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;
}