docs(perf): profile CUDA graph coverage and PLE costs on Spark

experiments/profile128k/plan.md

@@ -0,0 +1,17 @@
+# CUDA Graph 性能剖析方案（2026-09-18）
+
+目的：定位当前 CUDA Graph 约 4.4% 收益的限制，确认捕获范围与 PLE 图外路径的影响。
+先采证据，再决定是否扩大图覆盖；不将推断写成瓶颈结论。
+
+1. 小型 CUDA 程序验证主机 Nsight Systems 在当前镜像中可采集 CUDA 时间线。
+2. 临时服务上下文上限 131072，串行输入不超过 128K；原镜像、模型、MTP=2、BF16 KV、内存比例 0.80 不变。
+3. 对照 eager、小尺寸图 [1,2,4,8,12]。若证据支持，再试含 2048-token 预填充尺寸的图配置。
+4. 固定合成短问答、8K/32K 首次/重复输入；记录延迟、输出/思考 tokens、PLE 分项计数、图重放和内存。
+5. Nsight 使用 API 控制的短时间窗口，只采选定请求；计时基准在采样关闭时运行，trace 不作性能定量排名。
+6. 用 CPU CUDA API、GPU 活动、同步、PLE 指标判断瓶颈；这些时间可能重叠，不简单相加当百分比。
+7. 主机 OOM 计数增加、MemAvailable 单次低于 1 GiB 或持续低于 2 GiB 即停止。
+   保留并检查内核 OOM 日志；测试后恢复原服务和 smoke test。128K 仅在候选通过后做资源/正确性验证。
+8. 原始大型 trace 留在 Spark，仓库保存方案、配置、脚本、摘要及证据索引，不提交凭据。
+
+基础事实：当前图模式为 breakable PIECEWISE，PLE 哈希+CPU mmap 查表在 eager break 中运行。
+大于已捕获 token 数的 batch 无匹配图时回退无图执行。扩大图尺寸仍需实测兼容性与额外内存。