38 lines
3.1 KiB
Markdown
38 lines
3.1 KiB
Markdown
# Kazeia-Engine
|
||
|
||
Moteur d'inférence LLM Snapdragon 8 Elite **sans conversion `.pte`** : charger
|
||
GGUF directement, NPU pour le prefill, CPU pour le decode. Mono-tablette,
|
||
local-first, sans root. Bench-driven : aucune décision sans chiffre reproductible.
|
||
|
||
## Cibles & gabarits
|
||
- **Qwen3-4B** (dense, attn pleine) — tourne déjà sous ExecuTorch : decode 14-21 tok/s, TTFT 190 ms. **Réf à approcher.**
|
||
- **Qwen3.5-4B** (hybride DDDA×8 : 24 DeltaNet + 8 FullAttn, GDN, conv1d, SSM, head_dim 256, vocab 248k, tied embeds) — ExecuTorch ne sait pas l'exporter proprement. C'est lui qu'il faut bien faire tourner. Empreinte mémoire mini = priorité.
|
||
|
||
## Verdict R&D (issu de briques + bench, ne PAS refaire l'erreur)
|
||
Sur SM8750, Qwen3.5-4B-Q4_0, **decode M=1 = memory-bandwidth bound**, pas compute. Mesures :
|
||
| Voie | Decode | Prefill | Statut |
|
||
|---|---:|---:|---|
|
||
| llama.cpp CPU NEON (`-dev none`) | **16.5 tok/s** | 75 | stable, ~67% BW |
|
||
| llama.cpp CPU+Hexagon auto | 16.5 | **159** | stable — prefill HMX |
|
||
| llama.cpp Hexagon-only | 3.6 | — | DSP seul = perdant decode |
|
||
| briques DSP-first custom | 5.3 | 26 | crash ~12min, abandonné |
|
||
→ **Angle = NPU prefill / CPU decode, exactement ce que fait llama.cpp+chraac.** Tout DSP-first sur decode plafonne (~5 tok/s) ; gros vocab + tied embeds bloque spec-dec. CPU NEON bat le HVX 3.4× sur Q6_K M=1. Bonus DDDA : 75% des couches O(1) → decode stable en long contexte.
|
||
|
||
## Base = llama.cpp upstream master (ne PAS forker chraac)
|
||
Upstream `ggml-org/llama.cpp` a le backend Hexagon officiel Qualcomm : `libggml-hexagon` (CPU) + HTP `libggml-htp-v79.so` (notre V79), sélection auto runtime, actif (avril 2026: Linux NPU, cumsum, argsort, op-batching). chraac = fork perso superseded. Decode CPU NEON mûr déjà là.
|
||
- ExecuTorch — référence à dépasser, pas dépendance.
|
||
- `briques-archive/` + mémoires `project_briques_qwen35*` — pièces : pièges V79 0x2e, q4x4x2/Q6_K valign, oracle ggml. À ne pas refaire DSP-first.
|
||
- HW: i8mm+bf16+dotprod, **PAS de SVE** ; LPDDR5x ~77 GB/s, CPU ~25.
|
||
|
||
## Le seul vrai trou = prefill GDN Qwen3.5 sur Hexagon
|
||
- Qwen3-4B prefill → HTP standard, flag de build, livré (159 tok/s). Qwen3.5 decode → CPU récurrent, livré. Qwen3.5 prefill: 8 FullAttn → HTP, 24 GDN → scan chunkwise, **pas de kernel HTP** (GDN fusionné = CUDA/Vulkan only). Decode toujours CPU pour les deux, verrouillé.
|
||
- ⚠ `to_delete/llama.cpp` a déjà `qwen3next` + `ggml_backend_hexagon_qwen35_compile` : amorce GDN-HTP existante → BENCHER avant d'écrire un kernel.
|
||
- Charge Kazeia: prefill 500-2000 tok/tour, CPU ~75 → 7-27s, HTP → 3-13s. Utile, pas vital.
|
||
|
||
## Identité projet — A vs B (Richard tranche)
|
||
A = intégration+tuning upstream (produit, vite, low-risk). B = kernel GDN prefill Hexagon (mémoire, contribuable upstream, zone kernel-frontière). Sain: A colonne + B recherche. Baseline à mesurer d'abord: prefill GDN CPU Qwen3.5-4B.
|
||
|
||
## Limite assistant
|
||
R&D LLM frontière (kernels HVX bit-exacts, quant) = aide partielle, je le dis au cas par cas.
|
||
GGUF/llama.cpp archivés vers `/opt/Kazeia/to_delete`. Git local: commits réguliers. — Richard & Damien.
|