]> git.djapps.eu Git - pkg/ggml/sources/whisper.cpp/commitdiff
ggml : remove oboslete files (#0)
authorGeorgi Gerganov <redacted>
Mon, 29 Sep 2025 13:47:30 +0000 (16:47 +0300)
committerGeorgi Gerganov <redacted>
Mon, 29 Sep 2025 13:47:30 +0000 (16:47 +0300)
ggml/src/ggml-amx/CMakeLists.txt [deleted file]
ggml/src/ggml-amx/common.h [deleted file]
ggml/src/ggml-amx/ggml-amx.cpp [deleted file]
ggml/src/ggml-amx/mmq.cpp [deleted file]
ggml/src/ggml-amx/mmq.h [deleted file]

diff --git a/ggml/src/ggml-amx/CMakeLists.txt b/ggml/src/ggml-amx/CMakeLists.txt
deleted file mode 100644 (file)
index d6676f3..0000000
+++ /dev/null
@@ -1,107 +0,0 @@
-if (CMAKE_OSX_ARCHITECTURES STREQUAL "x86_64" OR CMAKE_GENERATOR_PLATFORM_LWR MATCHES "^(x86_64|i686|amd64|x64|win32)$" OR
-        (NOT CMAKE_OSX_ARCHITECTURES AND NOT CMAKE_GENERATOR_PLATFORM_LWR AND
-         CMAKE_SYSTEM_PROCESSOR MATCHES "^(x86_64|i686|AMD64)$") AND
-        CMAKE_COMPILER_IS_GNUCC AND CMAKE_CXX_COMPILER_VERSION VERSION_GREATER 11.0)
-    message(STATUS "Using AMX")
-
-    file(GLOB   GGML_HEADERS_AMX "*.h")
-    list(APPEND GGML_HEADERS_AMX "../../include/ggml-amx.h")
-
-    file(GLOB   GGML_SOURCES_AMX "*.cpp")
-
-    add_library(ggml-amx
-                ${GGML_HEADERS_AMX}
-                ${GGML_SOURCES_AMX})
-
-    target_link_libraries(ggml-amx PRIVATE ggml-base)
-    target_include_directories(ggml-amx PRIVATE . ..)
-
-    # this is duplicated from the CPU backend, since the AMX backend also depends on the architecture flags
-    # TODO: integrate AMX backend into the CPU backend
-    if (MSVC)
-        # instruction set detection for MSVC only
-        if (GGML_NATIVE)
-            # TODO: improve, should not reference files from the parent folder
-            include(../ggml-cpu/cmake/FindSIMD.cmake)
-        endif ()
-        if (GGML_AVX512)
-            list(APPEND ARCH_FLAGS /arch:AVX512)
-            # MSVC has no compile-time flags enabling specific
-            # AVX512 extensions, neither it defines the
-            # macros corresponding to the extensions.
-            # Do it manually.
-            if (GGML_AVX512_VBMI)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AVX512VBMI__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AVX512VBMI__>)
-            endif()
-            if (GGML_AVX512_VNNI)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AVX512VNNI__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AVX512VNNI__>)
-            endif()
-            if (GGML_AVX512_BF16)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AVX512BF16__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AVX512BF16__>)
-            endif()
-            if (GGML_AMX_TILE)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AMX_TILE__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AMX_TILE__>)
-            endif()
-            if (GGML_AMX_INT8)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AMX_INT8__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AMX_INT8__>)
-            endif()
-            if (GGML_AMX_BF16)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:C>:__AMX_BF16__>)
-                add_compile_definitions($<$<COMPILE_LANGUAGE:CXX>:__AMX_BF16__>)
-            endif()
-        elseif (GGML_AVX2)
-            list(APPEND ARCH_FLAGS /arch:AVX2)
-        elseif (GGML_AVX)
-            list(APPEND ARCH_FLAGS /arch:AVX)
-        endif()
-    else()
-        if (GGML_NATIVE)
-            list(APPEND ARCH_FLAGS -march=native)
-        endif()
-        if (GGML_F16C)
-            list(APPEND ARCH_FLAGS -mf16c)
-        endif()
-        if (GGML_FMA)
-            list(APPEND ARCH_FLAGS -mfma)
-        endif()
-        if (GGML_AVX)
-            list(APPEND ARCH_FLAGS -mavx)
-        endif()
-        if (GGML_AVX2)
-            list(APPEND ARCH_FLAGS -mavx2)
-        endif()
-        if (GGML_AVX512)
-            list(APPEND ARCH_FLAGS -mavx512f)
-            list(APPEND ARCH_FLAGS -mavx512dq)
-            list(APPEND ARCH_FLAGS -mavx512bw)
-        endif()
-        if (GGML_AVX512_VBMI)
-            list(APPEND ARCH_FLAGS -mavx512vbmi)
-        endif()
-        if (GGML_AVX512_VNNI)
-            list(APPEND ARCH_FLAGS -mavx512vnni)
-        endif()
-        if (GGML_AVX512_BF16)
-            list(APPEND ARCH_FLAGS -mavx512bf16)
-        endif()
-        if (GGML_AMX_TILE)
-            list(APPEND ARCH_FLAGS -mamx-tile)
-        endif()
-        if (GGML_AMX_INT8)
-            list(APPEND ARCH_FLAGS -mamx-int8)
-        endif()
-        if (GGML_AMX_BF16)
-            list(APPEND ARCH_FLAGS -mamx-bf16)
-        endif()
-    endif()
-
-    target_compile_options(ggml-amx PRIVATE ${ARCH_FLAGS})
-else()
-    set(GGML_AMX OFF PARENT_SCOPE)
-    message(WARNING "AMX requires x86 and gcc version > 11.0. Turning off GGML_AMX.")
-endif()
diff --git a/ggml/src/ggml-amx/common.h b/ggml/src/ggml-amx/common.h
deleted file mode 100644 (file)
index 5db8ce3..0000000
+++ /dev/null
@@ -1,94 +0,0 @@
-#pragma once
-
-#include "ggml.h"
-// hack until AMX is moved into the CPU backend
-#include "../ggml-cpu/ggml-cpu-impl.h" // <immintrin.h>
-
-#include <algorithm>
-#include <memory>
-#include <type_traits>
-
-#if defined(_OPENMP)
-#include <omp.h>
-#endif
-
-#define TILE_M 16
-#define TILE_N 16
-#define TILE_K 32
-#define VNNI_BLK 4
-
-#define AMX_BLK_SIZE 32
-
-#define TMM0 0
-#define TMM1 1
-#define TMM2 2
-#define TMM3 3
-#define TMM4 4
-#define TMM5 5
-#define TMM6 6
-#define TMM7 7
-
-// parallel routines
-template <typename T, typename std::enable_if<std::is_integral<T>::value, int>::type = 0>
-inline T div_up(T x, T y) { return (x + y - 1) / y; }
-
-template <typename T>
-inline void balance211(T n, T nth, T ith, T& n_start, T& n_end) {
-#if 0
-    // onednn partition pattern
-    T& n_my = n_end;
-    if (nth <= 1 || n == 0) {
-        n_start = 0;
-        n_my = n;
-    } else {
-        T n1 = div_up(n, nth);
-        T n2 = n1 - 1;
-        T T1 = n - n2 * nth;
-        n_my = ith < T1 ? n1 : n2;
-        n_start = ith <= T1 ? ith*n1 : T1 * n1 + (ith - T1) * n2;
-    }
-    n_end += n_start;
-#else
-    // pytorch aten partition pattern
-    T n_my = div_up(n, nth);
-    n_start = ith * n_my;
-    n_end = std::min(n_start + n_my, n);
-#endif
-}
-
-template <typename func_t>
-inline void parallel_for(int nth, int n, const func_t& f) {
-#if defined(_OPENMP)
-#pragma omp parallel num_threads(nth)
-{
-    //int nth = omp_get_num_threads();
-    int ith = omp_get_thread_num();
-    int tbegin, tend;
-    balance211(n, nth, ith, tbegin, tend);
-    f(tbegin, tend);
-}
-#else
-    f(0, n);
-
-    GGML_UNUSED(nth);
-#endif
-}
-
-// quantized types that have AMX support
-inline bool qtype_has_amx_kernels(const enum ggml_type type) {
-    // TODO: fix padding for vnni format
-    return (type == GGML_TYPE_Q4_0) ||
-        (type == GGML_TYPE_Q4_1);
-        //(type == GGML_TYPE_Q8_0) ||
-        //(type == GGML_TYPE_Q4_K) ||
-        //(type == GGML_TYPE_Q5_K) ||
-        //(type == GGML_TYPE_Q6_K) ||
-        //(type == GGML_TYPE_IQ4_XS);
-}
-
-// ggml backend context
-struct ggml_backend_amx_context {
-    int n_threads = GGML_DEFAULT_N_THREADS;
-    std::unique_ptr<char[]> work_data;
-    size_t work_size = 0;
-};
diff --git a/ggml/src/ggml-amx/ggml-amx.cpp b/ggml/src/ggml-amx/ggml-amx.cpp
deleted file mode 100644 (file)
index 8568e79..0000000
+++ /dev/null
@@ -1,446 +0,0 @@
-#include "ggml-amx.h"
-#include "ggml-amx/common.h"
-#include "ggml-amx/mmq.h"
-#include "ggml-backend-impl.h"
-#include "ggml-impl.h"
-
-#if defined(__gnu_linux__)
-#include <sys/syscall.h>
-#include <unistd.h>
-#endif
-
-#include <cstdlib>
-#include <cstring>
-#include <memory>
-
-#if defined(__AMX_INT8__)
-
-// AMX buffer interface
-static void ggml_backend_amx_buffer_free_buffer(ggml_backend_buffer_t buffer) {
-    free(buffer->context);
-}
-
-static void * ggml_backend_amx_buffer_get_base(ggml_backend_buffer_t buffer) {
-    return (void *)(buffer->context);
-}
-
-static void ggml_backend_amx_buffer_memset_tensor(ggml_backend_buffer_t buffer, struct ggml_tensor * tensor, uint8_t value, size_t offset, size_t size) {
-    memset((char *)tensor->data + offset, value, size);
-
-    GGML_UNUSED(buffer);
-}
-
-static void ggml_backend_amx_buffer_set_tensor(ggml_backend_buffer_t buffer, struct ggml_tensor * tensor, const void * data, size_t offset, size_t size) {
-    if (qtype_has_amx_kernels(tensor->type)) {
-        ggml_backend_amx_convert_weight(tensor, data, offset, size);
-    } else {
-        memcpy((char *)tensor->data + offset, data, size);
-    }
-
-    GGML_UNUSED(buffer);
-}
-
-static void ggml_backend_amx_buffer_get_tensor(ggml_backend_buffer_t buffer, const struct ggml_tensor * tensor, void * data, size_t offset, size_t size) {
-    GGML_ASSERT(!qtype_has_amx_kernels(tensor->type));
-    memcpy(data, (const char *)tensor->data + offset, size);
-
-    GGML_UNUSED(buffer);
-}
-
-static bool ggml_backend_amx_buffer_cpy_tensor(ggml_backend_buffer_t buffer, const struct ggml_tensor * src, struct ggml_tensor * dst) {
-    if (ggml_backend_buffer_is_host(src->buffer)) {
-        if (qtype_has_amx_kernels(src->type)) {
-            ggml_backend_amx_convert_weight(dst, src->data, 0, ggml_backend_amx_get_alloc_size(dst));
-        } else {
-            memcpy(dst->data, src->data, ggml_nbytes(src));
-        }
-        return true;
-    }
-    return false;
-
-    GGML_UNUSED(buffer);
-}
-
-static void ggml_backend_amx_buffer_clear(ggml_backend_buffer_t buffer, uint8_t value) {
-    memset(buffer->context, value, buffer->size);
-}
-
-static ggml_backend_buffer_i ggml_backend_amx_buffer_interface = {
-    /* .free_buffer     = */ ggml_backend_amx_buffer_free_buffer,
-    /* .get_base        = */ ggml_backend_amx_buffer_get_base,
-    /* .init_tensor     = */ NULL, // no initialization required
-    /* .memset_tensor   = */ ggml_backend_amx_buffer_memset_tensor,
-    /* .set_tensor      = */ ggml_backend_amx_buffer_set_tensor,
-    /* .get_tensor      = */ ggml_backend_amx_buffer_get_tensor,
-    /* .cpy_tensor      = */ ggml_backend_amx_buffer_cpy_tensor,
-    /* .clear           = */ ggml_backend_amx_buffer_clear,
-    /* .reset           = */ NULL,
-};
-
-static const char * ggml_backend_amx_buffer_type_get_name(ggml_backend_buffer_type_t buft) {
-    return "AMX";
-
-    GGML_UNUSED(buft);
-}
-
-static ggml_backend_buffer_t ggml_backend_amx_buffer_type_alloc_buffer(ggml_backend_buffer_type_t buft, size_t size) {
-    void * data = aligned_alloc(TENSOR_ALIGNMENT, size);
-    if (data == NULL) {
-        fprintf(stderr, "%s: failed to allocate buffer of size %zu\n", __func__, size);
-        return NULL;
-    }
-
-    return ggml_backend_buffer_init(buft, ggml_backend_amx_buffer_interface, data, size);
-}
-
-static size_t ggml_backend_amx_buffer_type_get_alignment(ggml_backend_buffer_type_t buft) {
-    return TENSOR_ALIGNMENT;
-
-    GGML_UNUSED(buft);
-}
-
-static size_t ggml_backend_amx_buffer_type_get_alloc_size(ggml_backend_buffer_type_t buft, const ggml_tensor* tensor) {
-    return ggml_backend_amx_get_alloc_size(tensor);
-
-    GGML_UNUSED(buft);
-}
-
-static bool ggml_backend_amx_buffer_type_is_host(ggml_backend_buffer_type_t buft) {
-    return false;
-
-    GGML_UNUSED(buft);
-}
-
-ggml_backend_buffer_type_t ggml_backend_amx_buffer_type() {
-    static struct ggml_backend_buffer_type ggml_backend_buffer_type_amx = {
-        /* .iface = */ {
-            /* .get_name         = */ ggml_backend_amx_buffer_type_get_name,
-            /* .alloc_buffer     = */ ggml_backend_amx_buffer_type_alloc_buffer,
-            /* .get_alignment    = */ ggml_backend_amx_buffer_type_get_alignment,
-            /* .get_max_size     = */ NULL, // defaults to SIZE_MAX
-            /* .get_alloc_size   = */ ggml_backend_amx_buffer_type_get_alloc_size,
-            /* .is_host          = */ ggml_backend_amx_buffer_type_is_host,
-        },
-        /* .device  = */ ggml_backend_reg_dev_get(ggml_backend_amx_reg(), 0),
-        /* .context = */ NULL,
-    };
-
-    return &ggml_backend_buffer_type_amx;
-}
-
-// backend interface
-
-static const char * ggml_backend_amx_name(ggml_backend_t backend) {
-    return "AMX";
-
-    GGML_UNUSED(backend);
-}
-
-static void ggml_backend_amx_free(ggml_backend_t backend) {
-    ggml_backend_amx_context * ctx = (ggml_backend_amx_context *)backend->context;
-    delete ctx;
-    delete backend;
-}
-
-static enum ggml_status ggml_backend_amx_graph_compute(ggml_backend_t backend, struct ggml_cgraph * cgraph) {
-    ggml_backend_amx_context * ctx = (ggml_backend_amx_context *)backend->context;
-
-    for (int i = 0; i < cgraph->n_nodes; i++) {
-        struct ggml_tensor * node = cgraph->nodes[i];
-
-        switch (node->op) {
-        case GGML_OP_MUL_MAT:
-            ggml_backend_amx_mul_mat(ctx, node);
-            break;
-
-        case GGML_OP_NONE:
-        case GGML_OP_RESHAPE:
-        case GGML_OP_VIEW:
-        case GGML_OP_PERMUTE:
-        case GGML_OP_TRANSPOSE:
-            break;
-
-        default:
-            fprintf(stderr, "%s: unsupported op %s\n", __func__, ggml_op_desc(node));
-            GGML_ASSERT(false);
-        }
-    }
-
-    return GGML_STATUS_SUCCESS;
-
-    GGML_UNUSED(backend);
-}
-
-static struct ggml_backend_i ggml_backend_amx_i = {
-    /* .get_name                = */ ggml_backend_amx_name,
-    /* .free                    = */ ggml_backend_amx_free,
-    /* .set_tensor_async        = */ NULL,
-    /* .get_tensor_async        = */ NULL,
-    /* .cpy_tensor_async        = */ NULL,
-    /* .synchronize             = */ NULL,
-    /* .graph_plan_create       = */ NULL,
-    /* .graph_plan_free         = */ NULL,
-    /* .graph_plan_update       = */ NULL,
-    /* .graph_plan_compute      = */ NULL,
-    /* .graph_compute           = */ ggml_backend_amx_graph_compute,
-    /* .event_record            = */ NULL,
-    /* .event_wait              = */ NULL,
-};
-
-static ggml_guid_t ggml_backend_amx_guid() {
-    static ggml_guid guid = { 0x13, 0xb8, 0xa4, 0xc4, 0xba, 0xfe, 0x51, 0x67, 0x87, 0x44, 0x55, 0x15, 0xb2, 0x35, 0x62, 0x3e };
-    return &guid;
-}
-
-#define ARCH_GET_XCOMP_PERM     0x1022
-#define ARCH_REQ_XCOMP_PERM     0x1023
-#define XFEATURE_XTILECFG       17
-#define XFEATURE_XTILEDATA      18
-
-static bool ggml_amx_init() {
-#if defined(__gnu_linux__)
-    if (syscall(SYS_arch_prctl, ARCH_REQ_XCOMP_PERM, XFEATURE_XTILEDATA)) {
-        fprintf(stderr, "AMX is not ready to be used!\n");
-        return false;
-    }
-    return true;
-#elif defined(_WIN32)
-    return true;
-#endif
-}
-
-ggml_backend_t ggml_backend_amx_init() {
-
-    // invoke a Linux system call to request access to AMX features
-    ggml_amx_init();
-
-    // backend context
-    ggml_backend_amx_context * ctx = new ggml_backend_amx_context;
-
-    // ggml amx backend
-    ggml_backend_t backend = new ggml_backend {
-        /* .guid      = */ ggml_backend_amx_guid(),
-        /* .interface = */ ggml_backend_amx_i,
-        /* .device    = */ ggml_backend_reg_dev_get(ggml_backend_amx_reg(), 0),
-        /* .context   = */ ctx,
-    };
-
-    return backend;
-}
-
-bool ggml_backend_is_amx(ggml_backend_t backend) {
-    return backend != NULL && ggml_guid_matches(backend->guid, ggml_backend_amx_guid());
-}
-
-void ggml_backend_amx_set_n_threads(ggml_backend_t backend_amx, int n_threads) {
-    GGML_ASSERT(ggml_backend_is_amx(backend_amx));
-
-    ggml_backend_amx_context * ctx = (ggml_backend_amx_context *)backend_amx->context;
-    ctx->n_threads = n_threads;
-}
-
-// device interface
-
-static const char * ggml_backend_amx_device_get_name(ggml_backend_dev_t dev) {
-    return "AMX";
-
-    GGML_UNUSED(dev);
-}
-
-static const char * ggml_backend_amx_device_get_description(ggml_backend_dev_t dev) {
-    return "Intel Advanced Matrix Extensions";
-
-    GGML_UNUSED(dev);
-}
-
-static void ggml_backend_amx_device_get_memory(ggml_backend_dev_t dev, size_t * free, size_t * total) {
-    // TODO
-    *free = 0;
-    *total = 0;
-
-    GGML_UNUSED(dev);
-}
-
-static enum ggml_backend_dev_type ggml_backend_amx_device_get_type(ggml_backend_dev_t dev) {
-    return GGML_BACKEND_DEVICE_TYPE_ACCEL;
-
-    GGML_UNUSED(dev);
-}
-
-static void ggml_backend_amx_device_get_props(ggml_backend_dev_t dev, struct ggml_backend_dev_props * props) {
