wehub/mininglamp-ai--cider
1
0
Fork 0
Code Issues Pull Requests Actions Deployments Models Agent Notes Packages Projects Releases Wiki Activity
Files
main
mininglamp-ai--cider/README.md
T
wehub-resource-sync e415cda245 docs: make Chinese README the default
2026-07-13 10:24:27 +00:00

25 KiB
Raw Permalink Blame History

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

cider

Cider 基于 MLX 为 macOS 开发。它提供：

  1. MLX 所不具备的在线激活量化（W8A8/W4A8），配有自定义 INT8 TensorOps 内核，作为 MLX 自定义原语（custom primitives）构建，支持完整的惰性求值（lazy evaluation）。
  2. 受 FlashInfer, 启发的优化 SDPA 解码内核，采用连续块 GQA 调度与寄存器分块（register tiling），以实现更快的自回归解码。

它还包含服务端扩展以及对 mlx_vlm 的非侵入式兼容性补丁（已在 mlx_vlm 0.4.3 上验证），包括修复与 RoPE 位置处理及分块预填充（chunked prefill）相关的 Qwen3-VL 多图推理问题。

条件编译（M4 / M5）

Cider 采用条件编译：INT8 TensorOps C++ 扩展仅在 Apple M5+ 上构建。

Chip pip install -e . behavior import cider behavior
M5+ 完整构建（CMake + Metal kernels） 全部功能可用
M4 及以下 跳过 C++ 构建，安装纯 Python 包 is_available() → False，convert_model() 为警告空操作（warning no-op）

通过环境变量覆盖：

CIDER_FORCE_BUILD=1 pip install -e .   # Force build (e.g., CI)
CIDER_FORCE_BUILD=0 pip install -e .   # Force skip

模式

Mode Weights Activations Compute Path Status
W8A8 INT8 symmetric INT8 per-token TensorOps matmul2d ✅ 已实现
W4A8 INT4 packed (uint8) INT8 per-token Unpack→TensorOps ✅ 已实现
W4A16 — — MLX built-in 基线
W8A16 — — MLX built-in 基线

W4A16 和 W8A16 已由 MLX 原生支持 — 本 SDK 提供 MLX 未实现的 W8A8 与 W4A8 模式。

优化 SDPA（解码注意力）

Cider 包含面向自回归解码（Q_seq=1）的优化缩放点积注意力（Scaled Dot-Product Attention）内核，受 FlashInfer. 启发。关键技术：

  • 连续块 GQA 调度（Contiguous Chunk GQA Scheduling）：不再让每个 Q 头独立派发（读取 KV H_q 次），而是由单个线程组处理共享同一 KV 组的所有 Q 头。这可减少最多 gqa_factor× 的 DRAM 带宽。
  • 寄存器分块（Register Tiling，TILE=4）：每个线程在寄存器中保存 4 个 Q 头的部分结果 — 无需共享内存，无需屏障同步 — 最大化分组查询解码的 ALU 吞吐。
  • 两遍 FlashDecoding（2-Pass FlashDecoding）：对于长序列（≥1024 tokens），两遍归约将 KV 序列划分到各线程组，以提升占用率。
  • AutoTune：针对（架构、GQA 比率、头数、序列长度）自动扫描块大小，并缓存至 ~/.cider_sdpa_tune.json。

用法

import cider

# One-line patch — all downstream frameworks (mlx_lm, mlx_vlm) benefit automatically
cider.patch_sdpa()

# Optional: run AutoTune once to find optimal block sizes for your chip
cider.autotune_sdpa()

# Undo patch if needed
cider.unpatch_sdpa()

该补丁完全透明：预填充（Q_seq > 1）与带掩码注意力会自动回退到 MLX 原生实现。仅解码步骤（Q_seq=1，无掩码）会走 Cider 的优化内核。无需修改 mlx_lm 或 mlx_vlm 代码。

SDPA 微基准（Apple M5 Pro，D=128）

相对 MLX mx.fast.scaled_dot_product_attention 的加速比：

Config N=1K N=2K N=4K N=8K N=16K N=32K
MHA (H_q=32, H_kv=32) 1.03x 1.01x 1.02x 1.00x 1.00x 0.99x
GQA4 (H_q=32, H_kv=8) 1.04x 1.06x 1.06x 1.12x 1.16x 1.21x
GQA8 (H_q=32, H_kv=4) 1.04x 1.07x 1.13x 1.21x 1.34x 1.57x

