2026-06-19 議事録

実施日時

• 2026-06-19（金）Teams（オンライン）

目的

• 各自の進捗共有（プロファイリング学習、環境構築、AI推論の動作確認）。
• 計測結果の共有方法（ダッシュボード）と今後の方針を確認する。

決定事項

• プロファイリングはperfを中心に進める。まずperf statで全体像を掴み、perf record/perf reportで詳細を見る（詳細はプロファイリングツール実践ガイド）。
• ビルドは用途別（Debug / Profile / Release / Optimize など）に切り替えられるよう整備する。分析しやすさと速度はトレードオフのため。
• 計測結果・グラフはダッシュボードに集約して共有する方向で進める。ツールはOSSを調査しつつ、AIを使った自作も検討する。
• 環境は再現性を重視する。リポジトリ/コンテナを整備し、他メンバーがコマンド一つで同じ環境を再現できるようにする。
• Pythonのパッケージ管理はuvを使う（動作が速く扱いやすい）。
• AI推論は最終的にSGLangを使う想定で進める。

共有内容

プロファイリング学習（perf）— 田中

perfは日本語情報が少なく、man、Archwiki、ライブコーディング動画（impl Rust: One Billion Row Challenge）が学習に役立った。 実践的な使い方・注意点・ビルドオプションは技術ページへ分離した（プロファイリングツール実践ガイド）。要点:

• まずperf stat -r <n> -d -d -dで詳細イベント＋複数回実行の統計を取る。perf record/perf reportがcall graph・アセンブリ分析まででき、最も使いやすい。
• perf recordはイベント数が多すぎると解析不能・ストレージ圧迫になる。実行中プロセスへ短時間アタッチ（perf record -F 999 -g --call-graph fp -p <PID> -- sleep 30）が有効。
• 可視化にflamegraphが便利。

AI推論の動作確認

• まずtransformersで小さめのモデルを動かし、モデルロード・KVキャッシュ確保まで確認した。
• ベンチマークは昨年使われたShareGPTデータセットを利用して試行。token生成・読み込みの速度を計測した（メモ上の数値: 約512 tokens/s 処理・約128 tokens/s 出力。対照実験はこれから。要確認）。
• vLLMとSGLangを比較。vLLMは起動が速い一方でドライバ依存により不安定だったため、SGLangに切り替えて進めている（要確認：環境依存）。
• 目標はプロファイリングだが、現状は環境構築とモデル動作確認まで。次は大きめのモデルでベンチを取得する。

環境構築・再現性

• ローカルで構築したものをコンテナ等で他メンバーが再現できるようにする方針。スパコン側でSSH先をクローンすれば全員が同じ環境を再現でき、効率が上がる。
• 管理担当を置き、リポジトリ/環境を整備する。

データ共有・ダッシュボード

• 計測結果をダッシュボードに集約する案。あるメンバーが自分の研究で使っている仕組み（データ投入 → Pythonで自動グラフ生成 → Webページ表示）を流用できそう。
• OSSのダッシュボードツールの調査、またはAIでの自作を検討する。

TODO

今後の方針

• 来週も各自のプロファイリング・環境整備を継続する（次回はHPC側のプロファイリング共有を予定）。
• 7月の問題公開を見込み、それまでは過去問・環境・計測の練度を上げる。

関連ページ

• プロファイリングツール実践ガイド
• プロファイリングと性能分析
• CPU最適化（コンパイラ・ライブラリ）
• NCCL通信最適化
• LLM推論課題の入口
• 2026-06-12 環境構築の進捗と過去問学習方針
• 調査ステータス