Spaces:
Running
Running
File size: 86,146 Bytes
4bd8362 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 | // SPDX-License-Identifier: Apache-2.0
// Copyright (c) 2026 UtopiaIA
// Elffuss Runtime · operaciones del motor sobre WebGPU.
// ─────────────────────────────────────────────────────────────────────────────
// Envuelve los shaders en pipelines reutilizables. Los pipelines se compilan UNA
// vez y se cachean: crearlos por llamada mete una compilación de shader en el
// bucle de decode, que es un desastre silencioso — no falla, solo va veinte
// veces más lento.
//
// Todo lo que crea recursos va envuelto en scopes de error: en WebGPU un binding
// mal alineado no lanza, devuelve ceros, y una capa que devuelve ceros produce
// texto plausible sin un solo error en consola.
//
// Licencia: código propio, Apache-2.0 (ver SPDX arriba y LICENSE). Sin dependencias externas.
import { guard as rawGuard } from './device.js';
// guard() cuesta una ida y vuelta al device timeline por llamada. Imprescindible
// al arrancar y en los tests; en el bucle de decode, con 423 operaciones por
// token, es el propio diagnostico el que domina el tiempo.
async function guard(device, label, fn, on = true) {
return on ? await rawGuard(device, label, fn) : await fn();
}
import {
dequantShader, matmulShader, gatherShader, QUANT_TYPES, AXIS, sgFilasPorGrupo,
} from './kernels.wgsl.js';
// Matmul de decode con VARIAS FILAS por workgroup. Existe porque cada fila de
// salida se relee la fila ENTERA de activaciones: por token se mueven unos 20,5
// bytes de activacion por cada byte de peso. Ese trafico no puede estar saliendo
// de DRAM —la razon medida se pasa del ancho de banda disponible— asi que sale de
// cache, y es por lo que el oraculo X_FIJA mide que traer `x` es el termino mayor
// del matmul. Con N filas por workgroup ese trafico se divide entre N.
import { matmulFilasShader, filasPorGrupo } from './kernels.filas.wgsl.js';
// GEMV del decode de segunda generación, detrás de `__ELFFUSS_GEMV2`.
import { createGemvOps } from './ops.gemv.js';
import { matmulGemmShader, soportaGemm, tkPara, TIPOS_GEMM } from './kernels.gemm.wgsl.js';
import { hadamardShader } from './kernels.hadamard.wgsl.js';
import { driftDequantShader, DRIFT_TIPOS, f32aF16Shader, driftGemmShader, DRIFT_TPW, DRIFT_TPT } from './kernels.drift.wgsl.js';
// GEMM del prompt con la descuantización dentro (interruptor __ELFFUSS_GEMM2).
import { createGemm2Ops } from './ops.gemm2.js';
import {
rmsnormShader, ropeShader, softmaxShader, swigluShader, addShader,
ROPE_NORM, ROPE_NEOX,
} from './kernels.nn.wgsl.js';
import {
l2normShader, ssmConvShader, gatedDeltaNetShader, gatedNormShader,
decayGateShader, sigmoidShader, SSM_HEAD_DIM, SSM_CONV_K,
} from './kernels.ssm.wgsl.js';
import {
strideCopyShader, attnScoresShader, attnCombineShader, mulShader,
attnCombineSplitShader, combineReduceShader, bloquesCombine,
attnScoresSharedShader, compartidaScores,
} from './kernels.attn.wgsl.js';
// Q8_0/Q4_0 reordenados al cargar (`__ELFFUSS_REPACK`): antes de despachar un
// lector R, que el buffer sea el que el lector espera (ver repack.js).
import { TIPOS_R } from './kernels.bloques.wgsl.js';
import { compruebaBufferR } from './repack.js';
export { ROPE_NORM, ROPE_NEOX, SSM_HEAD_DIM, SSM_CONV_K };
// Perezoso a proposito: evaluarlo al cargar el modulo ataria este fichero al
// navegador y ninguna de las referencias de CPU se podria importar desde Node.
let STORAGE_RW = 0;
function storageUsage() {
if (!STORAGE_RW) {
STORAGE_RW = GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_SRC | GPUBufferUsage.COPY_DST;
}
return STORAGE_RW;
}
// Tope de workgroups por eje. Viene del shader (que recompone el índice con él),
// no de una copia local: dos constantes que se desincronicen darían filas a cero.
const DISPATCH_MAX = AXIS;
// Tokens por tesela en prefill. Cada peso leído se aplica a este número de
// tokens, así que divide el tráfico de memoria de la matriz por otro tanto.
// Tokens por tesela en prefill. ERA 8, y ese 8 costaba casi la mitad del
// matmul del prefill sin que nadie lo hubiera medido.
//
// La aritmética del tráfico por token (la cuenta está en la cabecera de
// `kernels.filas.wgsl.js`): por cada byte de peso leído se leen unos veinte de
// activaciones (`x`).
//
// Teselar divide el PRIMERO entre `tile` y no toca el segundo: ataca como mucho
// el 4,6% del tráfico. Y a cambio APAGA las tres rutas que atacan el 95,4%
// restante, las tres por el mismo predicado `tile === 1`: la lectura vec4 de
// `x` (medida ×1,135), la guarda de token izada y el reparto de filas entre
// subgrupos. Por eso la lectura vec4 solo se notaba en decode: el prefill nunca
// la ejecutaba.
//
// MEDIDO en el 27B con 32 tokens, en dos sesiones distintas y con el orden
// alternado: tile=1 da del orden de +94% en las dos. Una medida hecha con otro
// trabajo pesado en el mismo dispositivo no vale: la contención arrastra a las
// DOS ramas hacia el mismo cuello y comprime las razones hacia 1.
//
// ⚠️ NO ES BIT A BIT EXACTO: tile=1 cambia de estructura de kernel
// (`decodeCarril` en vez de `decode`, reducción por subgrupos), o sea que cambia
// la partición de la suma. Desvío medido: 1,3e-6 de la norma contra un límite
// de 1e-4. Se valida por tolerancia, no por bytes.
//
// ⛔ Y AUN ASÍ SIGUE EN 8, porque poner 1 de defecto NO COMPILA. Se probó y
// la prueba del forward ni llegó a la numérica: error de COMPILACIÓN del WGSL,
// no de precisión. La prueba de unas formas concretas de matmul pasa; el bloque
// SSM usa otra que a tile=1 genera shader inválido. O sea: la ganancia es real
// para lo medido, y el defecto global no es viable hasta arreglar esa
// generación.
//
// ⚠️ TODO LO DE ARRIBA ES HISTORIA, y el valor dice 1, no 8. El comentario
// decía «se revierte a 8» mientras la línea ponía 1, así que durante un tiempo
// nadie podía saber qué corría este camino leyendo el fichero.
//
// Lo que pasó es que el problema se movió de sitio: los dos tipos que usa
// producción —Q8_0 en el modelo pequeño y PQ2_0 en el grande— van por el GEMM
// teselado (`soportaGemm`), que no mira `tile` para nada. Así que el bloque SSM
// ya no llega a la forma que no compilaba, y las pruebas del forward, del modelo
// de juguete y del proveedor con el modelo grande pasan con el 1 puesto.
//
// Pero el camino de `tile` sigue vivo para todo tipo SIN soporte de GEMM
// (Q4_K, Q2_K, Q5_K, Q6_K, IQ1_S, IQ2_XXS, F16…), y ahí `tile = 1` significa
// `z = tokens`: cada peso se vuelve a leer de memoria global UNA VEZ POR TOKEN
// del lote. Con el lote de 32 son 32 relecturas del tensor entero. No muerde en
// producción y es un acantilado silencioso para cualquier GGUF de terceros con
// un solo tensor grande en Q4_K.
//
// PENDIENTE, por orden de valor: (1) añadir Q4_K/Q2_K/Q5_K a `TIRADAS` para
// sacarlos de aquí —`blockElems` 256 es múltiplo de TK=32, así que encaja—;
// (2) arreglar la generación del shader para la forma del bloque SSM a tile=1;
// (3) escribir para esos tipos un kernel teselado propio.
const TILE_PREFILL = 1;
// Contexto compartido por todas las familias de operaciones del mismo device.
// Existe para tres cosas que solo se pueden hacer si alguien las coordina:
// agrupar todo un forward en UN submit, reciclar buffers entre tokens, y poder
// apagar los scopes de error en el bucle de decode.
function createContext(device, opts = {}) {
const cache = new Map();
const ctx = {
device,
pass: null, // no null ⇒ se está grabando un lote
debug: opts.debug !== false, // scopes de error: sí al arrancar, no al decodificar
uniforms: [], // buffers uniform prestados en el lote actual
uniformFree: [],
scratch: [],
scratchFree: new Map(), // tamaño → [buffers]
};
// Estado del PLAN (`__ELFFUSS_PLAN`, ver `abreLotePlan`). ctx._plan se fija
// al abrir cada lote y vuelve a false al cerrarlo: fuera de un lote todo va
// por el camino de siempre. `planStats` lo leen las pruebas.
ctx._plan = false;
ctx._ranura = 0;
ctx._ranuras = [];
ctx._bg = new WeakMap();
ctx._bgN = 0;
ctx._layouts = new WeakMap();
ctx._memoLote = null;
ctx._nPozo = 0;
// Lo más grande que puede medir un buffer del pozo que se enlaza entero (ver
// `tallaGruesa`). Sin límites declarados (algún doble de pruebas), sin tope.
ctx._topeTalla = Math.min(device.limits?.maxBufferSize ?? Infinity,
device.limits?.maxStorageBufferBindingSize ?? Infinity);
ctx.planStats = { bindGroups: 0, bindGroupsReusados: 0, escrituras: 0, escriturasAhorradas: 0 };
// `code` puede ser el WGSL o una FUNCIÓN que lo construya. La diferencia no es
// de estilo: con la cadena, el argumento se evalúa ANTES de entrar aquí, así
// que el acierto de caché de la primera línea llegaba tarde — el shader se
// reconstruía entero en cada operación, miles de veces por pasada, para
// tirarlo acto seguido. Con la función, el WGSL solo se arma cuando de verdad
// hay que compilarlo. Se admiten las dos formas: hay llamadas que ya traen la
// cadena hecha y no tiene sentido envolverlas.
const compila = async function (key, code) {
if (cache.has(key)) return cache.get(key);
const p = await guard(device, 'compilar ' + key, async () => {
const module = device.createShaderModule({ label: key, code: typeof code === 'function' ? code() : code });
const info = await module.getCompilationInfo?.();
const errs = (info?.messages || []).filter(m => m.type === 'error');
if (errs.length) {
throw new Error(errs.map(m => `${key}:${m.lineNum}:${m.linePos} ${m.message}`).join('\n'));
}
return await device.createComputePipelineAsync({
label: key, layout: 'auto', compute: { module, entryPoint: 'main' },
});
}, true);
cache.set(key, p);
return p;
};
// Con PLAN y el pipeline ya compilado se devuelve TAL CUAL, sin envolverlo en
// una promesa: quien llama hace `await` igual y se ahorra la promesa y la
// función asíncrona por despacho. Sin PLAN, exactamente lo de siempre.
ctx.pipeline = function (key, code) {
if (ctx._plan) { const p = cache.get(key); if (p !== undefined) return p; }
return compila(key, code);
};
// Solo DIAGNOSTICO: las claves de pipeline ya compiladas. Existe porque el modo
// de fallo mas caro de este repo es que dos ramas de un A/B compartan pipeline
// —el A/B sale x1,00 y se lee como «no hay ganancia» cuando lo que hay es una
// clave incompleta— y desde un test no habia forma de verlo. No toca el camino
// de ejecucion: es un lector de las claves del cache.
ctx.claves = () => [...cache.keys()];
// Un uniform por operación, SIEMPRE: reutilizar uno dentro del mismo lote
// sería una carrera silenciosa. queue.writeBuffer se ordena contra el submit,
// así que la segunda escritura pisaría a la primera antes de que el
// dispositivo ejecute ninguna de las dos. Se reciclan entre lotes, no dentro.
ctx.uniform = function (arrays) {
if (ctx.pass !== null && ctx._plan) return uniformePlan(ctx, arrays);
const bytes = arrays.reduce((n, a) => n + a.byteLength, 0);
const size = Math.max(16, Math.ceil(bytes / 16) * 16);
let buf = ctx.uniformFree.pop();
if (!buf || buf.size < size) {
if (buf) buf.destroy();
buf = device.createBuffer({
label: 'params', size: Math.max(size, 64),
usage: GPUBufferUsage.UNIFORM | GPUBufferUsage.COPY_DST,
});
}
let off = 0;
for (const a of arrays) { device.queue.writeBuffer(buf, off, a); off += a.byteLength; }
ctx.uniforms.push(buf);
return buf;
};
// Buffers de trabajo reciclables. Un forward crea cientos de tensores
// intermedios; sin reciclado se asignan y liberan cientos de buffers por
// token, que es trabajo del driver por nada.
