一个 Q4_0 权重块只有 18 字节，里面装下 32 个权重；而 llama.cpp 的 CUDA 后端做矩阵乘法时，从头到尾没把它反量化成 fp16——它在寄存器里用一条__vsubss4((qs 0) 0x0F0F0F0F, 0x08080808)把 4-bit 当场拧成有符号 int8，直接喂给 tensor core。你可能会问：反正都要算，先解包成 fp16 再调 cuBLAS，不是更省事、更"标准"吗？问题在于——同一个 7B 模型走 cuBLAS 那条路，decode 速度会掉一截，而掉的地方根本不在算力。decode 阶段 GPU 的瓶颈是显存带宽，"先反量化"恰好要凭空多读写一整遍 N×K 的 fp16 中间矩阵。那一遍读写，就是慢的根。这篇文章我带你把 ggml-cuda 这三万七千行 CUDA 代码里最较真的几处——mmq 的寄存器解包、Flash Attention 那两个标量、CUDA Graph 的两帧 warmup——对着真实行号逐行读穿。读完你会拿到一把钥匙：拿到任何一个 GPU 后端，先问它在哪里省下了"读写显存"和"提交命令"这两笔账。一、从一张计算图到一条 switch先把地基铺平：一张计算图是怎么落到 GPU 上跑起来的？ggml 的执行模型是"计算图 + 后端"。前端把模型的前向计算编成一张ggml_cgraph——一个张量节点的拓扑序数组，每个节点带一个op（操作码）和最多GGML_MAX_SRC个输入张量。CU