Kazeia-engine/dist/jni/kazeia_engine_jni.cpp

// kazeia_engine_jni.cpp — bridge LLM Kazeia-Engine (llama.cpp fork ql + Hexagon).
// GÉNÉRIQUE : fait tourner N'IMPORTE QUEL LLM. Au load, détecte la STRUCTURE du modèle
// (llama_model_is_hybrid/is_recurrent) et route :
//   - HYBRIDE GDN (qwen3.5 / qwen3next) -> OPTION C : prefill HTP -> transfert KV -> decode CPU
//       (le decode GDN sur HTP est lent ; le split le garde sur CPU).
//   - DENSE (qwen3, llama, ...)         -> HTP contexte-unique : prefill + decode sur HTP
//       (decode dense HTP ~= CPU, pas de pénalité GDN ; prefill ~98 vs 14 CPU ; pas de dual-load => pas de crash 0x2e).
//   - pas de device HTP                 -> CPU pur (repli universel).
// API : load -> generate(sys,usr) | generateRaw(prompt) -> reset/free. Sans état entre appels.
#include <jni.h>
#include <cstdio>
#include <cstdlib>
#include <string>
#include <vector>
#include <cstring>
#include "llama.h"
#include "ggml-backend.h"

struct KEngine {
    llama_model*   m_h;  llama_context* c_h;   // prefill HTP (nullptr si pas de HTP)
    llama_model*   m_c;  llama_context* c_c;   // decode CPU  (nullptr si HTP contexte-unique)
    const llama_vocab* v; llama_sampler* s;
};

static llama_context* make_ctx(llama_model* m, int nctx, int nthreads, enum llama_flash_attn_type fa) {
    auto cp = llama_context_default_params();
    cp.n_ctx = nctx; cp.n_batch = 2048; cp.n_threads = nthreads;
    cp.flash_attn_type = fa;                              // ENABLED (decode CPU) / DISABLED (prefill HTP dense)
    cp.type_k = GGML_TYPE_F16; cp.type_v = GGML_TYPE_F16; // KV f16 (q8_0 = -40% decode, mesuré)
    return llama_init_from_model(m, cp);
}

static ggml_backend_dev_t find_htp() {
    for (size_t i = 0; i < ggml_backend_dev_count(); ++i) {
        auto d = ggml_backend_dev_get(i);
        if (!strcmp(ggml_backend_dev_name(d), "HTP0")) return d;
    }
    return nullptr;
}

// Cœur : prefill (HTP si dispo) -> [transfert KV si dual-ctx] -> decode (CPU en option C, sinon HTP).
static std::string kengine_run(KEngine* k, const std::string& p, int maxTok) {
    int n = -llama_tokenize(k->v, p.c_str(), p.size(), nullptr, 0, true, true);
    std::vector<llama_token> t(n);
    llama_tokenize(k->v, p.c_str(), p.size(), t.data(), n, true, true);

    llama_context* pf  = k->c_h ? k->c_h : k->c_c;   // contexte de prefill
    llama_context* dec = k->c_c ? k->c_c : k->c_h;   // contexte de decode

    llama_memory_clear(llama_get_memory(pf), true);
    llama_batch b = llama_batch_get_one(t.data(), n);
    if (llama_decode(pf, b) != 0) return std::string();

    if (k->c_h && k->c_c) {                            // option C : transfert KV HTP -> CPU
        size_t sz = llama_state_seq_get_size(k->c_h, 0);
        std::vector<uint8_t> buf(sz);
        llama_state_seq_get_data(k->c_h, buf.data(), sz, 0);
        llama_memory_clear(llama_get_memory(k->c_c), true);
        llama_state_seq_set_data(k->c_c, buf.data(), sz, 0);
    }

    llama_token id = llama_sampler_sample(k->s, pf, -1);  // 1er token depuis les logits de prefill
    std::string out; char zbuf[256]; int pos = n;
    for (int i = 0; i < maxTok; ++i) {
        if (llama_vocab_is_eog(k->v, id)) break;
        int l = llama_token_to_piece(k->v, id, zbuf, sizeof zbuf, 0, true);
        if (l > 0) out.append(zbuf, l);
        llama_token tok = id; llama_pos pp = pos; int32_t ns = 1; llama_seq_id sd = 0, *spd = &sd; int8_t lg = 1;
        llama_batch sb; memset(&sb, 0, sizeof sb);
        sb.n_tokens = 1; sb.token = &tok; sb.pos = &pp; sb.n_seq_id = &ns; sb.seq_id = &spd; sb.logits = &lg;
        if (llama_decode(dec, sb) != 0) break;
        pos++; id = llama_sampler_sample(k->s, dec, -1);
    }
    return out;
}

extern "C" JNIEXPORT jlong JNICALL
Java_com_kazeia_llm_EngineJni_load(JNIEnv* e, jobject, jstring path, jint nctx) {
    const char* path_c = e->GetStringUTFChars(path, 0);
    std::string p(path_c);
    e->ReleaseStringUTFChars(path, path_c);

    setenv("GGML_HEXAGON_GDN_PREFILL", "1", 1);  // sans effet sur les modèles sans GDN
    llama_backend_init();

    llama_model* m_h = nullptr; llama_context* c_h = nullptr;
    llama_model* m_c = nullptr; llama_context* c_c = nullptr;