-    props->name        = ggml_backend_amx_device_get_name(dev);
-    props->description = ggml_backend_amx_device_get_description(dev);
-    props->type        = ggml_backend_amx_device_get_type(dev);
-    ggml_backend_amx_device_get_memory(dev, &props->memory_free, &props->memory_total);
-
-    // `buffer_from_host_ptr` is intended to be used in mmap, when memory layout unchanged
-    props->caps = {
-        /* .async                 = */ false,
-        /* .host_buffer           = */ false,
-        /* .buffer_from_host_ptr  = */ false,
-        /* .events                = */ false,
-    };
-}
-
-static ggml_backend_t ggml_backend_amx_device_init(ggml_backend_dev_t dev, const char * params) {
-    return ggml_backend_amx_init();
-
-    GGML_UNUSED(dev);
-    GGML_UNUSED(params);
-}
-
-static ggml_backend_buffer_type_t ggml_backend_amx_device_get_buffer_type(ggml_backend_dev_t dev) {
-    return ggml_backend_amx_buffer_type();
-
-    GGML_UNUSED(dev);
-}
-
-static bool ggml_backend_amx_device_supports_op(ggml_backend_dev_t dev, const struct ggml_tensor * op) {
-
-    // handle only 2d gemm for now
-    auto is_contiguous_2d = [](const struct ggml_tensor * t) {
-        return ggml_is_contiguous(t) && t->ne[3] == 1 && t->ne[2] == 1;
-    };
-
-    switch (op->op) {
-        case GGML_OP_NONE:
-        case GGML_OP_RESHAPE:
-        case GGML_OP_VIEW:
-        case GGML_OP_PERMUTE:
-        case GGML_OP_TRANSPOSE:
-            return true;
-
-        case GGML_OP_MUL_MAT: {
-            const struct ggml_tensor * src0 = op->src[0];
-            const struct ggml_tensor * src1 = op->src[1];
-
-            const enum ggml_type type = src0->type;
-            const int64_t ne0 = op->ne[0];
-
-            // amx kernels enables for Q4_0, Q4_1, Q8_0, F16
-            // Q4_K, Q5_K, Q6_K, IQ4_XS enabled for QK_K = 256
-            bool has_amx_kernels = qtype_has_amx_kernels(type) || (type == GGML_TYPE_F16);
-
-            bool can_use_amx =
-                is_contiguous_2d(src0) &&       // src0 must be contiguous
-                is_contiguous_2d(src1) &&       // src1 must be contiguous
-                src1->type == GGML_TYPE_F32 &&  // src1 must be float32
-                has_amx_kernels &&              // with amx kernel impls
-                ne0 % (TILE_N * 2) == 0;        // out_features is 32x
-
-            return can_use_amx;
-        }
-        default:
-            return false;
-    }
-
-    GGML_UNUSED(dev);
-}
-
-static bool ggml_backend_amx_device_supports_buft(ggml_backend_dev_t dev, ggml_backend_buffer_type_t buft) {
-    return buft->iface.get_name == ggml_backend_amx_buffer_type_get_name;
-
-    GGML_UNUSED(dev);
-}
-
-static const struct ggml_backend_device_i ggml_backend_amx_device_i = {
-    /* .get_name             = */ ggml_backend_amx_device_get_name,
-    /* .get_description      = */ ggml_backend_amx_device_get_description,
-    /* .get_memory           = */ ggml_backend_amx_device_get_memory,
-    /* .get_type             = */ ggml_backend_amx_device_get_type,
-    /* .get_props            = */ ggml_backend_amx_device_get_props,
-    /* .init_backend         = */ ggml_backend_amx_device_init,
-    /* .get_buffer_type      = */ ggml_backend_amx_device_get_buffer_type,
-    /* .get_host_buffer_type = */ NULL,
-    /* .buffer_from_host_ptr = */ NULL,
-    /* .supports_op          = */ ggml_backend_amx_device_supports_op,
-    /* .supports_buft        = */ ggml_backend_amx_device_supports_buft,
-    /* .offload_op           = */ NULL,
-    /* .event_new            = */ NULL,
-    /* .event_free           = */ NULL,
-    /* .event_synchronize    = */ NULL,
-};
-
-// backend reg interface
-
-static const char * ggml_backend_amx_reg_get_name(ggml_backend_reg_t reg) {
-    return "AMX";
-
-    GGML_UNUSED(reg);
-}
-
-static size_t ggml_backend_amx_reg_get_device_count(ggml_backend_reg_t reg) {
-    return 1;
-
-    GGML_UNUSED(reg);
-}
-
-static ggml_backend_dev_t ggml_backend_amx_reg_get_device(ggml_backend_reg_t reg, size_t index) {
-    GGML_ASSERT(index == 0);
-
-    static ggml_backend_device ggml_backend_amx_device = {
-        /* .iface   = */ ggml_backend_amx_device_i,
-        /* .reg     = */ reg,
-        /* .context = */ nullptr,
-    };
-
-    return &ggml_backend_amx_device;
-
-    GGML_UNUSED(reg);
-    GGML_UNUSED(index);
-}
-
-static void * ggml_backend_amx_get_proc_address(ggml_backend_reg_t reg, const char * name) {
-    if (std::strcmp(name, "ggml_backend_set_n_threads") == 0) {
-        return (void *)ggml_backend_amx_set_n_threads;
-    }
-    return NULL;
-
-    GGML_UNUSED(reg);
-    GGML_UNUSED(name);
-}
-
-static const struct ggml_backend_reg_i ggml_backend_amx_reg_i = {
-    /* .get_name         = */ ggml_backend_amx_reg_get_name,
-    /* .get_device_count = */ ggml_backend_amx_reg_get_device_count,
-    /* .get_device       = */ ggml_backend_amx_reg_get_device,
-    /* .get_proc_address = */ ggml_backend_amx_get_proc_address,
-};
-
-ggml_backend_reg_t ggml_backend_amx_reg(void) {
-    static struct ggml_backend_reg ggml_backend_amx_reg = {
-        /* .iface   = */ ggml_backend_amx_reg_i,
-        /* .context = */ NULL,
-    };
-
-    return &ggml_backend_amx_reg;
-}
-
-#else // if defined(__AMX_INT8__)
-
-ggml_backend_buffer_type_t ggml_backend_amx_buffer_type(void) {
-    return nullptr;
-}
-
-bool ggml_backend_is_amx(ggml_backend_t backend) {
-    GGML_UNUSED(backend);
-    return false;
-}
-
-ggml_backend_t ggml_backend_amx_init(void) {
-    fprintf(stderr, "GGML is not compiled with AMX support!\n");
-    return nullptr;
-}
-
-void ggml_backend_amx_set_n_threads(ggml_backend_t backend_amx, int n_threads) {
-    fprintf(stderr, "GGML is not compiled with AMX support!\n");
-
-    GGML_UNUSED(backend_amx);
-    GGML_UNUSED(n_threads);
-}
-
-ggml_backend_reg_t ggml_backend_amx_reg(void) {
-    return nullptr;
-}
-
-#endif
diff --git a/ggml/src/ggml-amx/mmq.cpp b/ggml/src/ggml-amx/mmq.cpp
deleted file mode 100644 (file)
index 529bee2..0000000
+++ /dev/null
@@ -1,2510 +0,0 @@
-
-#if defined(__GNUC__)
-#pragma GCC diagnostic ignored "-Wpedantic"
-#pragma GCC diagnostic ignored "-Wunused-local-typedefs"
-#endif
-
-#include "mmq.h"
-#include "ggml-impl.h"
-#include "ggml-quants.h"
-#include <algorithm>
-#include <type_traits>
-
-#if defined(__gnu_linux__)
-#include <sys/syscall.h>
-#include <unistd.h>
-#endif
-
-#if defined(_OPENMP)
-#include <omp.h>
-#endif
-
-#if (defined(_WIN32) || defined(_WIN64))
-#define RESTRICT __restrict
-#else
-#define RESTRICT __restrict__
-#endif
-
-#if (defined(_WIN32) || defined(_WIN64))
-#define ALWAYS_INLINE __forceinline
-#elif __has_attribute(always_inline) || defined(__GNUC__)
-#define ALWAYS_INLINE __attribute__((__always_inline__)) inline
-#else
-#define ALWAYS_INLINE inline
-#endif
-
-#if defined(__AMX_INT8__)
-
-namespace {
-
-// Forced unrolling
-template <int n>
-struct Unroll {
-    template <typename Func, typename... Args>
-    ALWAYS_INLINE void operator()(const Func& f, Args... args) const {
-        Unroll<n - 1>{}(f, args...);
-        f(std::integral_constant<int, n - 1>{}, args...);
-    }
-};
-
-template <>
-struct Unroll<1> {
-    template <typename Func, typename... Args>
-    ALWAYS_INLINE void operator()(const Func& f, Args... args) const {
-        f(std::integral_constant<int, 0>{}, args...);
-    }
-};
-
-// type traits
-template <typename T> struct PackedTypes {};
-template <> struct PackedTypes<block_q4_0> { using type = int8_t; };
-template <> struct PackedTypes<block_q4_1> { using type = uint8_t; };
-template <> struct PackedTypes<block_q8_0> { using type = int8_t; };
-template <typename T> using packed_B_type = typename PackedTypes<T>::type;
-
-template <typename T>
-struct do_compensate : std::integral_constant<bool,
-    std::is_same<T, block_q8_0>::value> {};
-
-template <typename T>
-struct do_unpack : std::integral_constant<bool,
-    std::is_same<T, block_q4_0>::value ||
-    std::is_same<T, block_q4_1>::value> {};
-
-template <typename T>
-struct is_type_qkk : std::integral_constant<bool,
-    std::is_same<T, block_q4_K>::value ||
-    std::is_same<T, block_q5_K>::value ||
-    std::is_same<T, block_q6_K>::value ||
-    std::is_same<T, block_iq4_xs>::value> {};
-
-#define GGML_DISPATCH_FLOATING_TYPES(TYPE, ...)                                        \
-    [&] {                                                                              \
-        switch (TYPE) {                                                                \
-            case GGML_TYPE_F16: {                                                      \
-                using type = ggml_fp16_t;                                              \
-                constexpr int blck_size = 16;                                          \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_BF16: {                                                     \
-                using type = ggml_bf16_t;                                              \
-                constexpr int blck_size = 32;                                          \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            default:                                                                   \
-                fprintf(stderr, "Unsupported floating data type\n");                   \
-        }                                                                              \
-    }()
-
-#define GGML_DISPATCH_QTYPES(QT, ...)                                                  \
-    [&] {                                                                              \
-        switch (QT) {                                                                  \
-            case GGML_TYPE_Q4_0: {                                                     \
-                using type = block_q4_0;                                               \
-                using vec_dot_type = block_q8_0;                                       \
-                constexpr int blck_size = QK4_0;                                       \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_Q4_1: {                                                     \
-                using type = block_q4_1;                                               \
-                using vec_dot_type = block_q8_1;                                       \
-                constexpr int blck_size = QK4_1;                                       \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_Q8_0: {                                                     \
-                using type = block_q8_0;                                               \
-                using vec_dot_type = block_q8_0;                                       \
-                constexpr int blck_size = QK8_0;                                       \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_Q4_K: {                                                     \
-                using type = block_q4_K;                                               \
-                using vec_dot_type = block_q8_K;                                       \
-                constexpr int blck_size = QK_K;                                        \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_Q5_K: {                                                     \
-                using type = block_q5_K;                                               \
-                using vec_dot_type = block_q8_K;                                       \
-                constexpr int blck_size = QK_K;                                        \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_Q6_K: {                                                     \
-                using type = block_q6_K;                                               \
-                using vec_dot_type = block_q8_K;                                       \
-                constexpr int blck_size = QK_K;                                        \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            case GGML_TYPE_IQ4_XS: {                                                   \
-                using type = block_iq4_xs;                                             \
-                using vec_dot_type = block_q8_K;                                       \
-                constexpr int blck_size = QK_K;                                        \
-                return __VA_ARGS__();                                                  \
-            }                                                                          \
-            default:                                                                   \
-                fprintf(stderr, "Unsupported quantized data type: %d\n", int(TYPE));   \
-        }                                                                              \
-    }()
-
-#define GGML_DISPATCH_BOOL(BOOL_V, BOOL_NAME, ...)                                     \
-    [&] {                                                                              \
-        if (BOOL_V) {                                                                  \
-            constexpr bool BOOL_NAME = true;                                           \
-            return __VA_ARGS__();                                                      \
-        } else {                                                                       \
-            constexpr bool BOOL_NAME = false;                                          \
-            return __VA_ARGS__();                                                      \
-        }                                                                              \
-    }()
-
-// define amx tile config data structure
-struct tile_config_t{
-    uint8_t palette_id = 0;
-    uint8_t start_row = 0;
-    uint8_t reserved_0[14] = {0};
-    uint16_t colsb[16] = {0};
-    uint8_t rows[16] = {0};
-};
-
-// Notes: amx tile config
-//
-// Typically, TMUL calculates A and B of size 16 x 64 containing INT8 values,
-// and accumulate the result to a 16 x 16 matrix C containing INT32 values,
-//
-// As many GGUF quantized types as `block_size` of 32, so a 16-16-32 config is used
-// instead of the normally used 16-16-64 config.
-//
-//    Block A: {16, 32}, dtype = int8_t
-//    Block B: {16, 32}, dtype = uint8_t/int8_t
-//    Block C: {16, 16}, dtype = int32_t
-//
-// Block B needs to be prepacked to vnni format before feeding into  TMUL:
-//    packed_B: from {n, k} to {k/vnni_blk, n, vnni_blck}, viewed in 2d, we get {8, 64}
-//
-// Therefore, we get tileconfig:
-//             A    B    C
-//    rows    16    8   16
-//    colsb   32   64   16
-//
-// For tile distribution, follow a 2-2-4 pattern, e.g. A used TMM2-TMM3, B used TMM0-TMM1,
-// C used TMM4-TMM7:
-//            B TMM0  B TMM1
-//    A TMM2  C TMM4  C TMM6
-//    A TMM3  C TMM5  C TMM7
-//
-// Each `amx` kernel handles 4 blocks at a time: 2MB * 2NB, when m < 2 * BLOCK_M, unpack A
-// will be needed.
-//
-// Here another commonly used pattern 1-3-3 is skipped, as it is mostly used when m <=16;
-// and the sinlge batch gemm (m=1) has a special fast path with `avx512-vnni`.
-//
-// ref: https://www.intel.com/content/www/us/en/developer/articles/code-sample/
-//    advanced-matrix-extensions-intrinsics-functions.html
-//
-
-#define TC_CONFIG_TILE(i, r, cb) tc.rows[i] = r; tc.colsb[i] = cb
-void ggml_tile_config_init(void) {
-    static thread_local bool is_first_time = true;
-
-    if (!is_first_time) {
-        return;
-    }
-
-    static thread_local tile_config_t tc;
-    tile_config_t current_tc;
-    _tile_storeconfig(&current_tc);
-
-    // load only when config changes
-    if (tc.palette_id == 0 || (memcmp(&current_tc.colsb, &tc.colsb, sizeof(uint16_t) * 8) != 0 &&
-                               memcmp(&current_tc.rows, &tc.rows, sizeof(uint8_t) * 8) != 0)) {
-        tc.palette_id = 1;
-        tc.start_row = 0;
-        TC_CONFIG_TILE(TMM0, 8, 64);
-        TC_CONFIG_TILE(TMM1, 8, 64);
-        TC_CONFIG_TILE(TMM2, 16, 32);
-        TC_CONFIG_TILE(TMM3, 16, 32);
-        TC_CONFIG_TILE(TMM4, 16, 64);
-        TC_CONFIG_TILE(TMM5, 16, 64);
-        TC_CONFIG_TILE(TMM6, 16, 64);
-        TC_CONFIG_TILE(TMM7, 16, 64);
-        _tile_loadconfig(&tc);
-    }
-
-    is_first_time = false;
-}
-
-// we need an extra 16 * 4B (TILE_N * int32_t) for each NB/KB block for compensation.
