🧂 Salt OS · 同心圆

还是同一个圆心：一台开机只有一个 AI 的手机。上一环硬件确实会自己读段表了，可读法是「停在边界上等表」——每到一个段边界，引擎先把扫描停下，进 ST_TBLD/ST_TBLW 两个专用状态等表字从 SRAM 回来（发地址 + 采样，实打实两拍）。真芯片上表的读取（主存访问）是几十上百拍的延迟，这么「停一次等一次」会把延迟整个暴露在关键路径上，段越多停越多次。
而段表本来就住在内存里、长得可以很长（大矩阵分几十上百段），正确的做法是边扫边取：扫当前这一段的时候，就把下一条表字从（与权重共用的）流式通道里取回来、存进一个前瞻缓冲；走到段边界时直接换段，不停下扫描等表。

· 前瞻缓冲：lk_data 一个表字 + lk_valid 一位——缓冲里装的是「下一条」表字（当前段还在扫，下一段已经到手）；
· 借一拍：预取就借 ST_COMP 那一拍——部分积算在片上（累加发生在寄存器里），SRAM 读口本来空着，同一拍把表地址摆上、读使能拉高，表字下一拍就落进缓冲；扫描一个额外周期都不花（读使能因此改成组合：寄存的取权重 + 组合的预取，两者永不重叠）；
· 边界三档：缓冲有货 → 零额外周期直接换段（lk_use_now）；缓冲空着（比如本段只有一块、来不及预取）→ 边界那一拍当场取，下一拍装上开扫（1 拍）；都没赶上 → 退回第 34 环的阻塞式读表（2 拍）；
· 只扩不推翻：RB_TBLP=0 = 第 34 环老语义（边界阻塞两拍读表），一个状态没删；开/关预取跑同一张表，算出来的整行必须逐位一致；前 34 圈地址映射一字不改；
· 硬证据探针：0x3F4 RB_TBLPF（走流式通道取回几条）、0x3F8 RB_TBLUS（边界零额外周期换段的段数——这个数 > 0 就是「边扫边取」真发生了）、0x3FC RB_TBLST（退回阻塞读表的条数，预取路径应为 0）、0x634 RB_TBLCYC（本次启动周期数）、0x638 SCREEN10。

改 rtl/row_blk.sv（新增 tbl_pf 输入 + lk_data/lk_valid/lk_req 前瞻缓冲与预取通路 + 新状态 ST_LKW + 读使能改为组合 w_rd_en_r | tbl_rd_now + 表字装载抽成公共块，三条来路共用），新增 tb/tb_row_blk35.sv（单元仿真，两个不同大小的矩阵 + 开/关预取周期对照）；min_bus 挂 0x3F0 RB_TBLP / 0x3F4 RB_TBLPF / 0x3F8 RB_TBLUS / 0x3FC RB_TBLST / 0x634 RB_TBLCYC / 0x638 SCREEN10 并新增第十观察点 screen10_out；circle35/gen_boot35.py 生成最小 OS（第 35 环试验段）；tb/tb_min_soc35.sv 协同仿真。

// rtl/row_blk.sv（节选）：段表流式取——借一拍空闲的流式通道，边界不再等表
// 预取就发生在 ST_COMP 那一拍（部分积算在片上，SRAM 读口空着）
wire lk_use_now   = (st == ST_COMP) && !seg_next && tbl_r && tbl_more
                    && tbl_pf_r && lk_valid;
wire lk_issue_now = (st == ST_COMP) && tbl_r && tbl_pf_r && tbl_more
                    && !lk_valid && !lk_req;
assign w_rd_en = w_rd_en_r | lk_issue_now;   // 组合读使能：借一拍，不花额外周期

ST_COMP: begin
    ... 部分积累加进 acc ...
    if (seg_next) begin                       // 本段还有下一块
        blk_r <= blk_r + 1'b1;
        if (lk_issue_now) lk_req <= 1'b1;     // 顺手把下一条表字取回来
    end else if (bnd_now) begin               // 段边界：该翻下一条表了
        if (lk_use_now) begin                 // 缓冲有货 → 零额外周期换段
            lk_valid <= 1'b0;
            tbl_idx_r <= tbl_idx_r + 8'd1;
            st <= ST_FETCH;
        end else if (lk_issue_now) begin      // 缓冲空 → 当场取（只花 1 拍）
            lk_req <= 1'b1; st <= ST_LKW;
        end else st <= ST_TBLD;               // 兜底：第34环阻塞读表（2 拍）
    end
end

// 预取回来的表字下一拍落进前瞻缓冲（表与权重共用同一条流式通道）
if (lk_req && w_rd_valid && (st != ST_LKW)) begin
    lk_data <= w_rd_data; lk_valid <= 1'b1; lk_req <= 1'b0;
end

测试矩阵 W = [1,2,-1,0 / 0,1,1,-2 / -1,0,2,1 / 2,-1,0,1]、x = [3,-2,5,-4]，手算 y = W·x = [-6,11,3,4]。同一张段表（起 0 长 2 / 起 2 长 1 / 起 3 长 1）先关预取、再开预取各跑一遍，最小 OS 在芯片上真跑：

单元仿真 tb_row_blk35 把这条通路钉死（两个实例、开/关预取逐组对照）：4×4 矩阵 2 段表 → 开预取 31 拍 < 关预取 34 拍（省 3）、RB_TBLUS=1、RB_TBLST=0；3 段表 → 32 < 37（省 5）；每段只有一块的短段表 → 34 < 40（省 6，来不及预取也当场取、一条都没退回阻塞读表）；8×8、16 块大矩阵 3 段（0..5/6..11/12..15）→ 开预取 115 拍 < 关预取 121 拍（省 6），RB_TBLPF=2、RB_TBLUS=2、RB_TBLST=0，3 段累加与一次整扫逐位一致（[-44,13,25,-44,13,25,-44,13]）；改写表第 2 条 → 结果跟着变（预取回来的表字真从内存来）；空表不挂死；RB_TBLP=0 时前 34 圈老路径逐位一致。协同仿真 tb_min_soc35：SCREEN = 0xF905FD04、SCREEN2 = 0x02040404、SCREEN3 = 0x04000204、SCREEN4 = 0x10200707、SCREEN5 = 0x04081807、SCREEN6 = 0x0402FFFA、SCREEN7 = 0x0403FA04、SCREEN8 = 0x0102FAFB、SCREEN9 = 0x03E3FAFB 与第 25~34 环逐位一致（本环只给行块引擎加了一条流式取表通路，主通路一个字没动）；采样序列 [0,2,0,0,0,3]、第 6 步吐停止符 3 而停；全量回归 55 项全绿。

从「硬件自己读表」走到「边扫边取、边界不等表」——表读的延迟被扫描本身盖住了：扫这一段的时候，下一段已经到手。真芯片上表的读取是几十上百拍的主存访问，「停下等」和「边走边取」差的就是 NPU 的利用率；段越多，省得越多。段表住在内存里、被硬件一条条流进来，核从「扫描的执行者」彻底退成「声明者」。芯片离「跑真 DeepSeek 权重」又近一层。