# TurboQuant + llama.cpp su ROCm — Tutorial

> **Stato:** Aprile 2026 — Sperimentale
>
> Il supporto TurboQuant su ROCm è **sperimentale** (fork `jagsan-cyber/turboquant-rocm-llamacpp`). Non è ancora nel main di llama.cpp. Aspettati possibili crash e performance variabile. Testa sempre su un sistema non di produzione.

Guida passo-passo per compilare llama.cpp con la patch TurboQuant (jagsan-cyber fork) su hardware AMD con ROCm/HIP. Comprende prerequisiti, build, test KV cache e troubleshooting.

| ROCm 6.x | HIP / hipBLAS | TurboQuant KV | RDNA2/3/4 |
|----------|---------------|---------------|-----------|

---

## Step 0 — Prerequisiti hardware & software

Prima di iniziare, verifica che il tuo sistema soddisfi i requisiti minimi. Le GPU AMD supportate da ROCm partono da RDNA2 (gfx1030+).

| Componente | Requisito | Note |
|------------|-----------|------|
| **GPU AMD** | RDNA2, RDNA3 o RDNA4 | Architetture gfx1030, gfx110x, gfx120x, Strix Halo gfx1151. ≥ RX 6000 series |
| **Linux Distro** | Ubuntu 22.04/24.04, Fedora 39+ | Kernel 6.x raccomandato |
| **ROCm** | ≥ 6.0 | AMD ROCm runtime e HIP SDK installati |
| **CMake** | ≥ 3.21 | Con supporto HIP targets |
| **Build tools** | gcc ≥ 12, clang, make, git, python3 | gcc/g++ 12+, clang (dal pacchetto ROCm) |
| **VRAM** | ≥ 8 GB | Minimo 8 GB per modelli 7B. 16 GB+ per modelli 13–34B |

> **Nota:** Verifica la tua architettura AMD con `rocminfo | grep gfx`. Nota il valore (es. `gfx1100` per RX 7900) — ti servirà nella fase di build come `AMDGPU_TARGETS`.

---

## Build Guide — Compilazione passo per passo

Segui gli step nell'ordine. Ogni blocco di codice è copiabile.

### Step 1 — Installa le dipendenze di sistema

Installa i pacchetti necessari.

**Ubuntu 22.04/24.04:**

```bash
# Aggiorna e installa build tools
sudo apt update && sudo apt upgrade -y
sudo apt install -y \
  build-essential gcc g++ clang \
  cmake cmake-extras \
  git wget curl python3 python3-pip \
  libopenblas-dev \
  pkg-config
```

**Fedora/RHEL:**

```bash
sudo dnf install -y \
  gcc gcc-c++ clang cmake git wget curl \
  python3 python3-pip openblas-devel
```

---

### Step 2 — Installa e verifica ROCm

Se ROCm non è ancora installato, usa lo script ufficiale AMD. Se già installato, salta alla verifica.

**Installazione ROCm (Ubuntu 22.04):**

```bash
# Scarica e installa ROCm 6.x (Ubuntu 22.04)
wget https://repo.radeon.com/amdgpu-install/6.3/ubuntu/jammy/amdgpu-install_6.3.60300-1_all.deb
sudo dpkg -i amdgpu-install_6.3.60300-1_all.deb
sudo amdgpu-install --usecase=rocm,hip --no-dkms

# Aggiungi il tuo utente al gruppo render e video
sudo usermod -aG render,video $USER
newgrp render

# Riavvia per applicare i cambiamenti
sudo reboot
```

**Verifica installazione:**

```bash
# Verifica che ROCm rilevi la GPU
rocminfo

# Trova la tua architettura target (es. gfx1100)
rocminfo | grep -E "gfx|Name"

# Verifica HIP
hipconfig -v
hipconfig -l   # mostra path del compilatore

# Test rapido: elenca device
rocm-smi
```

> **Successo:** Se `rocminfo` mostra la tua GPU con architettura `gfx****`, ROCm è correttamente installato. Annota il valore — es. `gfx1100` per RX 7900 XTX.

---

### Step 3 — Clona il fork TurboQuant ROCm

Usa il fork `jagsan-cyber/turboquant-rocm-llamacpp` che include la patch TurboQuant con backend ROCm/HIP. Contiene anche la Heavy-Hitter Oracle (H2O) per KV cache eviction.

```bash
# Crea una directory di lavoro
mkdir -p ~/llm-inference && cd ~/llm-inference

# Clona il fork TurboQuant con supporto ROCm
git clone https://github.com/jagsan-cyber/turboquant-rocm-llamacpp.git
cd turboquant-rocm-llamacpp

# Mostra il branch corrente e i log recenti
git log --oneline -10
git branch -a
```

> **Alternativa:** Puoi usare il fork `TheTom/llama-cpp-turboquant` (CUDA + CPU) e applicare manualmente i patch ROCm dal repo jagsan-cyber. Vedi la sezione Troubleshooting.