-// See the notes `s8s8 igemm compensation in avx512-vnni` for detail.
-template <typename TB>
-int get_tile_size() {
-    int tile_size = TILE_N * sizeof(TB);
-    if (do_compensate<TB>::value) {
-        tile_size += TILE_N * sizeof(int32_t);
-    }
-    if (std::is_same<TB, block_q4_K>::value ||
-        std::is_same<TB, block_q5_K>::value) {
-        tile_size += TILE_N * 4;
-    }
-    if (std::is_same<TB, block_iq4_xs>::value) {
-        tile_size += TILE_N * 2;
-    }
-    return tile_size;
-}
-
-template <typename TB, int BLOCK_K>
-int get_row_size(int K) {
-    int KB = K / BLOCK_K;
-    int row_size = KB * sizeof(TB);
-    if (do_compensate<TB>::value) {
-        row_size += KB * sizeof(int32_t);
-    }
-    if (std::is_same<TB, block_q4_K>::value ||
-        std::is_same<TB, block_q5_K>::value) {
-        row_size += KB * 4;
-    }
-    if (std::is_same<TB, block_iq4_xs>::value) {
-        row_size += KB * 2;
-    }
-    return row_size;
-}
-
-// vectorized dtype conversion
-inline float FP16_TO_FP32(ggml_half val) {
-    __m256i v = _mm256_setr_epi16(
-        val, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0);
-    __m512 o = _mm512_cvtph_ps(v);
-    return _mm512_cvtss_f32(o);
-}
-
-inline __m512 FP16_TO_FP32_VEC(ggml_half val) {
-    __m256i v = _mm256_set1_epi16(val);
-    return _mm512_cvtph_ps(v);
-}
-
-// horizontal reduce
-inline float _mm512_reduce_max_ps(const __m512 x) {
-    __m512 v = x;
-    __m512 v1 = _mm512_shuffle_f32x4(v, v, 0x4E);
-    v = _mm512_max_ps(v, v1);
-    v1 = _mm512_shuffle_f32x4(v, v, 0xB1);
-    v = _mm512_max_ps(v, v1);
-    v1 = _mm512_shuffle_ps(v, v, 0x4E);
-    v = _mm512_max_ps(v, v1);
-    v1 = _mm512_shuffle_ps(v, v, 0xB1);
-    v = _mm512_max_ps(v, v1);
-    return _mm512_cvtss_f32(v);
-}
-
-// transpose utils
-#define SHUFFLE_EPI32(a, b, mask) \
-    _mm256_castps_si256(_mm256_shuffle_ps(_mm256_castsi256_ps(a), _mm256_castsi256_ps(b), mask))
-inline void transpose_8x8_32bit(__m256i * v, __m256i * v1) {
-    // unpacking and 32-bit elements
-    v1[0] = _mm256_unpacklo_epi32(v[0], v[1]);
-    v1[1] = _mm256_unpackhi_epi32(v[0], v[1]);
-    v1[2] = _mm256_unpacklo_epi32(v[2], v[3]);
-    v1[3] = _mm256_unpackhi_epi32(v[2], v[3]);
-    v1[4] = _mm256_unpacklo_epi32(v[4], v[5]);
-    v1[5] = _mm256_unpackhi_epi32(v[4], v[5]);
-    v1[6] = _mm256_unpacklo_epi32(v[6], v[7]);
-    v1[7] = _mm256_unpackhi_epi32(v[6], v[7]);
-
-    // shuffling the 32-bit elements
-    v[0] = SHUFFLE_EPI32(v1[0], v1[2], 0x44);
-    v[1] = SHUFFLE_EPI32(v1[0], v1[2], 0xee);
-    v[2] = SHUFFLE_EPI32(v1[4], v1[6], 0x44);
-    v[3] = SHUFFLE_EPI32(v1[4], v1[6], 0xee);
-    v[4] = SHUFFLE_EPI32(v1[1], v1[3], 0x44);
-    v[5] = SHUFFLE_EPI32(v1[1], v1[3], 0xee);
-    v[6] = SHUFFLE_EPI32(v1[5], v1[7], 0x44);
-    v[7] = SHUFFLE_EPI32(v1[5], v1[7], 0xee);
-
-    // shuffling 128-bit elements
-    v1[0] = _mm256_permute2f128_si256(v[2], v[0], 0x02);
-    v1[1] = _mm256_permute2f128_si256(v[3], v[1], 0x02);
-    v1[2] = _mm256_permute2f128_si256(v[6], v[4], 0x02);
-    v1[3] = _mm256_permute2f128_si256(v[7], v[5], 0x02);
-    v1[4] = _mm256_permute2f128_si256(v[2], v[0], 0x13);
-    v1[5] = _mm256_permute2f128_si256(v[3], v[1], 0x13);
-    v1[6] = _mm256_permute2f128_si256(v[6], v[4], 0x13);
-    v1[7] = _mm256_permute2f128_si256(v[7], v[5], 0x13);
-}
-
-inline void transpose_16x4_32bit(__m512i * r, __m512i * d) {
-
-    static const __m512i index1 = _mm512_set_epi32(
-        0x0f, 0x0b, 0x07, 0x03,
-        0x0e, 0x0a, 0x06, 0x02,
-        0x0d, 0x09, 0x05, 0x01,
-        0x0c, 0x08, 0x04, 0x00);
-
-    d[0] = _mm512_permutexvar_epi32(index1, r[0]);
-    d[1] = _mm512_permutexvar_epi32(index1, r[1]);
-    d[2] = _mm512_permutexvar_epi32(index1, r[2]);
-    d[3] = _mm512_permutexvar_epi32(index1, r[3]);
-
-    r[0] = _mm512_shuffle_i32x4(d[0], d[1], 0x44);
-    r[1] = _mm512_shuffle_i32x4(d[0], d[1], 0xee);
-    r[2] = _mm512_shuffle_i32x4(d[2], d[3], 0x44);
-    r[3] = _mm512_shuffle_i32x4(d[2], d[3], 0xee);
-
-    d[0] = _mm512_shuffle_i32x4(r[0], r[2], 0x88);
-    d[1] = _mm512_shuffle_i32x4(r[0], r[2], 0xdd);
-    d[2] = _mm512_shuffle_i32x4(r[1], r[3], 0x88);
-    d[3] = _mm512_shuffle_i32x4(r[1], r[3], 0xdd);
-}
-
-inline void transpose_16x16_32bit(__m512i * v) {
-    __m512i v1[16];
-    v1[0] = _mm512_unpacklo_epi32(v[0], v[1]);
-    v1[1] = _mm512_unpackhi_epi32(v[0], v[1]);
-    v1[2] = _mm512_unpacklo_epi32(v[2], v[3]);
-    v1[3] = _mm512_unpackhi_epi32(v[2], v[3]);
-    v1[4] = _mm512_unpacklo_epi32(v[4], v[5]);
-    v1[5] = _mm512_unpackhi_epi32(v[4], v[5]);
-    v1[6] = _mm512_unpacklo_epi32(v[6], v[7]);
-    v1[7] = _mm512_unpackhi_epi32(v[6], v[7]);
-    v1[8] = _mm512_unpacklo_epi32(v[8], v[9]);
-    v1[9] = _mm512_unpackhi_epi32(v[8], v[9]);
-    v1[10] = _mm512_unpacklo_epi32(v[10], v[11]);
-    v1[11] = _mm512_unpackhi_epi32(v[10], v[11]);
-    v1[12] = _mm512_unpacklo_epi32(v[12], v[13]);
-    v1[13] = _mm512_unpackhi_epi32(v[12], v[13]);
-    v1[14] = _mm512_unpacklo_epi32(v[14], v[15]);
-    v1[15] = _mm512_unpackhi_epi32(v[14], v[15]);
-
-    v[0] = _mm512_unpacklo_epi64(v1[0], v1[2]);
-    v[1] = _mm512_unpackhi_epi64(v1[0], v1[2]);
-    v[2] = _mm512_unpacklo_epi64(v1[1], v1[3]);
-    v[3] = _mm512_unpackhi_epi64(v1[1], v1[3]);
-    v[4] = _mm512_unpacklo_epi64(v1[4], v1[6]);
-    v[5] = _mm512_unpackhi_epi64(v1[4], v1[6]);
-    v[6] = _mm512_unpacklo_epi64(v1[5], v1[7]);
-    v[7] = _mm512_unpackhi_epi64(v1[5], v1[7]);
-    v[8] = _mm512_unpacklo_epi64(v1[8], v1[10]);
-    v[9] = _mm512_unpackhi_epi64(v1[8], v1[10]);
-    v[10] = _mm512_unpacklo_epi64(v1[9], v1[11]);
-    v[11] = _mm512_unpackhi_epi64(v1[9], v1[11]);
-    v[12] = _mm512_unpacklo_epi64(v1[12], v1[14]);
-    v[13] = _mm512_unpackhi_epi64(v1[12], v1[14]);
-    v[14] = _mm512_unpacklo_epi64(v1[13], v1[15]);
-    v[15] = _mm512_unpackhi_epi64(v1[13], v1[15]);
-
-    v1[0] = _mm512_shuffle_i32x4(v[0], v[4], 0x88);
-    v1[1] = _mm512_shuffle_i32x4(v[1], v[5], 0x88);
-    v1[2] = _mm512_shuffle_i32x4(v[2], v[6], 0x88);
-    v1[3] = _mm512_shuffle_i32x4(v[3], v[7], 0x88);
-    v1[4] = _mm512_shuffle_i32x4(v[0], v[4], 0xdd);
-    v1[5] = _mm512_shuffle_i32x4(v[1], v[5], 0xdd);
-    v1[6] = _mm512_shuffle_i32x4(v[2], v[6], 0xdd);
-    v1[7] = _mm512_shuffle_i32x4(v[3], v[7], 0xdd);
-    v1[8] = _mm512_shuffle_i32x4(v[8], v[12], 0x88);
-    v1[9] = _mm512_shuffle_i32x4(v[9], v[13], 0x88);
-    v1[10] = _mm512_shuffle_i32x4(v[10], v[14], 0x88);
-    v1[11] = _mm512_shuffle_i32x4(v[11], v[15], 0x88);
-    v1[12] = _mm512_shuffle_i32x4(v[8], v[12], 0xdd);
-    v1[13] = _mm512_shuffle_i32x4(v[9], v[13], 0xdd);
-    v1[14] = _mm512_shuffle_i32x4(v[10], v[14], 0xdd);
-    v1[15] = _mm512_shuffle_i32x4(v[11], v[15], 0xdd);
-
-    v[0] = _mm512_shuffle_i32x4(v1[0], v1[8], 0x88);
-    v[1] = _mm512_shuffle_i32x4(v1[1], v1[9], 0x88);
-    v[2] = _mm512_shuffle_i32x4(v1[2], v1[10], 0x88);
-    v[3] = _mm512_shuffle_i32x4(v1[3], v1[11], 0x88);
-    v[4] = _mm512_shuffle_i32x4(v1[4], v1[12], 0x88);
-    v[5] = _mm512_shuffle_i32x4(v1[5], v1[13], 0x88);
-    v[6] = _mm512_shuffle_i32x4(v1[6], v1[14], 0x88);
-    v[7] = _mm512_shuffle_i32x4(v1[7], v1[15], 0x88);
-    v[8] = _mm512_shuffle_i32x4(v1[0], v1[8], 0xdd);
-    v[9] = _mm512_shuffle_i32x4(v1[1], v1[9], 0xdd);
-    v[10] = _mm512_shuffle_i32x4(v1[2], v1[10], 0xdd);
-    v[11] = _mm512_shuffle_i32x4(v1[3], v1[11], 0xdd);
-    v[12] = _mm512_shuffle_i32x4(v1[4], v1[12], 0xdd);
-    v[13] = _mm512_shuffle_i32x4(v1[5], v1[13], 0xdd);
-    v[14] = _mm512_shuffle_i32x4(v1[6], v1[14], 0xdd);
-    v[15] = _mm512_shuffle_i32x4(v1[7], v1[15], 0xdd);
-}
-
-void quantize_row_q8_K_vnni(const float * RESTRICT x, void * RESTRICT vy, int64_t k) {
-    assert(k % QK_K == 0);
-    const int KB = k / QK_K;
-    constexpr int kVecs = QK_K / 16;
-
-    block_q8_K * y = reinterpret_cast<block_q8_K *>(vy);
-
-    // hold 16 float vecs from x
-    __m512  v[kVecs];
-
-    // hold the quants vecs
-    __m512i vq[kVecs / 4];
-
-    // hold the packed quants vecs
-    __m512i vq_packed[kVecs / 4];
-
-    const __m512 signBit = _mm512_set1_ps(-0.f);
-
-    for (int i = 0; i < KB; ++i) {
-        // Compute max(abs(e)) for the block
-        __m512 vamax = _mm512_set1_ps(0.f);
-        for (int j = 0; j < kVecs; ++j) {
-            v[j] = _mm512_loadu_ps(x); x += 16;
-            vamax = _mm512_max_ps(vamax, _mm512_andnot_ps(signBit, v[j]));
-        }
-        const float amax = _mm512_reduce_max_ps(vamax);
-
-        // Quantize these floats
-        const float iscale = 127.f / amax;
-        y[i].d = GGML_FP32_TO_FP16(1 / iscale);
-        const float id = ( amax != 0.0f ) ? iscale : 0.f;
-        const __m512 vscale = _mm512_set1_ps(id);
-
-        // Apply multiplier and round to nearest integer
-        for (int j = 0; j < kVecs; ++j) {
-            v[j] = _mm512_mul_ps(v[j], vscale);
-            v[j] = _mm512_roundscale_ps(v[j], (_MM_FROUND_TO_NEAREST_INT | _MM_FROUND_NO_EXC));
-        }
-
-        // Pack to epi8 vecs
-        for (int j = 0; j < kVecs / 4; ++j) {
-            __m128i q8_0 = _mm512_cvtepi32_epi8(_mm512_cvtps_epi32(v[j * 4 + 0]));
-            __m128i q8_1 = _mm512_cvtepi32_epi8(_mm512_cvtps_epi32(v[j * 4 + 1]));
-            __m128i q8_2 = _mm512_cvtepi32_epi8(_mm512_cvtps_epi32(v[j * 4 + 2]));
-            __m128i q8_3 = _mm512_cvtepi32_epi8(_mm512_cvtps_epi32(v[j * 4 + 3]));
-
-            __m256i q8_01 = _mm256_insertf128_si256(_mm256_castsi128_si256(q8_0), (q8_1), 1);
-            __m256i q8_23 = _mm256_insertf128_si256(_mm256_castsi128_si256(q8_2), (q8_3), 1);
-
-            vq[j] = _mm512_inserti32x8(_mm512_castsi256_si512(q8_01), q8_23, 1);
-            _mm512_storeu_si512((__m512i *)(y[i].qs + j * 64), vq[j]);
-        }
-
-        // Compute the bsums with vnni
-        transpose_16x4_32bit(vq, vq_packed);
-
-        const __m512i one = _mm512_set1_epi8(1);
-        __m512i sum = _mm512_setzero_si512();
-        for (int k = 0; k < 4; ++k) {
-            sum = _mm512_dpbusd_epi32(sum, one, vq_packed[k]);
-        }
-        _mm256_storeu_si256((__m256i *)(y[i].bsums), _mm512_cvtepi32_epi16(sum));
-    }
-}
-
-// quantize A from float to `vec_dot_type`
-template <typename T>
-inline void from_float(const float * x, char * vy, int64_t k);
-
-template <>
-inline void from_float<block_q8_0>(const float * x, char * vy, int64_t k) {
-    // FIXME: using unoptimized reference impl until moved to CPU backend
-    quantize_row_q8_0_ref(x, (block_q8_0 *)vy, k);
-}
-
-template <>
-inline void from_float<block_q8_1>(const float * x, char * vy, int64_t k) {
-    quantize_row_q8_1_ref(x, (block_q8_1 *)vy, k);
-}
-
-template <>
-inline void from_float<block_q8_K>(const float * x, char * vy, int64_t k) {
-#if 1
-    // TODO: this is reference impl!