// El pico de memoria prestada SIN reciclar. No es decoración: el pozo solo se
// vacía al terminar un token, así que dentro de un prefill de N tokens se
// acumulan todos los intermedios de todas las capas, y cada uno escala con N.
// Sin este número, «cuánta memoria del dispositivo pide esto» era una suposición.
ctx.picoBytes = 0;
ctx.vivosBytes = 0;
// MARCA DE REPARTO. Cada vez que el pozo entrega un buffer —nuevo o
// reciclado— le pone un número distinto. Sirve para que quien quiera
// memorizar algo DERIVADO de un buffer tenga una clave que no se pueda alias:
// indexar por el buffer en sí es inseguro porque el que fue una activación
// puede ser otra distinta más adelante en el mismo forward, y entonces la
// memoria devuelve lo que calculó para la anterior. No falla, no avisa, y el
// modelo dice ruido. Con la marca, un buffer reciclado es un valor nuevo.
let reparto = 0;
ctx.marcaDe = new WeakMap();
ctx.alloc = function (bytes, label) {
const size = ctx._plan && TALLA_GRUESA.has(label) ? tallaGruesa(bytes, ctx._topeTalla) : Math.max(4, Math.ceil(bytes / 256) * 256);
const free = ctx.scratchFree.get(size);
let buf = free && free.pop();
if (!buf) buf = device.createBuffer({ label, size, usage: storageUsage() });
ctx.marcaDe.set(buf, ++reparto);
ctx.scratch.push({ buf, size });
ctx.vivosBytes += size;
if (ctx.vivosBytes > ctx.picoBytes) ctx.picoBytes = ctx.vivosBytes;
return buf;
};
// Devuelve al pozo todo lo prestado. Lo llama el modelo al terminar un token.
ctx.recycle = function () {
for (const b of ctx.uniforms) ctx.uniformFree.push(b);
ctx.uniforms = [];
for (const { buf, size } of ctx.scratch) {
if (!ctx.scratchFree.has(size)) ctx.scratchFree.set(size, []);
ctx.scratchFree.get(size).push(buf);
}
ctx.scratch = [];
ctx.vivosBytes = 0;
if (globalThis.__ELFFUSS_PLAN === true) ordenaPozo(ctx);
};
// Devuelve al pozo lo prestado A PARTIR de una marca, salvo los buffers que
// siguen vivos. Sirve para reciclar ENTRE CAPAS sin esperar al final del
// forward: los intermedios de la capa N están muertos en cuanto la capa N ha
// producido su salida, y guardarlos hasta el final hacía que el pico creciera
// con el número de capas Y con el de tokens a la vez (lineal en los dos, sin
// techo).
//
// Es seguro DENTRO de una misma pasada de cómputo: WebGPU garantiza que los
// despachos de una pasada se ejecutan en orden y ven lo que escribieron los
// anteriores, así que reutilizar un buffer en la capa N+1 ocurre después de
// que la capa N lo haya leído. Lo que NO sería seguro es reciclar entre
// envíos distintos sin sincronizar.
ctx.recycleDesde = function (marca, ...vivos) {
const guardar = new Set(vivos);
const quedan = [];
for (let i = marca; i < ctx.scratch.length; i++) {
const e = ctx.scratch[i];
if (guardar.has(e.buf)) { quedan.push(e); continue; }
if (!ctx.scratchFree.has(e.size)) ctx.scratchFree.set(e.size, []);
ctx.scratchFree.get(e.size).push(e.buf);
ctx.vivosBytes -= e.size;
}
ctx.scratch.length = marca;
for (const e of quedan) ctx.scratch.push(e);
};
// Agrupa todo lo que ocurra dentro en UN command encoder y UN submit. Con ~423
// operaciones por token, hacerlo por operación son ~423 sincronizaciones por
// token en vez de una, y eso es coste puro de coordinación.
ctx.batch = async function (label, fn) {
if (ctx.pass) return await fn(); // ya estamos dentro de un lote
if (ctx.profile) return await fn(); // perfilando: cada despacho lleva su propio pass
if (ctx.debug) { device.pushErrorScope('validation'); }
ctx._label = label;
abreLotePlan(ctx);
ctx._enc = device.createCommandEncoder({ label });
ctx.pass = ctx._enc.beginComputePass(ctx._descPase(label));
let out;
try { out = await fn(); } finally {
ctx.pass.end();
ctx.pass = null;
device.queue.submit([ctx._enc.finish()]);
ctx._enc = null;
ctx._plan = false;
ctx._memoLote = null;
}
if (ctx.debug) {
const err = await device.popErrorScope();
if (err) throw new Error(`[${label}] ${err.constructor.name}: ${err.message}`);
}
return out;
};
// Cierra el command buffer en curso, lo ENVÍA, y abre otro — para que un
// forward largo NO sea un único despacho larguísimo que monopoliza el
// dispositivo. Troceado en varios, el dispositivo queda libre un instante entre
// ellos y el compositor del sistema puede pintar. Sin eso, un prefill largo
// deja al compositor sin pintar dentro del plazo de su vigilante, y el sistema
// puede matar la sesión gráfica. Todos los sistemas tienen un vigilante así,
// con distinto nombre y distinto plazo.
// NO cambia la numérica: el orden de la cola
// garantiza que los despachos se ejecutan igual, solo que en varias tandas.
// Solo actúa dentro de un batch (si no hay pass abierto, no hace nada).
ctx.corta = function () {
if (!ctx.pass) return;
ctx.pass.end();
device.queue.submit([ctx._enc.finish()]);
ctx._enc = device.createCommandEncoder({ label: ctx._label });
ctx.pass = ctx._enc.beginComputePass(ctx._descPase(ctx._label));
};
// ── Perfilado por PASE, con el agrupado INTACTO (solo para medir) ───────────
// El perfilador por despacho de abajo tiene dos límites que lo inhabilitan
// para el prefill:
// · topa en 2048 operaciones, y una sola pasada del 27B son 1652 despachos:
// el prefill de 316 tokens (16.520) no cabe ni de lejos, y pasado el tope
// los despachos se ejecutan SIN contarse;
// · rompe el agrupado — `ctx.batch` se rinde cuando está puesto — así que lo
// que mide ya no es la configuración que corre en producción.
// Esto marca los pases que `ctx.batch` y `ctx.corta` ya crean de todas formas
// (uno por capa): mismo agrupado, mismo número de submits, mismo troceado. Un
// prefill de 316 tokens son 10 pasadas × 65 pases = 650 marcas, y cabe entero.
// Es la única medida cuya suma se puede comparar con el reloj de pared.
ctx.pases = null;
ctx.perfilarPases = function (maxPases = 2048) {
maxPases = Math.min(maxPases, 2048); // el device admite 4096 queries
const querySet = device.createQuerySet({ type: 'timestamp', count: maxPases * 2 });
const resolve = device.createBuffer({ size: maxPases * 2 * 8, usage: GPUBufferUsage.QUERY_RESOLVE | GPUBufferUsage.COPY_SRC });
const read = device.createBuffer({ size: maxPases * 2 * 8, usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ });
ctx.pases = { querySet, resolve, read, i: 0, vistos: 0, max: maxPases };
};
// El descriptor del pass vive en UN SOLO SITIO y lo llaman `batch` y `corta`.
// Si la decisión de «este pass lleva marca» estuviera escrita en los dos, un
// día discreparían y la mitad de los pases saldría sin medir sin un solo error.
ctx._descPase = function (label) {
const pf = ctx.pases;
if (!pf) return { label };
pf.vistos++; // se cuenta SIEMPRE, quepa o no
if (pf.i >= pf.max) return { label }; // el hueco no se oculta: sale en `omitidos`
const idx = pf.i++;
return { label, timestampWrites: { querySet: pf.querySet,
beginningOfPassWriteIndex: idx * 2, endOfPassWriteIndex: idx * 2 + 1 } };
};
ctx.finProfilePases = async function () {
const pf = ctx.pases; if (!pf) return { total: 0, pases: [], vistos: 0, omitidos: 0 };
await device.queue.onSubmittedWorkDone();
const n = Math.min(pf.i, pf.max);
const enc = device.createCommandEncoder();
enc.resolveQuerySet(pf.querySet, 0, n * 2, pf.resolve, 0);
enc.copyBufferToBuffer(pf.resolve, 0, pf.read, 0, n * 2 * 8);
device.queue.submit([enc.finish()]);
await pf.read.mapAsync(GPUMapMode.READ);
const ts = new BigUint64Array(pf.read.getMappedRange().slice(0));
pf.read.unmap();
const pases = [];
let total = 0;
for (let k = 0; k < n; k++) {
const dt = Number(ts[2 * k + 1] - ts[2 * k]); // nanosegundos
pases.push(dt); total += dt;
}
ctx.pases = null;
try { pf.querySet.destroy(); pf.resolve.destroy(); pf.read.destroy(); } catch { /* — */ }
return { total, pases, vistos: pf.vistos, omitidos: pf.vistos - n };
};
// ── Perfilado por despacho con timestamp-query (solo para medir) ────────────
// Con esto activo, cada despacho corre en su PROPIO pass con marcas de tiempo
// del dispositivo al principio y al final, y `finProfile()` devuelve los nanosegundos
// sumados por etiqueta. No es el modo normal (rompe el batching), pero es la
// única forma de saber QUÉ kernel se come el tiempo en vez de adivinarlo.
ctx.profile = null;
// `desde` salta los primeros N despachos SIN medirlos, para poder cubrir una
// pasada que no cabe en un solo juego de marcas. El tope de 2048 no es una
// elección: un query set admite 4096 marcas y cada despacho gasta dos. Una
// pasada del 27B son 2.053 despachos, o sea que se queda a cinco de caber, y
// sin esto el reparto de ese modelo era sencillamente inobtenible.
