🌰 Acorn Framework

Big models. Tiny footprint. —— 芥子纳须弥，把大模型装进口袋。

以小搏大的 AI 运行与训练框架：INT4 压缩态常驻 + 原生 AVX2 内核 + 自研 CUDA int4 内核 + KV int8 + 层流式 + 投机解码 + LoRA + AutoBit + 能效治理 + 本地 OpenAI 兼容 API，零依赖核心，全部自研。

⚡ 60 秒看到它跑真模型

pip install acorn-llm          # 零依赖；有 gcc 会自动编译 AVX2 内核
acorn chat                     # ← 打开本地 AI 聊天 TUI

============================================================
  Acorn 本地聊天室 | Qwen3-8B | eco=whisper | CPU
  /exit 退出 · /new 新对话 · /eco 切档 · /spec 投机 · /raw 渲染开关
============================================================

你> 1+1等于几？

AI> thinking...
    嗯，用户问的是 1+1 等于几。这是最基础的算术……

    think done

    1+1 等于 2。这是整数加法的基本运算……

实测数据（本机：16 核 CPU / 16.5GB RAM / 无 GPU / 一块 P620）

🧠 这个框架到底做了什么（不是 PPT，全部实测）

📦 安装

pip install acorn-llm              # 零依赖核心（推荐）
pip install acorn-llm[fast]        # + NumPy（BLAS + 向量化，约 50× 提速）
pip install acorn-llm[gpu]         # + PyTorch（CUDA Graph 后端）

要求 Python ≥ 3.9。有 gcc/cl 时首次运行自动编译原生内核（缓存到 ~/.cache/acorn）；没有编译器也不影响使用（自动回退 NumPy 路径，功能一致、速度较低）。

💬 TUI 聊天（装完就能用）

acorn chat                                  # 自动搜索本地模型
acorn chat --model-dir ./models/Qwen3-8B    # 指定模型目录
acorn chat --model-dir ./qwen --auto-convert  # 目录里是 safetensors 就地转换
acorn chat --system "你是一个简洁的技术助手"   # 设定人设
acorn chat --gpu                            # 用 CUDA 后端（若有）
acorn chat --eco turbo                      # 全速（风扇起飞）

模型从哪来？（三种方式）

① 直接下载已转换的模型？ —— 没有官方分发，但转换只需一次（10 分钟内完成）。

② 从 ModelScope / HuggingFace 下载原始权重 → 自动转换（推荐）

# ModelScope（国内直连，无需梯子）
mkdir -p models/Qwen2.5-0.5B
curl -L -o models/Qwen2.5-0.5B/model.safetensors \
  "https://modelscope.cn/api/v1/models/Qwen/Qwen2.5-0.5B-Instruct/repo?FilePath=model.safetensors"
curl -L -o models/Qwen2.5-0.5B/tokenizer.json \
  "https://modelscope.cn/api/v1/models/Qwen/Qwen2.5-0.5B-Instruct/repo?FilePath=tokenizer.json"
curl -L -o models/Qwen2.5-0.5B/config.json \
  "https://modelscope.cn/api/v1/models/Qwen/Qwen2.5-0.5B-Instruct/repo?FilePath=config.json"

# 然后二选一：
acorn chat --model-dir models/Qwen2.5-0.5B --auto-convert   # 自动转 + 直接聊

手动转换（可复用、参数自动读 config.json，rope_theta 等超参不会手填错）：

python -m acorn convert --src models/Qwen2.5-0.5B/model.safetensors \
                        --out models/Qwen2.5-0.5B/qwen.acorn

自动从 config.json 读取：层数 / 维度 / 头数 / KV 头 / FFN / 词表 / rope_theta（Qwen2/3 是 1e6！）/ tie_word_embeddings / qk_norm（Qwen3）。 转换是流式的：RAM 峰值 ≈ 单个张量，16GB 内存机器可转 16GB 模型（多分片自动走流式路径）。

HuggingFace 同理，把 URL 换成 https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct/resolve/main/...。

③ 已有的第三方 .acorn / GGUF？ —— GGUF 暂不支持，请先用 acorn convert（支持 safetensors 系）。

模型目录长什么样

models/Qwen2.5-0.5B/
├── model.safetensors     # 原始权重（可选，--auto-convert 用）
├── config.json           # HF 配置（--auto-convert / convert 自动读它）
├── tokenizer.json        # 必需
└── qwen.acorn            # 转换产物（必需，或由 --auto-convert 生成）