-    quantize_row_q8_K_ref(x, (block_q8_K *)vy, k);
-#else
-    quantize_row_q8_K_vnni(x, vy, k);
-#endif
-}
-
-// load A from memory to array when nrows can not fill in whole tile
-void unpack_A(int8_t * RESTRICT tile, const block_q8_0 * RESTRICT A, int lda, int nr) {
-    assert(nr != TILE_M);
-    for (int m = 0; m < nr; ++m) {
-        const __m256i v = _mm256_loadu_si256((const __m256i *)(A[m * lda].qs));
-        _mm256_storeu_si256((__m256i *)(tile + m * TILE_K), v);
-    }
-}
-
-void unpack_A(int8_t * RESTRICT tile, const block_q8_1 * RESTRICT A, int lda, int nr) {
-    assert(nr != TILE_M);
-    for (int m = 0; m < nr; ++m) {
-        const __m256i v = _mm256_loadu_si256((const __m256i *)(A[m * lda].qs));
-        _mm256_storeu_si256((__m256i *)(tile + m * TILE_K), v);
-    }
-}
-
-template <typename TB>
-void unpack_A(int8_t * RESTRICT tile, const block_q8_K * RESTRICT A, int lda, int k, int nr) {
-    assert(nr <= TILE_M);
-    for (int m = 0; m < nr; ++m) {
-        const __m256i v = _mm256_loadu_si256((const __m256i *)(A[m * lda].qs + k * 32));
-        _mm256_storeu_si256((__m256i *)(tile + m * TILE_K), v);
-    }
-}
-
-template <>
-void unpack_A<block_q6_K>(int8_t * RESTRICT tile, const block_q8_K * RESTRICT A, int lda, int k, int nr) {
-    assert(nr <= TILE_M);
-    // zero padding k from 16 to 32, so that we don't have to re-config amx
-    const __m128i zero = _mm_setzero_si128();
-    for (int m = 0; m < nr; ++m) {
-        const __m128i v = _mm_loadu_si128((const __m128i *)(A[m * lda].qs + k * 16));
-        const __m256i r = _mm256_insertf128_si256(_mm256_castsi128_si256(v), zero, 1);
-        _mm256_storeu_si256((__m256i *)(tile + m * TILE_K), r);
-    }
-}
-
-#define MM256_SET_M128I(a, b) _mm256_insertf128_si256(_mm256_castsi128_si256(b), (a), 1)
-inline __m256i bytes_from_nibbles_32(const uint8_t * rsi) {
-    const __m128i tmp = _mm_loadu_si128((const __m128i *)rsi);
-    const __m256i bytes = MM256_SET_M128I(_mm_srli_epi16(tmp, 4), tmp);
-    const __m256i lowMask = _mm256_set1_epi8(0xF);
-    return _mm256_and_si256(lowMask, bytes);
-}
-
-// used for block_q4_K
-inline __m512i bytes_from_nibbles_64(const uint8_t * rsi) {
-    const __m256i tmp = _mm256_loadu_si256((const __m256i *)rsi);
-    const __m256i lowMask = _mm256_set1_epi8(0xF);
-    const __m256i q4l = _mm256_and_si256(tmp, lowMask);
-    const __m256i q4h = _mm256_and_si256(_mm256_srli_epi16(tmp, 4), lowMask);
-    return _mm512_inserti32x8(_mm512_castsi256_si512(q4l), q4h, 1);
-}
-
-// used for block_q5_K
-inline __m512i bytes_from_nibbles_64(const uint8_t * qs, const uint8_t * qh, int k) {
-    const __m256i lowMask = _mm256_set1_epi8(0xF);
-    __m256i hmask = _mm256_set1_epi8(1);
-    hmask = _mm256_slli_epi16(hmask, k);
-
-    const __m256i q5bits = _mm256_loadu_si256((const __m256i *)qs);
-    const __m256i hbits = _mm256_loadu_si256((const __m256i *)qh);
-
-    const __m256i q5l_0 = _mm256_and_si256(q5bits, lowMask);
-    const __m256i q5h_0 = _mm256_slli_epi16(_mm256_srli_epi16(_mm256_and_si256(hbits, hmask), k + 0), 4);
-    const __m256i q5_0  = _mm256_add_epi8(q5l_0, q5h_0);
-    hmask = _mm256_slli_epi16(hmask, 1);
-
-    const __m256i q5l_1 = _mm256_and_si256(_mm256_srli_epi16(q5bits, 4), lowMask);
-    const __m256i q5h_1 = _mm256_slli_epi16(_mm256_srli_epi16(_mm256_and_si256(hbits, hmask), k + 1), 4);
-    const __m256i q5_1  = _mm256_add_epi8(q5l_1, q5h_1);
-
-    return _mm512_inserti32x8(_mm512_castsi256_si512(q5_0), q5_1, 1);
-}
-
-// used for block_q6_K
-inline void bytes_from_nibbles_128(__m512i& r0, __m512i& r1, const uint8_t * qs, const uint8_t * qh) {
-    const __m256i m4 = _mm256_set1_epi8(0xF);
-    const __m256i m2 = _mm256_set1_epi8(0x3);
-
-    const __m256i q6bits1 = _mm256_loadu_si256((const __m256i *)qs);
-    const __m256i q6bits2 = _mm256_loadu_si256((const __m256i *)(qs + 32));
-    const __m256i q6bitsH = _mm256_loadu_si256((const __m256i *)qh);
-
-    const __m256i q6h_0 = _mm256_slli_epi16(_mm256_and_si256(                  q6bitsH,     m2), 4);
-    const __m256i q6h_1 = _mm256_slli_epi16(_mm256_and_si256(_mm256_srli_epi16(q6bitsH, 2), m2), 4);
-    const __m256i q6h_2 = _mm256_slli_epi16(_mm256_and_si256(_mm256_srli_epi16(q6bitsH, 4), m2), 4);
-    const __m256i q6h_3 = _mm256_slli_epi16(_mm256_and_si256(_mm256_srli_epi16(q6bitsH, 6), m2), 4);
-
-    const __m256i q6_0 = _mm256_or_si256(_mm256_and_si256(q6bits1, m4), q6h_0);
-    const __m256i q6_1 = _mm256_or_si256(_mm256_and_si256(q6bits2, m4), q6h_1);
-    const __m256i q6_2 = _mm256_or_si256(_mm256_and_si256(_mm256_srli_epi16(q6bits1, 4), m4), q6h_2);
-    const __m256i q6_3 = _mm256_or_si256(_mm256_and_si256(_mm256_srli_epi16(q6bits2, 4), m4), q6h_3);
-
-    r0 = _mm512_inserti32x8(_mm512_castsi256_si512(q6_0), q6_1, 1);
-    r1 = _mm512_inserti32x8(_mm512_castsi256_si512(q6_2), q6_3, 1);
-}
-
-inline __m512i packNibbles(__m512i r0, __m512i r1) {
-    return _mm512_or_si512(r0, _mm512_slli_epi16(r1, 4));
-}
-
-template <typename TB>
-inline void pack_qs(void * RESTRICT packed_B, const TB * RESTRICT B, int KB) {
-    int8_t tmp[8 * 64];
-    __m256i v[8], v2[8];
-    for (int n = 0; n < 8; ++n) {
-        v[n] = bytes_from_nibbles_32(B[n * KB].qs);
-    }
-    transpose_8x8_32bit(v, v2);
-    for (int n = 0; n < 8; ++n) {
-        _mm256_storeu_si256((__m256i *)(tmp + n * 64), v2[n]);
-    }
-    for (int n = 0; n < 8; ++n) {
-        v[n] = bytes_from_nibbles_32(B[(n + 8) * KB].qs);
-    }
-    transpose_8x8_32bit(v, v2);
-    for (int n = 0; n < 8; ++n) {
-        _mm256_storeu_si256((__m256i *)(tmp + n * 64 + 32), v2[n]);
-    }
-
-    // pack again with 128 to fully utilize vector length
-    for (int n = 0; n < 8; n += 2) {
-        __m512i r0 = _mm512_loadu_si512((const __m512i *)(tmp + n * 64));
-        __m512i r1 = _mm512_loadu_si512((const __m512i *)(tmp + n * 64 + 64));
-        __m512i r1r0 = packNibbles(r0, r1);
-        _mm512_storeu_si512((__m512i *)((char *)packed_B + n * 32), r1r0);
-    }
-}
-
-template <>
-inline void pack_qs<block_q8_0>(void * RESTRICT packed_B, const block_q8_0 * RESTRICT B, int KB) {
-    __m256i v[8], v2[8];
-    for (int n = 0; n < 8; ++n) {
-        v[n] = _mm256_loadu_si256((const __m256i *)(B[n * KB].qs));
-    }
-    transpose_8x8_32bit(v, v2);
-    for (int n = 0; n < 8; ++n) {
-        _mm256_storeu_si256((__m256i *)((char *)packed_B + n * 64), v2[n]);
-    }
-    for (int n = 0; n < 8; ++n) {
-        v[n] = _mm256_loadu_si256((const __m256i *)(B[(n + 8) * KB].qs));
-    }
-    transpose_8x8_32bit(v, v2);
-    for (int n = 0; n < 8; ++n) {
-        _mm256_storeu_si256((__m256i *)((char *)packed_B + n * 64 + 32), v2[n]);
-    }
-}
-
-template <>
-inline void pack_qs<block_q4_K>(void * RESTRICT packed_B, const block_q4_K * RESTRICT B, int KB) {
-    __m512i v[16];
-    // QK_K 256 with 8 groups, handle 2 groups at a time
-    char * pb = (char *)packed_B;
-    for (int k = 0; k < QK_K / 64; ++k) {
-        // pack 2 groups { n, g,  k} to {g, k/4, 4n}
-        //          e.g. {16, 2, 32} to {2,   8, 64}
-        for (int n = 0; n < TILE_N; ++n) {
-            v[n] = bytes_from_nibbles_64(B[n * KB].qs + k * 32);
-        }
-
-        transpose_16x16_32bit(v);
-
-        // pack again with 128 to fully utilize vector length
-        for (int n = 0; n < TILE_N; n += 2) {
-            _mm512_storeu_si512((__m512i *)pb, packNibbles(v[n], v[n + 1]));
-            pb += 64;
-        }
-    }
-}
-
-template <>
-inline void pack_qs<block_q5_K>(void * RESTRICT packed_B, const block_q5_K * RESTRICT B, int KB) {
-    __m512i v[16];
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    // QK_K 256 with 8 groups, handle 2 groups at a time
-    char * pb = (char *)packed_B;
-    char * ph = (char *)packed_B + (QK_K / 2) * TILE_N;
-    for (int k = 0; k < QK_K / 64; ++k) {
-        // pack 2 groups { n, g,  k} to {g, k/4, 4n}
-        //          e.g. {16, 2, 32} to {2,   8, 64}
-        for (int n = 0; n < TILE_N; ++n) {
-            v[n] = bytes_from_nibbles_64(B[n * KB].qs + k * 32, B[n * KB].qh, /* group */2 * k);
-        }
-
-        transpose_16x16_32bit(v);
-
-        // 1. pack lower 4bits with 2 groups
-        for (int n = 0; n < TILE_N; n += 2) {
-            // get lower 4 bits
-            const __m512i r0 = _mm512_and_si512(v[n], lowMask);
-            const __m512i r1 = _mm512_and_si512(v[n + 1], lowMask);
-            _mm512_storeu_si512((__m512i *)pb, packNibbles(r0, r1)); pb += 64;
-        }
-
-        // 2. pack higher 1bit with 2 groups
-        const __m512i hmask = _mm512_set1_epi8(0x10);
-        for (int g = 0; g < 2; ++g) {
-            __m512i hbits = _mm512_setzero_si512();
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 8 + 0], hmask), 4));
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 8 + 1], hmask), 3));
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 8 + 2], hmask), 2));
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 8 + 3], hmask), 1));
-            hbits = _mm512_add_epi8(hbits,                   _mm512_and_si512(v[g * 8 + 4], hmask)    );
-            hbits = _mm512_add_epi8(hbits, _mm512_slli_epi16(_mm512_and_si512(v[g * 8 + 5], hmask), 1));
-            hbits = _mm512_add_epi8(hbits, _mm512_slli_epi16(_mm512_and_si512(v[g * 8 + 6], hmask), 2));
-            hbits = _mm512_add_epi8(hbits, _mm512_slli_epi16(_mm512_and_si512(v[g * 8 + 7], hmask), 3));
-            _mm512_storeu_si512((__m512i *)ph, hbits); ph += 64;
-        }
-    }
-}
-
-template <>
-inline void pack_qs<block_q6_K>(void * RESTRICT packed_B, const block_q6_K * RESTRICT B, int KB) {
-    __m512i v[32];
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    // QK_K 256 with 8 groups, handle 4 groups at a time
-    char * pb = (char *)packed_B;
-    char * ph = (char *)packed_B + (QK_K / 2) * TILE_N;
-    for (int k = 0; k < QK_K / 128; ++k) {
-        for (int n = 0; n < TILE_N; ++n) {
-            bytes_from_nibbles_128(v[n], v[n + 16], B[n * KB].ql + k * 64, B[n * KB].qh + k * 32);
-        }
-
-        // top half: group 0,1 or 4,5; bottom half: group 2,3 or 6,7
-        transpose_16x16_32bit(v);
-        transpose_16x16_32bit(v + 16);
-
-        // 1. pack lower 4bits with 4 groups
-        for (int n = 0; n < 32; n += 2) {
-            const __m512i r0 = _mm512_and_si512(v[n], lowMask);
-            const __m512i r1 = _mm512_and_si512(v[n + 1], lowMask);
-            _mm512_storeu_si512((__m512i *)pb, packNibbles(r0, r1)); pb += 64;
-        }
-
-        // 2. pack higher 2bit with 4 groups
-        const __m512i hmask = _mm512_set1_epi8(0x30);
-        for (int g = 0; g < 8; ++g) {
-            __m512i hbits = _mm512_setzero_si512();
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 4 + 0], hmask), 4));
-            hbits = _mm512_add_epi8(hbits, _mm512_srli_epi16(_mm512_and_si512(v[g * 4 + 1], hmask), 2));
-            hbits = _mm512_add_epi8(hbits,                   _mm512_and_si512(v[g * 4 + 2], hmask)    );
-            hbits = _mm512_add_epi8(hbits, _mm512_slli_epi16(_mm512_and_si512(v[g * 4 + 3], hmask), 2));
-            _mm512_storeu_si512((__m512i *)ph, hbits); ph += 64;
-        }
-    }
-}
-
-template <>
-inline void pack_qs<block_iq4_xs>(void * RESTRICT packed_B, const block_iq4_xs * RESTRICT B, int KB) {
-    __m512i v[16];
-    char * pb = (char *)packed_B;
-    for (int k = 0; k < QK_K / 64; ++k) {
-        for (int n = 0; n < TILE_N; ++n) {
-            __m256i r0 = bytes_from_nibbles_32(B[n * KB].qs + k * 32 +  0);
-            __m256i r1 = bytes_from_nibbles_32(B[n * KB].qs + k * 32 + 16);
-            v[n] = _mm512_inserti32x8(_mm512_castsi256_si512(r0), r1, 1);
-        }
-
-        transpose_16x16_32bit(v);
-
-        // pack again with 128 to fully utilize vector length
-        for (int n = 0; n < TILE_N; n += 2) {
-            _mm512_storeu_si512((__m512i *)pb, packNibbles(v[n], v[n + 1]));
-            pb += 64;
-        }
-    }
-}
-
-// pack B to vnni formats in 4bits or 8 bits
-void pack_B(void * RESTRICT packed_B, const block_q4_0 * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-    ggml_half * d0 = reinterpret_cast<ggml_half *>((char *)packed_B + TILE_N * TILE_K / 2);
-    for (int n = 0; n < TILE_N; ++n) {
-        d0[n] = B[n * KB].d;
-    }
-}
-
-void pack_B(void * RESTRICT packed_B, const block_q4_1 * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-    ggml_half * d0 = reinterpret_cast<ggml_half *>((char *)packed_B + TILE_N * TILE_K / 2);
-    ggml_half * m0 = d0 + TILE_N;
-    for (int n = 0; n < TILE_N; ++n) {
-        d0[n] = B[n * KB].d;
-        m0[n] = B[n * KB].m;
-    }
-}
-
-inline void s8s8_compensation(void * RESTRICT packed_B) {
-    // packed_B layout:
-    //   quants {TILE_N, TILEK}  int8_t
-    //   d0     {TILE_N}      ggml_half
-    //   comp   {TILE_N}        int32_t
-    const int offset = TILE_N * TILE_K + TILE_N * sizeof(ggml_half);
-    __m512i vcomp = _mm512_setzero_si512();
-    const __m512i off = _mm512_set1_epi8(static_cast<char>(0x80));
-    for (int k = 0; k < 8; ++k) {
-        __m512i vb = _mm512_loadu_si512((const __m512i *)((const char *)packed_B + k * 64));
-        vcomp = _mm512_dpbusd_epi32(vcomp, off, vb);
-    }
-    _mm512_storeu_si512((__m512i *)((char *)(packed_B) + offset), vcomp);
-}
-
-void pack_B(void * RESTRICT packed_B, const block_q8_0 * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-    ggml_half * d0 = reinterpret_cast<ggml_half *>((char *)packed_B + TILE_N * TILE_K);
-    for (int n = 0; n < TILE_N; ++n) {
-        d0[n] = B[n * KB].d;
-    }
-    s8s8_compensation(packed_B);
-}
-
-// convert 8 * {min, scale} from int6 to int8
-inline void unpack_mins_and_scales(const uint8_t * scales, uint32_t * utmp) {
-    const uint32_t kmask1 = 0x3f3f3f3f;
-    const uint32_t kmask2 = 0x0f0f0f0f;
-    const uint32_t kmask3 = 0x03030303;
-
-    memcpy(utmp, scales, 12);
-    utmp[3] = ((utmp[2] >> 4) & kmask2) | (((utmp[1] >> 6) & kmask3) << 4);
-    const uint32_t uaux = utmp[1] & kmask1;
-    utmp[1] = (utmp[2] & kmask2) | (((utmp[0] >> 6) & kmask3) << 4);
-    utmp[2] = uaux;
-    utmp[0] &= kmask1;
-}
-
-// packed_B layout:
-//   quants {8, TILE_N, 16}  uint8
-//   scales {8, TILE_N}      uint8
-//   mins   {8, TILE_N}      uint8
-//   d      {TILE_N}     ggml_half
-//   dmin   {TILE_N}     ggml_half
-void pack_B(void * RESTRICT packed_B, const block_q4_K * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-
-    uint8_t * scales = reinterpret_cast<uint8_t *>((char *)packed_B + (QK_K / 2) * TILE_N);
-    uint8_t * mins = scales + 8 * TILE_N;
-    ggml_half * d = reinterpret_cast<ggml_half *>(mins + 8 * TILE_N);
-    ggml_half * dmin = d + TILE_N;
-
-    union {
-        uint32_t u32[4];
-        uint8_t  u8[16];
-    } s;
-
-    for (int n = 0; n < TILE_N; ++n) {
-        unpack_mins_and_scales(B[n * KB].scales, s.u32);
-        for (int k = 0; k < 8; ++k) {
-            scales[k * TILE_N + n] = s.u8[k];
-            mins[(k >> 1) * TILE_N * 2 + n * 2 + (k & 0x1)] = s.u8[k + 8];
-        }
-        d[n] = B[n * KB].d;
-        dmin[n] = B[n * KB].dmin;
-    }
-}
-
-// packed_B layout:
-//   quants {8, TILE_N, 16}  uint8
-//   qh     {8, TILE_N,  4}  uint8
-//   scales {8, TILE_N}      uint8
-//   mins   {8, TILE_N}      uint8
-//   d      {TILE_N}     ggml_half
-//   dmin   {TILE_N}     ggml_half
-void pack_B(void * RESTRICT packed_B, const block_q5_K * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-
-    uint8_t * scales = reinterpret_cast<uint8_t *>((char *)packed_B + (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N);
-    uint8_t * mins = scales + 8 * TILE_N;
-    ggml_half * d = reinterpret_cast<ggml_half *>(mins + 8 * TILE_N);
