bootgpt 发布：512 字节引导扇区运行 int8 语言模型

bootgpt

一个能启动你 PC 的神经网络。

MBR（主引导记录）是 512 字节的手写汇编代码。它从随后的 23 个扇区加载一个 11.5 KB 的 int8 模型，并在 386 处理器的 16 位实模式下运行它。没有操作系统，没有 C 运行时库，什么都没有。机器醒来后“梦”出了一段 Linux 启动日志：时间戳、PCI BARs、以及为从未存在的硬件生成的 ACPI 事件。

构建线程：https://x.com/krlntn/status/2116514628457185757

在仅有 8 个字符上下文和一个隐藏层的情况下，大致能得到如下质量：

[  2.283888] pci 0000:01:01.4: [1b36:0a35] ryndrde c4128 6422 Vveine
[  1.953886] pci 0000:01:1f.2: reg 0x10: [mem 0x7e4515e5-0x2d766c27] usbbore: reg
[  0.206596] Command line: BOOT_IMAGE=/vmlinu -5.5.2-1-generic gcc version 13.3.0, GNU ld ...
[  1.815765] ACPI: PCI Interrupt Link [LNKA: v/s.xos212
[  1.883084] NET: Registered protocol family 16

运行方法

brew install nasm qemu
python3 -m venv .venv && .venv/bin/pip install numpy
./build.sh
./run.sh

disk.img 是一个标准的启动镜像。如果你有支持 BIOS 的设备，可以将其 dd 写入 USB 闪存盘并直接启动。它只读取属于自己的扇区。

组件说明

corpus_gen.py 生成 3 MB 的伪造 dmesg 数据。每次启动会话使用一个内核版本和一个磁盘标识，因为真实的启动日志具有重复性，而这种重复性正是让微型模型看起来合理的关键。

train.py 负责训练模型（字符嵌入、单个隐藏层、softmax），并将所有内容量化为带有 2 的幂次方缩放因子的 int8 格式，以便引导扇区仅通过 imul 和单次 idiv 指令即可完成整个前向传播过程。该脚本还模拟了汇编代码将执行的确切整数运算（包括 LCG 采样器），因此 Python 输出与引导扇区输出可以进行逐字符比对。它们完全一致。

boot.asm 包含整个运行时逻辑：使用 int 13h 加载权重，使用 int 10h 打印输出，通过 cdq/idiv 实现软截断激活函数，以及利用定时器种子噪声进行 argmax 采样。任何按键操作都会重启机器。

record.py 通过监视器套接字从无头 QEMU 中录制演示 GIF。无需打开窗口界面。

引导扇区仅包含代码。字符串、权重和词汇表都存放在数据扇区中，这是将推理逻辑加上 BIOS 底层接口塞进 510 字节的唯一办法。

先前工作

引导扇区（boot sector）这一领域历史悠久且成就斐然。Oscar Toledo 在其中塞进了一个完整的 国际象棋程序、一个 操作系统，甚至还有一个 BASIC 解释器；其他人则实现了 C 编译器。所有这些全部压缩在 512 字节之内。他关于引导扇区游戏的著作值得一读。

最接近的同类项目是 sectorllm，它仅用约 1.2 KB 的真实模式汇编代码，就能从引导过程中启动一个真正的 Llama2 Transformer 模型（包含 5 层结构、注意力机制等完整组件），运行的是 Karpathy 的 stories260K 模型。sectorlisp-nn 则在引导期间于 Lisp 解释器上运行一个经 TensorFlow 训练的网络。此外，还有一些 UEFI 应用程序可以直接在现代硬件上引导进入 llama 类模型。

而 bootgpt 走向了另一个极端：整个推理引擎完全容纳在 510 字节的 MBR（主引导记录）本身之中，权重和字符串数据存放在随后的扇区中。该模型并非通用的故事生成器，而是一个微小的字符级神经网络，专门针对单一任务进行训练——即“幻觉”出它所唤醒的那台机器的启动日志。

作者发帖说明（HN）：

所有灵感均源自引导扇区的演示场景（demo scene），在那里人们曾在 512 字节内编写国际象棋和 BASIC 游戏，甚至包括 C 编译器。我好奇的是，如果用神经网络代替传统程序能做什么？为非存在的硬件生成启动日志是一件非常有趣的事情。

整个推理引擎仅占 510 字节的 MBR 空间，权重、词表和字符串数据位于 MBR 之后的扇区中。这个小型字符级神经网络是在由机器生成的 dmesg 日志上进行训练的，因此这台机器能够无限地生成 Linux 启动消息。

train.py 执行的整数运算与 asm 代码完全一致，因此生成的输出在字符级别上与 QEMU 产生的输出完全相同。差异分析揭示了一个我最喜欢的 bug。开头的字符与模拟器生成的结果匹配，但随后输出出现了分歧。我通过 QEMU 的调试端口获取了隐藏层，并将神经元的值与模拟器的值逐个神经元进行比较。只有第一个神经元的值是正确的。激活过程涉及 idiv 指令，而 idiv 会将余数存储在 edx 寄存器中。指向偏置（bias）表的指针原本存储在 edx 中，这导致第一个神经元的偏置计算正确，而后续神经元则使用了垃圾数据。现在，偏置的地址是根据循环计数器确定的，从而无需让任何指针在除法操作后存活。另一个 bug 是我在进行首次运行之前，仅通过查看代码就发现的：BIOS 打印例程会将 bx 清零，但 bx 中包含的是……