//
// Dos pasadas con `desde` distinto miden la MISMA secuencia porque el forward
// es determinista: el despacho número k es el mismo en las dos. Lo que no se
// puede es sumar sus TIEMPOS como si fueran una sola pasada —cada una es una
// tanda distinta, con sus propias condiciones—, así que quien las junte tiene
// que decir que son dos tandas.
ctx.perfilar = function (maxOps = 2000, desde = 0) {
maxOps = Math.min(maxOps, 2048); // tope: el device admite 4096 queries = 2048 ops×2
const querySet = device.createQuerySet({ type: 'timestamp', count: maxOps * 2 });
const resolve = device.createBuffer({ size: maxOps * 2 * 8, usage: GPUBufferUsage.QUERY_RESOLVE | GPUBufferUsage.COPY_SRC });
const read = device.createBuffer({ size: maxOps * 2 * 8, usage: GPUBufferUsage.COPY_DST | GPUBufferUsage.MAP_READ });
ctx.profile = { querySet, resolve, read, i: 0, vistos: 0, labels: [], max: maxOps, desde };
};
ctx.finProfile = async function () {
const pf = ctx.profile; if (!pf) return { total: 0, porLabel: [] };
await device.queue.onSubmittedWorkDone();
const n = Math.min(pf.i, pf.max);
const enc = device.createCommandEncoder();
enc.resolveQuerySet(pf.querySet, 0, n * 2, pf.resolve, 0);
enc.copyBufferToBuffer(pf.resolve, 0, pf.read, 0, n * 2 * 8);
device.queue.submit([enc.finish()]);
await pf.read.mapAsync(GPUMapMode.READ);
const ts = new BigUint64Array(pf.read.getMappedRange().slice(0));
pf.read.unmap();
const acum = new Map(), veces = new Map();
let total = 0;
for (let k = 0; k < n; k++) {
const dt = Number(ts[2 * k + 1] - ts[2 * k]); // nanosegundos
const lab = pf.labels[k];
acum.set(lab, (acum.get(lab) || 0) + dt);
veces.set(lab, (veces.get(lab) || 0) + 1);
total += dt;
}
ctx.profile = null;
try { pf.querySet.destroy(); pf.resolve.destroy(); pf.read.destroy(); } catch { /* — */ }
const porLabel = [...acum.entries()]
.map(([lab, ns]) => ({ lab, ns, veces: veces.get(lab) }))
.sort((a, b) => b.ns - a.ns);
// `omitidos` son los que esta tanda NO midió, por cualquier razón. `saltados`
// dice cuántos de ellos fueron a propósito (los de antes de `desde`), para
// que quien junte dos tandas pueda distinguir «esto lo cubre la otra» de
// «esto no lo cubre nadie». Sin esa distinción, un reparto incompleto se
// lee igual que uno completo.
const desde = pf.desde || 0;
const saltados = Math.min(desde, pf.vistos);
return { total, porLabel, vistos: pf.vistos, desde, saltados,
omitidos: pf.vistos - n, sinCubrir: pf.vistos - n - saltados };
};
return ctx;
}
// ── PLAN: lo que se repite token a token se prepara una vez ────────────────
// (`__ELFFUSS_PLAN`). Un token de generación graba los mismos ~550 despachos
// sobre los mismos pesos, normas, caché y estado, y sobre los mismos
// intermedios si el pozo los entrega en el mismo orden. Aun así cada despacho
// pagaba un `getBindGroupLayout` nuevo, un `createBindGroup` nuevo y una
// escritura de uniformes, aunque fueran los mismos bytes que en el token
// anterior. Tres piezas, las tres solo DENTRO de un lote (`ctx.batch`), que es
// donde el orden de las operaciones se repite:
// · RANURAS DE UNIFORMES: la n-ésima llamada a `ctx.uniform` del lote usa
// siempre el mismo buffer y solo se escribe si sus bytes cambian (en
// generación, las posiciones y nKv de la atención). Sigue siendo un buffer
// por operación dentro del lote, que es lo que evita la carrera de dos
// escrituras antes del mismo envío. Entre lotes la escritura va ordenada
// en la cola DETRÁS de lo ya enviado: el token anterior, aunque siga en
// vuelo, lee lo suyo.
// · CACHÉ DE BIND GROUPS por (pipeline, buffers), con el layout de cada
// pipeline pedido una sola vez.
// · POZO EN ORDEN CANÓNICO: al reciclar se ordena cada lista de libres. Así
// cada token empieza con el mismo pozo y pide los mismos buffers en el
// mismo orden; sin eso el reparto se permuta de un token a otro y la caché
// de bind groups acertaría solo a ratos.
// Nada de esto toca shaders ni despachos: los mismos pipelines, la misma
// rejilla y los mismos bytes en cada uniforme. Cambia QUÉ buffer físico sale
// del pozo, y la numérica no depende de eso. Supone que los interruptores no
// cambian A MITAD de un lote (se cambian entre forwards).
function abreLotePlan(ctx) {
ctx._plan = globalThis.__ELFFUSS_PLAN === true;
ctx._ranura = 0;
ctx._memoLote = ctx._plan ? new Map() : null;
}
// Tope de bind groups guardados. Un prefill con un último lote de largo nuevo
// crea los suyos; sin tope, una sesión larga los acumularía sin fin.
const BG_TOPE = 1 << 15;
// Los intermedios de la atención que CRECEN con el contexto (puntuaciones,
// probabilidades, parciales de la combinación). Con tallas de 256 B el de las
// puntuaciones cambia de talla cada pocos tokens: buffer nuevo, bind groups
// nuevos, y el viejo se queda en el pozo para siempre (el pozo no suelta
// nada), así que lo muerto crece con el CUADRADO del contexto. Con PLAN estos
// tres van en escalones geométricos de 1/8 de octava (como mucho un 12,5 % de
// holgura): la talla cambia cada vez menos a menudo y lo que queda muerto está
// acotado. Solo estos tres porque nadie lee su `.size` (los consumen los
// kernels de la atención, que no miran la longitud del buffer); un buffer que
// sale a quien llama, como los logits, conserva su talla exacta.
// LA REGLA de la que depende la exactitud: se enlazan ENTEROS, así que el
// shader ve un buffer más largo que sin PLAN. Da lo mismo mientras ningún
// kernel que los lea use `arrayLength` ni lea más allá de lo pedido (hoy todos
// acotan con nKv o con el número de bloques). Un kernel nuevo que lea uno de
// estos tiene que cumplirla, o su etiqueta tiene que salir de aquí. Una prueba
// sin dispositivo revisa el WGSL de todo pipeline que enlaza uno de ellos en
// los modelos de juguete.
const TALLA_GRUESA = new Set(['scores', 'softmax.out', 'attn.parc']);
// `tope`: lo más grande que admite el dispositivo para un buffer que se enlaza
// entero (el menor de `maxBufferSize` y `maxStorageBufferBindingSize`). El
// escalón nunca pasa de la siguiente potencia de dos, así que con límites que
// lo son, si cabe la talla exacta cabe el escalón. Pero hay límites que NO son
// potencia de dos, y con ellos una talla que cabe podría subir a un escalón
// que no: buffer o bind group inválidos y, sin ámbito de error, unos logits
// equivocados sin un aviso. Ahí va la talla exacta, como sin PLAN.
function tallaGruesa(bytes, tope = Infinity) {
const b = Math.max(256, Math.ceil(bytes / 256) * 256);
if (b <= 4096) return b;
const e = (b < 2 ** 31 ? 31 - Math.clz32(b) : Math.floor(Math.log2(b))) - 3; // b ∈ [8·2^e, 16·2^e)
const paso = 2 ** e;
const g = Math.ceil(b / paso) * paso;
return g <= tope ? g : b;
}
function despachaPlan(ctx, pipe, buffers, x, y, z) {
const st = ctx.planStats;
if (ctx._bgN >= BG_TOPE) { ctx._bg = new WeakMap(); ctx._bgN = 0; }
// Un árbol de WeakMaps: pipeline → buffer 0 → buffer 1 → … → bind group. Sin
// claves de texto que armar en cada despacho, y lo que deje de existir se va
// solo.
let nodo = ctx._bg.get(pipe);
if (nodo === undefined) { nodo = { m: null, bg: null }; ctx._bg.set(pipe, nodo); }
for (let i = 0; i < buffers.length; i++) {
if (nodo.m === null) nodo.m = new WeakMap();
let h = nodo.m.get(buffers[i]);
if (h === undefined) { h = { m: null, bg: null }; nodo.m.set(buffers[i], h); }
nodo = h;
}
let bg = nodo.bg;
if (bg === null) {
let layout = ctx._layouts.get(pipe);
if (layout === undefined) { layout = pipe.getBindGroupLayout(0); ctx._layouts.set(pipe, layout); }
bg = ctx.device.createBindGroup({
layout, entries: buffers.map((buffer, binding) => ({ binding, resource: { buffer } })),
});
nodo.bg = bg;
ctx._bgN++;
st.bindGroups++;
} else {
st.bindGroupsReusados++;
}
const pass = ctx.pass;
pass.setPipeline(pipe);
pass.setBindGroup(0, bg);
pass.dispatchWorkgroups(x, y, z);
}
// La ranura de uniformes de esta llamada. Se compara con lo que la ranura YA
// tiene (una copia en CPU de lo último escrito) y solo se escribe si cambia.
function uniformePlan(ctx, arrays) {
const device = ctx.device, st = ctx.planStats;
const i = ctx._ranura++;
let bytes = 0;
for (let j = 0; j < arrays.length; j++) bytes += arrays[j].byteLength;
const size = Math.max(16, Math.ceil(bytes / 16) * 16);
let r = ctx._ranuras[i];
if (r === undefined || r.buf.size < size) {
if (r !== undefined) r.buf.destroy();
const cap = Math.max(size, 64);
const sombra = new ArrayBuffer(cap);
r = {
buf: device.createBuffer({
label: 'params', size: cap, usage: GPUBufferUsage.UNIFORM | GPUBufferUsage.COPY_DST,
}),
u32: new Uint32Array(sombra), i32: new Int32Array(sombra), f32: new Float32Array(sombra),
bytes: -1, // -1: lo que hay en el buffer no se sabe
};
ctx._ranuras[i] = r;
}
if (r.bytes === bytes && mismosBytes(r, arrays)) {
st.escriturasAhorradas += arrays.length;
return r.buf;
}
// Cambió: a la sombra y al dispositivo de UNA vez (los mismos bytes que
// escribían las llamadas sueltas, en los mismos sitios).
let off = 0, sabido = true;
for (let j = 0; j < arrays.length && sabido; j++) {
sabido = copiaSombra(r, off >> 2, arrays[j]);
off += arrays[j].byteLength;
}
if (sabido) {
device.queue.writeBuffer(r.buf, 0, r.u32, 0, bytes >> 2);
r.bytes = bytes;
st.escrituras++;
} else {
off = 0;
for (let j = 0; j < arrays.length; j++) { device.queue.writeBuffer(r.buf, off, arrays[j]); off += arrays[j].byteLength; }
r.bytes = -1;
st.escrituras += arrays.length;
}
return r.buf;
}
// ¿Son los mismos BITS? Para f32, Object.is distingue −0 de +0; un NaN se da
// por distinto y se reescribe. Un tipo que no se conoce, también.
function mismosBytes(r, arrays) {
let w = 0;
for (let j = 0; j < arrays.length; j++) {
const a = arrays[j], n = a.length;
if (a instanceof Uint32Array) {
for (let q = 0; q < n; q++) if (r.u32[w + q] !== a[q]) return false;
} else if (a instanceof Int32Array) {
for (let q = 0; q < n; q++) if (r.i32[w + q] !== a[q]) return false;
} else if (a instanceof Float32Array) {
for (let q = 0; q < n; q++) { const v = a[q]; if (v !== v || !Object.is(r.f32[w + q], v)) return false; }
} else {
return false;
}
w += n;
}
return true;
}
function copiaSombra(r, w, a) {
if (a instanceof Uint32Array) r.u32.set(a, w);
else if (a instanceof Int32Array) r.i32.set(a, w);
else if (a instanceof Float32Array) r.f32.set(a, w);
else return false;
return true;
}
// Orden canónico del pozo: por el orden en que cada buffer se vio por primera
// vez. Cualquier orden FIJO sirve; lo que importa es que no dependa del token.
