Context Parallel

Context Parallel（CP，上下文并行）主要针对Self-attention模块在sequence维度进行并行计算。CP通过将长序列在上下文维度进行切分，分配到不同设备并行处理，减少首token响应时间。CP实现主要包括：

各个设备计算各自的attention，设备之间用ring的方式传递KV值来获得分块运算的结果，整体原理类似ring-attention。
用Flash-attention 2算法进行分块运算，最后对分块结果进行修正。

限制与约束

Atlas 800I A2 推理服务器和Atlas 800I A3 超节点服务器支持此特性。
当前仅DeepSeek-R1的W8A8量化模型、DeepSeek-R1的W4A8量化模型、DeepSeek-V3的W4A8量化模型和DeepSeek-V3.1的W4A8量化模型支持此特性。
当前不支持CP单独开启，开启CP需要同时开启SP。
支持PD分离场景和PD混部场景。
PD混部场景时：
- 该特性可以和SP、TP同时使用。开启CP特性时，DP必须等于1，SP必须等于TP，且CP、DP和TP的乘积等于Worldsize。
- 该特性支持与MTP=1、异步调度、Prefix Cache特性叠加使用。
PD分离场景时：
- 仅支持在P节点开启CP特性，该特性可以和SP、TP、MTP同时使用。开启CP特性时，DP必须等于1，SP必须等于TP，且CP、DP和TP的乘积等于Worldsize。
- 该特性支持与MTP、异步调度、Prefix Cache特性叠加使用。
该特性只支持FP16，不支持BF16。

参数说明

开启CP特性，需要配置的服务化参数如表1所示。

表1 补充参数：**ModelDeployConfig中的ModelConfig参数**
配置项	取值类型	取值范围	配置说明
cp	int	[1，2]	将一个输入序列切分后得到的份数。 1：不开启CP特性。 2：输入序列切分成2份。目前开启CP特性，切分的份数仅支持“2”。

执行推理

打开Server的config.json文件。

cd {MindIE安装目录}/latest/mindie-service/
vi conf/config.json

配置服务化参数。在Server的config.json文件添加“cp”字段（以下加粗部分），参数字段解释请参见表1。服务化参数说明请参见配置参数说明（服务化）章节。

"ModelDeployConfig" :
{
    "maxSeqLen" : 2560,
    "maxInputTokenLen" : 2048,
    "truncation" : false,
    "ModelConfig" : [
        {
            "modelInstanceType" : "Standard",
            "modelName" : "DeepSeek-R1_w8a8",
            "modelWeightPath" : "/data/weights/DeepSeek-R1_w8a8",
            "worldSize" : 16,
            "cpuMemSize" : 5,
            "npuMemSize" : -1,
            "backendType" : "atb",
            "trustRemoteCode" : false,
            "dp": 1,
            "cp": 2,
            "sp": 8,
            "tp": 8,
            "moe_ep": 16,
            "moe_tp": 1
        }
    ]
}

启动服务。
```
./bin/mindieservice_daemon
```

父主题： 长序列特性