    // Instance CPU — toujours chargée (universelle) et sert à détecter la structure.
    auto mp_c = llama_model_default_params(); mp_c.n_gpu_layers = 0;
    m_c = llama_model_load_from_file(p.c_str(), mp_c);
    if (!m_c) return 0;
    c_c = make_ctx(m_c, nctx, 4, LLAMA_FLASH_ATTN_TYPE_ENABLED);  // decode/prefill CPU

    const bool hybrid = llama_model_is_hybrid(m_c) || llama_model_is_recurrent(m_c);
    ggml_backend_dev_t htp = find_htp();

    if (hybrid && htp) {
        // qwen3.5-like (GDN) -> OPTION C : ajoute une instance HTP pour le prefill, decode reste sur c_c (CPU).
        // (decode GDN sur HTP = lent, donc on le garde CPU.)
        ggml_backend_dev_t devs[2] = { htp, nullptr };
        auto mp_h = llama_model_default_params(); mp_h.n_gpu_layers = 99; mp_h.devices = devs;
        m_h = llama_model_load_from_file(p.c_str(), mp_h);
        if (m_h) c_h = make_ctx(m_h, nctx, 8, LLAMA_FLASH_ATTN_TYPE_ENABLED);  // prefill HTP
        fprintf(stderr, "kazeia-engine: modèle HYBRIDE (GDN) -> option C (prefill HTP / decode CPU)\n");
    } else {
        // dense (qwen3, llama, ...) ou pas de HTP -> CPU pur. Le prefill dense sur HTP crashe (0x2e,
        // bug backend), et le dense a un .pte rapide ; le CPU est le chemin robuste et universel.
        fprintf(stderr, "kazeia-engine: modèle DENSE / autre -> CPU pur (prefill+decode CPU)\n");
    }

    auto* k = new KEngine{ m_h, c_h, m_c, c_c,
                           llama_model_get_vocab(m_h ? m_h : m_c), llama_sampler_init_greedy() };
    return (jlong) k;
}

// Mono-tour : construit le ChatML (system + 1 tour user) + thinking-off, puis infère.
extern "C" JNIEXPORT jstring JNICALL
Java_com_kazeia_llm_EngineJni_generate(JNIEnv* e, jobject, jlong h, jstring sys, jstring usr, jint maxTok) {
    auto* k = (KEngine*) h;
    const char* sp = e->GetStringUTFChars(sys, 0); const char* up = e->GetStringUTFChars(usr, 0);
    std::string p = "<|im_start|>system\n"; p += sp; p += "<|im_end|>\n<|im_start|>user\n"; p += up;
    p += "<|im_end|>\n<|im_start|>assistant\n<think>\n\n</think>\n\n";
    e->ReleaseStringUTFChars(sys, sp); e->ReleaseStringUTFChars(usr, up);
    std::string out = kengine_run(k, p, maxTok);
    return e->NewStringUTF(out.c_str());
}

// Multi-tour : l'app/Kotlin fournit le prompt complet déjà formaté (voir ChatSession).
extern "C" JNIEXPORT jstring JNICALL
Java_com_kazeia_llm_EngineJni_generateRaw(JNIEnv* e, jobject, jlong h, jstring prompt, jint maxTok) {
    auto* k = (KEngine*) h;
    const char* pp = e->GetStringUTFChars(prompt, 0);
    std::string out = kengine_run(k, std::string(pp), maxTok);
    e->ReleaseStringUTFChars(prompt, pp);
    return e->NewStringUTF(out.c_str());
}

extern "C" JNIEXPORT void JNICALL
Java_com_kazeia_llm_EngineJni_reset(JNIEnv*, jobject, jlong h){
    auto* k = (KEngine*) h;
    if (k->c_h) llama_memory_clear(llama_get_memory(k->c_h), true);
    if (k->c_c) llama_memory_clear(llama_get_memory(k->c_c), true);
}
extern "C" JNIEXPORT void JNICALL
Java_com_kazeia_llm_EngineJni_free(JNIEnv*, jobject, jlong h){
    auto* k = (KEngine*) h;
    llama_sampler_free(k->s);
    if (k->c_h) llama_free(k->c_h);
    if (k->c_c) llama_free(k->c_c);
    if (k->m_h) llama_model_free(k->m_h);
    if (k->m_c) llama_model_free(k->m_c);
    delete k;
}