function ordenaPozo(ctx) {
const ids = ctx._idPozo || (ctx._idPozo = new WeakMap());
const id = (b) => {
let v = ids.get(b);
if (v === undefined) { v = ++ctx._nPozo; ids.set(b, v); }
return v;
};
for (const lista of ctx.scratchFree.values()) {
for (const b of lista) id(b);
if (lista.length > 1) lista.sort((a, b) => ids.get(a) - ids.get(b));
}
}
// Graba un despacho. Dentro de un lote solo apunta; fuera, abre y cierra su
// propio encoder para que las llamadas sueltas de los tests sigan funcionando.
async function dispatch(ctx, label, pipe, buffers, x, y = 1, z = 1) {
if (ctx.pass !== null && ctx._plan) { despachaPlan(ctx, pipe, buffers, x, y, z); return; }
const device = ctx.device;
const record = (pass) => {
const bg = device.createBindGroup({
layout: pipe.getBindGroupLayout(0),
entries: buffers.map((buffer, binding) => ({ binding, resource: { buffer } })),
});
pass.setPipeline(pipe);
pass.setBindGroup(0, bg);
pass.dispatchWorkgroups(x, y, z);
};
if (ctx.pass) { record(ctx.pass); return; }
// Se cuentan TODOS los despachos que ve el perfilador, quepan o no. Sin esto,
// pasado el tope el despacho cae al camino normal y se ejecuta SIN contarse:
// la etiqueta que desborda sale BARATA, que es la peor forma de mentir que
// puede tener un instrumento. Con `vistos`, `finProfile` devuelve `omitidos` y
// el banco puede negarse a publicar un reparto truncado.
if (ctx.profile) ctx.profile.vistos++;
// Perfilado: cada despacho en su pass con marcas de tiempo del dispositivo. Los que
// caen antes de `desde` se ejecutan por el camino normal SIN medirse: es lo
// que permite cubrir una pasada más larga que el juego de marcas en dos
// tandas. `vistos` ya los ha contado, así que el hueco sigue siendo visible.
if (ctx.profile && ctx.profile.vistos > (ctx.profile.desde || 0)
&& ctx.profile.i < ctx.profile.max) {
const pf = ctx.profile;
const idx = pf.i++;
pf.labels.push(label);
const enc = device.createCommandEncoder({ label });
const pass = enc.beginComputePass({ timestampWrites: {
querySet: pf.querySet, beginningOfPassWriteIndex: idx * 2, endOfPassWriteIndex: idx * 2 + 1 } });
record(pass);
pass.end();
device.queue.submit([enc.finish()]);
return;
}
await guard(device, label, async () => {
const enc = device.createCommandEncoder({ label });
const pass = enc.beginComputePass();
record(pass);
pass.end();
device.queue.submit([enc.finish()]);
}, ctx.debug);
}
// Reparte `rows` en dos ejes cuando pasan del tope. El shader recompone con
// row = wid.x + wid.y * DISPATCH_MAX.
// Una fila por workgroup, repartiendo en dos ejes si hacen falta.
async function dispatchRows(ctx, label, pipe, buffers, rows) {
const [x, y] = rowsToDims(rows);
return dispatch(ctx, label, pipe, buffers, x, y, 1);
}
// N workgroups planos (operaciones elemento a elemento).
async function dispatchN(ctx, label, pipe, buffers, groups) {
const [x, y] = rowsToDims(groups);
return dispatch(ctx, label, pipe, buffers, x, y, 1);
}
// Tres ejes tal cual, para los kernels cuya rejilla ES tridimensional y no un
// contador plano disfrazado. El combine partido reparte (trozo, cabeza KV,
// token), y aplanarlo obligaría al shader a deshacer la cuenta con divisiones
// que el despacho ya sabe hacer gratis. Se comprueba cada eje contra el tope:
// pasarse NO lanza en WebGPU, invalida el command buffer y el pase se ejecuta
// sin hacer nada — ya pasó en un banco, que devolvió Infinity sin un error.
async function dispatchXYZ(ctx, label, pipe, buffers, x, y, z) {
if (x > DISPATCH_MAX || y > DISPATCH_MAX || z > DISPATCH_MAX) {
throw new Error(`${label}: la rejilla ${x}x${y}x${z} pasa del tope de ${DISPATCH_MAX} por eje`);
}
return dispatch(ctx, label, pipe, buffers, x, y, z);
}
function rowsToDims(rows) {
return rows <= DISPATCH_MAX
? [rows, 1]
: [DISPATCH_MAX, Math.ceil(rows / DISPATCH_MAX)];
}
// ── Operaciones sobre pesos cuantizados ─────────────────────────────────────
// Seis tipos con el MISMO andamio de shader (ver kernels.wgsl.js): aquí solo se
// eligen el pipeline, el tamaño de bloque y, si el tipo lo pide, la rejilla.
export function createQuantOps(device, opts = {}) {
const wgQ8 = opts.workgroupSize || 64;
// Ancho de subgrupo del dispositivo (0 = sin subgrupos o tamaño variable). Si
// lo hay, el matmul reduce con `subgroupAdd` en vez de con barreras.
const sgSize = opts.subgroupSize || 0;
const ctx = opts.ctx || createContext(device, opts);
const get = ctx.pipeline;
// GEMV nuevos del decode (`__ELFFUSS_GEMV2`, apagado por defecto). Comparten
// contexto y despachador con todo lo demás; ver ops.gemv.js.
const gemv = createGemvOps(device, { ctx, subgroupSize: sgSize,
despacha: (label, pipe, bufs, x, y, z) => dispatch(ctx, label, pipe, bufs, x, y, z),
// La comprobación de los búferes reordenados (`compruebaBufferR`, de
// repack.js) se le pasa si este fichero la importa: así el GEMV nuevo acepta
// exactamente los búferes que acepta el camino de siempre. `typeof` deja
// nombrarla sin que el import exista todavía.
compruebaR: typeof compruebaBufferR === 'function' ? compruebaBufferR : null });
// Solo cierra sobre el contexto: crearlo no despacha nada ni reserva búferes.
const gemm2 = createGemm2Ops(ctx, { dispatch, dispatchXYZ, dispatchN });
const info = (type) => {
const i = QUANT_TYPES[type];
if (!i) throw new Error(`tipo de cuantización no soportado: «${type}»`);
return i;
};
// Hilos por fila. Cada hilo se come un bloque entero, así que con bloques de
// 256 pesos una fila de 5.120 son 20 bloques: con 64 hilos, 44 se quedarían
// mirando. Se baja a la potencia de dos que cubre los bloques que hay.
//
// Q8_0 se queda clavado en su tamaño de siempre a propósito: es el kernel del
// bucle de decode y está medido así. Cambiarlo sin volver a medirlo sería
// adivinar.
// Q8_0R (Q8_0 reordenado al cargar) va con Q8_0: el mismo ancho reparte
// la suma igual, y sin eso dejaría de ser idéntico bit a bit a su origen.
const threadsFor = (type, bpr) => (type === 'Q8_0' || type === 'Q8_0R')
? wgQ8
: Math.min(64, Math.max(4, 2 ** Math.ceil(Math.log2(Math.max(1, bpr)))));
// Las rejillas de IQ1_S/IQ2_XXS se suben UNA vez por contexto y solo si algún
// tensor las pide: son tablas que un modelo todo-Q8_0 no tiene por qué
// descargar siquiera, de ahí el import dinámico.
const tables = new Map();
async function tableBuf(name) {
if (tables.has(name)) return tables.get(name);
const mod = await import('./quant-tables.js');
// Sin caso por defecto, un nombre de tabla NUEVO recibiría en silencio la
// rejilla de IQ2_XXS: mismo layout de bind group, sin error, y lecturas fuera
// de rango acotadas a cero. Un modelo entero saldría mal sin una sola traza.
const GRIDS = { IQ1S: mod.IQ1S_GRID, IQ2XXS: mod.IQ2XXS_GRID };
const data = GRIDS[name];
if (!data) throw new Error(`rejilla desconocida: «${name}»`);
const buf = device.createBuffer({
label: 'grid_' + name, size: data.byteLength,
usage: GPUBufferUsage.STORAGE | GPUBufferUsage.COPY_DST,
});
device.queue.writeBuffer(buf, 0, data);
tables.set(name, buf);
return buf;
}
return {
// Descuantiza un tensor completo a f32. No se usa en el forward — ahí
// descuantiza el propio matmul, sin materializar nada. Existe porque es el
// kernel que permite comparar peso a peso contra la referencia de CPU, que
// es donde se caza una descodificación mal hecha.
async dequant(type, wBuf, nBlocks) {
const i = info(type);
if (TIPOS_R.has(type)) compruebaBufferR(type, wBuf, { bloques: nBlocks }, 'dequant');
const p = await get(`dequant_${type}`, () => dequantShader(type, wgQ8));
const out = ctx.alloc(nBlocks * i.blockElems * 4, 'dequant.out');
const params = ctx.uniform([new Uint32Array([nBlocks, 0, 0, 0])]);
const bufs = [wBuf, out, params];
if (i.table) bufs.push(await tableBuf(i.table));
await dispatchN(ctx, 'dequant', p, bufs, Math.ceil(nBlocks / wgQ8));
return out;
},
// Y = A·X con A cuantizada y X token-major (k contiguo por token).
// `tokens = 1` es el matvec del decode; más es el prefill.
async matmul(type, wBuf, xBuf, rows, k, tokens = 1) {
// GEMV nuevos (`__ELFFUSS_GEMV2`), de 1 a 3 tokens. Si no aplican al tipo,
// a la forma o al dispositivo devuelven null y sigue el camino de siempre.
const yGemv2 = globalThis.__ELFFUSS_GEMV2 === true && tokens <= 3
? await gemv.matmul(type, wBuf, xBuf, rows, k, tokens) : null;
if (yGemv2) return yGemv2;
// GEMV2 y GEMM2 se reparten tokens disjuntos: GEMV2 solo de 1 a 3 (arriba);
// GEMM2 desde DRIFT_DESDE (64 por defecto) o, con GEMM2_Q4, desde 4 (ver
// `planGemm2`). Solo se pisarían si alguien baja DRIFT_DESDE a mano por
// debajo de 4; entonces manda GEMV2, que es lo que ya pasaba con DRIFT
// (GEMV2 va antes que el resto de caminos de `matmul`).
// ── GEMM2 (ops.gemm2.js), APAGADO por defecto ──────────────────────────
// Va antes de todo porque también lee los tipos reordenados al cargar
// (Q8_0R, Q4_0R). Devuelve null cuando la forma no le toca, y entonces se
// sigue exactamente por el camino de siempre. Como va antes de la
// comprobación de los reordenados de aquí abajo, hace la suya
// (`compruebaBufferR`, la misma) y saca de la marca dónde empiezan las
// escalas: nunca del filas·bpr de la llamada.
if (globalThis.__ELFFUSS_GEMM2 === true) {
const y2 = await gemm2.matmul(type, wBuf, xBuf, rows, k, tokens);
if (y2) return y2;
}
const i = info(type);
if (k % i.blockElems !== 0) {
throw new Error(`matmul ${type}: k=${k} no es múltiplo de ${i.blockElems}`);
}
// Dos pipelines del MISMO shader: uno sin teselar para el decode (un
// token, teselar solo añadiría ramas muertas) y otro teselado para el
// prefill, donde el ahorro de relecturas de peso es todo el asunto.
const tile = tokens > 1
? Math.max(1, Math.min(32, (globalThis.__ELFFUSS_TILE | 0) || TILE_PREFILL))
: 1;
const bpr = k / i.blockElems;
// Reordenados: el buffer tiene que llevar la marca de su tensor y la
// llamada no puede salirse de él. Vale para los tres caminos de abajo.
if (TIPOS_R.has(type)) compruebaBufferR(type, wBuf, { bloques: rows * bpr }, 'matmul');
// ── Camino GEMM: una tesela en memoria compartida y el acumulador en
// registros. Es un sustituto del camino de abajo con el MISMO contrato de
// entrada y salida, no un modo aparte: lo único que cambia es cómo se
// reparte el trabajo. Opt-in mientras se mide.