---

### Step 4 — Configura e compila con CMake + HIP

Questa è la fase critica. Sostituisci `gfx1100` con l'architettura della tua GPU rilevata al passo 2. Se hai più GPU, separa con punto e virgola: `gfx1100;gfx1030`.

```bash
# Imposta la tua architettura GPU (modifica questo valore!)
# Esempi: gfx1030 (RX 6800), gfx1100 (RX 7900 XTX), gfx1101 (RX 7600)
#         gfx1151 (Strix Halo / Ryzen AI MAX)
export AMDGPU_TARGETS="gfx1100"   # ← modifica qui

# Imposta variabili HIP dal runtime ROCm
export HIPCXX="$(hipconfig -l)/clang"
export HIP_PATH="$(hipconfig -R)"

# Crea la directory di build e configura
cmake -S . -B build \
  -DGGML_HIP=ON \
  -DGGML_HIP_TURBOQUANT=ON \
  -DAMDGPU_TARGETS=$AMDGPU_TARGETS \
  -DCMAKE_BUILD_TYPE=Release \
  -DGGML_BLAS=ON \
  -DGGML_BLAS_VENDOR=hipBLAS

# Compila (usa tutti i core disponibili)
cmake --build build -j$(nproc)

# Verifica i binari prodotti
ls -la build/bin/
```

> **Attenzione:** Se il flag `-DGGML_HIP_TURBOQUANT=ON` non viene riconosciuto (CMake error), consulta il README del fork: alcune versioni usano `-DLLAMA_TURBOQUANT=ON` o richiede un branch specifico. Controlla con `git branch -a`.

**Flag CMake opzionali avanzati:**

```bash
# Flag aggiuntivi per ottimizzazioni specifiche
cmake -S . -B build \
  -DGGML_HIP=ON \
  -DGGML_HIP_TURBOQUANT=ON \
  -DAMDGPU_TARGETS=$AMDGPU_TARGETS \
  -DCMAKE_BUILD_TYPE=Release \
  -DGGML_BLAS=ON \
  -DGGML_BLAS_VENDOR=hipBLAS \
  -DGGML_NATIVE=ON \       # ottimizza per la CPU locale
  -DGGML_F16C=ON \          # abilita FP16 se supportato
  -DGGML_AVX2=ON \          # AVX2 per CPU Ryzen
  -DLLAMA_CURL=ON            # abilita download diretto modelli
```

---

### Step 5 — Scarica e quantizza un modello

Per testare TurboQuant hai bisogno di un modello in formato GGUF. Puoi scaricarne uno pre-quantizzato da HuggingFace o usarne uno esistente.

```bash
# Crea directory per i modelli
mkdir -p ~/llm-inference/models

# Opzione A: scarica un GGUF già pronto (es. Qwen2.5-7B Q4_K_M)
cd ~/llm-inference/models
wget -c "https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf"

# Opzione B: converti da safetensors (se hai il modello HF locale)
cd ~/llm-inference/turboquant-rocm-llamacpp
python3 convert_hf_to_gguf.py /path/to/hf/model \
  --outfile ~/llm-inference/models/mio-modello-f16.gguf \
  --outtype f16

# Quantizzazione classica Q4_K_M (opzionale, se hai il modello F16)
./build/bin/llama-quantize \
  ~/llm-inference/models/mio-modello-f16.gguf \
  ~/llm-inference/models/mio-modello-q4km.gguf \
  Q4_K_M
```

---

### Step 6 — Esegui il test TurboQuant KV cache

Avvia `llama-cli` o `llama-bench` con i flag TurboQuant attivi. Il parametro chiave è `--cache-type-k` e `--cache-type-v` impostati a `tq` (TurboQuant).

#### Run base

```bash
# Inferenza con TurboQuant KV cache attivo su GPU AMD
./build/bin/llama-cli \
  -m ~/llm-inference/models/qwen2.5-7b-instruct-q4_k_m.gguf \
  -ngl 99 \                   # offload tutti i layer su GPU
  --cache-type-k tq1_0 \      # TurboQuant ~1-bit keys
  --cache-type-v tq4_0 \      # TurboQuant 4-bit values
  -c 16384 \                  # context window 16K token
  -n 256 \                    # genera 256 token
  -p "Ciao! Spiegami cos'è il KV cache in un LLM."
```

> **Tipi KV cache disponibili:** `f16` (standard), `q8_0`, `q4_0`, `tq1_0` (TurboQuant ~1-bit), `tq4_0` (TurboQuant 4-bit). Combinare `tq1_0` per K e `tq4_0` per V dà il miglior rapporto qualità/memoria.