该下载哪个模型？（已验证可跑）

Qwen3 用 QK-Norm 架构，Acorn 已支持（数值 vs 独立参考实现 rel=3.8e-7）； Qwen2/3 的 rope_theta=1e6 会在转换时自动从 config.json 读取（手填 10000 会得到乱码）。

TUI 里的命令

界面说明

• 思考流：模型的 thinking 内容以深灰逐字显示，头部 thinking...，结束切 think done
• 正文：正常色逐字符流式，标题/列表/代码块自动着色（Markdown）
• 跨轮复用 KV：每轮只前向增量，历史不重算

think done 的判定规则（不是靠猜）

思维链的结束必须可靠，否则正文会被误吞或被提前吐出。Acorn 用两条确定规则（不依赖模型是否输出特殊 token）：

配合"生成结束"事件作为兜底。三条路径（双空行 / 长单空行 / 生成结束）都覆盖，避免了 v0.9.4 之前的「思考刚开头就 think done」问题。

🌐 本地 API（Ollama 风格，OpenAI 兼容）

一条命令把你的模型变成局域网服务，任何 OpenAI 客户端（LangChain / LlamaIndex / Cursor / Continue / 自写脚本）都能直接接：

acorn serve --model-dir ./models/Qwen2.5-0.5B --port 11434
# 或从 safetensors 自动转换后直接起服务
acorn serve --model-dir ./models/Qwen3-8B --auto-convert

用 curl 直接聊（零依赖验证）：

curl http://127.0.0.1:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen","messages":[{"role":"user","content":"1+1等于几？"}],"stream":true}'

服务端默认 --eco whisper（静音档，风扇不转）；要吞吐就 --eco turbo。 纯标准库 http.server 实现，零额外依赖。

🔥 自研 CUDA int4 内核（不装 CUDA Toolkit 也能跑）

acorn/gpu_int4.py 是自己写的 CUDA int4 GEMV/GEMM/gather 内核，不是调 torch eager：

• 编译方式：用 PyTorch wheel 自带的 nvrtc64_*.dll 运行时编译 PTX，无需安装 CUDA Toolkit（不用 nvcc）
• 驱动接入：直接调 nvcuda.dll 驱动 API（cuModuleLoadData / cuLaunchKernel），不依赖 numba
• 内核内容：nibble 在线解包 → __dp4a/FMA 点积 → 共享内存分块 → 多行 GEMM（prefill 友好）
• 数值正确：GEMV/GEMM 相对误差 ≤ 1.3e-7；int4 GPU 模型 vs CPU 模型 prefill+decode rel ≤ 1.4e-5

from acorn import gpu_int4 as GI
print(GI.info())
# {'available': True, 'device': 'Quadro P620', 'cc': (6, 1),
#  'toolchain': 'NVRTC (torch 自带) + CUDA 驱动 API, 无需 nvcc'}

诚实的速度对比（本机 Quadro P620 / CC 6.1 / 4GB VRAM）

结论必须说清楚：

• 在这张 P620（2016 年 Pascal，1.9 TFLOPS FP32、186 GB/s 显存带宽） 上，自研 GPU int4 内核与 CPU AVX2 内核基本打平（中位 ×1.13），在 LLM 真实形状（4096×11008 / 14336）上反而慢 0.54–0.92×
• torch fp32 因为能用 tensor core（fp32 走 TF32 通路）跑到 48–77 GB/s，明显快于我们的 int4 内核
• 但 GPU int4 内核的价值不在峰值带宽，而在把 int4 权重常驻显存：0.5B 模型仅占 249 MB 显存（0.5 B/参数），CPU 侧则可把系统内存留给别的任务
• 在现代 GPU（Ampere/Hopper，带 int4 tensor core、更高显存带宽）上，同样的内核结构预期会显著反超 CPU AVX2 —— 但这一点我们还没有硬件验证，因此不作为已证实的结论

int4 权重常驻显存（gpu_model.py）

from acorn.runtime import load
m = load("models/Qwen2.5-0.5B/qwen.acorn", device="cuda")   # 自动走 GPU int4 路径