// `TK` (el paso del bucle sobre k) ya NO es el bloque del tipo: se elige
// aparte, porque atarlo al formato hundía la ocupación en los tipos de
// bloque grande —PQ2_0 son 128— y dejaba fuera del barrido las formas de
// 256 hilos. El porqué entero está en `kernels.gemm.wgsl.js`.
const Fg = globalThis.__ELFFUSS_GEMM_FORMA || {};
const TKg = tkPara(type, Fg.TK);
const puedeGemm = soportaGemm(type, k, TKg);
// Un TK pedido A MANO que este tipo no sabe hacer tiene que LANZAR, no
// caerse en silencio al camino de siempre. Los otros cuatro números de la
// forma ya lanzan —los mira el constructor del shader—, pero TK lo mira
// `soportaGemm`, que devuelve un booleano: sin esto, el barrido mediría el
// matmul VIEJO y lo escribiría en la tabla como si fuera «GEMM con TK=64».
// Un número que no es lo que dice su etiqueta es peor que no tenerlo.
if (tokens > 1 && Fg.TK && !puedeGemm && TIPOS_GEMM.has(type)) {
throw new Error(`GEMM: TK=${Fg.TK} no vale para «${type}» ` +
`(bloque ${i.blockElems}, k=${k}): tiene que dividir al bloque y ser múltiplo de 4`);
}
// Por debajo de 4 tokens NI SIQUIERA la tesela estrecha alcanza al camino
// de uno en uno: medido en el modelo grande, con 2 tokens el viejo gana
// casi al doble, con 4 empatan y a partir de 8 el GEMM se despega. El
// cruce está en 4 y por eso el umbral es 4 y no «tokens > 1».
//
// No es un detalle: con 2 o 3 tokens se cae en cuanto hay un turno corto
// de conversación, que es de lo más frecuente que hace un chat.
// ── Camino DRIFT (ver kernels.drift.wgsl.js) ───────────────────────────
// Q8_0 con lote largo y f16 en el dispositivo: descuantizar la matriz a
// f16 en su disposición, pasar las activaciones a f16 y el GEMM sin
// memoria compartida. Desde DRIFT_DESDE tokens: por debajo el grupo de 64
// tokens queda medio vacío y la descuantización no se amortiza.
const DRIFT_DESDE = globalThis.__ELFFUSS_DRIFT_DESDE || 64;
if (tokens >= DRIFT_DESDE && DRIFT_TIPOS.has(type) && globalThis.__ELFFUSS_DRIFT !== false &&
device.features.has('shader-f16') && rows % 16 === 0 && k % 4 === 0) {
const ks4 = k / 4;
const pq = await get(`drift_deq_${type}`, () => driftDequantShader(type, 256));
const wh = ctx.alloc(rows * k * 2, 'drift.w');
const totalW = rows * ks4;
await dispatchN(ctx, `drift_deq:${type}:r${rows}`, pq,
[wBuf, wh, ctx.uniform([new Uint32Array([rows, k, bpr, totalW])])], Math.ceil(totalW / 256));
const px = await get('drift_x16', () => f32aF16Shader(256));
const xh = ctx.alloc(tokens * k * 2, 'drift.x');
const n4 = tokens * ks4;
await dispatchN(ctx, 'drift_x16', px, [xBuf, xh, ctx.uniform([new Uint32Array([n4, 0, 0, 0])])], Math.ceil(n4 / 256));
// Forma (tokens por hilo, hilos por grupo) ajustable para el barrido; va
// en la clave del pipeline para que cada forma compile la suya.
const TPT = globalThis.__ELFFUSS_DRIFT_TPT || DRIFT_TPT, TPW = globalThis.__ELFFUSS_DRIFT_TPW || DRIFT_TPW;
const pg = await get(`drift_gemm_${TPT}_${TPW}`, () => driftGemmShader(TPT, TPW));
const y = ctx.alloc(rows * tokens * 4, 'matmul.y');
const og = rows / 16;
await dispatchXYZ(ctx, `drift:${type}:r${rows}b${bpr}`, pg,
[wh, xh, y, ctx.uniform([new Uint32Array([ks4, rows, tokens, 0])])],
Math.ceil(tokens / (TPW * TPT)), Math.min(og, 65535), Math.ceil(og / 65535));
return y;
}
const GEMM_DESDE = 4;
if (tokens >= GEMM_DESDE && globalThis.__ELFFUSS_GEMM !== false && puedeGemm) {
// La forma de la tesela es ajustable para el barrido. Los CINCO números
// van en la clave del pipeline: si no fueran, dos formas compartirían el
// shader ya compilado y la tabla del barrido saldría plana — el modo de
// fallo que en este repo ya produjo una conclusión falsa. TK entró en la
// clave a la vez que dejó de venir dado por el tipo: sin él, barrer TK
// mediría cuatro veces el mismo shader.
// 2×4 en un grupo de 8×8 no es lo que usa ggml-webgpu (4×4): es lo que
// salió del barrido aquí. Menos filas por hilo = menos registros vivos =
// más ondas residentes, y eso pesa más que el reúso extra que daría un
// TM mayor. Medido x2,29 contra x1,55 de 4×4.
//
// El grupo de 16×8 —128 hilos— salió por delante en un barrido y se
// llevó una tanda propia para confirmarlo: empate. La ventaja era ruido.
// Se queda 8×8, que hace lo mismo con la mitad de hilos.
//
// Esa tanda deja además un aviso sobre cómo se lee esta tabla: el MISMO
// código no da la misma razón en dos tandas distintas. No solo derivan
// los tiempos: deriva la razón. Dos factores medidos en tandas distintas
// no se comparan entre sí, ni aunque los dos sean razones.
// ── La tesela se ESTRECHA cuando el lote es corto ──────────────────
// La tesela cubre `WGN·TN` columnas de token. Con 32 columnas y un
// lote de 4 tokens se calculan 32 y se tiran 28, así que un lote de 2
// costaba casi lo mismo que uno de 16 —medido en el modelo grande— y
// unas cinco veces lo que cuesta procesar un token solo.
//
// Eso convertía el GEMM en el camino LENTO justo donde más aparece: un
// prompt corto, un turno breve de conversación, o la ventana de una
// verificación. Medido, con 4 tokens: estrechar de 32 columnas a 4 lo
// deja casi en la mitad.
//
// Se elige por el número de tokens que de verdad hay. Las formas salen
// del mismo barrido que la ancha y todas respetan las guardas del
// constructor; la clave del pipeline ya lleva los cinco números, así
// que cada ancho compila el suyo y no se pisan.
// ⚠️ LA TESELA NO ES UNA PALANCA, y esta medido dos veces por si acaso.
//
// Se intento cambiar a 2x8 en 16x4 porque un barrido de matmuls
// AISLADOS con marcas de tiempo del dispositivo la daba x1,58 sobre esta.
// Dos cosas lo tumbaron:
//
// · el ganador del barrido CAMBIA entre pasadas — la segunda dio 2x4
// en 32x8 como mejor y la supuesta ganadora bajo a x1,12—, o sea
// que el x1,58 era ruido. El tiempo de un matmul medido en AISLADO
// se mueve demasiado entre pasadas, con el mismo tensor y los mismos
// tokens: solo un A/B en la misma sesion sobre el forward completo
// decide algo.
// · en el PREFILL COMPLETO, con las dos teselas en la MISMA sesion y
// emparejado, el efecto es x1,03. Nada.
//
// O sea que el barrido de teselas viejo
// tenia razon, aunque midiera con reloj de pared y con una premisa
// equivocada sobre el peso del matmul: su conclusion se sostiene.
//
// Y de paso queda descartada mi hipotesis de que lo que limita el bucle
// interno son las lecturas de memoria compartida por operacion: el
// orden por tiempo no coincide en NI UNA posicion con el orden por esa
// razon, y la forma con menos lecturas por operacion es de las mas
// lentas.
const anchoTesela = (n) => (n <= 4 ? { TM: 2, TN: 1, WGM: 16, WGN: 4 }
: n <= 8 ? { TM: 2, TN: 1, WGM: 8, WGN: 8 }
: n <= 16 ? { TM: 2, TN: 2, WGM: 8, WGN: 8 }
: { TM: 2, TN: 4, WGM: 8, WGN: 8 });
const A = anchoTesela(tokens);
const G = {
TM: Fg.TM || A.TM, TN: Fg.TN || A.TN, WGM: Fg.WGM || A.WGM, WGN: Fg.WGN || A.WGN, TK: TKg,
// El tope real del dispositivo, no un 32768 supuesto: así una forma que
// no cabe se RECHAZA con un mensaje que dice cuánto pedía, en vez de
// reventar la validación de WebGPU con un texto genérico.
maxCompartida: device.limits.maxComputeWorkgroupStorageSize,
};
const FILAS_WG = G.WGM * G.TM, TOKS_WG = G.WGN * G.TN;
// El relleno de la tesela ENTRA EN LA CLAVE. Es una constante del
// shader: sin ella en la clave, cambiar `__ELFFUSS_PAD_TESELA` en
// caliente devolvería el pipeline ya compilado con el valor viejo, y un
// A/B mediría el MISMO shader dos veces creyendo medir dos. Vale para
// cualquier interruptor que cambie el WGSL generado.
const pad = globalThis.__ELFFUSS_PAD_TESELA === 1 ? 1 : 0;
const llano = globalThis.__ELFFUSS_GEMM_PLANO === true ? 1 : 0;
const pg = await get(`gemm_${type}_${G.TM}_${G.TN}_${G.WGM}_${G.WGN}_k${G.TK}_p${pad}_f${llano}`,
() => matmulGemmShader(type, G));
const y = ctx.alloc(rows * tokens * 4, 'matmul.y');
const params = ctx.uniform([new Uint32Array([rows * bpr, bpr, rows, k, tokens, 0, 0, 0])]);
const bufs = [wBuf, xBuf, y, params];
if (i.table) bufs.push(await tableBuf(i.table));
const [gx, gy] = rowsToDims(Math.ceil(rows / FILAS_WG));
await dispatch(ctx, `gemm:${type}:r${rows}b${bpr}`, pg, bufs,
gx, gy, Math.ceil(tokens / TOKS_WG));
return y;
}
// Con subgrupos: el workgroup es EXACTAMENTE un subgrupo (ancho = sgSize) y
// la reducción va sin barreras. Sin ellos, el reparto de hilos de siempre.
const subgroup = !globalThis.__ELFFUSS_NO_SUBGROUP && sgSize >= 32;
// Ancho del workgroup en la ruta de subgrupos = múltiplo del tamaño de
// subgrupo. Más ancho = más hilos por fila = mejor se esconde la latencia
// de las lecturas dependientes del dequant i-quant. Tunable para A/B.
