diff --git a/代码/code/infer.py b/代码/code/infer.py
index aa7f442..eb44099 100644
--- a/代码/code/infer.py
+++ b/代码/code/infer.py
@@ -135,8 +135,8 @@ CONFIG = {
     # 实测：varlen 本地快(10.28s)但评测端慢(148s,嵌套张量构造开销随batch数放大)→已退回。
     # sdpa 是评测端验证最快(89.96s/58.86)。flex/compile/小batch/varlen 在评测端都更差。
     # attn: "chunked"(按用户分块SDPA,降O(S²),本地14.25->7.92s) / "sdpa"(稠密mask) / 其它对照
-    "attn": "chunked",
-    "chunk_users": 4,         # 评测扫描 3/4/8:chunk=4 最优(47.84s/67.998),3更慢8持平→此维度榨干
+    "attn": "triton",         # Triton varlen flash(单kernel,消逐块调用/mask构造开销);无triton回退chunked
+    "chunk_users": 4,         # chunked 回退时用;评测扫描 3/4/8 中 4 最优(47.84s/67.998)
     # 稠密MoE去掉了 model(batch) 内唯一的同步点(MoE循环的.nonzero())。若评测计时不
     # synchronize，去掉同步点可能让被计时的 model(batch) 大幅缩短。本地force-sync看不出，
     # 须靠提交验证。AUC中性、MoE仅占2%算力故风险极低。
@@ -1064,6 +1064,20 @@ def load_model(ckpt_path, device='cuda:0'):
 
     global _MODEL_REF
     _MODEL_REF = model  # 供 collate_fn 就地算 RepEncoder
+
+    # 预热 Triton kernel（不计时阶段触发 JIT 编译，避免首个 model(batch) 含编译时间）
+    if _resolve_attn(dev) == "triton":
+        try:
+            H, Dh = model.seq_encoder.n_heads, model.seq_encoder.head_dim
+            dummy_off = torch.tensor([0, 64, 130], device=dev)
+            dq = torch.randn(1, H, 130, Dh, device=dev, dtype=torch.float16)
+            meta = _triton_block_meta(dummy_off, 64, dev)
+            _triton_varlen_attn(dq, dq, dq, meta)
+            torch.cuda.synchronize()
+            print("[INFO] triton kernel warmed up")
+        except Exception as e:
+            print(f"[WARNING] triton warmup failed ({e})")
+
     print(f"[INFO] Model ready. Device: {dev}")
     return model, dev