加速范围：0.99×–1.57×。正确性：18/18 PASS（相对 MLX 最大差异 ≤ 0.000122，fp16）。14 WIN / 4 TIE / 0 LOSS — 零回退。

启用 SDPA 的端到端解码速度（Qwen3-VL-4B，Apple M5 Pro）

使用 benchmarks/bench_e2e_wxa16.py 在真实多图 VLM 轨迹上测试（1–3 张截图，1334–3455 prompt tokens）：

Config Decode tok/s vs Baseline
FP16 32.0 —
FP16 + Cider SDPA 32.6 +1.9%
W8A16 54.0 —
W8A16 + Cider SDPA 58.0 +7.4%
W8A8 per-group 51.0 —
W8A8 per-group + Cider SDPA 52.3 +2.5%
W8A8 per-channel 49.1 —
W8A8 per-channel + Cider SDPA 52.6 +7.1%

Cider SDPA 可叠加在 W8A8 预填充收益之上。收益随 GQA 比率与 KV cache 长度而放大 — GQA 比率更高（例如 GQA8 的 Qwen3-32B）且上下文更长的模型获益更大。

MLX 的量化是仅权重量化（weight-only）：QuantizedLinear 将权重反量化为 FP16 并使用 FP16 GEMM。虽然 MLX 的 Steel NAX 模板足够通用，可实例化为 INT8 类型（且能达到相同的原始 matmul 吞吐 — 参见我们的透明基准测试），但 MLX 并未提供实际 W8A8 推理所需的量化/反量化流水线。Cider 通过融合的 quantize-matmul-dequant 原语填补这一缺口。

本 SDK 为受支持的推理路径实现在线 INT8 激活量化，以及基于 INT8 TensorOps 的计算。

W8A8 量化粒度

Granularity Description Speed Precision
Per-channel 每个输出通道一个 scale 最快（预填充 1.8x） 略低
Per-group (gs=128) 每 128 个元素一个 scale 较快（预填充 1.5x） 精度保留适中
Per-group (gs=64) 每 64 个元素一个 scale 中等（预填充 1.3x） 精度更高

性能（Apple M5 Pro）

单算子延迟

Shape [N=10240, K=2560]

M PC(ms) PG(ms) w8a16 w4a16 PC/w8 PC/w4 PG/w8 PG/w4
1 0.27ms 0.26ms 0.26ms 0.18ms 0.96x 0.67x 0.99x 0.69x
128 0.34ms 0.39ms 0.49ms 0.44ms 1.43x 1.28x 1.26x 1.13x
1024 1.23ms 1.52ms 2.24ms 2.04ms 1.82x 1.66x 1.47x 1.34x
4096 4.41ms 5.65ms 8.12ms 7.72ms 1.84x 1.75x 1.44x 1.37x
8192 8.71ms 11.40ms 16.23ms 15.09ms 1.86x 1.73x 1.42x 1.32x

Shape [N=2560, K=10240]

M PC(ms) PG(ms) w8a16 w4a16 PC/w8 PC/w4 PG/w8 PG/w4
1 0.25ms 0.26ms 0.26ms 0.20ms 1.03x 0.78x 0.98x 0.75x
128 0.39ms 0.41ms 0.55ms 0.46ms 1.43x 1.19x 1.35x 1.12x
1024 1.31ms 1.65ms 2.35ms 2.14ms 1.80x 1.64x 1.43x 1.30x
4096 5.37ms 6.79ms 8.54ms 8.04ms 1.59x 1.50x 1.26x 1.18x
8192 10.97ms 12.94ms 17.28ms 16.23ms 1.58x 1.48x 1.34x 1.25x

端到端 VLM

Qwen3-VL-2B

Prompt Tokens FP16 Prefill (tok/s) W8A16 Prefill (tok/s) W8A8 PC Prefill (tok/s) FP16 Decode (tok/s) W8A16 Decode (tok/s) W8A8 PC Decode (tok/s)
1334 3010 2065 3242 70 107 104
2393 2868 1847 2983 69 97 100
3455 2777 1741 2796 66 90 95

Qwen3-VL-4B

Prompt Tokens FP16 Prefill (tok/s) W8A16 Prefill (tok/s) W8A8 PC Prefill (tok/s) FP16 Decode (tok/s) W8A16 Decode (tok/s) W8A8 PC Decode (tok/s)
1334 1884 1786 2186 32 56 54
2393 1815 1700 2028 31 55 52
3455 1755 1603 1881 30 52 49

