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.
jagsan-cyber/turboquant-rocm-llamacpp, aprile 2026). Non è ancora nel main di llama.cpp. Aspettati possibili crash e performance variabile. Testa sempre su un sistema non di produzione.Prima di iniziare, verifica che il tuo sistema soddisfi i requisiti minimi. Le GPU AMD supportate da ROCm partono da RDNA2 (gfx1030+).
rocminfo | grep gfx. Nota il valore (es. gfx1100 per RX 7900) — ti servirà nella fase di build come AMDGPU_TARGETS.Segui gli step nell'ordine. Ogni blocco di codice è copiabile con un click.
Installa i pacchetti necessari. Su Ubuntu 22.04/24.04:
# 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-configSu Fedora/RHEL:
sudo dnf install -y gcc gcc-c++ clang cmake git wget curl python3 python3-pip openblas-develSe ROCm non è ancora installato, usa lo script ufficiale AMD. Se già installato, salta alla verifica.
# 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 $USER
newgrp render
# Riavvia per applicare i cambiamenti
sudo reboot# Verifica che ROCm rilevi la GPU
rocminfo
# Trova la tua architettura target (es. gfx1100)
rocminfo | grep -E "gfx|Name"
# Verifica HIP
hipconfig -v
hipconfig -l # mostra path del compilatore
# Test rapido: elenca device
rocm-smirocminfo mostra la tua GPU con architettura gfx****, ROCm è correttamente installato. Annota il valore — es. gfx1100 per RX 7900 XTX.Usa il fork jagsan-cyber/turboquant-rocm-llamacpp che include la patch TurboQuant con backend ROCm/HIP. Contiene anche la Heavy-Hitter Oracle (H2O) per KV cache eviction.
# Crea una directory di lavoro
mkdir -p ~/llm-inference && cd ~/llm-inference
# Clona il fork TurboQuant con supporto ROCm
git clone https://github.com/jagsan-cyber/turboquant-rocm-llamacpp.git
cd turboquant-rocm-llamacpp
# Mostra il branch corrente e i log recenti
git log --oneline -10
git branch -aTheTom/llama-cpp-turboquant (CUDA + CPU) e applicare manualmente i patch ROCm dal repo jagsan-cyber. Vedi la sezione Troubleshooting.Questa è la fase critica. Sostituisci gfx1100 con l'architettura della tua GPU rilevata al passo 2. Se hai più GPU, separa con punto e virgola: gfx1100;gfx1030.
# Imposta la tua architettura GPU (modifica questo valore!)
# Esempi: gfx1030 (RX 6800), gfx1100 (RX 7900 XTX), gfx1101 (RX 7600)
# gfx1151 (Strix Halo / Ryzen AI MAX)
export AMDGPU_TARGETS="gfx1100" # ← modifica qui
# Imposta variabili HIP dal runtime ROCm
export HIPCXX="$(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$(nproc)
# Verifica i binari prodotti
ls -la build/bin/-DGGML_HIP_TURBOQUANT=ON non viene riconosciuto (CMake error), consulta il README del fork: alcune versioni usano -DLLAMA_TURBOQUANT=ON o richiede un branch specifico. Controlla con git branch -a.# Flag aggiuntivi per ottimizzazioni specifiche
cmake -S . -B build -DGGML_HIP=ON -DGGML_HIP_TURBOQUANT=ON -DAMDGPU_TARGETS=$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 modelliPer testare TurboQuant hai bisogno di un modello in formato GGUF. Puoi scaricarne uno pre-quantizzato da HuggingFace o usarne uno esistente.
# 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_MAvvia 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).
# 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."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 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 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.toolBenchmark 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.
Errori frequenti e come risolverli.
HIPCC not found o hipconfig: command not foundROCm non è nel PATH o non è installato correttamente.
# 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 -vGPU not found o Device 0: gfx000L'utente non ha i permessi sul device o il driver non carica correttamente.
# Controlla che l'utente sia nel gruppo render/video
groups $USER
# Se mancano, aggiungili e rilogga
sudo usermod -aG render,video $USER
logout # poi rilogga
# Verifica device files
ls -la /dev/kfd /dev/dri/renderD*DGGML_HIP_TURBOQUANT not recognizedAlcune versioni del fork usano nomi di flag diversi. Prova queste alternative:
# Alternativa 1
cmake -S . -B build -DGGML_HIP=ON -DLLAMA_TURBOQUANT=ON ...
# Alternativa 2: cerca il flag corretto nel CMakeLists
grep -i "turboquant" CMakeLists.txt
grep -i "turboquant" ggml/CMakeLists.txtSu ROCm il backend TurboQuant non è ancora ottimizzato quanto CUDA. Prova queste mitigazioni:
# Usa tq4_0 invece di tq1_0 per k — meno compressione, più veloce
--cache-type-k tq4_0 --cache-type-v tq4_0
# Riduci il context se la VRAM non è un problema
-c 4096
# Forza un numero specifico di thread CPU per il dequantize
-t 8
# Monitora l'utilizzo GPU in tempo reale
rocm-smi --showuse --showmeminfo vram -d 0Se preferisci partire dal repo ufficiale llama.cpp e applicare la patch TurboQuant manualmente:
# Clona llama.cpp ufficiale
git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
# Aggiungi il fork come remote
git remote add thetom https://github.com/TheTom/llama-cpp-turboquant.git
git fetch thetom
# Cherry-pick solo i commit TurboQuant (vedi git log thetom/main)
git log thetom/main --oneline | grep -i turboquant
# poi: git cherry-pick <commit-hash>
# Build con ROCm standard
cmake -S . -B build -DGGML_HIP=ON -DAMDGPU_TARGETS=$AMDGPU_TARGETS -DCMAKE_BUILD_TYPE=Release
cmake --build build -j$(nproc)