// Subgrupos por workgroup: cada uno lleva SU fila de salida. Sube ondas
// residentes sin quitar trabajo a nadie. La clave de pipeline ya lleva `wg`.
const sgf = Math.max(1, Math.min(8, (globalThis.__ELFFUSS_SG_FILAS | 0) || 1));
// El ancho se sube SOLO si ESTE tipo va a tomar de verdad la fila por
// subgrupo. Aplicarlo a todos cambiaba la zancada del bucle de 32 a 64 en
// los cinco tipos sin `decodeCarril`: misma suma, OTRA particion en coma
// flotante, y los ultimos bits difieren. No era incorrecto, pero rompia la
// igualdad exacta — y el aserto lo achacaba a la reduccion, mandando a
// buscar dos veces donde no era.
const anchoSg = sgf > 1 && sgFilasPorGrupo(type, sgSize * sgf, tile,
globalThis.__ELFFUSS_CARRIL_SUBBLOQUE !== false, rows, subgroup, sgSize) > 1 ? sgf : 1;
const mult = subgroup ? Math.max(1, anchoSg, Math.round((globalThis.__ELFFUSS_SG_WG || sgSize) / sgSize)) : 1;
const wg = subgroup ? sgSize * mult : threadsFor(type, bpr);
// El izado de la guarda entra en la CLAVE: sin esto, al conmutar
// `__ELFFUSS_GUARDA_POR_PESO` para el A/B se reutilizaria el pipeline ya
// compilado y las dos ramas medirian el mismo shader (x1,00 indistinguible
// de «no hay ganancia»).
// Reparto por SUB-GRUPO (carril = 8 pesos en vez de un bloque entero), que es
// el camino POR DEFECTO. Sube la utilizacion de carriles del bucle de zancada
// de 62,5% a 100% con bpr=20, y en un kernel limitado por emision eso se
// traduce casi directamente en tiempo: medido +35,8% sobre el reparto por
// bloque, muy por encima del ruido de la medida.
//
// `__ELFFUSS_CARRIL_SUBBLOQUE = false` devuelve el reparto por bloque, que es
// lo que usa el A/B; por eso la comparacion es `!== false` y no un booleano
// a secas: sin interruptor puesto, gana el camino rapido.
const carril = globalThis.__ELFFUSS_CARRIL_SUBBLOQUE !== false;
// Filas por workgroup. Devuelve 1 (kernel de siempre) salvo que se cumpla
// TODO: interruptor, subgrupos, reparto por carril, decode y `rows`
// multiplo. El reparto entra en la CLAVE: sin eso, al conmutar el
// interruptor se reutilizaria el pipeline ya compilado y las dos ramas
// medirian el mismo shader.
const filas = filasPorGrupo(type, wg, tile, carril, rows, subgroup);
// PLAN: dentro de un lote la clave de abajo (una docena de interruptores
// leídos y concatenados) se arma UNA vez por forma; la memoria se tira al
// cerrar el lote, así que un interruptor cambiado entre forwards se ve.
const memoMM = ctx._memoLote;
const claveMM = memoMM !== null ? `${type}|${wg}|${tile}|${subgroup}|${carril}|${filas}|${rows}|${k}|${tokens}` : '';
const pMemo = memoMM !== null ? memoMM.get(claveMM) : undefined;
const p = pMemo || await get(`matmul_${type}_${wg}_${tile}_${subgroup ? 'sg' : 'tr'}` +
(globalThis.__ELFFUSS_GUARDA_POR_PESO ? '_g' : '') + (carril ? '_c' : '') +
(globalThis.__ELFFUSS_X_FIJA ? '_x0' : '') + (globalThis.__ELFFUSS_W_FIJA ? '_w0' : '') + (globalThis.__ELFFUSS_DESENROLLA ? '_u' : '') + (globalThis.__ELFFUSS_DEQ_PLANA ? '_dp' : '') + (globalThis.__ELFFUSS_X_VEC4 !== false ? '_v4' : '') +
// El izado de cargas TIENE que entrar en la clave. Sin esto, al conmutar
// el interruptor para el A/B se reutilizaria el pipeline ya compilado y
// las dos ramas medirian el MISMO shader: x1,00 indistinguible de «no hay
// ganancia». Ese modo de fallo ya produjo una conclusion falsa aqui.
(globalThis.__ELFFUSS_IZA_CARGAS === true ? '_iz' : '') +
(globalThis.__ELFFUSS_BLOQUE_COOP === true ? '_bc' : '') +
// Los dos oraculos de cadena (la de la rejilla y la del acumulador) van
// tambien en la clave. Sin esto, las ramas comparten el
// shader ya compilado y el A/B sale x1,00 SIEMPRE — que es justo el modo
// de fallo que costo descubrir con la guarda de token.
(globalThis.__ELFFUSS_GI ? `_gi${globalThis.__ELFFUSS_GI}` : '') +
((globalThis.__ELFFUSS_ACUMS | 0) > 1 ? `_a${globalThis.__ELFFUSS_ACUMS | 0}` : '') +
((globalThis.__ELFFUSS_LASTRE | 0) > 0 ? `_L${globalThis.__ELFFUSS_LASTRE | 0}` : '') +
(filas > 1 ? `_f${filas}` : ''),
() => (filas > 1 ? matmulFilasShader(type, filas, sgSize)
: matmulShader(type, wg, tile, subgroup, sgSize, carril)));
if (memoMM !== null && pMemo === undefined) memoMM.set(claveMM, p);
const y = ctx.alloc(rows * tokens * 4, 'matmul.y');
const params = ctx.uniform([new Uint32Array([rows * bpr, bpr, rows, k, tokens, 0, 0, 0])]);
const bufs = [wBuf, xBuf, y, params];
if (i.table) bufs.push(await tableBuf(i.table));
// Filas en los dos primeros ejes, tokens en el tercero. Sin esto, la
// cabeza de salida (248.320 filas) revienta el tope de 65.535 por eje.
// Con N filas por workgroup la rejilla cubre rows/N puntos: el shader hace
// `row0 = (wid.x + wid.y*AXIS) * FILAS`. Si esto y el shader se
// desincronizaran saldrian filas a CERO sin un solo error.
// Con S subgrupos por workgroup la rejilla cubre rows/S puntos.
// El MISMO predicado que usa el shader, no una condicion paralela: es lo
// que fallo antes, y el sintoma fue que las capas de tipos sin reparto por
// carril calculaban solo 1/S de sus filas.
const sgFilas = sgFilasPorGrupo(type, wg, tile, carril, rows, subgroup, sgSize);
const porGrupo = (filas > 1 ? filas : 1) * sgFilas;
const [dx, dy] = rowsToDims(porGrupo > 1 ? Math.ceil(rows / porGrupo) : rows);
// Etiqueta DESAGREGADA por forma (rows/bpr). Agregadas bajo `matmul:IQ1_S`,
// las 312 matmuls de un decode no dejan ver si el coste es por PESO o por
// DESPACHO, ni comparar Gw/s entre formas — que es justo lo que distingue
// «limitado por transacciones de memoria» de «limitado por emisión de
// instrucciones». No toca el shader ni la clave de pipeline: solo el nombre.
await dispatch(ctx, `matmul:${type}:r${rows}b${bpr}`, p, bufs, dx, dy, Math.ceil(tokens / tile));
return y;
},
// Filas sueltas de una tabla cuantizada (los embeddings) a f32.
async gather(type, wBuf, idsBuf, dim, tokens) {
const i = info(type);
if (dim % i.blockElems !== 0) {
throw new Error(`gather ${type}: dim=${dim} no es múltiplo de ${i.blockElems}`);
}
if (TIPOS_R.has(type)) compruebaBufferR(type, wBuf, { porFila: dim / i.blockElems }, 'gather');
const p = await get(`gather_${type}`, () => gatherShader(type, wgQ8));
const bpr = dim / i.blockElems;
const dst = ctx.alloc(tokens * dim * 4, 'embd');
const params = ctx.uniform([new Uint32Array([dim, tokens, bpr, 0])]);
const bufs = [wBuf, idsBuf, dst, params];
if (i.table) bufs.push(await tableBuf(i.table));
await dispatchN(ctx, 'gather', p, bufs, Math.ceil(tokens * bpr / wgQ8));
return dst;
},
// Sube por adelantado las rejillas que vaya a necesitar el modelo, para que
// el primer forward no se encuentre una descarga y una subida a media pasada.
async prepare(types) {
for (const t of new Set(types)) {
const i = QUANT_TYPES[t];
if (i && i.table) await tableBuf(i.table);
}
},
upload(array, label = 'x') {
const buf = ctx.alloc(array.byteLength, label);
device.queue.writeBuffer(buf, 0, array);
return buf;
},
ctx,
// Las variantes fusionadas (gate+up con SwiGLU, Q/K/V/puerta) las llama el
// modelo directamente; solo se usan con `__ELFFUSS_GEMV2`.
gemv,
// La cola de la última capa (model.js, interruptor GEMM2_COLA) y el plan
// para diagnóstico. No lo usa nada con los interruptores apagados.
gemm2,
};
}
// Vista Q8_0 de lo anterior, con la firma de siempre (sin el tipo delante).
// El forward del 0.8B llama por aquí y no se entera de que hay seis tipos.
export function createQ8Ops(device, opts = {}) {
const q = createQuantOps(device, opts);
return {
dequant: (wBuf, nBlocks) => q.dequant('Q8_0', wBuf, nBlocks),
matmul: (wBuf, xBuf, rows, k, tokens = 1) => q.matmul('Q8_0', wBuf, xBuf, rows, k, tokens),
matvec: (wBuf, xBuf, rows, k) => q.matmul('Q8_0', wBuf, xBuf, rows, k, 1),
upload: (array, label) => q.upload(array, label),
ctx: q.ctx,
};
}
// ── Operaciones de red ──────────────────────────────────────────────────────
export function createNNOps(device, opts = {}) {
const ctx = opts.ctx || createContext(device, opts);
const get = ctx.pipeline;
const WG_NORM = opts.wgNorm || 128;
const WG_SM = opts.wgSoftmax || 256;
const WG_EW = opts.wgElementwise || 256;
const WG_ROPE = opts.wgRope || 64;
return {
upload(array, label = 'buf') {
const buf = ctx.alloc(array.byteLength, label);
device.queue.writeBuffer(buf, 0, array);
return buf;
},
alloc: (bytes, label) => ctx.alloc(bytes, label),
ctx,
// (x / sqrt(mean(x²) + eps)) · w, por filas de longitud ne0.
// Rotación de Hadamard sobre las activaciones, en bloques de `bloque`.
// `inverso` elige el orden de los signos: false = s antes de rotar (lo que
// va delante de un matmul), true = s después (deshacer el embedding).
async hadamard(src, signos, { rows, ancho, bloque = 1024, inverso = false, perm = null }) {
if (ancho % bloque !== 0) {
throw new Error(`hadamard: el ancho ${ancho} no es múltiplo del bloque ${bloque}`);
}
const p = await get(`hadamard_${bloque}_${WG_EW}`, () => hadamardShader(bloque, WG_EW));
const dst = ctx.alloc(rows * ancho * 4, 'hadamard.out');
const params = ctx.uniform([
new Uint32Array([ancho, rows, ancho / bloque, inverso ? 1 : 0,
perm ? perm.hd : 0, perm ? perm.nk : 0, perm ? perm.rep : 0,
globalThis.__ELFFUSS_PERM_INV === true ? 1 : 0]),
]);
await dispatchN(ctx, 'hadamard', p, [src, signos, dst, params], rows * (ancho / bloque));
return dst;
},
async rmsnorm(src, weight, rows, ne0, eps) {
const p = await get('rmsnorm_' + WG_NORM, () => rmsnormShader(WG_NORM));
const dst = ctx.alloc(rows * ne0 * 4, 'rmsnorm.out');
const params = ctx.uniform([
new Uint32Array([ne0, rows]), new Float32Array([eps, 0]),
]);
await dispatchRows(ctx, 'rmsnorm', p, [src, weight, dst, params], rows);
return dst;
},
// RoPE sobre filas [head_dim, heads, tokens]. `mode` decide el pareado:
// ROPE_NORM empareja adyacentes, ROPE_NEOX empareja i con i+nDims/2.