• 所有 int4 权重直接住显存（不物化 fp32），0.5B 模型 249 MB
• 完整 LLaMA/Qwen 前向：RMSNorm / RoPE / GQA / SwiGLU / QK-Norm / KV Cache 全部在 GPU
• 与 CPU int4 路径逐 token 数值一致（top-1 相同，logits rel ≤ 1.4e-5）
• ⚠️ P620 只有 4GB 显存：8B 模型 int4 需 4.10 GB，放不下

🧪 30 秒训一个自己的模型

import acorn

model = acorn.train(corpus=open("my_novel.txt", encoding="utf-8").read(),
                    steps=300, batch_size=12, ctx=64)
acorn.pack(model, "mymodel.acorn")     # INT4 打包
m = acorn.load("mymodel.acorn")
print(m.generate("第一章", 200, temperature=0.8))

训练栈全是自研：矩阵级 autograd（13 个可微节点）· AdamW · warmup + 余弦调度 · 全局范数梯度裁剪 · 数值对拍测试（44+9 位置有限差分）。

LoRA 轻量微调

import acorn
from acorn import lora

model = acorn.train(steps=100)
lora.inject_lora(model, rank=8)          # 冻结基座 + 注入低秩适配器
acorn.train(model=model, corpus="新领域文本…", steps=60)
lora.merge_lora(model)                   # 合并回稠密权重
acorn.pack(model, "tuned.acorn")

真实模型微调（诚实说明）

• 0.5B 级：本机可行（acorn.to_trainable(acorn.load(...)) → LoRA 流程同上）
• 8B 级：fp32 反量化需 32GB 内存，本机不可行；且 LLaMA 路径目前是数值推理路径，尚未接入 autograd 图——这是路线图 M2 项

🖥️ CLI 全表

acorn chat                             # ★ 交互式 TUI 聊天
acorn serve --model-dir ./models/Qwen2.5-0.5B   # ★ 本地 OpenAI 兼容 API
acorn train  --steps 200 --out m.acorn # 训练 + INT4 打包
acorn run    --model m.acorn --stream  # TinyGPT 推理
acorn convert --src X.safetensors --out X.acorn   # 真实模型转换（自动读 config.json）
acorn run-llama --model X.acorn --tokenizer tok.json --prompt "你好" --stream
acorn bench  --model m.acorn           # 基准（吞吐/带宽/规模外推/内核状态）
acorn lora   --model m.acorn --corpus my.txt --steps 150   # LoRA 微调

🧰 Python API 速查

🎛️ 调优菜单（按需叠加，互不冲突）

🏗️ 架构

L5 用户 API      acorn chat / serve / train / pack / load / generate_chat / bench
L4 编排层       AutoBit · LoRA · 剪枝 · 转换器 · 能效治理
L3 运行时        AcornPack 容器 · 层流式调度 · 分页/int8 KV Cache · 投机解码
L2 计算层        微型 autograd(13 节点) · RoPE · SwiGLU · GQA
L1 内核后端      AVX2 int4 GEMM(在线解包+FMA) · 常驻线程池 · CUDA Graph
                 CUDA int4 GEMV/GEMM (NVRTC 运行时编译) · int4 权重常驻显存
L0 算子层        NumPy 加速 + 纯 Python 回退（零依赖）

