🧂 Salt OS · 同心圆

还是同一个圆心：一台开机只有一个 AI 的手机。上一环权重的确住进了内存，可取法是串行的：每层开跑前，引擎先停下来逐字取满 16 个字（ST_WLD → ST_WLDR），取满才进计算——算一层、停一次、取一层、再算一层。层数一多，取权重的这几百拍全落在关键路径上，NPU 有一半时间在等内存。
真芯片不这么干：把「等一下层」藏进「算本层」里。这一环给整网引擎装两个权重 bank（乒乓）+ 一个与计算并行的装载器：算本层时读 bank A，同时把下层的 16 个字偷偷取进 bank B；本层算完，bank B 已经满了，一拍换 bank 直接开跑。

· 片内权重扩成两份：一层权重的片内落点从一份（wq_r/wq2_r/wk_r/wv_r/w1_r/w2_r/g_r/b_r）扩成两个 bank（wq_b[...] 等，索引 bank_r）——计算读一份、装载器写另一份，读写互不打架，预取才可能与计算同时进行；
· 装载器独立出来：权重装载变成一个与层循环并行的子引擎（PF_IDLE / PF_REQ / PF_WAIT / PF_DONE），主循环只跟它握手（ld_ready / ld_layer / ld_buf）；
· 预取那一刻：新增状态 ST_PREK——在开跑本层的那一刻，按「层号 × 16」给下一层起一次装载，写进 ~bank_r（计算正在读的那份一个字都不动）；
· 换 bank 只花一拍：ST_WLD 只在「就绪的层号 == 本层号」时换 bank（ld_ready && ld_layer == lcnt）；就绪了就是一拍过，不再等；
· 只扩不推翻：w_pf 选择预取——1 = 双缓冲预取（本环新增、主路默认），0 = 第 28 圈的逐层串行路径（一字未删，只是不在计算期间预取）；w_src 的寄存器驻留路径、前 28 圈的地址映射一个字没动；
· 探针：0x2DC NET_W_PF_CNT = 与计算重叠取回的字数——把「取权重被计算盖住了」钉在寄存器上。

rtl/layer_net.sv：装载器与层循环并行，预取写进另一个 bank：

// 预取那一刻：开跑本层，就把下层权重取进另一个 bank
ST_PREK: begin
    if (w_pf && (li_nxt < layers_r)) begin
        ld_ready <= 1'b0;              // 旧 bank 的就绪标志先撤下
        pf_layer <= li_nxt;            // 取下一层
        pf_buf   <= ~bank_r;           // 写进「计算不读」的那个 bank
        pf_go    <= 1'b1;
    end
    st <= ST_PROJ;
end
// 换 bank：就绪的正好是本层 → 一拍过（那一拍就是「不等」）
ST_WLD: if (ld_ready && (ld_layer == lcnt)) begin
            bank_r <= ld_buf;
            st     <= ST_PREK;
        end else if (w_src && !pf_busy && !pf_go) begin
            ld_ready <= 1'b0;          // w_pf=0 或预取晚一步：现在起装载
            pf_layer <= li;
            pf_buf   <= (lcnt == 0) ? 1'b0 : ~bank_r;
            pf_go    <= 1'b1;
        end
// 探针：这个字是「在算别的东西的时候」取回来的吗？
if (in_compute) pf_ovl <= pf_ovl + 8'h1;

rtl/min_bus.sv：新接口 + 探针接到核可见的寄存器：

// 0x2D8 NET_W_PF      1 = 双缓冲预取（算本层时取下层）
// 0x2DC NET_W_PF_CNT  与计算重叠取回的字数（探针）
6'd54: net_w_pf_r <= dmem_wdata[0];                 // 写
6'd55: dmem_rdata_reg = {24'b0, net_w_pf_cnt};      // 读

OS 一行不改主路逻辑，只在开机时多一句 sw 1, 0x2D8（NET_W_PF=1）——此后核不必管权重什么时候取，硬件自己算好时间。

单元仿真 tb_layer_net29（引擎 + 行为级权重 SRAM 模型，5 组用例）：串行路径 y=0xFA03FC07、重叠 0；预取路径 同一个 y=0xFA03FC07（逐位一致）、重叠 16；单层（没有下层可预取）w_cnt=16、重叠 0；改 SRAM 里层 1 的 FFN W2 → 预取路径变 0xF703F90A；寄存器路径不受影响仍 0xFA03FC07。

协同仿真 tb_min_soc29（整机：核 → OS → 解码循环 → 收尾九项试验）：

SCREEN2 = 0x02040404（整网 digest，同第 26~28 环）、SCREEN3 = 0x04000204（ISA 契约 digest，同第 27/28 环）、SCREEN4 = 0x10200707（预取 digest：重叠 16 字 | 累计取 32 字 | 预取路径 lane0 = 7 | 串行路径 lane0 = 7 —— 最后两位相等正是「两条路径逐位一致」）。全量回归 43 项（新增 layer_net29 与 min_soc29）全部通过。

调试中还踩实两颗非显而易见的坑：① 就绪标志没跨层撤销 → 串行路径第二层会复用第一层的 bank（已修：加 ld_layer 比对 + 起装载时撤就绪）；② PF_DONE 与「层循环发现权重没就绪」同一拍并发 → 同一层被重复装载（已修：pf_busy 定义成 pf_st != PF_IDLE）。

这一环之后，权重不再是「算一层等一层」：算本层的时候，下层已经在路上了。NPU 的空转被本层的计算填满——同样的层数、同样的权重、逐位一样的结果，少掉的只是「干等内存」的那些拍。
对「开机只有一个 AI」的手机来说，这是让算力不被内存拖住的第一步：真模型的层多得数不清，如果每层都要停下来等权重，再强的 NPU 也只是在等总线。取数并行起来，这条通往真 DeepSeek 的路才不会堵在带宽上。