LLM 量化：精度与速度对比

Models Quantization Configuration wikitext2 PPL（↓） Prefill Time (s)（↓） Peak Memory (GB)（↓）
Qwen3-8B FP16 9.726 179.9 18.93
W8A16 (mlx RTN) 9.707 221.3 12.07
W8A8 (per-channel) 9.756 123.5 11.32
W8A8 (per-group gs=64) 9.744 179.1 11.83
W8A8 (per-group gs=128) 9.727 165.8 11.61
Llama3-8B FP16 6.138 175.8 18.32
W8A16 (mlx RTN) 6.147 236.9 11.46
W8A8 (per-channel) 6.271 123.3 10.69
W8A8 (per-group, gs=64) 6.269 178.7 11.19
W8A8 (per-group, gs=128) 6.270 155.7 10.98

说明

需要注意的是，cider 假定权重是 量化友好（quantization-friendly） 的。这意味着你需要确保模型已经经过某种训练后量化校准方法，例如 GTPQ、SmoothQuant 或 Quarot 等，以处理异常值（outliers），或者模型本身是通过 QAT（量化感知训练）训练的。当 cider 转换模型（例如使用 w8a8）并计算量化 scale 时，默认采用最简单的 min-max 方法，同时也支持第 99 百分位方法（clip_percentile=99.9）。如果遇到乱码输出，很大概率是模型受到了 异常值（outliers） 的影响。因此，某些预处理步骤是 必要的。

环境要求

  • Apple M5+ 用于 INT8 TensorOps（M4 及以下：以纯 Python 方式安装，is_available() 返回 False）
  • Python 3.12+
  • MLX >= 0.31
  • nanobind >= 2.12（仅在 M5+ 上进行 C++ 编译时需要）
  • CMake >= 3.27（仅在 M5+ 上进行 C++ 编译时需要）

安装

pip install -e .

在 M5+ 上，这会运行 CMake 编译 C++ 扩展，然后安装 Python 包。 在 M4 及以下设备上，仅安装 Python 包（不会出现编译错误）。

快速开始

一行命令完成模型转换（推荐）

from cider import convert_model, is_available

model, proc = load("path/to/model")

if is_available():
    convert_model(model)
    # CiderLinear auto-detects:
    #   seq_len > 1  → W8A8 INT8 TensorOps (faster prefill)
    #   seq_len == 1 → INT8 MV kernel (near-native decode speed)
else:
    pass  # Falls back to standard MLX inference on M4

重要提示 在量化视觉语言模型（Vision-Language Models，VLMs）时，视觉 Transformer（ViT）通常不会被替换。直接使用 convert_model 也会量化视觉模型的线性层，这通常会导致精度下降。对于 VLMs，我们建议调用 convert_model(model.language_model)，仅对语言模型应用 GPTQ、SmoothQuant 和 AWQ 等现有量化方法。

已在选定的 MLX Transformer 模型上测试，包括 Qwen3、Qwen3-VL 和 Llama3 系列。其他架构可能需要适配。

层级别 API

import numpy as np
import mlx.core as mx
from cider import W8A8Linear, W4A8Linear, is_available

assert is_available(), "Requires Apple M5+"

# Prepare weight
W = np.random.randn(4096, 4096).astype(np.float16)

# W8A8 linear (per-channel)
from cider.ops import quantize_weight_int8
w_int8, scale = quantize_weight_int8(W)
layer = W8A8Linear(
    w_int8=mx.array(w_int8), scale_w=mx.array(scale),
    group_size=0, in_features=4096, out_features=4096
)
x = mx.random.normal((32, 4096)).astype(mx.float16)
y = layer(x)    # lazy — builds MLX graph
mx.eval(y)       # GPU executes

# W4A8 linear (half the weight memory)
layer4 = W4A8Linear.from_weights(W)
y4 = layer4(x)
mx.eval(y4)

底层 API

from cider import perchannel_linear, w4a8_linear, quantize_weight_int8, pack_weight_int4

# Quantize weights (numpy, offline)
w_int8, scale = quantize_weight_int8(W_np)
packed_w4, scale4 = pack_weight_int4(W_np)

