文章 (4 / 5)

所有文章。

• llama.cpp Hexagon HTP 长 Prompt 默认 ubatch=512 卡住的定位与修复

  23 Jun, 2026

  本来只是想在 Hexagon HTP 上跑一条稍长一点的总结题，结果 `llama.cpp` 默认 `ubatch=512` 直接卡在 prefill。最后一路排到 HMX matmul，发现是小 remainder batch 走异步 pipeline 后没回来。

• llama.cpp 里的 lm-head：Q6_K、Q4_0，以及为什么 4B 不一定提速

  5 Jun, 2026

  从 Qwen3/Qwen3.5 的 tied embedding 看 lm-head 性能瓶颈：0.6B 改 output-q4_0 有收益，4B 上收益有限甚至可能变慢。

• llama.cpp HTP 调优：少用 CPU 为什么反而慢

  5 Jun, 2026

  用 Qwen3-0.6B 的 profile 解释一个朴素误区：减少 CPU 参与不等于更快。HTP attention、SET_ROWS、图切分和真实 token/s 的关系。

• llama.cpp 跑 Qwen3-0.6B：HTP 上从 20 到 70 token/s

  5 Jun, 2026

  一次 Snapdragon Hexagon HTP 上的真实调优记录：OPPOLL、算子过滤、lm-head 量化，以及为什么 70 token/s 不是“全上 NPU”跑出来的。

• llama.cpp Hexagon NPU 量化：Q4_0 / IQ4_NL / MXFP4 / Q8_0

  30 May, 2026

  Q4_0 / Q4_1 / IQ4_NL / MXFP4 / Q8_0 五种 HTP 原生量化格式的原理、反量化路径与对比。

• TVM 是什么：层级架构与编译流水线

  29 May, 2026

  从整体架构到端到端流水线，理解 TVM 是什么、分几层、一个模型如何从 Relax 走到机器码。