-    ggml_half * dmin = d + TILE_N;
-
-    union {
-        uint32_t u32[4];
-        uint8_t  u8[16];
-    } s;
-
-    for (int n = 0; n < TILE_N; ++n) {
-        unpack_mins_and_scales(B[n * KB].scales, s.u32);
-        for (int k = 0; k < 8; ++k) {
-            scales[k * TILE_N + n] = s.u8[k];
-            mins[(k >> 1) * TILE_N * 2 + n * 2 + (k & 0x1)] = s.u8[k + 8];
-        }
-        d[n] = B[n * KB].d;
-        dmin[n] = B[n * KB].dmin;
-    }
-}
-
-// packed_B layout:
-//   quants {16, TILE_N, 8}  uint8
-//   qh     {16, TILE_N, 4}  uint8
-//   scales {16, TILE_N}      uint8
-//   d      {TILE_N}     ggml_half
-void pack_B(void * RESTRICT packed_B, const block_q6_K * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-
-    uint8_t * scales = reinterpret_cast<uint8_t *>((char *)packed_B + (QK_K / 2) * TILE_N + (QK_K / 4) * TILE_N);
-    ggml_half * d = reinterpret_cast<ggml_half *>(scales + 16 * TILE_N);
-    for (int n = 0; n < TILE_N; ++n) {
-        const int8_t * ps = B[n * KB].scales;
-        for (int k = 0; k < 16; ++k) {
-            scales[k * TILE_N + n] = ps[k];
-        }
-        d[n] = B[n * KB].d;
-    }
-}
-
-// packed_B layout:
-//   quants {8, TILE_N, 16}  uint8
-//   scales {8, TILE_N}       int8
-//   d      {TILE_N}     ggml_half
-void pack_B(void * RESTRICT packed_B, const block_iq4_xs * RESTRICT B, int KB) {
-    pack_qs(packed_B, B, KB);
-
-    int8_t * scales = reinterpret_cast<int8_t *>((char *)packed_B + (QK_K / 2) * TILE_N);
-    ggml_half * d = reinterpret_cast<ggml_half *>(scales + 8 * TILE_N);
-
-    // pack the scales
-    for (int n = 0; n < TILE_N; ++n) {
-        uint16_t sh = B[n * KB].scales_h;
-        for (int k = 0; k < 8; k += 2) {
-            const int16_t ls1 = ((B[n * KB].scales_l[k / 2] & 0xf) | ((sh << 4) & 0x30)) - 32;
-            const int16_t ls2 = ((B[n * KB].scales_l[k / 2] >>  4) | ((sh << 2) & 0x30)) - 32;
-            scales[(k + 0) * TILE_N + n] = ls1;
-            scales[(k + 1) * TILE_N + n] = ls2;
-            sh >>= 4;
-        }
-        d[n] = B[n * KB].d;
-    }
-}
-
-template<typename TB, typename packed_B_t = packed_B_type<TB>>
-void unpack_B(packed_B_t * RESTRICT tile, const void * RESTRICT packed_B) {
-    GGML_UNUSED(tile);
-    GGML_UNUSED(packed_B);
-};
-
-template <>
-void unpack_B<block_q4_0>(int8_t * RESTRICT tile, const void * RESTRICT packed_B) {
-  const __m512i off = _mm512_set1_epi8(8);
-  const __m512i lowMask = _mm512_set1_epi8(0xF);
-  for (int n = 0; n < 8; n += 2) {
-    __m512i bytes = _mm512_loadu_si512((const __m512i *)((const char *)packed_B + n * 32));
-    const __m512i r0 = _mm512_sub_epi8(_mm512_and_si512(bytes, lowMask), off);
-    const __m512i r1 = _mm512_sub_epi8(_mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask), off);
-    _mm512_storeu_si512((__m512i *)(tile + n * 64 +  0), r0);
-    _mm512_storeu_si512((__m512i *)(tile + n * 64 + 64), r1);
-  }
-}
-
-template <>
-void unpack_B<block_q4_1>(uint8_t * RESTRICT tile, const void * RESTRICT packed_B) {
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    for (int n = 0; n < 8; n += 2) {
-        __m512i bytes = _mm512_loadu_si512((const __m512i *)((const char *)packed_B + n * 32));
-        const __m512i r0 = _mm512_and_si512(bytes, lowMask);
-        const __m512i r1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 +  0), r0);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 + 64), r1);
-    }
-}
-
-// packed_B_t for QKK is int8_t
-template <typename TB>
-void unpack_B(int8_t * RESTRICT tile, const void * RESTRICT packed_B, int k) {
-    const int packed_B_group_size = QK_K / 2 * TILE_N / 8;
-    const char * packed_B_group = (const char *)packed_B + k * packed_B_group_size;
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    for (int n = 0; n < 8; n += 2) {
-        __m512i bytes = _mm512_loadu_si512(packed_B_group + n * 32);
-        const __m512i r0 = _mm512_and_si512(bytes, lowMask);
-        const __m512i r1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 +  0), r0);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 + 64), r1);
-    }
-}
-
-template <>
-void unpack_B<block_q5_K>(int8_t * RESTRICT tile, const void * RESTRICT packed_B, int k) {
-    // lower 4bits, stride 256 bytes
-    const int packed_l4_group_size = QK_K / 2 * TILE_N / 8;
-    const char * pb = (const char *)packed_B + k * packed_l4_group_size;
-
-    // higher 1bit, stride 64 bytes
-    const int packed_h1_group_size = QK_K / 8 * TILE_N / 8;
-    const char * ph = (const char *)packed_B + (QK_K / 2) * TILE_N + k * packed_h1_group_size;
-    const __m512i hbits = _mm512_loadu_si512(ph);
-
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    __m512i hmask0 = _mm512_set1_epi8(0x1);
-    __m512i hmask1 = _mm512_set1_epi8(0x2);
-
-    for (int n = 0; n < 8; n += 2) {
-        __m512i bytes = _mm512_loadu_si512(pb + n * 32);
-        __m512i r0 = _mm512_and_si512(bytes, lowMask);
-        __m512i r1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-        __m512i h0 = _mm512_slli_epi16(_mm512_srli_epi16(_mm512_and_si512(hbits, hmask0), n), 4);
-        __m512i h1 = _mm512_slli_epi16(_mm512_srli_epi16(_mm512_and_si512(hbits, hmask1), n + 1), 4);
-
-        hmask0 = _mm512_slli_epi16(hmask0, 2);
-        hmask1 = _mm512_slli_epi16(hmask1, 2);
-        r0 = _mm512_add_epi8(r0, h0);
-        r1 = _mm512_add_epi8(r1, h1);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 +  0), r0);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 + 64), r1);
-    }
-}
-
-template <>
-void unpack_B<block_q6_K>(int8_t * RESTRICT tile, const void * RESTRICT packed_B, int k) {
-    // lower 4bits, stride 128 bytes
-    const int packed_l4_group_size = QK_K / 2 * TILE_N / 16;
-    const char * pb = (const char *)packed_B + k * packed_l4_group_size;
-
-    // higher 2bits, stride 64 bytes
-    const int packed_h2_group_size = QK_K / 4 * TILE_N / 16;
-    const char * ph = (const char *)packed_B + (QK_K / 2) * TILE_N + k * packed_h2_group_size;
-    const __m512i hbits = _mm512_loadu_si512(ph);
-
-    const __m512i off = _mm512_set1_epi8(32);
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-    __m512i hmask0 = _mm512_set1_epi8(0x3); // 0011
-    __m512i hmask1 = _mm512_set1_epi8(0xC); // 1100
-
-    // notes: skip zero padding from row4 to row7 as we have done so in `unpack_A`
-    __m512i bytes = _mm512_loadu_si512(pb);
-    __m512i r0 = _mm512_and_si512(bytes, lowMask);
-    __m512i r1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-    __m512i h0 = _mm512_slli_epi16(_mm512_and_si512(hbits, hmask0), 4);
-    __m512i h1 = _mm512_slli_epi16(_mm512_and_si512(hbits, hmask1), 2);
-    _mm512_storeu_si512((__m512i *)(tile +  0), _mm512_sub_epi8(_mm512_add_epi8(r0, h0), off));
-    _mm512_storeu_si512((__m512i *)(tile + 64), _mm512_sub_epi8(_mm512_add_epi8(r1, h1), off));
-
-    hmask0 = _mm512_slli_epi16(hmask0, 4);
-    hmask1 = _mm512_slli_epi16(hmask1, 4);
-
-    bytes = _mm512_loadu_si512(pb + 64);
-    r0 = _mm512_and_si512(bytes, lowMask);
-    r1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-    h0 =                   _mm512_and_si512(hbits, hmask0);
-    h1 = _mm512_srli_epi16(_mm512_and_si512(hbits, hmask1), 2);
-    _mm512_storeu_si512((__m512i *)(tile + 128), _mm512_sub_epi8(_mm512_add_epi8(r0, h0), off));
-    _mm512_storeu_si512((__m512i *)(tile + 192), _mm512_sub_epi8(_mm512_add_epi8(r1, h1), off));
-}
-
-template <>
-void unpack_B<block_iq4_xs>(int8_t * RESTRICT tile, const void * RESTRICT packed_B, int k) {
-    static const __m512i values128 = _mm512_set_epi8(
-        113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-        113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-        113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-        113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127
-    );
-
-    const int packed_B_group_size = QK_K / 2 * TILE_N / 8;
-    const char * pb = (const char *)packed_B + k * packed_B_group_size;
-    const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-    for (int n = 0; n < 8; n += 2) {
-        __m512i bytes = _mm512_loadu_si512(pb + n * 32);
-        const __m512i r0 = _mm512_shuffle_epi8(values128, _mm512_and_si512(bytes, lowMask));
-        const __m512i r1 = _mm512_shuffle_epi8(values128, _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask));
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 +  0), r0);
-        _mm512_storeu_si512((__m512i *)(tile + n * 64 + 64), r1);
-    }
-}
-
-template <typename TA, typename TB, bool is_acc>
-struct acc_C {};
-
-template <bool is_acc>
-struct acc_C<block_q8_0, block_q4_0, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_0 * A, int lda, const void * packed_B, int nr) {
-        const int offset = TILE_N * TILE_K / 2;
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)((const char *)packed_B + offset)));
-
-        for (int m = 0; m < nr; ++m) {
-            const __m512 vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[m * lda].d));
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-            vsum = _mm512_fmadd_ps(vtile, _mm512_mul_ps(vd0, vd1), vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_1, block_q4_1, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_1 * A, int lda, const void * packed_B, int nr) {
-        const int offset = TILE_N * TILE_K / 2;
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)((const char *)packed_B + offset)));
-        const __m512 vm0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)((const char *)packed_B + offset + TILE_N * sizeof(ggml_half))));
-
-        for (int m = 0; m < nr; ++m) {
-            const __m512 vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[m * lda].d));
-            const __m512 vs1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[m * lda].s));
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-            vsum = _mm512_fmadd_ps(vtile, _mm512_mul_ps(vd0, vd1), vsum);
-            vsum = _mm512_fmadd_ps(vm0, vs1, vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_0, block_q8_0, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_0 * A, int lda, const void * packed_B, int nr) {
-        const int offset = TILE_N * TILE_K;
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)((const char *)packed_B + offset)));
-
-        for (int m = 0; m < nr; ++m) {
-            const __m512 vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[m * lda].d));
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-            vsum = _mm512_fmadd_ps(vtile, _mm512_mul_ps(vd0, vd1), vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_K, block_q4_K, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_K * A, int lda, const void * packed_B, int nr) {
-        const uint8_t * scales = reinterpret_cast<const uint8_t *>((const char *)packed_B + (QK_K / 2) * TILE_N);
-        const uint8_t * mins = scales + 8 * TILE_N;
-        const ggml_half * d0 = reinterpret_cast<const ggml_half *>(mins + 8 * TILE_N);
-        const ggml_half * dmin = d0 + TILE_N;
-
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)d0));
-        const __m512 vdmin = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)dmin));
-
-        for (int m = 0; m < nr; ++m) {
-            const float d1 = A[m * lda].d;
-            const __m512 vd = _mm512_mul_ps(_mm512_set1_ps(d1), vd0);
-            const __m512 vdm = _mm512_mul_ps(_mm512_set1_ps(-d1), vdmin);
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-
-            const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[m * lda].bsums);
-            const __m128i q8s = _mm_hadd_epi16(_mm256_extracti128_si256(q8sums, 0), _mm256_extracti128_si256(q8sums, 1));
-
-            __m512i acc_m = _mm512_setzero_si512();
-            for (int k = 0; k < 4; ++k) {
-                __m512i vmask = _mm512_set1_epi32(k);
-                __m512i va = _mm512_permutexvar_epi32(vmask, _mm512_castsi128_si512(q8s));
-                __m512i vb = _mm512_cvtepi8_epi16(_mm256_loadu_si256((const __m256i *)(mins + k * 32)));
-                acc_m = _mm512_dpwssds_epi32(acc_m, va, vb);
-            }
-
-            vsum = _mm512_fmadd_ps(vtile, vd, vsum);
-            vsum = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc_m), vdm, vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_K, block_q5_K, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_K * A, int lda, const void * packed_B, int nr) {
-        const uint8_t * scales = reinterpret_cast<const uint8_t *>((const char *)packed_B + (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N);
-        const uint8_t * mins = scales + 8 * TILE_N;
-        const ggml_half * d0 = reinterpret_cast<const ggml_half *>(mins + 8 * TILE_N);
-        const ggml_half * dmin = d0 + TILE_N;
-
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)d0));
-        const __m512 vdmin = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)dmin));
-
-        for (int m = 0; m < nr; ++m) {
-            const float d1 = A[m * lda].d;
-            const __m512 vd = _mm512_mul_ps(_mm512_set1_ps(d1), vd0);
-            const __m512 vdm = _mm512_mul_ps(_mm512_set1_ps(-d1), vdmin);
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-
-            const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[m * lda].bsums);
-            const __m128i q8s = _mm_hadd_epi16(_mm256_extracti128_si256(q8sums, 0), _mm256_extracti128_si256(q8sums, 1));
-
-            __m512i acc_m = _mm512_setzero_si512();
-            for (int k = 0; k < 4; ++k) {
-                __m512i vmask = _mm512_set1_epi32(k);
-                __m512i va = _mm512_permutexvar_epi32(vmask, _mm512_castsi128_si512(q8s));
-                __m512i vb = _mm512_cvtepi8_epi16(_mm256_loadu_si256((const __m256i *)(mins + k * 32)));
-                acc_m = _mm512_dpwssds_epi32(acc_m, va, vb);
-            }
-
-            vsum = _mm512_fmadd_ps(vtile, vd, vsum);
-            vsum = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc_m), vdm, vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_K, block_q6_K, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_K * A, int lda, const void * packed_B, int nr) {
-        const uint8_t * scales = reinterpret_cast<const uint8_t *>((const char *)packed_B + (QK_K / 2) * TILE_N + (QK_K / 4) * TILE_N);
-        const ggml_half * d0 = reinterpret_cast<const ggml_half *>(scales + 16 * TILE_N);
-
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)d0));
-
-        for (int m = 0; m < nr; ++m) {
-            const float d1 = A[m * lda].d;
-            const __m512 vd = _mm512_mul_ps(_mm512_set1_ps(d1), vd0);
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-
-            vsum = _mm512_fmadd_ps(vtile, vd, vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <bool is_acc>
-struct acc_C<block_q8_K, block_iq4_xs, is_acc> {
-    static void apply(float * RESTRICT C, int ldc, const int32_t * RESTRICT tile, const block_q8_K * A, int lda, const void * packed_B, int nr) {
-        const int8_t * scales = reinterpret_cast<const int8_t *>((const char *)packed_B + (QK_K / 2) * TILE_N);
-        const ggml_half * d0 = reinterpret_cast<const ggml_half *>(scales + 8 * TILE_N);
-
-        const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)d0));
-
-        for (int m = 0; m < nr; ++m) {
-            const float d1 = A[m * lda].d;
-            const __m512 vd = _mm512_mul_ps(_mm512_set1_ps(d1), vd0);
-            const __m512 vtile = _mm512_cvtepi32_ps(_mm512_loadu_si512(tile + m * TILE_N));
-
-            __m512 vsum;
-            if (is_acc) {
-                vsum = _mm512_loadu_ps(C + m * ldc);
-            } else {
-                vsum = _mm512_set1_ps(0.f);
-            }
