IREE项目中Llama 8b fp16模型编译失败问题分析

问题背景

在IREE深度学习编译器项目中，开发人员发现了一个关于Llama 8b fp16模型编译失败的问题。该模型在PR#20320合并前能够正常编译，但在合并后出现了共享内存超限的错误。

错误现象

编译过程中报错显示：

failed to translate executables
random_llama_8b_f16.mlir:18362:15: error: 'func.func' op uses 286720 bytes of shared memory; exceeded the limit of 65536 bytes

错误发生在处理torch.aten._scaled_dot_product_flash_attention_for_cpu操作时，共享内存使用量超过了硬件限制(286720字节 vs 65536字节限制)。

技术分析

问题根源

通过分析，发现问题出在IREE的维度折叠(Collapse Dimensions)优化阶段。这个优化本意是减少张量维度以提升性能，但在特定情况下会导致共享内存使用量激增。

关键发现

1. 问题主要出现在注意力机制(attention)的实现部分
2. 维度折叠优化在处理某些张量布局时会产生中间展开操作(expand_shape)
3. 这些中间操作会不必要地增加共享内存使用量
4. FP8模型不受影响，但FP16模型会出现问题

复现方法

开发人员提供了两个测试用例来复现问题：

1. 第一种情况会产生中间展开操作
2. 第二种情况则不会产生这种操作

这表明维度折叠优化在某些情况下可能过于激进，导致不必要的内存开销。

解决方案

目前采取的临时解决方案是：

1. 在注意力机制中禁用rope融合(rope fusion)
2. 等待更彻底的修复方案

技术细节

问题的核心在于IREE的维度折叠优化算法在处理特定张量布局时的行为不一致。对于某些输入模式，它会生成包含额外展开操作的中间表示，这会显著增加共享内存需求。

开发人员通过分析IR(中间表示)发现，优化后的代码在某些情况下会：

1. 先折叠张量维度
2. 然后在中间计算中又展开这些维度
3. 最后再次折叠

这种不必要的展开-折叠循环是导致内存使用量激增的主要原因。

总结

这个问题展示了编译器优化中一个典型的挑战：看似无害的优化可能在特定情况下导致意外的副作用。在IREE这样的深度学习编译器中，内存使用优化尤为重要，因为深度学习模型通常对内存带宽和容量非常敏感。

开发团队正在研究更稳健的维度折叠算法，以避免在不必要的情况下引入额外的内存开销。对于用户来说，目前的建议是暂时禁用相关优化或使用FP8精度来规避这个问题。