# Primitive calls (return lazy mx.array)
y = perchannel_linear(x, mx.array(w_int8), mx.array(scale))
y4 = w4a8_linear(x, mx.array(packed_w4), mx.array(scale4))

项目结构

cider/
├── cider/              # Python package
│   ├── __init__.py        # Public API (conditional on is_available)
│   ├── ops.py             # Primitive wrappers + quantize helpers
│   ├── nn.py              # CiderLinear, W4A8Linear (nn.Module)
│   ├── convert.py         # convert_model() high-level API
│   ├── attention/         # Optimized SDPA
│   │   ├── __init__.py
│   │   └── sdpa.py           # patch_sdpa / unpatch_sdpa / autotune_sdpa
│   └── kernels/           # Metal shaders (bundled)
│       ├── w8a8_matmul.metal       # W8A8 GEMM (prefill, M>1)
│       ├── w8a8_int8_mv.metal      # W8A8 per-channel MV (decode, M=1)
│       ├── w8a8_quantize.metal     # Per-token activation quantization
│       ├── w4a8_matmul.metal       # W4A8 GEMM (prefill)
│       ├── pergroup_int8_gemm.metal # Per-group GEMM (prefill)
│       ├── pergroup_int8_mv.metal   # Per-group MV (decode)
│       ├── cider_sdpa_vector.h     # SDPA kernel header (1-pass & 2-pass)
│       └── cider_sdpa_vector.metal # SDPA kernel template instantiations
├── csrc/                  # C++ MLX primitives (nanobind, M5+ only)
│   ├── include/
│   │   ├── w8a8_primitive.h
│   │   ├── w4a8_primitive.h
│   │   ├── pergroup_primitive.h
│   │   └── sdpa_primitive.h
│   └── src/
│       ├── w8a8_primitive.mm
│       ├── w4a8_primitive.mm
│       ├── pergroup_primitive.mm
│       ├── sdpa_primitive.mm      # SDPA 1-pass & 2-pass primitives
│       └── prim_bindings.cpp
├── benchmarks/
│   ├── bench_e2e_wxa16.py    # End-to-end VLM benchmark (W8A8 + SDPA)
│   ├── bench_sdpa.py         # SDPA micro-benchmark (correctness + speed vs MLX)
│   ├── bench_full.py         # Isolated kernel latency (per-channel/per-group vs MLX)
│   ├── test_bitexact.py      # Numerical correctness verification
│   └── mlx_native/           # MLX native INT8 comparison
├── tutorial/
│   ├── how_to_write_efficient_int_gemm_m5_en.md
│   └── how_to_write_efficient_int_gemm_m5_zh.md
├── tools/
│   ├── eval_ppl_all.py               # Unified PPL eval (FP16/W8A16/per-channel/per-group)
│   ├── convert_compressed_tensors_to_mlx.py
│   └── smoothquant.py                # SmoothQuant calibration
├── examples/
│   └── basic_usage.py
├── vlm_service/           # OpenAI-style VLM inference server
│   ├── server.py             # FastAPI server (streaming + non-streaming)
│   ├── core_infer.py         # HMInference engine (singleton)
│   ├── custom_qwen3vl.py     # Custom Qwen3-VL generation loop
│   ├── config.py             # Config loader
│   ├── bench_client.py       # Server benchmark client
│   └── client.py             # API client example
├── config/
│   └── config.yaml           # Server & model configuration
├── experimental/             # ANE+GPU hybrid tensor parallelism (M4)
│   ├── split_linear.py       # SplitLinear + ANEBridge + patch_model()
│   ├── bench.py              # End-to-end benchmark
│   ├── libane_bridge_v6.m    # ANE private API bridge (Obj-C source)
│   └── README.md
├── CMakeLists.txt
├── pyproject.toml
├── setup.py               # Conditional build (M5+: full, M4: pure-Python)
└── README.md

