Rapport R&D complet: synthese session, perf, cascade, #277, briques, reste a faire

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

.claude/scheduled_tasks.lock

@@ -1 +0,0 @@
-{"sessionId":"45eccd49-4ce6-4a07-af1c-9bff461d40c9","pid":1030431,"procStart":"52754552","acquiredAt":1779633135793}

.claude/settings.local.json

@@ -0,0 +1,9 @@
+{
+  "permissions": {
+    "allow": [
+      "Bash(awk '{print $5,$9}')",
+      "Bash(/opt/Kazeia/to_delete/llama.cpp/build-native/bin/llama-quantize)",
+      "Bash(adb get-state *)"
+    ]
+  }
+}

RAPPORT_RD.md

@@ -0,0 +1,32 @@
+# Kazeia-Engine — Rapport R&D complet (24-25/05/2026)
+
+Synthèse de toute la session. Matériel : OnePlus Pad3, SM8750 (Snapdragon 8 Elite, Hexagon V79), 16 GB, sans root. Mémoire LPDDR5x ~77 GB/s, CPU ~25. NDK r27d, Hexagon SDK 6.5.0.0.
+
+## 1. Objectif
+Faire tourner Qwen3.5-4B (et 9B) en GGUF, sans conversion `.pte`, en exploitant le NPU pour le prefill et le CPU pour le decode. Cible : égaler/battre ExecuTorch (4B `.pte` = 15 tok/s, 2.2 GB), empreinte mémoire mini.
+
+## 2. Le fait dur (mesuré, reproductible)
+Decode M=1 = **memory-bandwidth bound**, pas compute. Le NPU n'aide pas le decode (bus DDR saturé), il aide le prefill (batché, compute-bound). Donc : **prefill NPU / decode CPU**, verrouillé pour 4B et 9B.
+
+## 3. Performances stables (r3, ±2%) — moteur llama.cpp upstream
+| Modèle | prefill HTP | decode CPU | RAM |
+|---|---:|---:|---:|
+| Qwen3.5-4B-Q4_0 | ~50 (ngl99/t8/b512) | 9.8 | 2.4 GB |
+| Qwen3.5-9B-Q4_0 | ~41 | 5.2 | 5.0 GB |
+| Qwen3-4B dense | 103 | 17 | 2.2 GB |
+| 4B ExecuTorch .pte | ~451 | 15 | 3.3 GB |
+Prefill 3.5 plafonne à 55 : les 24 couches GDN tournent CPU (pas de kernel HTP). Le dense fait 103 (matmuls HMX). 30B/35B = OOM. r1 antérieurs (8.4→2.1) = bruit, écartés.
+
+## 4. Cascade Thinker+Guard : RAM OK
+9B+Guard-4B = 7.5 GB ; 9B+Guard-8B = 9.5 GB ; +TTS/STT → 11.5. Tient sur 16 GB. 9B>4B en qualité FR.
+
+## 5. Engine vs briques
+briques (stack NPU+lm_head CPU) : 2B 13, 4B 7, 9B 2.1 tok/s. **2B briques 13/2.5GB = sweet spot**, > engine 4B 9.8. Repo `/opt/Kazeia/to_delete/briques_qwen35`. Pour le 4B, `.pte` reste devant (15, 2.2GB). GGUF utile = 9B/modèles sans pte.
+
+## 6. Intégration #277 (dev) — débloquée, 2 fixes
+hang in-app = thinking non bridé + 1 thread. FIX : signature `generate(sys,usr,maxTok)`, ChatML+`<think></think>`, ngl0 + n_threads=8 → 14 tok/s. Bridge STATIC (0 NEEDED libllama, coexiste TTS). dist `/opt/Kazeia-engine/dist/` : libkazeia_engine.so + htp-v79.so + EngineLlmEngine.kt + docs.
+
+## 7. R&D pousser prefill = HVX chunkwise GDN
+55→100 crédible mais HMX accumule fp16 (pas bit-exact). Voie HVX qf32, 3-5 sem. lm_head NPU = mort (CPU 31ms < HVX 104). Fork qualcomm/llama.cpp cloné (`ql/`) avec IQ4_NL HVX — test bench IQ4_NL = à finir (quantize on-device).
+
+## 8. À FAIRE : quantize 4B IQ4_NL on-device + bench, brancher JNI, valider qualité FR. STT reste ORT-QAIRT. Détail commits : `git log`.

ql

@@ -0,0 +1 @@
+Subproject commit 35c9b1f39ebe5a7bb83986d64415a079218be78d