llama.cpp b9857 重写 Hexagon 后端 Flash Attention 内核

llama.cpp 发布 b9857 版本，核心变更是对 Qualcomm Hexagon DSP 后端的 Flash Attention 实现进行了全面重写。该 PR 涉及 30+ 次提交，覆盖从微内核拆分、VTCM 分配重构到 FP16 数学替换等底层优化。

技术核心包括：将量化任务折叠进主 matmul 线程以减少调度开销；用 FP16 数学（tanh_f16、exp2_f16）替代 FP32 向量函数，避免昂贵的 float→__fp16 类型转换；优化 mask 处理（fastdiv、DMA 缓存、循环重排以最大化缓存命中）；将 softmax 累加器保持在 FP32 精度下，同时将 O 存储按 f16/f32 特化；预计算每任务行数消除除法；支持 FA_SELECT 和 Sinks 向量化更新。整体在保持精度的前提下显著降低 Hexagon 上的推理延迟。

对于在移动端或边缘设备上运行 llama.cpp 的工程团队，这次重写意味着 Hexagon DSP 加速的推理吞吐量提升，且无需修改上层调用代码。无破坏性变更。