VLM 推理服务

vlm_service/ 提供了一个开箱即用的 OpenAI 风格 VLM 推理服务器，支持 W8A8 加速。

快速开始

  1. 配置 config/config.yaml：
model_name_or_path: /path/to/your/model   # MLX VLM model (e.g., Qwen3-VL-2B W8A16)
sampling:
  max_new_tokens: 1024
  temperature: 1.0
  top_p: 1.0
server:
  host: 0.0.0.0
  port: 8341
  ttl: 1800
w8a8:
  mode: 'off'   # 'auto' | 'on' | 'off'
  • auto：若硬件支持则启用 W8A8，否则回退到默认设置
  • on：强制启用 W8A8（不支持时报错）。"选择 'on' 时，表示你的模型需要执行在线激活量化（online activation quantization）。在这种情况下，Cider 本身不保证量化精度，你需要自行应用某些量化算法，例如 SmoothQuant、QuaRot、GPTQ 或 QAT，以确保激活量化后精度不会明显下降。此选项只是让你在模型采用 W8A8 时能够利用硬件的计算优势，而不仅仅是模拟量化。"
  • off：禁用 W8A8，使用标准 MLX 推理
  1. 启动服务器：
cd vlm_service
python server.py --config ../config/config.yaml
  1. 发送请求（OpenAI 风格 API）：
# Text-only
curl http://localhost:8341/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vlm",
    "messages": [{"role": "user", "content": "Hello"}],
    "stream": false
  }'

# With image (base64)
curl http://localhost:8341/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vlm",
    "messages": [{"role": "user", "content": [
      {"type": "image_url", "image_url": {"url": "data:image/png;base64,..."} },
      {"type": "text", "text": "What is in this image?"}
    ]}],
    "stream": true
  }'

API 端点

Endpoint Method Description
/v1/chat/completions POST 对话补全（流式 / 非流式）
/v1/models GET 列出可用模型
/health GET 健康检查
/v1/queue GET 请求队列状态

服务中 W8A8 的工作方式

当 w8a8.mode 为 auto 或 on 时，服务器在启动时会调用 cider.convert_model()，将所有 Linear 层替换为 CiderLinear。推理过程中：

  • Prefill（处理输入 token，seq_len > 1）：使用 W8A8 INT8 GEMM 以加速计算
  • Decode（逐 token 生成，seq_len == 1）：使用 INT8 MV kernel（接近原生速度）

无需修改代码——切换会根据输入序列长度自动进行。

架构

MLX 自定义原语

W8A8Linear 与 W4A8Linear 均实现为 mlx::core::Primitive 的子类。这意味着：

  1. 惰性求值（lazy evaluation）：y = layer(x) 构建图节点，而非立即计算
  2. 图组合：多个原语调用组合为单个 MLX 图
  3. 流调度：MLX 的调度器处理 GPU 派发顺序

Metal Kernel 流水线

每个原语都会派发 Metal 计算 kernel：

Prefill（M > 1）：

  1. quantize_per_token：FP16 激活 → INT8 + 逐 token 缩放
  2. matmul_fused_dequant：INT8 × INT8 → INT32 → FP16（融合缩放反量化）

Decode（M = 1）：

  • int8_mv：直接 INT8 矩阵-向量乘积，权重反量化即时进行（无需激活量化）

对于 W4A8，GEMM 步骤在 fragment load 中包含内联 INT4→INT8 解包。

TensorOps matmul2d

INT8 GEMM 使用 Apple 的 mpp::tensor_ops::matmul2d(16, 32, 16)——通过 Metal 4 的 cooperative_tensor API，在 M5+ 上可用的硬件加速 INT8×INT8→INT32 矩阵乘法。这与 MLX 的 NAX 模板可用的硬件指令相同。Cider 的 kernel 在存储阶段加入融合反量化（INT32 × scales → FP16），避免额外的设备内存往返。详见 kernel comparison。

Tile 配置

Config BM BN BK SK Threads Use When
Large 128 128 512 32 512 M > 64
Small 32 128 512 32 128 M ≤ 64

根据 M 自动选择。包含 L2 cache swizzle 派发。

ANE+GPU 异构张量并行（实验性）

我们发现，在 Mac 上进行推理时，仅利用了 GPU 与 CPU 两个硬件计算单元，而 Mac 上的 ANE（Apple Neural Engine）计算单元处于空闲状态。我们将此视为潜在的优化机会。受 maderix/ANE, 启发，我们开展了 ANE+GPU 混合推理模式的实验工作。目前我们将该方案应用于张量并行计算。在 M4 芯片上，在仅同步的前向推理期间（MLX 原生使用称为惰性求值的技术以降低同步开销；在端到端测试中，混合推理目前尚未显示出优势，主要因为我们尚未基于 MLX 的惰性求值实现该方案——这仍是后续工作），与纯 GPU 推理在同步流水线（synchronize pipeline）下相比，我们观察到约 3%~16% 的性能提升。这仍属探索性工作，端到端收益目前受限于缺少与惰性求值兼容的实现。