// `factores`: buffer f32 de nDims/2 divisores de frecuencia (`rope_freqs`), o null.
async rope(src, posBuf, { rows, ne0, heads, nDims, mode, freqBase, freqScale = 1, factores = null }) {
const p = factores
? await get('rope_ff_' + WG_ROPE, () => ropeShader(WG_ROPE, true))
: await get('rope_' + WG_ROPE, () => ropeShader(WG_ROPE));
const dst = ctx.alloc(rows * ne0 * 4, 'rope.out');
// theta_scale en el host: acumular la potencia en el shader arrastra el
// error de pow() y a posiciones grandes se nota.
const thetaScale = Math.pow(freqBase, -2 / nDims);
const params = ctx.uniform([
new Uint32Array([ne0, rows, heads, nDims, mode, 0, 0, 0]),
new Float32Array([thetaScale, freqScale, 0, 0]),
]);
const total = rows * (nDims / 2);
await dispatchN(ctx, 'rope', p, factores ? [src, posBuf, dst, params, factores] : [src, posBuf, dst, params],
Math.ceil(total / WG_ROPE));
return dst;
},
// Softmax por filas con máscara causal calculada en el shader. `ventana` > 0
// añade la de atención por ventana deslizante (ver el shader).
async softmax(src, { rows, nKv, nQ, nPast = 0, scale = 1, ventana = 0 }) {
const p = await get('softmax_' + WG_SM, () => softmaxShader(WG_SM));
const dst = ctx.alloc(rows * nKv * 4, 'softmax.out');
const params = ctx.uniform([
new Uint32Array([nKv, nQ, nPast, rows]), new Float32Array([scale]), new Uint32Array([ventana, 0, 0]),
]);
await dispatchRows(ctx, 'softmax', p, [src, dst, params], rows);
return dst;
},
// silu(gate) · up. El orden importa y no avisa si se invierte.
async swiglu(gate, up, n) {
const p = await get('swiglu_' + WG_EW, () => swigluShader(WG_EW));
const dst = ctx.alloc(n * 4, 'swiglu.out');
const params = ctx.uniform([new Uint32Array([n, 0, 0, 0])]);
await dispatchN(ctx, 'swiglu', p, [gate, up, dst, params], Math.ceil(n / WG_EW));
return dst;
},
async add(a, b, n) {
const p = await get('add_' + WG_EW, () => addShader(WG_EW));
const dst = ctx.alloc(n * 4, 'add.out');
const params = ctx.uniform([new Uint32Array([n, 0, 0, 0])]);
await dispatchN(ctx, 'add', p, [a, b, dst, params], Math.ceil(n / WG_EW));
return dst;
},
};
}
// ── Operaciones de la capa SSM ──────────────────────────────────────────────
export function createSSMOps(device, opts = {}) {
const ctx = opts.ctx || createContext(device, opts);
const get = ctx.pipeline;
const S = opts.headDim || SSM_HEAD_DIM;
const WG = opts.wg || 128;
const WG_EW = opts.wgElementwise || 256;
return {
async l2norm(src, rows, ne0, eps) {
const p = await get('l2norm_' + WG, () => l2normShader(WG));
const dst = ctx.alloc(rows * ne0 * 4, 'l2norm.out');
const params = ctx.uniform([new Uint32Array([ne0, rows]), new Float32Array([eps, 0])]);
await dispatchRows(ctx, 'l2norm', p, [src, dst, params], rows);
return dst;
},
// buf: [channels][window] con window = 3 + tokens. dst: [tokens][channels].
// `K` es el ancho del kernel: 4 en qwen35, 7 en la convolución corta de lfm3.
// Va en la clave del pipeline porque el shader lo lleva como constante.
async conv(buf, w, channels, tokens, K = SSM_CONV_K) {
const p = await get('ssm_conv_' + K, () => ssmConvShader(64, K));
const dst = ctx.alloc(channels * tokens * 4, 'conv.out');
const params = ctx.uniform([new Uint32Array([channels, tokens, tokens + K - 1, 0])]);
await dispatchN(ctx, 'ssm_conv', p, [buf, w, dst, params], Math.ceil(channels * tokens / 64));
return dst;
},
// Actualiza `state` EN SITIO y devuelve la salida. El estado sobrevive entre
// llamadas: es lo que sustituye a la caché KV en estas capas.
// `heads` son las cabezas de VALOR y `kvHeads` las de clave. En el 0.8B
// coinciden; en el 27B son 48 contra 16.
async gatedDeltaNet(q, k, v, g, beta, state, heads, tokens, kvHeads = heads) {
const p = await get('gdn_' + S, () => gatedDeltaNetShader(S));
const out = ctx.alloc(tokens * heads * S * 4, 'gdn.out');
const params = ctx.uniform([
new Uint32Array([heads, tokens, kvHeads, 0]),
new Float32Array([1 / Math.sqrt(S), 0, 0, 0]),
]);
await dispatchRows(ctx, 'gated_delta_net', p, [q, k, v, g, beta, state, out, params], heads);
return out;
},
async gatedNorm(src, w, z, rows, ne0, eps) {
const p = await get('gated_norm_' + WG, () => gatedNormShader(WG));
const dst = ctx.alloc(rows * ne0 * 4, 'gnorm.out');
const params = ctx.uniform([new Uint32Array([ne0, rows]), new Float32Array([eps, 0])]);
await dispatchRows(ctx, 'gated_norm', p, [src, w, z, dst, params], rows);
return dst;
},
async decayGate(alpha, dt, a, heads, tokens) {
const p = await get('decay_gate', () => decayGateShader());
const dst = ctx.alloc(heads * tokens * 4, 'g');
const params = ctx.uniform([new Uint32Array([heads, tokens, 0, 0])]);
await dispatchN(ctx, 'decay_gate', p, [alpha, dt, a, dst, params], Math.ceil(heads * tokens / 64));
return dst;
},
async sigmoid(src, n) {
const p = await get('sigmoid_' + WG_EW, () => sigmoidShader(WG_EW));
const dst = ctx.alloc(n * 4, 'sigmoid.out');
const params = ctx.uniform([new Uint32Array([n, 0, 0, 0])]);
await dispatchN(ctx, 'sigmoid', p, [src, dst, params], Math.ceil(n / WG_EW));
return dst;
},
upload(array, label = 'buf') {
const buf = ctx.alloc(array.byteLength, label);
device.queue.writeBuffer(buf, 0, array);
return buf;
},
alloc: (bytes, label) => ctx.alloc(bytes, label),
ctx,
};
}
// ── Operaciones del bloque de atención ──────────────────────────────────────
export function createAttnOps(device, opts = {}) {
const ctx = opts.ctx || createContext(device, opts);
const get = ctx.pipeline;
const WG = opts.wg || 64;
const WG_EW = opts.wgElementwise || 256;
return {
// Extrae Q o la puerta del tensor intercalado. `offset` 0 = Q,
// `offset` headDim = puerta.
async strideCopy(src, { headDim, heads, tokens, stride, offset }) {
const p = await get('stride_copy_' + WG_EW, () => strideCopyShader(WG_EW));
const dst = ctx.alloc(headDim * heads * tokens * 4, 'stride.out');
const params = ctx.uniform([new Uint32Array([headDim, heads, tokens, stride, offset, 0, 0, 0])]);
await dispatchN(ctx, 'stride_copy', p, [src, dst, params],
Math.ceil(headDim * heads * tokens / WG_EW));
return dst;
},
// QKᵀ SIN escalar ni enmascarar: de eso se encarga el softmax.
async scores(q, k, { headDim, heads, kvHeads, tokens, nKv, nPast = 0, kvF16 = false }) {
// La precisión va en la CLAVE del pipeline. Sin ella, la primera llamada
// fijaría el shader y la segunda reutilizaría el compilado para la otra
// precisión: leería la caché con el tipo equivocado y devolvería basura
// sin un solo error.
// Camino con la K COMPARTIDA entre las cabezas que la usan. El de un hilo
// por salida va al 96 % del techo de lectura —no es ineficiente— pero lee
// la K heads/kvHeads veces: con las formas del 27B, seis. Compartirla
// divide los bytes por seis, es EXACTO (mismo producto, mismo orden de
// acumulación) y a contexto largo era el 69 % de lo que el contexto añade
// al token. Las condiciones son del dispositivo y del modelo, no gustos;
// si alguna falla se usa el de siempre, que da lo mismo más despacio.
const grupo = kvHeads > 0 ? heads / kvHeads : 0;
const puedeCompartir = globalThis.__ELFFUSS_SCORES_SHARED !== false &&
Number.isInteger(grupo) && grupo >= 1 &&
compartidaScores(headDim, grupo) <= device.limits.maxComputeWorkgroupStorageSize &&
Math.ceil(nKv / WG) <= 65535;
if (puedeCompartir) {
const pS = await get(`attn_scores_sh_${headDim}_${grupo}_${WG}${kvF16 ? '_h' : ''}`,
() => attnScoresSharedShader({ headDim, grupo, kvF16, wg: WG }));
const dst = ctx.alloc(heads * tokens * nKv * 4, 'scores');
const params = ctx.uniform([new Uint32Array([headDim, heads, kvHeads, tokens, nKv, 0, 0, 0])]);
await dispatchXYZ(ctx, 'attn_scores_sh', pS, [q, k, dst, params],
Math.ceil(nKv / WG), kvHeads, tokens);
return dst;
}
const p = await get(`attn_scores_${WG}${kvF16 ? '_h' : ''}`, () => attnScoresShader(WG, kvF16));
const dst = ctx.alloc(heads * tokens * nKv * 4, 'scores');
const params = ctx.uniform([new Uint32Array([headDim, heads, kvHeads, tokens, nKv, nPast, 0, 0])]);
await dispatchN(ctx, 'attn_scores', p, [q, k, dst, params],
Math.ceil(heads * tokens * nKv / WG));
return dst;
},
// El camino PARTIDO es el normal; el de un hilo por salida se queda como
// respaldo para las formas que el partido no puede atender. A contexto
// largo la diferencia no es un detalle: a 64k de contexto el kernel viejo se
// llevaba el 73 % del tiempo del token, y el partido mide dos ordenes de
// magnitud menos en el mismo sitio.
//
// Tres condiciones para poder usarlo, y las tres son del dispositivo o del
// modelo, no preferencias:
// · un grupo tiene headDim hilos, así que headDim tiene que caber en el
// tope de invocaciones por grupo del dispositivo;
// · las cabezas de consulta tienen que repartirse exactas entre las KV,
// porque un grupo atiende a todas las de una cabeza KV;
// · la memoria compartida de las probabilidades tiene que caber.
