X5 Plugin QAT 工作流

目标与边界

QAT 合同固定为 March.BAYES_E → adaptation → calibration/QAT → convert → check_model → compile_model/export_hbir。Plugin .hbm/.hbir 与 OE Mapper PTQ .bin 是不同产物，不改后缀、不自动互转。

输入合同

• 可训练 PyTorch 模型和可复现构建入口。
• 训练/校准/验证数据、浮点权重、浮点指标和评价代码。
• Plugin/PyTorch/Python/GPU 环境快照、example inputs、输出目录和预算。
• 目标指标、最大训练成本和检查点覆盖策略。

前置检查

1. 目标芯片是 X5，源码明确使用 March.BAYES_E；手册 quick start 中的 March.BAYES 示例必须替换并验证。
2. HAT package、config、Trainer、registry、Model Zoo 与 tools/compile_perf.py 均不得进入流程。
3. 先复现浮点基线；无法复现时不得用 QAT 指标宣称改善。
4. 训练环境、数据版本和随机种子可记录；输出使用新 attempt 目录。

执行步骤

1. x5-qat-adaptation：设置 march、量化边界、算子适配和 prepare。
2. x5-qat-training：记录 calibration、QAT 和 quantized 各阶段指标与检查点。
3. x5-qat-compile：check_model 后生成 .hbm 或 .hbir，保存编译证据。
4. 仅在实际 Runtime/模型信息证明兼容后交接 x5-runtime-deploy；证据不足保持 blocked。

产物与完成标准

• 浮点、calibration、QAT、quantized 指标来自同一评测合同。
• 源码检查证明 March.BAYES_E，且无 HAT/hb_mapper makertbin 混用。
• 检查点、定点模型、check_model 日志和 .hbm/.hbir 哈希完整。
• 编译成功不等于 Runtime 成功；部署兼容性和板端正确性必须单独验证。

风险与确认

训练、生成模型和安装用户依赖为中风险；覆盖检查点、共享环境或长时间训练前必须展示成本与恢复方式并确认。

失败与交接

• 精度掉点 → x5-accuracy-diagnostics。
• 定点/编译不一致 → x5-consistency-diagnostics。
• 环境问题 → x5-environment-setup。
• 同一训练/编译策略最多两次；第二次失败后停止自动试参。

按需参考

• .drobotics/platforms/x5/policies/compatibility.md
• _sources/plugin/source/quick_start/quick_start.ipynb.txt