /path/to/editing_hot/pristine/timings.jsonl \
  /path/to/editing_hot/optimized/timings.jsonl \
  --json-output /path/to/editing_hot/comparison.json

不要加 --require-hash-match；该选项只用于额外的 bitwise 诊断，不是本次 lossless 验收条件。冻结用例、计时协议和分支关系见 benchmarks/editing/README.md；机器可读结果见 editing_lossless_8xh100_20260702.json； GPU 数值审计见 SEMANTIC_AUDIT.md。

两个 launcher 的 PYTHON_BIN、BERNINI_CONFIG 和默认 OUTPUT_ROOT 含当前机器的绝对路径。 在其他机器或用户下复现时必须显式覆盖这些变量，并保持模型 snapshot、PyTorch/CUDA/ FA3 版本和 8-GPU Ulysses 配置不变。Launcher 中部分 exact 优化使用 ${ENV:-default}，所以复现时还必须核对 optimized timing row 的 optimization_env 与本文 Profile 表完全一致。

限制

1. 每例只有一轮 warmup 和一轮正式 measure，当前没有 P50/P90 或跨日期方差； 1.505x 是严格同节点配对结果，不是硬件无关常数。
2. pristine 使用官方 flash-attn==2.8.3 的 hopper/ wrapper，optimized 使用 top-level wrapper；路径均被 assert 并写入 timing row，但 wrapper 差异仍属于环境 provenance，不能把结果外推到任意 FA3 版本。
3. NCCL differential 为节省 GPU 使用 world size 2；Ulysses-8 的 permutation 和 production token geometry 由独立 oracle 覆盖，但尚未做 live 8-GPU legacy-vs-single collective differential。
4. real-Wan packed differential 使用一个真实 block 和短 sequence；它验证 segment、 timestep、RoPE、cross-attention boundary 和 APG 输入，不等同于逐层比较完整 40 层。
5. model load、compile、warmup 和 MP4 encode 不在服务热请求时间内。cold-start、吞吐、 多请求并发和显存峰值需要单独报告。
6. 结论只适用于当前五例、40-step、81-frame、8x H100/Ulysses-8 配置。其他帧数、 分辨率、GPU 数量或 model snapshot 必须重新验证。
7. 当前没有闭合到 request walltime 的 CUDA-event stage ledger，所以不能准确报告 text encoder、DiT、expert transfer 和 VAE decode 各自的绝对时间。
8. 当前 formal run 是完整无损栈对 pristine 的组合 A/B，没有为每个方法单独跑完 五例消融。因此可以报告组合后 1.505x，不能给每一项分配精确秒数或相乘收益。

下一阶段的 lossless 与 approximate 工作严格分轨，见 editing_optimization_roadmap.md。