在 LLM prefill 阶段，GPU 的矩阵单元已满载——但 Apple Neural Engine 完全空闲。ANE Split 利用这一点，沿输出通道拆分每个线性层的 GEMM：

  • ANE 计算约 65% 的输出通道（FP32，通过逆向工程的私有 _ANEClient API）
  • GPU 计算剩余约 35%（FP16，标准 MLX matmul）
  • 两者并发运行，结果拼接

这是一种异构张量并行——不是数据并行，也不是流水线并行——利用同一 SoC 上的两个不同计算单元。

性能（Apple M4，Qwen3-VL-2B Prefill）

seq W8A16 GPU SplitLinear Speedup vs W8A16
512 639.9 ms 615.9 ms 1.039×
1024 1348.6 ms 1156.9 ms 1.17×

在测试的基准案例中，余弦相似度接近 1.0，top-1 token 一致率为 100%。

关键设计选择

  • 仅 Prefill：Decode 回退到原始 GPU linear（零开销）
  • 共享输入准备：Q/K/V 与 Gate/Up 投影通过 _InputGroup 共享单次输入转置+numpy 拷贝
  • 自动路由：Down 投影（IC > 2×OC）在 ANE 效率低下时保持仅 GPU
  • 短序列绕过：序列 < 192 token 时跳过分拆（开销大于收益）

完整文档、用法、构建说明与限制见 experimental/README.md。

注意： ANE Split 已在 M4 上测试。M5 引入了 ANE 架构变更，可能破坏私有 API 桥接——尚未在 M5 上验证。

量化

Component Scheme Granularity
W8A8 weights Symmetric INT8 Per-channel or per-group (gs=64/128)
W4A8 weights Symmetric INT4 (zp=8) Per-column
Activations Symmetric INT8 Per-token
Accumulation INT32 —
Output dequant C_fp16 = C_int32 * s_act * s_weight Per-element

限制

  • M=1 单算子：逐通道 MV kernel 在独立 decode 调用时慢于 MLX W4A16。逐组 MV kernel 在端到端基准中与 MLX W8A16 decode 速度相差在 5% 以内。
  • INT8 TensorOps 仅支持 Apple M5+：M4 及以下可安装但 is_available() 返回 False。
  • W4A8 慢于 W8A8：INT4→INT8 解包 ALU 开销（Metal 4 matmul2d 无原生 INT4 操作数）。

工具

统一 PPL 评估

# Run all 5 configurations in one script
python tools/eval_ppl_all.py --num-samples 50

# Evaluates: FP16, W8A16 (MLX native), W8A8 per-channel, per-group(gs=64), per-group(gs=128)
# Outputs comparison table at the end

路线图

  • 一行式模型转换 API（convert_model，自动 prefill/decode）
  • 自动 dtype 处理（float16 / bfloat16）
  • 逐通道与逐组 W8A8 量化
  • 专用 decode MV kernel（匹配原生 MLX 速度）
  • 条件编译（M4 优雅回退）
  • mlx_vlm 与 mlx_lm 集成示例
  • 优化的 SDPA decode kernel（受 FlashInfer 启发，支持 GQA）
  • 一行式 patch_sdpa()，透明加速 decode
  • SDPA AutoTune（按架构块大小扫描）
  • ANE 原语惰性求值
  • 集成剪枝功能
  • KVCache 量化

作者

Multimodal Team, Mininglamp Technology

如有 bug 报告、功能请求或使用问题，请在本仓库提交 issue。

引用

若您认为本工作有价值，请引用：

@software{wang2026cider,
  author = {Multimodal Team, Mininglamp Technology},
  title = {Cider: Exploiting Unused INT8 TensorOps for Faster LLM Prefill on Apple Silicon},
  year = {2026},
  howpublished = {https://github.com/Mininglamp-AI/cider}
}

许可证

MIT

致谢

  • MLX by Apple — primitive API, NAXFrag kernel architecture
  • FlashInfer — inspired contiguous chunk GQA scheduling and register tiling for SDPA decode kernel
  • Metal 4 MetalPerformancePrimitives for INT8 TensorOps
  • maderix/ANE — inspired and informed our ANE+GPU tensor-parallel implementation
Reference in New Issue View Git Blame Copy Permalink