-
-            vsum = _mm512_fmadd_ps(vtile, vd, vsum);
-            _mm512_storeu_ps(C + m * ldc, vsum);
-        }
-    }
-};
-
-template <typename TB> constexpr int get_quants_size();
-template <> constexpr int get_quants_size<block_q4_K>() { return (QK_K / 2) * TILE_N; }
-template <> constexpr int get_quants_size<block_q5_K>() { return (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N; }
-template <> constexpr int get_quants_size<block_q6_K>() { return (QK_K / 2) * TILE_N + (QK_K / 4) * TILE_N; }
-template <> constexpr int get_quants_size<block_iq4_xs>() { return (QK_K / 2) * TILE_N; }
-
-// used for QKK format
-template <typename TB, bool is_acc,
-          typename std::enable_if<is_type_qkk<TB>::value, int>::type = 0>
-inline void scale_C(const int32_t * RESTRICT tile, int32_t * RESTRICT sumi, const void * packed_B, int k, int nr) {
-    const uint8_t * scales = reinterpret_cast<const uint8_t *>((const char *)packed_B + get_quants_size<TB>());
-    const __m512i vscale = _mm512_cvtepi8_epi32(_mm_loadu_si128((const __m128i *)(scales + k * TILE_N)));
-
-    for (int m = 0; m < nr; ++m) {
-        __m512i vsumi;
-        if (is_acc) {
-            vsumi = _mm512_loadu_si512(sumi + m * TILE_N);
-        } else {
-            vsumi = _mm512_setzero_si512();
-        }
-        __m512i vtile = _mm512_loadu_si512(tile + m * TILE_N);
-        vsumi = _mm512_add_epi32(vsumi, _mm512_mullo_epi32(vtile, vscale));
-        _mm512_storeu_si512((__m512i *)(sumi + m * TILE_N), vsumi);
-    }
-}
-
-template <typename TA, typename TB, typename TC, int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_avx {
-    static void apply(int K, const TA * RESTRICT A, const TB * RESTRICT B, TC * RESTRICT C, int ldc) {
-        GGML_UNUSED(K);
-        GGML_UNUSED(A);
-        GGML_UNUSED(B);
-        GGML_UNUSED(C);
-        GGML_UNUSED(ldc);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_avx<float, ggml_fp16_t, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int K, const float * RESTRICT A, const ggml_fp16_t * RESTRICT B, float * RESTRICT C, int ldc) {
-        constexpr int ROWS = BLOCK_M;
-        constexpr int COLS = BLOCK_N;
-        assert(BLOCK_K == 16);
-
-        __m512 va;
-        __m512 vb[COLS];
-        __m512 vc[ROWS * COLS];
-
-        auto loadc = [&](int idx) {
-            vc[idx] = _mm512_setzero_ps();
-        };
-        Unroll<ROWS * COLS>{}(loadc);
-
-        auto compute = [&](int idx, int k) {
-            // TODO: use `constexpr` here to get rid of interger div
-            // when upgraded to C++17
-            const int row = idx / COLS;
-            const int col = idx % COLS;
-
-            if (col == 0) {
-                va = _mm512_loadu_ps(A + row * K + k);
-            }
-            if (row == 0) {
-                vb[col] =  _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(B + col * K + k)));
-            }
-            vc[idx] = _mm512_fmadd_ps(va, vb[col], vc[idx]);
-        };
-
-        for (int k = 0; k < K; k += 16) {
-            Unroll<ROWS * COLS>{}(compute, k);
-        }
-
-        auto storec = [&](int idx) {
-            const int row = idx / COLS;
-            const int col = idx % COLS;
-            C[row * ldc + col] = _mm512_reduce_add_ps(vc[idx]);
-        };
-        Unroll<ROWS * COLS>{}(storec);
-    }
-};
-
-#define LAUNCH_TINYGEMM_KERNEL_AVX(MB_SIZE, NB_SIZE)                                \
-    tinygemm_kernel_avx<float, type, float, MB_SIZE, NB_SIZE, blck_size>::apply(    \
-        K, (const float *)src1->data + mb_start * K,                                \
-        (const type *)src0->data + nb_start * K,                                    \
-        (float *)dst->data + mb_start * ldc + nb_start, ldc);
-
-
-// re-organize in the format {NB, KB, TILE_SIZE}:
-#define PACKED_INDEX(n, k, KB, tile_size) (n * KB + k) * tile_size
-
-template<typename TB, int BLOCK_K>
-void convert_B_packed_format(void * RESTRICT packed_B, const TB * RESTRICT B, int N, int K, int n_threads) {
-    const int NB = N / TILE_N;
-    const int KB = K / BLOCK_K;
-    const int TILE_SIZE = get_tile_size<TB>();
-
-    // parallel on NB should be enough
-    parallel_for(n_threads, NB, [&](int begin, int end) {
-        for (int n = begin; n < end; ++n) {
-            for (int k = 0; k < KB; ++k) {
-                int n0 = n * TILE_N;
-                pack_B((char *)packed_B + PACKED_INDEX(n, k, KB, TILE_SIZE), &B[n0 * KB + k], KB);
-            }
-        }
-    });
-}
-
-template <typename TA, typename TB, typename TC, int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni {};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_0, block_q4_0, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q4_0);
-
-        const block_q8_0 * RESTRICT A = static_cast<const block_q8_0 *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        __m512i va[8];
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // sum of offsets, shared across COLS
-        //
-        // avx512-vnni does not have `_mm512_dpbssd_epi32`,
-        // need to transfrom ss to us:
-        //   a * (b - 8) is equavilent to b * a - 8 * a
-        //   s    u   u                   u   s   u   s
-        //
-        __m512i vcomp;
-
-        const __m512i off = _mm512_set1_epi8(8);
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        auto compute = [&](int col, int i) {
-            // load a and compute compensation
-            if (col == 0) {
-                const int32_t * a_ptr = reinterpret_cast<const int32_t *>(A[0 * KB + i].qs);
-                vcomp = _mm512_setzero_si512();
-                for (int k = 0; k < 8; ++k) {
-                    va[k] = _mm512_set1_epi32(a_ptr[k]);
-                    vcomp = _mm512_dpbusd_epi32(vcomp, off, va[k]);
-                }
-                vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[0 * KB + i].d));
-            }
-
-            // load b
-            __m512i vsum = _mm512_setzero_si512();
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            for (int k = 0; k < 8; k += 2) {
-                __m512i bytes = _mm512_loadu_si512((const __m512i *)(b_ptr + k * 32));
-                __m512i vb0 = _mm512_and_si512(bytes, lowMask);
-                vsum = _mm512_dpbusd_epi32(vsum, vb0, va[k + 0]);
-                __m512i vb1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-                vsum = _mm512_dpbusd_epi32(vsum, vb1, va[k + 1]);
-            }
-            const int offset = TILE_N * TILE_K / 2;
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset)));
-            vsum = _mm512_sub_epi32(vsum, vcomp);
-
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(vsum), _mm512_mul_ps(vd0, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_1, block_q4_1, float, 1, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q4_1);
-
-        const block_q8_1 * RESTRICT A = static_cast<const block_q8_1 *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        __m512i va[8];
-        __m512i vb[8];
-        __m512 vc[COLS];
-        __m512 vd1, vs1;
-
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        auto compute = [&](int col, int i) {
-            // load a
-            if (col == 0) {
-                const int32_t * a_ptr = reinterpret_cast<const int32_t *>(A[0 * KB + i].qs);
-                for (int k = 0; k < 8; ++k) {
-                    va[k] = _mm512_set1_epi32(a_ptr[k]);
-                }
-                vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[0 * KB + i].d));
-                vs1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[0 * KB + i].s));
-            }
-
-            // load b
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            for (int k = 0; k < 8; k += 2) {
-                __m512i bytes = _mm512_loadu_si512((const __m512i *)(b_ptr + k * 32));
-                vb[k + 0] = _mm512_and_si512(bytes, lowMask);
-                vb[k + 1] = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-            }
-            const int offset = TILE_N * TILE_K / 2;
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset)));
-            const __m512 vm0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset + TILE_N * sizeof(ggml_half))));
-
-            __m512i vsum = _mm512_setzero_si512();
-            for (int k = 0; k < 8; ++k) {
-                vsum = _mm512_dpbusd_epi32(vsum, vb[k], va[k]);
-            }
-
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(vsum), _mm512_mul_ps(vd0, vd1), vc[col]);
-            vc[col] = _mm512_fmadd_ps(vm0, vs1, vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_0, block_q8_0, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q8_0) + TILE_N * sizeof(int32_t);
-
-        const block_q8_0 * RESTRICT A = static_cast<const block_q8_0 *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        __m512i va[8];
-        __m512i vb[8];
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // Notes: s8s8 igemm compensation in avx512-vnni
-        // change s8s8 to u8s8 with compensate
-        //   a * b = (a + 128) * b - 128 * b
-        //   s   s       u       s    u    s
-        //
-        // (128 * b is pre-computed when packing B to vnni formats)
-        //
-        const __m512i off = _mm512_set1_epi8(static_cast<char>(0x80));
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        auto compute = [&](int col, int i) {
-            // load a and add offset 128
-            if (col == 0) {
-                const int32_t * a_ptr = reinterpret_cast<const int32_t *>(A[0 * KB + i].qs);
-                for (int k = 0; k < 8; ++k) {
-                    va[k] = _mm512_set1_epi32(a_ptr[k]);
-                    va[k] = _mm512_add_epi8(va[k], off);
-                }
-                vd1 = _mm512_set1_ps(GGML_FP16_TO_FP32(A[0 * KB + i].d));
-            }
-
-            // load b
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            for (int k = 0; k < 8; ++k) {
-                vb[k] = _mm512_loadu_si512((const __m512i *)(b_ptr + k * 64));
-            }
-            const int offset = TILE_N * TILE_K;
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset)));
-            const int offset2 = TILE_N * TILE_K + TILE_N * sizeof(ggml_half);
-            const __m512i vcomp = _mm512_loadu_si512((const __m512i *)(b_ptr + offset2));
-
-            __m512i vsum = _mm512_setzero_si512();
-            for (int k = 0; k < 8; ++k) {
-                vsum = _mm512_dpbusd_epi32(vsum, va[k], vb[k]);
-            }
-            vsum = _mm512_sub_epi32(vsum, vcomp);
-
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(vsum), _mm512_mul_ps(vd0, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_K, block_q4_K, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q4_K) + TILE_N * 4;
-
-        const block_q8_K * RESTRICT A = static_cast<const block_q8_K *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        // a.qs:   8 groups, 32 bytes each group (m256i)
-        __m512i va[8];
-        // a.bsum: 8 groups,  2 bytes each group (m128i)
-        __m512i va_bsum;
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // packed_B:
-        const int offset_scales = (QK_K / 2) * TILE_N;
-        const int offset_mins   = (QK_K / 2) * TILE_N +  8 * TILE_N;
-        const int offset_d0     = (QK_K / 2) * TILE_N + 16 * TILE_N;
-        const int offset_dmin   = (QK_K / 2) * TILE_N + 16 * TILE_N + TILE_N * sizeof(ggml_half);
-
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        // Notes: vnni formats in QK_K
-        //   a) quants vnni format
-        //     int8  {k/4, n, 4}, viewed as 2d {k/4, 4n}, k = 32
-        //     from {16, 32} to {8, 64}
-        //
-        //   b) min vnni format
-        //     int16 {k/2, n, 2}, viewed as 2d {k/2, 2n}, k = 8
-        //     from {16,  8} to {4, 32}
-        //
-        auto compute = [&](int col, int i) {
-            // load a
-            if (col == 0) {
-                for (int k_group = 0; k_group < QK_K / 32; ++k_group) {
-                    va[k_group] = _mm512_castsi256_si512(_mm256_loadu_si256((const __m256i *)(A[0 * KB + i].qs + k_group * 32)));
-                }
-                const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[0 * KB + i].bsums);
-                const __m128i q8s = _mm_hadd_epi16(_mm256_extracti128_si256(q8sums, 0), _mm256_extracti128_si256(q8sums, 1));
-                va_bsum = _mm512_castsi128_si512(q8s);
-                vd1 = _mm512_set1_ps(A[0 * KB + i].d);
-            }
-
-            // step 1: accumultate the quants
-            __m512i acc = _mm512_setzero_si512();
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            const char * b_qs  = b_ptr;
-            for (int k_group = 0; k_group < QK_K / 32; ++k_group) {
-                __m512i vsum = _mm512_setzero_si512();
-                for (int k = 0; k < 8; k += 2) {
-                    __m512i va0 = _mm512_permutexvar_epi32(_mm512_set1_epi32(k + 0), va[k_group]);
-                    __m512i va1 = _mm512_permutexvar_epi32(_mm512_set1_epi32(k + 1), va[k_group]);
-
-                    __m512i bytes = _mm512_loadu_si512((const __m512i *)b_qs);
-                    __m512i vb0 = _mm512_and_si512(bytes, lowMask);
-                    vsum = _mm512_dpbusd_epi32(vsum, vb0, va0);
-                    __m512i vb1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-                    vsum = _mm512_dpbusd_epi32(vsum, vb1, va1);
-
-                    b_qs += 64;
-                }
-                // vacc += scale * (q8 @ q4)
-                const __m512i vscale = _mm512_cvtepi8_epi32(_mm_loadu_si128((const __m128i *)(b_ptr + offset_scales + k_group * TILE_N)));
-                acc = _mm512_add_epi32(acc, _mm512_mullo_epi32(vsum, vscale));
-            }
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_d0)));
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc), _mm512_mul_ps(vd0, vd1), vc[col]);
-
-            // step 2: accumulate the mins
-            __m512i acc_m = _mm512_setzero_si512();
-            for (int k = 0; k < 4; ++k) {
-                __m512i vmask = _mm512_set1_epi32(k);
-                __m512i va = _mm512_permutexvar_epi32(vmask, va_bsum);
-                __m512i vb = _mm512_cvtepi8_epi16(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_mins + k * 32)));
-                acc_m = _mm512_dpwssds_epi32(acc_m, va, vb);
-            }
-            const __m512 vdmin = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_dmin)));
-            vc[col] = _mm512_fnmadd_ps(_mm512_cvtepi32_ps(acc_m), _mm512_mul_ps(vdmin, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_K, block_q5_K, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q5_K) + TILE_N * 4;
-
-        const block_q8_K * RESTRICT A = static_cast<const block_q8_K *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        // a.qs:   8 groups, 32 bytes each group (m256i)
-        __m512i va[8];
-        // a.bsum: 8 groups,  2 bytes each group (m128i)
-        __m512i va_bsum;
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // packed_B:
-        const int offset_qh     = (QK_K / 2) * TILE_N;
-        const int offset_scales = (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N;
-        const int offset_mins   = (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N +  8 * TILE_N;
-        const int offset_d0     = (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N + 16 * TILE_N;
-        const int offset_dmin   = (QK_K / 2) * TILE_N + (QK_K / 8) * TILE_N + 16 * TILE_N + TILE_N * sizeof(ggml_half);
-
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        // Q5_K and Q4_K shares the same vnni formats, refer to notes above.
