35 lines
2.5 KiB
Markdown
35 lines
2.5 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.
|
||
|
||
## Socle
|
||
- `/opt/Kazeia/chraac-llama` (branch dev-refactoring 897501a) — llama.cpp + backend Hexagon = point de départ. Decode CPU + prefill HMX.
|
||
- ExecuTorch GitHub — référence/qnn_llama_runner, à dépasser pas dépendre.
|
||
- `briques-archive/` + mémoires `project_briques_qwen35*` — kernels HVX (Q6_K valign, q4x4x2 repack), pièges V79 0x2e, oracle ggml. Lire avant kernels.
|
||
- HW: i8mm+bf16+dotprod, **PAS de SVE** ; LPDDR5x ~77 GB/s, CPU eff ~25. Build `-O3 -march=armv8.6-a+dotprod+fp16+i8mm+bf16`, ggml=chraac (jamais whisper.cpp/upstream → RTF 1.5).
|
||
|
||
## Plan d'attaque mémoire-mini
|
||
1. Bench chraac CPU+HTP sur Qwen3-4B (match ExecuTorch?) + Qwen3.5-4B Q4_0 pure.
|
||
2. Mémoire mini : poids Q4_0/embeds Q6_K, prefill HTP / decode CPU, pas de double-copie poids ; viser <4 GB pour 4B.
|
||
3. Refacto Phase 8 si gap : repack Q4_0 8x8 NEON decode + HMX prefill.
|
||
|
||
## 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.
|