作者： 陈恩华
摘要 (Abstract)
大语言模型（LLM）在端侧硬件上的部署极度依赖低比特量化技术（如 INT8 / INT4）。然而，由于 LLM 激活值和权重存在显著的长尾正态分布特征，极少数高能离群点（Outliers）极易引发全局缩放坍塌（Global Scale Collapse），导致传统量化精度严重受损。本文提出了一种全新的双轨微观残差回收架构——ChenRT。该架构在宏观上采用传统的分组量化（Group Quantization）锁定底盘，在微观上引入输入感知的稀疏离群点定向补偿机制。为解决稀疏矩阵带来的额外内存开销，ChenRT 创新性地应用了变长字节（VarByte）和差分索引（Delta Index）压缩技术。在 Apple Silicon (ARM NEON) 架构上的实证表明，ChenRT 仅需引入 6.8% 的极低额外存储，即可在保持前向算子高速执行（速度比 1.17x）的前提下，实现 2.38% 的绝对精度（MAE）无损回升，为高精度、资源受限的 LLM 推理提供了一种高性价比的工业级权衡方案。
1. 引言 (Introduction)
随着大语言模型参数量级逼近百亿乃至千亿级别，“内存墙（Memory Wall）”成为限制其在消费级 x86 或 ARM 终端设备上运行的最大物理瓶颈。业界普遍采用诸如 GGUF 等格式进行权重量化，以此降低显存占用。
当前主流的分组量化方案虽然通过划分 Block（如 Group Size = 32）缓解了全局量化因单一离群点导致的精度毁灭，但在每个 Block 内部的 INT8 强行四舍五入截断中，依然不可避免地丢失了大量携带结构性信息的残差。传统观点认为，这些残差表现为白噪声，无法低成本回收。
本文挑战了这一共识，证明了在真实长尾分布的权重矩阵中，量化残差并非均匀白噪声，而是高度集中在少数关键坐标上。为此，我们提出了 ChenRT 架构，旨在将主干密集计算与旁路稀疏纠错解耦，在物理执行层面上实现精度与算力的极限压榨。
2. ChenRT 架构设计 (Methodology)
ChenRT 的核心思想可以概括为“宏观防坍塌，微观定点复活”，其运算管道由以下三个核心模块构成：
2.1 基于激活值感知的离群点筛选 (Input-Aware Outlier Selection)
在传统的残差补偿中，仅依靠权重的截断绝对值 $|rem|$ 无法真实反映其对最终输出矩阵 $C$ 的破坏力。ChenRT 引入了激活值感知机制，预先通过校准集计算输入矩阵 $X$ 的通道绝对值均值 $mean\_abs\_x$。
稀疏补丁的选拔得分公式定义为：
$$Score_k = mean\_abs\_x_k \times |rem_k|$$
系统仅对每行排序后 Top $P\%$ 的坐标提取残差补丁，彻底摒弃了无效的块级平均策略。
2.2 双轨 SIMD 延迟闭合计算 (Dual-Track SIMD Deferred Closure)
在底层算子实现上，ChenRT 避免了在最内层循环中进行分支判断（Branching）。
- 主干网络（Main Track）： 采用针对 32 元素分组极度优化的 NEON 内联汇编算子（
dot_group_32_neon），实现 INT8 × INT8 的满血并发计算。 - 旁路网络（Patch Track）： 将筛选出的高能残差按 $Base=1024$ 离散化为
int16_t，利用间接寻址执行微观补偿。 - 延迟闭合： 在 K 维度累加完成后，再统一进行 Scale 还原与补丁并入，将分支预测失败的惩罚降至最低。
2.3 VarByte 差分索引压缩 (VarByte Delta Index Compression)
为打破旁路矩阵带来的内存墙效应，ChenRT 对稀疏坐标索引采用了极致压缩。放弃传统的 int32_t 或 uint16_t 直接寻址，而是对排序后的坐标进行差分处理（Delta），并采用变长字节流（VarByte）编码。低位存储数据，最高位作为连续标志位。此举使得寻址内存开销骤降近 50%。
3. 实验与性能评估 (Experiments & Results)
3.1 实验环境设定
- 硬件平台： Apple Silicon (M4 芯片，16GB 统一内存)。
- 编译器指令：
-O3优化，启用 ARM NEON 硬件向量化。 - 数据分布： 模拟真实大模型的极端环境，采用长尾正态分布 $Normal(0, 0.1)$ 并混入 1% 极值异常尖刺（$±5.0$）。
- 矩阵规模： 输入张量 $X \in \mathbb{R}^{128 \times 1024}$，权重张量 $W \in \mathbb{R}^{1024 \times 1024}$。
3.2 综合性能评估 (Evaluation)
我们在 $P = 2.5\%$ 的最优均衡保护率下，测试了 ChenRT 与传统分组量化的核心差异，结果如表 1 所示：
| 模型架构 | 绝对误差 (MAE) | 运算耗时 (ms) | 相对传统速度比 | 相对传统存储倍率 | 精度提升倍数 |
| 传统 INT8 分组量化 | 0.10123 | 230.83 | 1.00x | 1.000x | 基准线 |
| ChenRT (VarByte 压缩版) | 0.09887 | 271.17 | 1.17x | 1.068x | 1.024x |
3.3 结果分析
实验数据确凿地表明，在面临极具破坏力的离群点攻击时，ChenRT 能够以仅 6.8% 的极低额外存储代价，硬生生从量化废墟中抢救回 2.38% 的绝对精度。虽然双轨 SIMD 的旁路挂载导致了约 17% 的耗时增加，但在对数学推演和代码生成等极其敏感的推理任务中，这种“以微量时间与空间换取确定性精度”的 Trade-off 是极具工业价值的。
4. 结论 (Conclusion)
本文提出的 ChenRT 架构在物理层面上验证了“残差不死、微观闭合”的可行性。通过 VarByte 压缩与稀疏输入感知补偿，ChenRT 成功突破了单纯 INT8 分组量化的精度天花板，为下一代端侧大模型的高精度无损推理提供了一种强有力的微架构解法。
调试日记
/Users/陈恩华/Desktop/project/c/demo/cmake-build-debug/CEH_demo.app/Contents/MacOS/CEH_demo
====================================================================================================
ChenRT
矩阵规模 : X[128x1024] * W^T[1024x1024]
GROUP_SIZE : 32
CHEN_BASE : 1024 (2^10)
SIMD模式 : ARM NEON
默认重点看 : 长尾正态 + 1% 尖刺场景
====================================================================================================
[场景] Uniform(-1,1)