-        auto compute = [&](int col, int i) {
-            // load a
-            if (col == 0) {
-                for (int k_group = 0; k_group < QK_K / 32; ++k_group) {
-                    va[k_group] = _mm512_castsi256_si512(_mm256_loadu_si256((const __m256i *)(A[0 * KB + i].qs + k_group * 32)));
-                }
-                const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[0 * KB + i].bsums);
-                const __m128i q8s = _mm_hadd_epi16(_mm256_extracti128_si256(q8sums, 0), _mm256_extracti128_si256(q8sums, 1));
-                va_bsum = _mm512_castsi128_si512(q8s);
-                vd1 = _mm512_set1_ps(A[0 * KB + i].d);
-            }
-
-            // step 1: accumultate the quants
-            __m512i acc = _mm512_setzero_si512();
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            const char * b_qs  = b_ptr;
-            const char * b_qh  = b_ptr + offset_qh;
-            for (int k_group = 0; k_group < QK_K / 32; ++k_group) {
-                __m512i vsum = _mm512_setzero_si512();
-                __m512i hmask0 = _mm512_set1_epi8(0x1);
-                __m512i hmask1 = _mm512_set1_epi8(0x2);
-                __m512i hbits = _mm512_loadu_si512((const __m512i *)(b_qh + k_group * 64));
-                for (int k = 0; k < 8; k += 2) {
-                    __m512i va0 = _mm512_permutexvar_epi32(_mm512_set1_epi32(k + 0), va[k_group]);
-                    __m512i va1 = _mm512_permutexvar_epi32(_mm512_set1_epi32(k + 1), va[k_group]);
-
-                    __m512i bytes = _mm512_loadu_si512((const __m512i *)b_qs);
-                    __m512i vb0 = _mm512_and_si512(bytes, lowMask);
-                    __m512i vb1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-
-                    __m512i vh0 = _mm512_slli_epi16(_mm512_srli_epi16(_mm512_and_si512(hbits, hmask0), k), 4);
-                    __m512i vh1 = _mm512_slli_epi16(_mm512_srli_epi16(_mm512_and_si512(hbits, hmask1), k + 1), 4);
-
-                    hmask0 = _mm512_slli_epi16(hmask0, 2);
-                    hmask1 = _mm512_slli_epi16(hmask1, 2);
-                    vb0 = _mm512_add_epi8(vb0, vh0);
-                    vb1 = _mm512_add_epi8(vb1, vh1);
-
-                    vsum = _mm512_dpbusd_epi32(vsum, vb0, va0);
-                    vsum = _mm512_dpbusd_epi32(vsum, vb1, va1);
-
-                    b_qs += 64;
-                }
-                // vacc += scale * (q8 @ q5)
-                const __m512i vscale = _mm512_cvtepi8_epi32(_mm_loadu_si128((const __m128i *)(b_ptr + offset_scales + k_group * TILE_N)));
-                acc = _mm512_add_epi32(acc, _mm512_mullo_epi32(vsum, vscale));
-            }
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_d0)));
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc), _mm512_mul_ps(vd0, vd1), vc[col]);
-
-            // step 2: accumulate the mins
-            __m512i acc_m = _mm512_setzero_si512();
-            for (int k = 0; k < 4; ++k) {
-                __m512i vmask = _mm512_set1_epi32(k);
-                __m512i va = _mm512_permutexvar_epi32(vmask, va_bsum);
-                __m512i vb = _mm512_cvtepi8_epi16(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_mins + k * 32)));
-                acc_m = _mm512_dpwssds_epi32(acc_m, va, vb);
-            }
-            const __m512 vdmin = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_dmin)));
-            vc[col] = _mm512_fnmadd_ps(_mm512_cvtepi32_ps(acc_m), _mm512_mul_ps(vdmin, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_K, block_q6_K, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_q6_K);
-
-        const block_q8_K * RESTRICT A = static_cast<const block_q8_K *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        // load the 256 bytes from A to 4 avx512 vectors
-        __m512i va[4];
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // packed_B:
-        const int offset_qh     = (QK_K / 2) * TILE_N;
-        const int offset_scales = (QK_K / 2) * TILE_N + (QK_K / 4) * TILE_N;
-        const int offset_d0     = (QK_K / 2) * TILE_N + (QK_K / 4) * TILE_N + 16 * TILE_N;
-
-        // compensation
-        __m512i vcomp;
-
-        const __m512i m32s = _mm512_set1_epi32(32);
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        auto compute = [&](int col, int i) {
-            if (col == 0) {
-                // load a
-                va[0] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs +   0));
-                va[1] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs +  64));
-                va[2] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs + 128));
-                va[3] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs + 192));
-
-                const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[0 * KB + i].bsums);
-                vcomp = _mm512_mullo_epi32(_mm512_cvtepi16_epi32(q8sums), m32s);
-                vd1 = _mm512_set1_ps(A[0 * KB + i].d);
-            }
-
-            // accmulate the quants
-            __m512i acc = _mm512_setzero_si512();
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            const char * b_qs = b_ptr;
-            const char * b_qh = b_ptr + offset_qh;
-            int mask = 0;
-            for (int k_group = 0; k_group < QK_K / 16; ++k_group) {
-                int r = k_group >> 2;
-                __m512i va0 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-                __m512i va1 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-
-                __m512i vsum = _mm512_setzero_si512();
-                __m512i hmask = _mm512_set1_epi8(0x3);
-
-                __m512i bytes = _mm512_loadu_si512(b_qs);
-                __m512i hbits = _mm512_loadu_si512(b_qh);
-                __m512i vb0 = _mm512_and_si512(bytes, lowMask);
-                __m512i vb1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-                __m512i vh0 = _mm512_slli_epi16(_mm512_and_si512(hbits, hmask), 4);
-                __m512i vh1 = _mm512_slli_epi16(_mm512_and_si512(hbits, _mm512_slli_epi16(hmask, 2)), 2);
-
-                vb0 = _mm512_add_epi8(vb0, vh0);
-                vb1 = _mm512_add_epi8(vb1, vh1);
-                vsum = _mm512_dpbusd_epi32(vsum, vb0, va0);
-                vsum = _mm512_dpbusd_epi32(vsum, vb1, va1);
-                b_qs += 64;
-
-                va0 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-                va1 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-
-                bytes = _mm512_loadu_si512(b_qs);
-                vb0 = _mm512_and_si512(bytes, lowMask);
-                vb1 = _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask);
-                vh0 =                   _mm512_and_si512(hbits, _mm512_slli_epi16(hmask, 4));
-                vh1 = _mm512_srli_epi16(_mm512_and_si512(hbits, _mm512_slli_epi16(hmask, 6)), 2);
-                vb0 = _mm512_add_epi8(vb0, vh0);
-                vb1 = _mm512_add_epi8(vb1, vh1);
-                vsum = _mm512_dpbusd_epi32(vsum, vb0, va0);
-                vsum = _mm512_dpbusd_epi32(vsum, vb1, va1);
-                b_qs += 64;
-                b_qh += 64;
-
-                // B * A - 32 * A
-                __m512i vmask = _mm512_set1_epi32(k_group);
-                vsum = _mm512_sub_epi32(vsum, _mm512_permutexvar_epi32(vmask, vcomp));
-
-                // vacc += scale * (q8 @ q6)
-                const __m512i vscale = _mm512_cvtepi8_epi32(_mm_loadu_si128((const __m128i *)(b_ptr + offset_scales + k_group * TILE_N)));
-                acc = _mm512_add_epi32(acc, _mm512_mullo_epi32(vsum, vscale));
-            }
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_d0)));
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc), _mm512_mul_ps(vd0, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-template <int BLOCK_M, int BLOCK_N, int BLOCK_K>
-struct tinygemm_kernel_vnni<block_q8_K, block_iq4_xs, float, BLOCK_M, BLOCK_N, BLOCK_K> {
-    static void apply(int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-
-        constexpr int COLS = BLOCK_N / 16;
-        const int TILE_SIZE = TILE_N * sizeof(block_iq4_xs) + TILE_N * 2;
-
-        const block_q8_K * RESTRICT A = static_cast<const block_q8_K *>(_A);
-        const char * RESTRICT B = static_cast<const char *>(_B);
-
-        // load the 256 bytes from A to 4 avx512 vectors
-        __m512i va[4];
-        __m512 vc[COLS];
-        __m512 vd1;
-
-        // packed_B:
-        const int offset_scales = (QK_K / 2) * TILE_N ;
-        const int offset_d0     = (QK_K / 2) * TILE_N + 8 * TILE_N;
-
-        // compensation
-        __m512i vcomp;
-
-        const __m256i m128s = _mm256_set1_epi16(128);
-        const __m512i lowMask = _mm512_set1_epi8(0xF);
-
-        const __m512i values128 = _mm512_set_epi8(
-            113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-            113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-            113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127,
-            113, 89, 69, 53, 38, 25, 13, 1, -10, -22, -35, -49, -65, -83, -104, -127
-        );
-        const __m512i off = _mm512_set1_epi8(static_cast<char>(0x80));
-        const __m512i values256 = _mm512_add_epi8(values128, off);
-
-        auto loadc = [&](int col) {
-            vc[col] = _mm512_setzero_ps();
-        };
-        Unroll<COLS>{}(loadc);
-
-        auto compute = [&](int col, int i) {
-            if (col == 0) {
-                // load a
-                va[0] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs +   0));
-                va[1] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs +  64));
-                va[2] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs + 128));
-                va[3] = _mm512_loadu_si512((const __m512i *)(A[0 * KB + i].qs + 192));
-
-                // compensation: 128 * A
-                const __m256i q8sums = _mm256_loadu_si256((const __m256i *)A[0 * KB + i].bsums);
-                vcomp = _mm512_castsi256_si512(_mm256_madd_epi16(q8sums, m128s));
-                vd1 = _mm512_set1_ps(A[0 * KB + i].d);
-            }
-
-            // accmulate the quants
-            __m512i acc = _mm512_setzero_si512();
-            const char * b_ptr = B + PACKED_INDEX(col, i, KB, TILE_SIZE);
-            const char * b_qs = b_ptr;
-            int mask = 0;
-            for (int k_group = 0; k_group < QK_K / 32; ++k_group) {
-                int r = k_group >> 1;
-                __m512i vmask = _mm512_set1_epi32(k_group);
-                __m512i vsum = _mm512_setzero_si512();
-                for (int k = 0; k < 8; k += 2) {
-                    __m512i va0 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-                    __m512i va1 = _mm512_permutexvar_epi32(_mm512_set1_epi32(mask++), va[r]);
-
-                    __m512i bytes = _mm512_loadu_si512(b_qs);
-                    __m512i vb0 = _mm512_shuffle_epi8(values256, _mm512_and_si512(bytes, lowMask));
-                    __m512i vb1 = _mm512_shuffle_epi8(values256, _mm512_and_si512(_mm512_srli_epi16(bytes, 4), lowMask));
-
-                    vsum = _mm512_dpbusd_epi32(vsum, vb0, va0);
-                    vsum = _mm512_dpbusd_epi32(vsum, vb1, va1);
-                    b_qs += 64;
-                }
-                // (B + 128) * A - 128 * A
-                vsum = _mm512_sub_epi32(vsum, _mm512_permutexvar_epi32(vmask, vcomp));
-
-                // vacc += scale * (q8 @ q4)
-                const __m512i vscale = _mm512_cvtepi8_epi32(_mm_loadu_si128((const __m128i *)(b_ptr + offset_scales + k_group * TILE_N)));
-                acc = _mm512_add_epi32(acc, _mm512_mullo_epi32(vsum, vscale));
-            }
-            const __m512 vd0 = _mm512_cvtph_ps(_mm256_loadu_si256((const __m256i *)(b_ptr + offset_d0)));
-            vc[col] = _mm512_fmadd_ps(_mm512_cvtepi32_ps(acc), _mm512_mul_ps(vd0, vd1), vc[col]);
-        };
-
-        for (int i = 0; i < KB; ++i) {
-            Unroll<COLS>{}(compute, i);
-        }
-
-        //store to C
-        auto storec = [&](int col) {
-            _mm512_storeu_ps((__m512i*)(C + 0 * ldc + col * 16), vc[col]);
-        };
-        Unroll<COLS>{}(storec);
-    }
-};
-
-#define LAUNCH_TINYGEMM_KERNEL_VNNI(NB_SIZE)                                         \
-    tinygemm_kernel_vnni<vec_dot_type, type, float, 1, NB_SIZE, blck_size>::apply(   \
-        KB, (const char *)wdata + 0 * row_size_A,                                    \
-        (const char *)src0->data + PACKED_INDEX(nb * kTilesN, 0, KB, TILE_SIZE),     \
-        (float *) dst->data + 0 * N + nb_start, ldc)
-
-template <typename TA, typename TB, typename TC, int BLOCK_K,
-          typename std::enable_if<!is_type_qkk<TB>::value, int>::type = 0>
-void tinygemm_kernel_amx(int M, int N, int KB, const void * RESTRICT _A, const void * RESTRICT _B, TC * RESTRICT C, int ldc) {
-    using packed_B_t = packed_B_type<TB>;
-    const int TILE_SIZE = get_tile_size<TB>();
-    const bool need_unpack = do_unpack<TB>::value;
-
-    GGML_ASSERT(M <= 2 * TILE_M && N == 2 * TILE_N);
-    const TA * RESTRICT A = static_cast<const TA *>(_A);
-    const char * RESTRICT B = static_cast<const char *>(_B);
-
-    const int m0 = std::min(M, TILE_M);
-    const int m1 = std::max(M - TILE_M, 0);
-    const int lda = KB * sizeof(TA);
-    //const int ldb = KB * sizeof(TB);
-
-    static thread_local packed_B_t Tile0[TILE_N * TILE_K];
-    static thread_local packed_B_t Tile1[TILE_N * TILE_K];
-    static thread_local int8_t Tile23[TILE_M * TILE_K];
-
-    static thread_local int32_t TileC0[TILE_M * TILE_N * 4];
-    static thread_local int32_t TileC1[TILE_M * TILE_N * 4];
-
-    // double buffering C to interleave avx512 and amx
-    int32_t * C_cur = TileC0;
-    int32_t * C_pre = TileC1;
-
-    auto Tile4 = [&](int32_t * base) { return base; };
-    auto Tile5 = [&](int32_t * base) { return base + TILE_M * TILE_N; };
-    auto Tile6 = [&](int32_t * base) { return base + 2 * TILE_M * TILE_N; };
-    auto Tile7 = [&](int32_t * base) { return base + 3 * TILE_M * TILE_N; };
-
-    if (M == 2 * TILE_M) {
-        // i = 0
-        const char * B_blk0 = B + PACKED_INDEX(0, 0, KB, TILE_SIZE);
-        const char * B_blk1 = B + PACKED_INDEX(1, 0, KB, TILE_SIZE);
-        if (need_unpack) {
-            unpack_B<TB>(Tile0, B_blk0);
-            _tile_loadd(TMM0, Tile0, TILE_N * VNNI_BLK);
-        } else {
-            _tile_loadd(TMM0, B_blk0, TILE_N * VNNI_BLK);
-        }
-
-        _tile_zero(TMM4);
-        _tile_loadd(TMM2, A[0].qs, lda);
-        _tile_dpbssd(TMM4, TMM2, TMM0);
-        _tile_stored(TMM4, Tile4(C_pre), TILE_N * sizeof(int32_t));
-
-        _tile_zero(TMM5);
-        _tile_loadd(TMM3, A[TILE_M * KB + 0].qs, lda);
-        _tile_dpbssd(TMM5, TMM3, TMM0);
-        _tile_stored(TMM5, Tile5(C_pre), TILE_N * sizeof(int32_t));
-
-        if (need_unpack) {
-            unpack_B<TB>(Tile1, B_blk0);
-            _tile_loadd(TMM1, Tile1, TILE_N * VNNI_BLK);
-        } else {
-            _tile_loadd(TMM1, B_blk1, TILE_N * VNNI_BLK);
-        }
-
-        _tile_zero(TMM6);
-        _tile_dpbssd(TMM6, TMM2, TMM1);
-        _tile_stored(TMM6, Tile6(C_pre), TILE_N * sizeof(int32_t));
-
-        _tile_zero(TMM7);
-        _tile_dpbssd(TMM7, TMM3, TMM1);
-        _tile_stored(TMM7, Tile7(C_pre), TILE_N * sizeof(int32_t));
-
-        for (int i = 1; i < KB; ++i) {
-            // index of previous iter
-            const int ii = i - 1;
-            const char * B_blk0 = B + PACKED_INDEX(0, i, KB, TILE_SIZE);
-            const char * B_blk1 = B + PACKED_INDEX(1, i, KB, TILE_SIZE);
-            GGML_DISPATCH_BOOL(ii > 0, is_acc, [&] {
-                if (need_unpack) {
-                    unpack_B<TB>(Tile0, B_blk0);
-                    _tile_loadd(TMM0, Tile0, TILE_N * VNNI_BLK);
-                } else {
-                    _tile_loadd(TMM0, B_blk0, TILE_N * VNNI_BLK);
-                }
-                _tile_zero(TMM4);
-                _tile_loadd(TMM2, A[i].qs, lda);
-                acc_C<TA, TB, is_acc>::apply(C, ldc, Tile4(C_pre), &A[ii], KB, B + PACKED_INDEX(0, ii, KB, TILE_SIZE), TILE_M);
-
-                _tile_dpbssd(TMM4, TMM2, TMM0);
-                _tile_stored(TMM4, Tile4(C_cur), TILE_N * sizeof(int32_t));
-
-                _tile_zero(TMM5);
-                _tile_loadd(TMM3, A[TILE_M * KB + i].qs, lda);
-                acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc, ldc, Tile5(C_pre), &A[TILE_M * KB + ii], KB, B + PACKED_INDEX(0, ii, KB, TILE_SIZE), TILE_M);
-
-                _tile_dpbssd(TMM5, TMM3, TMM0);
-                _tile_stored(TMM5, Tile5(C_cur), TILE_N * sizeof(int32_t));
-
-                if (need_unpack) {
-                    unpack_B<TB>(Tile1, B_blk1);