📁 项目结构

acorn-framework/
├── PLAN.md                 # 总体项目计划（里程碑/风险/验收标准）
├── RUNTIME_PLAN.md         # 运行模型详细计划（格式/内存/量化/API）
├── USAGE.md                # 使用手册
├── assets/                 # Logo（主/深色/favicon/横版字标）
├── acorn/
│   ├── _kernels/           # 原生内核：acorn_int4.c + 自动编译/ctypes 绑定
│   ├── _ops.py             # 张量算子（NumPy 加速 + 纯 Python 回退）
│   ├── _autograd.py        # 微型自动微分（requires_grad 冻结机制）
│   ├── model.py            # TinyGPT（RoPE/因果注意力/MLP）
│   ├── llama.py            # LLaMA/Qwen 架构 + 转换器
│   ├── shard.py            # 多分片流式转换（RAM 峰值 < 1GB）
│   ├── safetensors.py      # 零依赖 safetensors 读写
│   ├── tokenizer.py        # BPE 分词器（字节级 + 增量解码）
│   ├── pack.py             # INT4 量化 + .acorn 容器（mmap 加载）
│   ├── stream.py           # 层流式加载
│   ├── kvcache.py          # fp32 / int8 KV 缓存
│   ├── runtime.py          # 运行时主循环
│   ├── session.py          # 多轮对话（跨轮 KV 复用）
│   ├── chat.py             # 模板/惩罚/停止序列
│   ├── chat_cli.py         # TUI 入口（acorn chat）
│   ├── tui.py              # 终端 UI（思考流 + 流式 Markdown）
│   ├── speculative.py      # 投机解码（Prompt-Lookup）
│   ├── autobit.py          # 动态混合位宽
│   ├── prune.py            # 结构化剪枝
│   ├── lora.py             # LoRA
│   ├── train.py            # 训练引擎（AdamW/裁剪/调度）
│   ├── bench.py            # 性能基准
│   ├── eco.py              # 能效治理
│   ├── gpu.py              # CUDA Graph 后端
│   ├── gpu_int4.py         # 自研 CUDA int4 内核（NVRTC 运行时编译）
│   ├── gpu_model.py        # int4 权重常驻显存的 LLaMA/Qwen GPU 模型
│   ├── server.py           # 本地 OpenAI 兼容 API（零依赖 http.server）
│   └── __main__.py         # CLI
├── examples/               # 演示脚本（hello_acorn / run_qwen3 / bench_*）
└── tests/                  # 61 项自测

🧪 测试与质量保证

python tests/test_seed.py     # 基础（autograd 数值对拍 / 量化 round-trip）
python tests/test_v02.py      # 框架（RoPE/KV Cache/LoRA/CLI）
python tests/test_v03.py      # 内核（AVX2 数值 / 压缩态 / 性能）
python tests/test_v04.py      # 真实模型（LLaMA 数值 / Qwen bias / BPE）
python tests/test_v04b.py     # 端到端流水线
python tests/test_v06.py      # AutoBit
python tests/test_v07.py      # 层流式
python tests/test_v08.py      # KV int8
python tests/test_v09.py      # 真实模型回归（Qwen2.5）
python tests/test_v10.py      # 剪枝 / 稀疏内核
python tests/test_v11.py      # Chat 层 / 投机解码金标准
python tests/test_v12.py      # Qwen3 QK-Norm / 分片转换
python tests/test_v13.py      # 能效治理
python tests/test_v14.py      # GPU int4 内核（数值/速度/模型一致性，无 CUDA 自动跳过）

质量红线（均有测试守护）：

• LLaMA/Qwen 前向 vs 独立参考实现：rel ≤ 3.8e-7
• 投机解码 vs 常规贪心：逐字一致
• 稀疏内核 vs 稠密：diff = 0
• AutoBit 同预算：质量 ↓87% 误差

🗺️ 路线图

⚠️ 已知限制（诚实清单）

• int3 量化已实现但很慢（3-bit 无法 SIMD 化，实测比 int4 慢 4 个数量级），默认不用
• CUDA Graph 后端在 P620 上仍不及 CPU int4 内核（Pascal 算力弱 + eager 开销）
• 自研 GPU int4 内核在 P620 上与 CPU AVX2 基本打平、真实 LLM 形状下更慢（×0.54–0.92）；torch fp32 借 tensor core 更快（48–77 GB/s）。GPU 路径的价值是 int4 权重常驻显存（0.5B 仅 249 MB），不是峰值带宽
• 8B 模型放不进 4GB 显存的 P620（int4 需 4.10 GB）；且 LLaMA 路径尚未接入 autograd，8B 训练在本机不可行（fp32 反量化 32GB）
• 不支持 GGUF / AWQ / GPTQ 权重，只支持 safetensors 系
• 单机单卡，无分布式训练
• TensorFlow 2 对比：在算子库/编译器/分布式/生态上 Acorn 落后几个数量级；Acorn 的主张限定在「小内存 CPU 推理 + 训推一体 + 零依赖 + 能效治理」这条窄道

🤝 参与

git clone <your-fork> && cd acorn-framework
pip install -e .[fast,dev]
python tests/test_seed.py && python tests/test_v04.py

欢迎提交 PR：新模型架构适配、新内核、基准数据、文档。

📄 License

MIT

pip install acorn-llm
acorn chat            # interactive TUI with a local model
acorn serve           # local OpenAI-compatible HTTP API