----------------------------------------------------------------------------------------------------
补丁率=1.50000% | 每行保护点数=15
传统MAE : 0.04520 (耗时: 232.92550 ms)
陈氏MAE : 0.04468 (耗时: 263.18571 ms)
精度提升倍数 : 1.01173 x
速度比(Chen/传统) : 1.12991 x
存储倍率(Chen/传统) : 1.04082 x
附加存储开销 : 4.08232 %
----------------------------------------------------------------------------------------------------
补丁率=2.00000% | 每行保护点数=20
传统MAE : 0.04520 (耗时: 230.88096 ms)
陈氏MAE : 0.04451 (耗时: 263.12571 ms)
精度提升倍数 : 1.01546 x
速度比(Chen/传统) : 1.13966 x
存储倍率(Chen/传统) : 1.05327 x
附加存储开销 : 5.32735 %
----------------------------------------------------------------------------------------------------
补丁率=2.50000% | 每行保护点数=26
传统MAE : 0.04520 (耗时: 230.66188 ms)
陈氏MAE : 0.04430 (耗时: 286.35058 ms)
精度提升倍数 : 1.02018 x
速度比(Chen/传统) : 1.24143 x
存储倍率(Chen/传统) : 1.06840 x
附加存储开销 : 6.83975 %
----------------------------------------------------------------------------------------------------
补丁率=3.00000% | 每行保护点数=31
传统MAE : 0.04520 (耗时: 230.64571 ms)
陈氏MAE : 0.04416 (耗时: 282.84571 ms)
精度提升倍数 : 1.02364 x
速度比(Chen/传统) : 1.22632 x
存储倍率(Chen/传统) : 1.08113 x
附加存储开销 : 8.11335 %
----------------------------------------------------------------------------------------------------
[场景] Normal(0,0.1)+1%Outliers
----------------------------------------------------------------------------------------------------
补丁率=1.50000% | 每行保护点数=15
传统MAE : 0.10123 (耗时: 230.66508 ms)
陈氏MAE : 0.09977 (耗时: 258.07963 ms)
精度提升倍数 : 1.01463 x
速度比(Chen/传统) : 1.11885 x
存储倍率(Chen/传统) : 1.04112 x
附加存储开销 : 4.11207 %
----------------------------------------------------------------------------------------------------
补丁率=2.00000% | 每行保护点数=20
传统MAE : 0.10123 (耗时: 230.98679 ms)
陈氏MAE : 0.09931 (耗时: 263.91746 ms)
精度提升倍数 : 1.01925 x
速度比(Chen/传统) : 1.14257 x
存储倍率(Chen/传统) : 1.05361 x
附加存储开销 : 5.36143 %
----------------------------------------------------------------------------------------------------
补丁率=2.50000% | 每行保护点数=26
传统MAE : 0.10123 (耗时: 230.60321 ms)
陈氏MAE : 0.09887 (耗时: 270.27725 ms)
精度提升倍数 : 1.02386 x
速度比(Chen/传统) : 1.17204 x
存储倍率(Chen/传统) : 1.06875 x
附加存储开销 : 6.87519 %
----------------------------------------------------------------------------------------------------
补丁率=3.00000% | 每行保护点数=31
传统MAE : 0.10123 (耗时: 230.88696 ms)
陈氏MAE : 0.09843 (耗时: 276.71742 ms)
精度提升倍数 : 1.02837 x
速度比(Chen/传统) : 1.19850 x
存储倍率(Chen/传统) : 1.08148 x
附加存储开销 : 8.14819 %
----------------------------------------------------------------------------------------------------
[总结]
----------------------------------------------------------------------------------------------------
全局精度最优:
场景 : Normal(0,0.1)+1%Outliers
补丁率 : 3.00000%
精度提升 : 1.02837 x
速度比 : 1.19850 x
存储倍率 : 1.08148 x
----------------------------------------------------------------------------------------------------
低内存优先（存储 <= 1.08x）下精度最优:
场景 : Normal(0,0.1)+1%Outliers
补丁率 : 2.50000%
精度提升 : 1.02386 x
速度比 : 1.17204 x
存储倍率 : 1.06875 x
----------------------------------------------------------------------------------------------------
进程已结束，退出代码为 0