-                    _tile_loadd(TMM1, Tile1, TILE_N * VNNI_BLK);
-                } else {
-                    _tile_loadd(TMM1, B_blk1, TILE_N * VNNI_BLK);
-                }
-                _tile_zero(TMM6);
-                acc_C<TA, TB, is_acc>::apply(C + TILE_N, ldc, Tile6(C_pre), &A[ii], KB, B + PACKED_INDEX(1, ii, KB, TILE_SIZE), TILE_M);
-
-                _tile_dpbssd(TMM6, TMM2, TMM1);
-                _tile_stored(TMM6, Tile6(C_cur), TILE_N * sizeof(int32_t));
-
-                _tile_zero(TMM7);
-                acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc + TILE_N, ldc, Tile7(C_pre), &A[TILE_M * KB + ii], KB, B + PACKED_INDEX(1, ii, KB, TILE_SIZE), TILE_M);
-
-                _tile_dpbssd(TMM7, TMM3, TMM1);
-                _tile_stored(TMM7, Tile7(C_cur), TILE_N * sizeof(int32_t));
-
-                std::swap(C_cur, C_pre);
-            });
-        }
-        // final accumulation
-        {
-            int ii = KB - 1;
-            acc_C<TA, TB, true>::apply(C, ldc, Tile4(C_pre), &A[ii], KB, B + PACKED_INDEX(0, ii, KB, TILE_SIZE), TILE_M);
-            acc_C<TA, TB, true>::apply(C + TILE_M * ldc, ldc, Tile5(C_pre), &A[TILE_M * KB + ii], KB, B + PACKED_INDEX(0, ii, KB, TILE_SIZE), TILE_M);
-            acc_C<TA, TB, true>::apply(C + TILE_N, ldc, Tile6(C_pre), &A[ii], KB, B + PACKED_INDEX(1, ii, KB, TILE_SIZE), TILE_M);
-            acc_C<TA, TB, true>::apply(C + TILE_M * ldc + TILE_N, ldc, Tile7(C_pre), &A[TILE_M * KB + ii], KB, B + PACKED_INDEX(1, ii, KB, TILE_SIZE), TILE_M);
-        }
-    } else {
-        for (int i = 0; i < KB; ++i) {
-            _tile_zero(TMM4);
-            _tile_zero(TMM6);
-            if (m1 != 0) {
-                _tile_zero(TMM5);
-                _tile_zero(TMM7);
-            }
-
-            const char * B_blk0 = B + PACKED_INDEX(0, i, KB, TILE_SIZE);
-            const char * B_blk1 = B + PACKED_INDEX(1, i, KB, TILE_SIZE);
-            if (need_unpack) {
-                unpack_B<TB>(Tile0, B_blk0);
-                _tile_loadd(TMM0, Tile0, TILE_N * VNNI_BLK);
-            } else {
-                _tile_loadd(TMM0, B_blk0, TILE_N * VNNI_BLK);
-            }
-
-            if (need_unpack) {
-                unpack_B<TB>(Tile1, B_blk1);
-                _tile_loadd(TMM1, Tile1, TILE_N * VNNI_BLK);
-            } else {
-                _tile_loadd(TMM1, B_blk1, TILE_N * VNNI_BLK);
-            }
-
-            if (m0 == TILE_M) {
-                _tile_loadd(TMM2, A[i].qs, lda);
-            } else {
-                unpack_A(Tile23, &A[i], KB, m0);
-                _tile_loadd(TMM2, Tile23, TILE_K);
-            }
-
-            _tile_dpbssd(TMM4, TMM2, TMM0);
-            _tile_dpbssd(TMM6, TMM2, TMM1);
-
-            _tile_stored(TMM4, Tile4(C_cur), TILE_N * sizeof(int32_t));
-            _tile_stored(TMM6, Tile6(C_cur), TILE_N * sizeof(int32_t));
-
-            GGML_DISPATCH_BOOL(i > 0, is_acc, [&] {
-                acc_C<TA, TB, is_acc>::apply(C,          ldc, Tile4(C_cur), &A[i], KB, B + PACKED_INDEX(0, i, KB, TILE_SIZE), m0);
-                acc_C<TA, TB, is_acc>::apply(C + TILE_N, ldc, Tile6(C_cur), &A[i], KB, B + PACKED_INDEX(1, i, KB, TILE_SIZE), m0);
-            });
-
-            if (m1 != 0) {
-                unpack_A(Tile23, &A[TILE_M * KB + i], KB, m1);
-                _tile_loadd(TMM3, Tile23, TILE_K);
-
-                _tile_dpbssd(TMM5, TMM3, TMM0);
-                _tile_dpbssd(TMM7, TMM3, TMM1);
-                _tile_stored(TMM5, Tile5(C_cur), TILE_N * sizeof(int32_t));
-                _tile_stored(TMM7, Tile7(C_cur), TILE_N * sizeof(int32_t));
-                GGML_DISPATCH_BOOL(i > 0, is_acc, [&] {
-                    acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc,          ldc, Tile5(C_cur), &A[TILE_M * KB + i], KB, B + PACKED_INDEX(0, i, KB, TILE_SIZE), m1);
-                    acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc + TILE_N, ldc, Tile7(C_cur), &A[TILE_M * KB + i], KB, B + PACKED_INDEX(1, i, KB, TILE_SIZE), m1);
-                });
-            }
-        }
-    }
-    return;
-}
-
-template <typename TA, typename TB, typename TC, int BLOCK_K,
-          typename std::enable_if<is_type_qkk<TB>::value, int>::type = 0>
-void tinygemm_kernel_amx(int M, int N, int KB, const void * RESTRICT _A, const void * RESTRICT _B, float * RESTRICT C, int ldc) {
-    static_assert(std::is_same<TA, block_q8_K>::value);
-    const int TILE_SIZE = get_tile_size<TB>();
-
-    GGML_ASSERT(M <= 2 * TILE_M && N == 2 * TILE_N);
-    const TA * RESTRICT A = static_cast<const TA *>(_A);
-    const char * RESTRICT B = static_cast<const char *>(_B);
-
-    const int m0 = std::min(M, TILE_M);
-    const int m1 = std::max(M - TILE_M, 0);
-    //const int lda = KB * sizeof(TA);
-
-    static thread_local int8_t Tile0[TILE_N * TILE_K];
-    static thread_local int8_t Tile1[TILE_N * TILE_K];
-    static thread_local int8_t Tile23[TILE_M * TILE_K];
-
-    // mat mul result for each group
-    static thread_local int32_t Tile4[TILE_M * TILE_N];
-    static thread_local int32_t Tile5[TILE_M * TILE_N];
-    static thread_local int32_t Tile6[TILE_M * TILE_N];
-    static thread_local int32_t Tile7[TILE_M * TILE_N];
-
-    // sum of each QK_K block, contains 8 groups, int32
-    static thread_local int32_t Sumi4[TILE_M * TILE_N];
-    static thread_local int32_t Sumi5[TILE_M * TILE_N];
-    static thread_local int32_t Sumi6[TILE_M * TILE_N];
-    static thread_local int32_t Sumi7[TILE_M * TILE_N];
-
-    const int k_group_size = std::is_same<TB, block_q6_K>::value ? 16 : 32;
-    for (int i = 0; i < KB; ++i) {
-        // step 1: accumulate the quants across 8 groups, each group with 32
-        for (int k = 0; k < QK_K / k_group_size; ++k) {
-            GGML_DISPATCH_BOOL(k > 0, is_acc, [&] {
-                _tile_zero(TMM4);
-                _tile_zero(TMM6);
-
-                unpack_B<TB>(Tile0, B + PACKED_INDEX(0, i, KB, TILE_SIZE), k);
-                _tile_loadd(TMM0, Tile0, TILE_N * VNNI_BLK);
-
-                unpack_B<TB>(Tile1, B + PACKED_INDEX(1, i, KB, TILE_SIZE), k);
-                _tile_loadd(TMM1, Tile1, TILE_N * VNNI_BLK);
-
-                unpack_A<TB>(Tile23, &A[i], KB, k, m0);
-                _tile_loadd(TMM2, Tile23, TILE_K);
-
-                _tile_dpbssd(TMM4, TMM2, TMM0);
-                _tile_dpbssd(TMM6, TMM2, TMM1);
-
-                _tile_stored(TMM4, Tile4, TILE_N * sizeof(int32_t));
-                _tile_stored(TMM6, Tile6, TILE_N * sizeof(int32_t));
-
-                scale_C<TB, is_acc>(Tile4, Sumi4, B + PACKED_INDEX(0, i, KB, TILE_SIZE), k, m0);
-                scale_C<TB, is_acc>(Tile6, Sumi6, B + PACKED_INDEX(1, i, KB, TILE_SIZE), k, m0);
-
-                if (m1 != 0) {
-                    _tile_zero(TMM5);
-                    _tile_zero(TMM7);
-
-                    unpack_A<TB>(Tile23, &A[TILE_M * KB + i], KB, k, m1);
-                    _tile_loadd(TMM3, Tile23, TILE_K);
-
-                    _tile_dpbssd(TMM5, TMM3, TMM0);
-                    _tile_dpbssd(TMM7, TMM3, TMM1);
-
-                    _tile_stored(TMM5, Tile5, TILE_N * sizeof(int32_t));
-                    _tile_stored(TMM7, Tile7, TILE_N * sizeof(int32_t));
-
-                    scale_C<TB, is_acc>(Tile5, Sumi5, B + PACKED_INDEX(0, i, KB, TILE_SIZE), k, m1);
-                    scale_C<TB, is_acc>(Tile7, Sumi7, B + PACKED_INDEX(1, i, KB, TILE_SIZE), k, m1);
-                }
-            });
-        }
-
-        // step 2: accmulate the mins
-        GGML_DISPATCH_BOOL(i > 0, is_acc, [&] {
-            acc_C<TA, TB, is_acc>::apply(C,          ldc, Sumi4, &A[i], KB, B + PACKED_INDEX(0, i, KB, TILE_SIZE), m0);
-            acc_C<TA, TB, is_acc>::apply(C + TILE_N, ldc, Sumi6, &A[i], KB, B + PACKED_INDEX(1, i, KB, TILE_SIZE), m0);
-            if (m1 != 0) {
-                acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc,          ldc, Sumi5, &A[TILE_M * KB + i], KB, B + PACKED_INDEX(0, i, KB, TILE_SIZE), m1);
-                acc_C<TA, TB, is_acc>::apply(C + TILE_M * ldc + TILE_N, ldc, Sumi7, &A[TILE_M * KB + i], KB, B + PACKED_INDEX(1, i, KB, TILE_SIZE), m1);
-            }
-        });
-    }
-    return;
-}
-
-} // anonymous namespace
-
-// get the packed tensor size for quantized weights
-size_t ggml_backend_amx_get_alloc_size(const struct ggml_tensor * tensor) {
-    const enum ggml_type TYPE = tensor->type;
-
-    const int K = tensor->ne[0]; // ne0: in_features
-    const int N = tensor->ne[1]; // ne1: out_features
-
-    auto get_tensor_size = [&] {
-        size_t row_size_B{0};
-        GGML_DISPATCH_QTYPES(TYPE, [&] {
-            row_size_B = get_row_size<type, blck_size>(K);
-        });
-        return N * row_size_B;
-    };
-
-    if (qtype_has_amx_kernels(TYPE)) {
-        return get_tensor_size();
-    } else {
-        // for f16, bf16 we don't do packing
-        return ggml_nbytes(tensor);
-    }
-}
-
-// pack weight to vnni format
-void ggml_backend_amx_convert_weight(struct ggml_tensor * tensor, const void * data, size_t offset, size_t size) {
-
-    size_t alloc_size = ggml_backend_amx_get_alloc_size(tensor);
-    GGML_ASSERT(alloc_size == size);
-
-    const enum ggml_type TYPE = tensor->type;
-
-    const int K = tensor->ne[0]; // ne0: in_features
-    const int N = tensor->ne[1]; // ne1: out_features
-
-#if defined(_OPENMP)
-    // the buffer ctx is not initialized when .set_tensor is called
-    int n_threads = omp_get_num_threads();
-#else
-    int n_threads = 1;
-#endif
-
-    GGML_DISPATCH_QTYPES(TYPE, [&] {
-        convert_B_packed_format<type, blck_size>((void *)((char *)tensor->data + offset), (const type *)data, N, K, n_threads);
-    });
-}
-
-// NB: mixed dtype gemm with Advanced Matrix Extensions (Intel AMX)
-//
-// src0: weight in shape of {N, K}, quantized
-// src1: input  in shape of {M, K}, float32
-// dst:  output in shape of {M, N}, float32
-//
-// the function performs: dst = src1 @ src0.T
-//
-void ggml_backend_amx_mul_mat(ggml_backend_amx_context * ctx, struct ggml_tensor * dst) {
-    struct ggml_tensor * src0 = dst->src[0];
-    struct ggml_tensor * src1 = dst->src[1];
-
-    const enum ggml_type TYPE = src0->type;
-
-    const int n_threads = ctx->n_threads;
-
-    // f16 only has avx512 kernels for now,
-    // amx kernels will be added once 6th gen xeon is released.
-    const bool is_floating_type = TYPE == GGML_TYPE_F16;
-
-    const int M = dst->ne[1];
-    const int N = dst->ne[0];
-    const int K = src0->ne[0];
-    const int ldc = dst->nb[1] / dst->nb[0];
-
-    if (is_floating_type) {
-        constexpr int BLOCK_M = 4;
-        constexpr int BLOCK_N = 6;
-        const int MB = div_up(M, BLOCK_M);
-        const int NB = div_up(N, BLOCK_N);
-
-        parallel_for(n_threads, MB * NB, [&](int begin, int end) {
-            GGML_DISPATCH_FLOATING_TYPES(TYPE, [&] {
-                for (int i = begin; i < end; ++i) {
-                    int mb = i / NB;
-                    int nb = i % NB;
-
-                    int mb_start = mb * BLOCK_M;
-                    int mb_size = std::min(BLOCK_M, M - mb_start);
-                    int nb_start = nb * BLOCK_N;
-                    int nb_size = std::min(BLOCK_N, N - nb_start);
-
-                    switch (mb_size << 4 | nb_size) {
-                        case 0x12: LAUNCH_TINYGEMM_KERNEL_AVX(1, 2); break;
-                        case 0x14: LAUNCH_TINYGEMM_KERNEL_AVX(1, 4); break;
-                        case 0x16: LAUNCH_TINYGEMM_KERNEL_AVX(1, 6); break;
-                        case 0x22: LAUNCH_TINYGEMM_KERNEL_AVX(2, 2); break;
-                        case 0x24: LAUNCH_TINYGEMM_KERNEL_AVX(2, 4); break;
-                        case 0x26: LAUNCH_TINYGEMM_KERNEL_AVX(2, 6); break;
-                        case 0x32: LAUNCH_TINYGEMM_KERNEL_AVX(3, 2); break;
-                        case 0x34: LAUNCH_TINYGEMM_KERNEL_AVX(3, 4); break;
-                        case 0x36: LAUNCH_TINYGEMM_KERNEL_AVX(3, 6); break;
-                        case 0x42: LAUNCH_TINYGEMM_KERNEL_AVX(4, 2); break;
-                        case 0x44: LAUNCH_TINYGEMM_KERNEL_AVX(4, 4); break;
-                        case 0x46: LAUNCH_TINYGEMM_KERNEL_AVX(4, 6); break;
-                        default: fprintf(stderr, "Unexpected block size!\n");
-                    }
-                }
-            });
-        });
-        return;
-    }
-
-    // pointer to work space, used convert A from float to quantized type
-    void * wdata = nullptr;
-
-    //TODO: performance improvement: merge quant A
-    GGML_DISPATCH_QTYPES(TYPE, [&] {
-        const size_t row_size_A = K / blck_size * sizeof(vec_dot_type);
-        const size_t desired_wsize = M * row_size_A;
-        if (ctx->work_size < desired_wsize) {
-            ctx->work_data.reset(new char[desired_wsize]);
-            ctx->work_size = desired_wsize;
-        }
-        wdata = ctx->work_data.get();
-
-        // Q4_0, Q4_1, Q8_0 handles 1 TILE_K per blck_size
-        // Q4_K, Q5_K, Q6_K, IQ4_XS handles 8 TILE_K per blck_size
-        GGML_ASSERT(TILE_K == blck_size || TILE_K * 8 == blck_size);
-
-        const float * A_data = static_cast<const float *>(src1->data);
-        for (int m = 0; m < M; ++m) {
-            from_float<vec_dot_type>(A_data + m * K, (char *)wdata + m * row_size_A, K);
-        }
-    });
-
-    if (M == 1) {
-        // MB = 1 and handle 8 tiles in each block
-        constexpr int kTilesN = 4;
-        constexpr int BLOCK_N = TILE_N * kTilesN;
-        const int NB = div_up(N, BLOCK_N);
-
-        parallel_for(n_threads, NB, [&](int begin, int end) {
-            GGML_DISPATCH_QTYPES(TYPE, [&] {
-                const int KB = K / blck_size;
-                const int TILE_SIZE = get_tile_size<type>();
-                const int row_size_A = KB * sizeof(vec_dot_type);
-                for (int i = begin; i < end; ++i) {
-                    int nb = i;
-                    int nb_start = nb * BLOCK_N;
-                    int nb_size = std::min(BLOCK_N, N - nb_start); // 32, 64, 96
-
-                    switch (nb_size) {
-                        //case 160: LAUNCH_TINYGEMM_KERNEL_VNNI(160); break;
-                        case 128: LAUNCH_TINYGEMM_KERNEL_VNNI(128); break;
-                        case 96: LAUNCH_TINYGEMM_KERNEL_VNNI(96); break;
-                        case 64: LAUNCH_TINYGEMM_KERNEL_VNNI(64); break;
-                        case 32: LAUNCH_TINYGEMM_KERNEL_VNNI(32); break;
-                        default: fprintf(stderr, "Unexpected n block size!\n");
-                    }
-                }
-            });
-        });
-        return;
-    }
-
-    // handle 4 tiles at a tile
-    constexpr int BLOCK_M = TILE_M * 2;
-    constexpr int BLOCK_N = TILE_N * 2;
-    const int MB = div_up(M, BLOCK_M);
-    const int NB = div_up(N, BLOCK_N);
-
-    parallel_for(n_threads, MB * NB, [&](int begin, int end) {
-        // init tile config for each thread
-        ggml_tile_config_init();
-
-        GGML_DISPATCH_QTYPES(TYPE, [&] {
-            const int KB = K / blck_size;
-            const int TILE_SIZE = get_tile_size<type>();
-            const int row_size_A = KB * sizeof(vec_dot_type);
-
-            for (int i = begin; i < end; ++i) {
-                int mb = i / NB;
-                int nb = i % NB;
-
-                int mb_start = mb * BLOCK_M;
-                int mb_size = std::min(BLOCK_M, M - mb_start);
-                int nb_start = nb * BLOCK_N;
-                int nb_size = BLOCK_N;
-
-                tinygemm_kernel_amx<vec_dot_type, type, float, blck_size>(
-                    mb_size, nb_size, KB,
-                    (const char *)wdata + mb_start * row_size_A,
-                    (const char *)src0->data + PACKED_INDEX(nb * 2, 0, KB, TILE_SIZE),
-                    (float *) dst->data + mb_start * N + nb_start, ldc);
-            }
-        });
-    });
-}
-
-#else // if defined(__AMX_INT8__)
-
-void ggml_backend_amx_mul_mat(ggml_backend_amx_context * ctx, struct ggml_tensor * dst) {
-    fprintf(stderr, "GGML is not compiled with AMX support!\n");
-
-    GGML_UNUSED(ctx);
-    GGML_UNUSED(dst);
-}
-
-#endif // if defined(__AMX_INT8__)
diff --git a/ggml/src/ggml-amx/mmq.h b/ggml/src/ggml-amx/mmq.h
deleted file mode 100644 (file)
index cf09206..0000000
+++ /dev/null
@@ -1,17 +0,0 @@
-#pragma once
-#include "common.h"
-#include <stdint.h>
-
-#ifdef __cplusplus
-extern "C" {
-#endif
-
-size_t ggml_backend_amx_get_alloc_size(const struct ggml_tensor * tensor);
-
-void ggml_backend_amx_convert_weight(struct ggml_tensor * tensor, const void * data, size_t offset, size_t size);
-
-void ggml_backend_amx_mul_mat(ggml_backend_amx_context * ctx, struct ggml_tensor * dst);
-
-#ifdef __cplusplus
-}
-#endif