#### Benchmark

```bash
# Benchmark comparativo: standard f16 vs TurboQuant

# Test 1: KV cache standard F16 (baseline)
./build/bin/llama-bench \
  -m ~/llm-inference/models/qwen2.5-7b-instruct-q4_k_m.gguf \
  -ngl 99 \
  --cache-type-k f16 \
  --cache-type-v f16 \
  -c 8192 \
  -n 128 \
  -r 3              # ripeti 3 volte per media

# Test 2: TurboQuant attivo
./build/bin/llama-bench \
  -m ~/llm-inference/models/qwen2.5-7b-instruct-q4_k_m.gguf \
  -ngl 99 \
  --cache-type-k tq1_0 \
  --cache-type-v tq4_0 \
  -c 8192 \
  -n 128 \
  -r 3

# Monitor VRAM in tempo reale (apri in un secondo terminale)
watch -n 0.5 rocm-smi --showmeminfo vram
```

#### Server mode

```bash
# Server OpenAI-compatibile con TurboQuant abilitato
./build/bin/llama-server \
  -m ~/llm-inference/models/qwen2.5-7b-instruct-q4_k_m.gguf \
  -ngl 99 \
  --cache-type-k tq1_0 \
  --cache-type-v tq4_0 \
  -c 32768 \          # context 32K — qui TurboQuant fa la differenza!
  --host 0.0.0.0 \
  --port 8080

# Test rapido con curl (in un altro terminale)
curl -s http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"local","messages":[{"role":"user","content":"Ciao!"}],"max_tokens":100}' \
  | python3 -m json.tool
```

---

## Risultati attesi — Cosa aspettarsi su ROCm

Benchmark indicativi basati su test della community (aprile 2026). I valori ROCm sono stimati a partire dai dati CUDA applicando il gap storico di ~15-25%.

| Config KV cache | VRAM (7B, 8K ctx) | TPS decode | Qualità output | Stato ROCm |
|-----------------|-------------------|------------|----------------|------------|
| `f16 / f16` (baseline) | ~6.5 GB | 100% (ref) | ✅ Perfetta | ✅ Stabile |
| `q8_0 / q8_0` | ~5.2 GB (−20%) | ~105% | ✅ Ottima | ✅ Stabile |
| `q4_0 / q4_0` | ~3.8 GB (−42%) | ~108% | ⚠️ Buona | ✅ Stabile |
| `tq4_0 / tq4_0` | ~2.4 GB (−63%) | ~96% | ⚠️ Buona | ⚠️ Sperimentale |
| `tq1_0 / tq4_0` (max compression) | ~1.1 GB (−83%) | ~85-92% | ⚠️ Discreta | ⚠️ Sperimentale |

> I dati ROCm sono stime. Su Metal (Apple Silicon) si registra un calo TPS maggiore (~50%) per un bug noto. CUDA mostra +22.8% decode a 32K context.

---

## Troubleshooting ROCm + TurboQuant

### ❌ Errore: `HIPCC not found` o `hipconfig: command not found`

ROCm non è nel PATH o non è installato correttamente.

```bash
# Aggiungi ROCm al PATH
echo 'export PATH=$PATH:/opt/rocm/bin:/opt/rocm/hip/bin' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/rocm/lib' >> ~/.bashrc
source ~/.bashrc

# Verifica
which hipconfig && hipconfig -v
```

### ❌ Errore: `GPU not found` o `Device 0: gfx000`

L'utente non ha i permessi sul device o il driver non carica correttamente.

```bash
# Controlla che l'utente sia nel gruppo render/video
groups $USER

# Se mancano, aggiungili e rilogga
sudo usermod -aG render,video $USER
logout   # poi rilogga

# Verifica device files
ls -la /dev/kfd /dev/dri/renderD*
```

### ❌ Errore CMake: `DGGML_HIP_TURBOQUANT not recognized`

Alcune versioni del fork usano nomi di flag diversi. Prova queste alternative:

```bash
# Alternativa 1
cmake -S . -B build -DGGML_HIP=ON -DLLAMA_TURBOQUANT=ON ...

# Alternativa 2: cerca il flag corretto nel CMakeLists
grep -i "turboquant" CMakeLists.txt
grep -i "turboquant" ggml/CMakeLists.txt
```

### ⚠️ Performance peggiori del previsto (TPS molto bassi)

Su ROCm il backend TurboQuant non è ancora ottimizzato quanto CUDA. Prova queste mitigazioni:

```bash
# Usa tq4_0 invece di tq1_0 per k — meno compressione, più veloce
--cache-type-k tq4_0 --cache-type-v tq4_0

# Riduci il context se la VRAM non è un problema
-c 4096

# Forza un numero specifico di thread CPU per il dequantize
-t 8

# Monitora l'utilizzo GPU in tempo reale
rocm-smi --showuse --showmeminfo vram -d 0
```

### 🔄 Alternativa: applicare patch manualmente su llama.cpp ufficiale

Se preferisci partire dal repo ufficiale llama.cpp e applicare la patch TurboQuant manualmente:

```bash
# Clona llama.cpp ufficiale
git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp

# Aggiungi il fork come remote
git remote add thetom https://github.com/TheTom/llama-cpp-turboquant.git
git fetch thetom

# Cherry-pick solo i commit TurboQuant (vedi git log thetom/main)
git log thetom/main --oneline | grep -i turboquant
# poi: git cherry-pick <commit-hash>

# Build con ROCm standard
cmake -S . -B build \
  -DGGML_HIP=ON \
  -DAMDGPU_TARGETS=$AMDGPU_TARGETS \
  -DCMAKE_BUILD_TYPE=Release
cmake --build build -j$(nproc)
```