// Si alguna falla NO se falla: se usa el camino de siempre, que da el mismo
// resultado más despacio. Un modelo con otra forma tiene que seguir
// corriendo.
async combine(probs, v, { headDim, heads, kvHeads, tokens, nKv, nPast = 0, kvF16 = false }) {
const grupo = kvHeads > 0 ? heads / kvHeads : 0;
const SUB = 64;
const puedePartir = globalThis.__ELFFUSS_COMBINE_SPLIT !== false &&
Number.isInteger(grupo) && grupo >= 1 &&
headDim <= device.limits.maxComputeInvocationsPerWorkgroup &&
grupo * SUB * 4 <= device.limits.maxComputeWorkgroupStorageSize;
if (puedePartir) {
const bloques = bloquesCombine(nKv);
const pS = await get(`attn_combine_split_${headDim}_${grupo}_${SUB}${kvF16 ? '_h' : ''}`,
() => attnCombineSplitShader({ headDim, grupo, subTrozo: SUB, kvF16 }));
const pR = await get(`combine_reduce_${WG_EW}`, () => combineReduceShader(WG_EW));
const parc = ctx.alloc(tokens * heads * bloques * headDim * 4, 'attn.parc');
const dst = ctx.alloc(tokens * heads * headDim * 4, 'attn.out');
const parS = ctx.uniform([new Uint32Array([headDim, heads, kvHeads, tokens, nKv, bloques, 0, 0])]);
const parR = ctx.uniform([new Uint32Array([headDim, heads, tokens, bloques])]);
await dispatchXYZ(ctx, 'attn_combine_split', pS, [probs, v, parc, parS],
bloques, kvHeads, tokens);
await dispatchN(ctx, 'attn_combine_reduce', pR, [parc, dst, parR],
Math.ceil(tokens * heads * headDim / WG_EW));
return dst;
}
const p = await get(`attn_combine_${WG}${kvF16 ? '_h' : ''}`, () => attnCombineShader(WG, kvF16));
const dst = ctx.alloc(tokens * heads * headDim * 4, 'attn.out');
const params = ctx.uniform([new Uint32Array([headDim, heads, kvHeads, tokens, nKv, nPast, 0, 0])]);
await dispatchN(ctx, 'attn_combine', p, [probs, v, dst, params],
Math.ceil(tokens * heads * headDim / WG));
return dst;
},
async mul(a, b, n) {
const p = await get('mul_' + WG_EW, () => mulShader(WG_EW));
const dst = ctx.alloc(n * 4, 'mul.out');
const params = ctx.uniform([new Uint32Array([n, 0, 0, 0])]);
await dispatchN(ctx, 'mul', p, [a, b, dst, params], Math.ceil(n / WG_EW));
return dst;
},
upload(array, label = 'buf') {
const buf = ctx.alloc(array.byteLength, label);
device.queue.writeBuffer(buf, 0, array);
return buf;
},
alloc: (bytes, label) => ctx.alloc(bytes, label),
ctx,
};
}
// ── Referencias de CPU para los tests ───────────────────────────────────────
// Deliberadamente ABURRIDAS y escritas de otra forma que el shader, para que un
// fallo del WGSL no se cancele con el mismo fallo aquí. Los Number de JS son
// dobles, así que estas referencias acumulan en f64 de verdad.
// La descuantización de referencia de los tipos de peso vive aparte, en un
// módulo que solo usan las pruebas: importarla desde aquí arrastraría las
// rejillas de los i-quants a todo el que solo quiere un rmsnorm.
export function rmsnormCPU(src, w, rows, ne0, eps) {
const out = new Float64Array(rows * ne0);
for (let r = 0; r < rows; r++) {
let sum = 0;
for (let i = 0; i < ne0; i++) { const v = src[r * ne0 + i]; sum += v * v; }
const scale = 1 / Math.sqrt(sum / ne0 + eps);
for (let i = 0; i < ne0; i++) out[r * ne0 + i] = src[r * ne0 + i] * scale * w[i];
}
return out;
}
export function ropeCPU(src, pos, { rows, ne0, heads, nDims, mode, freqBase, freqScale = 1 }) {
const out = Float64Array.from(src);
const pairs = nDims / 2;
for (let r = 0; r < rows; r++) {
const base = r * ne0;
const t = Math.floor(r / heads);
for (let p = 0; p < pairs; p++) {
// Forma cerrada, distinta de la del shader (que usa thetaScale^p).
const theta = pos[t] * freqScale / Math.pow(freqBase, (2 * p) / nDims);
const c = Math.cos(theta), s = Math.sin(theta);
const i0 = mode === ROPE_NEOX ? p : 2 * p;
const i1 = mode === ROPE_NEOX ? p + pairs : 2 * p + 1;
const x0 = src[base + i0], x1 = src[base + i1];
out[base + i0] = x0 * c - x1 * s;
out[base + i1] = x0 * s + x1 * c;
}
}
return out;
}
export function softmaxCPU(src, { rows, nKv, nQ, nPast = 0, scale = 1 }) {
const out = new Float64Array(rows * nKv);
for (let r = 0; r < rows; r++) {
const base = r * nKv, qAbs = nPast + (r % nQ);
let max = -Infinity;
for (let k = 0; k <= Math.min(qAbs, nKv - 1); k++) max = Math.max(max, src[base + k] * scale);
let sum = 0;
for (let k = 0; k < nKv; k++) {
const e = k <= qAbs ? Math.exp(src[base + k] * scale - max) : 0;
out[base + k] = e; sum += e;
}
for (let k = 0; k < nKv; k++) out[base + k] /= sum;
}
return out;
}
export function swigluCPU(gate, up, n) {
const out = new Float64Array(n);
for (let i = 0; i < n; i++) out[i] = (gate[i] / (1 + Math.exp(-gate[i]))) * up[i];
return out;
}
// ── Referencias de CPU de la capa SSM ───────────────────────────────────────
// Escritas siguiendo el bucle de referencia paso a paso (decaimiento explícito,
// tres pasadas separadas), no la forma optimizada del shader: si las dos
// compartieran el atajo algebraico, el test no lo estaría comprobando.
export function l2normCPU(src, rows, ne0, eps) {
const out = new Float64Array(rows * ne0);
for (let r = 0; r < rows; r++) {
let sum = 0;
for (let i = 0; i < ne0; i++) { const v = src[r * ne0 + i]; sum += v * v; }
const scale = 1 / Math.max(Math.sqrt(sum), eps); // suelo, no eps bajo la raíz
for (let i = 0; i < ne0; i++) out[r * ne0 + i] = src[r * ne0 + i] * scale;
}
return out;
}
export function ssmConvCPU(buf, w, channels, tokens) {
const window = tokens + SSM_CONV_K - 1;
const out = new Float64Array(channels * tokens);
for (let c = 0; c < channels; c++) {
for (let t = 0; t < tokens; t++) {
let acc = 0;
for (let r = 0; r < SSM_CONV_K; r++) acc += buf[c * window + t + r] * w[c * SSM_CONV_K + r];
out[t * channels + c] = acc;
}
}
return out;
}
// `heads` son las de VALOR y `kvHeads` las de CLAVE. El emparejamiento es por
// MÓDULO (cabeza de valor h ↔ cabeza de clave h % kvHeads), no por división:
// las cabezas de valor vienen del fichero en orden TESELADO. Ver la nota larga
// en el shader. Cuando los dos recuentos coinciden da igual, que es el caso del
// 0.8B y la razón de que el fallo solo apareciera en el modelo grande.
export function gatedDeltaNetCPU(q, k, v, g, beta, state, heads, tokens,
S = SSM_HEAD_DIM, kvHeads = heads) {
const st = Float64Array.from(state); // [H][S(j)][S(i)]
const out = new Float64Array(tokens * heads * S);
const scale = 1 / Math.sqrt(S);
for (let t = 0; t < tokens; t++) {
for (let h = 0; h < heads; h++) {
const vv = (t * heads + h) * S, hb = h * S * S; // v, g, beta y salida
const vk = (t * kvHeads + (h % kvHeads)) * S; // q y k
const gv = Math.exp(g[t * heads + h]), bv = beta[t * heads + h];
// 1) decaimiento, explícito
for (let x = 0; x < S * S; x++) st[hb + x] *= gv;
// 2) u = v − Sᵀk ; 3) δ = β·u
const delta = new Float64Array(S);
for (let j = 0; j < S; j++) {
let dot = 0;
for (let i = 0; i < S; i++) dot += st[hb + j * S + i] * k[vk + i];
delta[j] = (v[vv + j] - dot) * bv;
}
// 4) escritura
for (let j = 0; j < S; j++) {
for (let i = 0; i < S; i++) st[hb + j * S + i] += k[vk + i] * delta[j];
}
// 5) salida con el estado YA actualizado
for (let j = 0; j < S; j++) {
let dot = 0;
for (let i = 0; i < S; i++) dot += st[hb + j * S + i] * q[vk + i];
out[vv + j] = dot * scale;
}
}
}
return { out, state: st };
}
export function gatedNormCPU(src, w, z, rows, ne0, eps) {
const out = new Float64Array(rows * ne0);
for (let r = 0; r < rows; r++) {
let sum = 0;
for (let i = 0; i < ne0; i++) { const x = src[r * ne0 + i]; sum += x * x; }
const scale = 1 / Math.sqrt(sum / ne0 + eps);
for (let i = 0; i < ne0; i++) {
const zc = z[r * ne0 + i];
out[r * ne0 + i] = src[r * ne0 + i] * scale * w[i] * (zc / (1 + Math.exp(-zc)));
}
}
return out;
}
export function decayGateCPU(alpha, dt, a, heads, tokens) {
const out = new Float64Array(heads * tokens);
const sp = x => (x > 20 ? x : Math.log(1 + Math.exp(x)));
for (let i = 0; i < heads * tokens; i++) out[i] = sp(alpha[i] + dt[i % heads]) * a[i % heads];
return out;
}
// Las tres familias compartiendo UN contexto: un solo submit puede abarcar
// operaciones cuantizadas, de red y de SSM, que es lo que hace un forward.
export function createOps(device, opts = {}) {
const ctx = createContext(device, opts);
const shared = { ...opts, ctx };
const quant = createQuantOps(device, shared);
return {
ctx,
quant,
// Vista Q8_0 de `quant`, para el forward del 0.8B, que no pasa el tipo.
q8: {
dequant: (w, n) => quant.dequant('Q8_0', w, n),
matmul: (w, x, rows, k, tokens = 1) => quant.matmul('Q8_0', w, x, rows, k, tokens),
matvec: (w, x, rows, k) => quant.matmul('Q8_0', w, x, rows, k, 1),
upload: (a, l) => quant.upload(a, l),
ctx,
},
nn: createNNOps(device, shared),
ssm: createSSMOps(device, shared),
attn: createAttnOps(device, shared),
batch: (label, fn) => ctx.batch(label, fn),
// Despacho generico para los kernels de plomeria del modelo, que no
// pertenecen a ninguna de las tres familias.
dispatchAny: (label, pipe, buffers, groups) => dispatchN(ctx, label, pipe, buffers, groups),
recycle: () => ctx.recycle(),
// Los scopes de error cuestan una ida y vuelta por operacion. Se dejan
// puestos al cargar el modelo y se quitan para el bucle de decode.
setDebug: (on) => { ctx.debug = !!on; },
};
}
// ── Referencias de CPU del bloque de atención ───────────────────────────────
export function strideCopyCPU(src, { headDim, heads, tokens, stride, offset }) {
const out = new Float64Array(headDim * heads * tokens);
for (let t = 0; t < tokens; t++) {
for (let h = 0; h < heads; h++) {
for (let d = 0; d < headDim; d++) {
out[(t * heads + h) * headDim + d] =
src[t * heads * stride + h * stride + offset + d];
}
}
}
return out;
}
export function attnScoresCPU(q, k, { headDim, heads, kvHeads, tokens, nKv }) {
const out = new Float64Array(heads * tokens * nKv);
const group = heads / kvHeads;
for (let h = 0; h < heads; h++) {
const kvh = Math.floor(h / group);
for (let t = 0; t < tokens; t++) {
for (let j = 0; j < nKv; j++) {
let acc = 0;
for (let d = 0; d < headDim; d++) {
acc += q[(t * heads + h) * headDim + d] * k[(j * kvHeads + kvh) * headDim + d];
}
out[(h * tokens + t) * nKv + j] = acc;
}
}
}
return out;
}
export function attnCombineCPU(probs, v, { headDim, heads, kvHeads, tokens, nKv }) {
const out = new Float64Array(tokens * heads * headDim);
const group = heads / kvHeads;
for (let t = 0; t < tokens; t++) {
for (let h = 0; h < heads; h++) {
const kvh = Math.floor(h / group);
for (let d = 0; d < headDim; d++) {
let acc = 0;
for (let j = 0; j < nKv; j++) {
acc += probs[(h * tokens + t) * nKv + j] * v[(j * kvHeads + kvh) * headDim + d];
}
out[(t * heads + h) * headDim + d] = acc;
}
}
}
return out;
}
|