376 lines
12 KiB
Markdown
376 lines
12 KiB
Markdown
# 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)
|
||
```
|