🧂 Salt OS · 同心圆

同一个圆心：一台开机只有一个 AI 的手机。上一环把「多层块」补完整了——每一层自己投影、自己 K/V、自己注意力。但整条 Transformer 的最后一步始终缺着：真模型靠一个 LM 头（输出词表投影）把最终隐藏状态投到词表上，得到每个候选字的分数，再取分数最大的那个作为下一个 token；然后把这个 token 变成下一轮的输入，一个字一个字往下写（自回归解码）。没有这一步，芯片算完了也不知道该说哪个字。这一环把最后这一步接上，并且让「输出」真的变成「下一轮的输入」——逐字生成在芯片上闭合。

延续「端上紧凑、全定点、权重 INT4、激活 INT8」的主线，新增两个引擎，并给它们另开一页寄存器：
· LM 头（lm_head）——输入是最终残差流 x（D 个 lane，各 INT8），配一张词表投影矩阵 W_lm（V 行 × D 列，INT4），一次算出 V 个 logits（32bit 有符号累加）；同一拍在硬件里做 argmax，报出 next_token（分数并列时取下标小的，保证确定性）；
· 词嵌入表（token_emb）——token 号 → 一个 D 维向量（正是下一轮 Transformer 的输入）。核把表写进来，给一个 token 号，硬件组合读立刻返回对应向量（零延迟）；
· 只扩不推翻——新增一页寄存器（0x400 起），用 bit10 守卫把它和前 15 圈的老映射隔开，老地址一个字不动。

新增 rtl/lm_head.sv：词表投影 + argmax；新增 rtl/token_emb.sv：片上词嵌入表。

LM 头：logits[t] = Σ_i W_lm[t][i] · x[i]     （INT4 权重 × INT8 激活，32bit 累加）
        next_token = argmax_t logits[t]      （并列取最小下标）
        start 单拍 → 锁存 logits/next_token → 下一拍 done
词嵌入：we/waddr/wdata 写表；token → x_out 组合查表（零延迟）

min_bus.sv 挂载并新映射（LM 头 / 词嵌入页，0x400 起，页选 = addr[10]）：

0x400 → LM_X       输入：最终残差流（4×8bit）
0x404/0x408 → LM_W_LO/HI   词表投影矩阵（V×D INT4，行优先）
0x40C → LM_START   写 1 → 触发 LM 头投影 + argmax
0x410~0x41C → LM_LOGIT0~3  读 V 个 logits（各 32bit 有符号）
0x420 → LM_TOKEN   读 argmax 出的下一个 token 号
0x424 → LM_BUSY    读 LM 头忙闲（含刚下发那拍，无空窗）
0x428 → EMB_ADDR   写目标 token 行号
0x42C → EMB_W      写该行的嵌入向量（4×8bit）
0x430 → EMB_TOK    写要查的 token 号
0x434 → EMB_X      读该 token 的嵌入向量（组合查表）
0x43C → SCREEN2    第二观察点（token2 / token1 / K bank 长度）

最小 OS 走完整自回归闭环（prompt → 两层块 → LM 头 → token → 查嵌入 → 再跑两层块 → LM 头 → token）：

解码步 1：EMB_TOK = prompt(0) → x = E[0]
        两层块（每层：LST_X → 自己投影 Q/K/V → K 进 K bank / V 进 V bank
                → QK^T → Softmax → 加权 V → 残差LN → FFN → 残差LN → XSR）
        → LM_X = 最终残差流 → LM_START → 读 LM_TOKEN = token1
解码步 2：EMB_TOK = token1 → x = E[token1]（输出变成下一轮输入）
        两层块（第 2 步注意力覆盖两步累积在 K/V bank 的 K/V）
        → LM_START → 读 LM_TOKEN = token2
收尾：SCREEN = 最终残差流；SCREEN2 = (token2, token1, K bank 长度)

这一环最直观的是「芯片真的自己写出了两个字」，每一步都能手算对得上：
· 词表投影矩阵 W_lm = [[0,0,1,0],[0,1,-1,-1],[1,0,-1,0],[-1,0,0,-1]]，词嵌入表 E[0..3] = [6,-4,3,-5] / [2,5,-1,3] / [-3,1,4,-2] / [5,-6,2,1]；
· 解码步 1：prompt = token 0 → x = E[0] = [6,-4,3,-5]；两层块跑完，最终残差流 [7,-5,3,-6]；LM 头投影得 logits [3,-2,4,-1]，argmax 出 token1 = 2；
· 解码步 2：查 E[2] = [-3,1,4,-2] 当作新一轮输入；再跑两层块——这一回每层的 K bank 里已经躺着上一步的 K（长度由 1 累积到 2），注意力真的在「两步的 K/V」上算分；最终残差流 [-5,1,7,-3]，LM 头得 logits [7,-3,-12,8]，argmax 出 token2 = 3；
· 屏幕 SCREEN = 0xFD0701FB = 4245094907，SCREEN2 = 0x030202（token2=3、token1=2、K bank 长度=2），与软件参考模型逐位一致。
注：LM 头的 argmax 结果真的在驱动下一轮——如果 argmax 错了，查到的嵌入就变了，最终残差流和屏幕立刻不同；SCREEN2 里的 K bank 长度也证明 KV Cache 是随解码步增长的。

本环走完一整圈：目标 → 真模型最后一步是 LM 头选下一个 token、再把它变回输入，缺了这步芯片就「会算不会说」 → 硬件加上词表投影 + argmax 的 LM 头与片上词嵌入表，并把 token 号接回下一轮输入 → 两步自回归解码端到端跑通、单元仿真 + 协同仿真 + 回归 18 项全绿 → 回到目标。这块芯片第一次自己吐出了下一个字，而且吐出的是「下一轮的输入」。离一台本地逐字生成、只有一个对话窗口的手机，又近一圈。下一环接上最后一根线：现在解码只在 OS 里手写了两步，下一步把它变成一个真正的解码循环——不停出 token、不停追加进 KV bank，直到吐出停止符，才把一整句话交给屏幕。