用途：为 Megatron Bridge 中的 MoE 长上下文训练提供调优指导，稳定文档见 @docs/training/moe-optimization.md，卡片见 @skills/nemo-mbridge-perf-moe-long-context/card.yaml。
主要能力：说明序列长度远超 4K 后，注意力内存与激活驻留成为主要约束，通常需要组合使用上下文并行（CP）、选择性重计算、低精度、优化器状态 CPU offload，以及不浪费剩余 DP 预算的调度器与 PP 布局。
实践模式：DSV3 在 H100 上，超过最短上下文后选择性重计算优于全量重计算，CP 适当增大时吞吐可保持较窄区间，随 CP 增长瓶颈从内存适配转向 GPU 数量可行性。Qwen3-Next 在 GB200 上，8K 与 32K 用中等 CP 可行，64K 吞吐下降明显、内存更紧，流水线布局与 grouped-GEMM 改进几乎与 CP 同等重要。Qwen3 235B 在 GB200 上，TP、CP 与 HybridEP 协调时 128K 级配置仍可高效。
CP 规模经验：以 4K 分片为目标，CP 约等于 seq_len/4096 再取二的幂；尽量保留 DP；优先选择性重计算（up_proj、norm、moe、moe_act、mlp），避免在极长上下文重计算 SDPA 内部；NVL72 上可用 TP 作为另一杠杆；CP 上升、DP 下降时可能需缩小全局批大小或接受更高 GA。
代表配置：DSV3 128K H100 为 TP=1 CP=32 EP=32 PP=8 VPP=4，FP8 级精度，DeepEP，重计算 up_proj、norm、moe、mlp，优化器 CPU offload；DSV3 256K H100 为 TP=1 CP=64 EP=32 PP=8 EDP=2 VPP=4；Qwen3 235B 128K GB200 为 TP=4 CP=4 EP=32 PP=4 VPP=12，BF16 或 MXFP8，HybridEP，重计算 moe_act、norm，CUDA Graph 用于 attn、moe_router、moe_preprocess。
重计算与 CUDA Graph：先选择性重计算，形状与路由稳定后再加 CUDA Graph；使用 CUDA Graph 时固定序列长度与 MBS；动态批次场景宜用 eager。参考 @docs/training/activation-recomputation.md 与 @skills/nemo-mbridge-perf-cuda-graphs/SKILL.md。
限制与陷阱：CP 不替代 EP 或 PP；好的 4K 基线未必适合长上下文；GPU 数量可行性是真正约束；CUDA Graph 需静态形状；128K+ 更依赖新内核与修复。