LiteRT RISC-V 架构适配与 RVV 优化
项目描述
LiteRT（原 TensorFlow Lite）是 Google 开源的轻量级机器学习推理框架，专为移动端和边缘设备设计，广泛应用于图像分类、目标检测、自然语言处理等 AI 推理场景。LiteRT 内置了针对 ARM Neon/SVE 的高度优化推理内核，在 ARM 平台上拥有出色的推理性能。
随着 RISC-V 生态的快速发展，RISC-V Vector Extension（RVV 1.0）已成为高性能计算的重要标准。然而 LiteRT 目前对 RISC-V 平台的支持仍较为初级，缺乏系统性的 RVV 向量化优化。
本题要求参赛者将 LiteRT 完整移植至 RISC-V 平台，并利用 RVV 1.0 向量指令对推理内核进行性能加速，填补 RISC-V 在端侧 AI 推理领域的工程空白。
- 参考仓库：https://github.com/google-ai-edge/LiteRT
- 目标架构：RISC-V（RV64GCV，支持 RVV 1.0）
- 推荐测试环境：QEMU
virt机器（-cpu rv64,v=true,vlen=256）或真实 RISC-V 开发板（如 SG2044、A210 等）
评分要求
必做任务
参赛者需完成 LiteRT 的 RISC-V 平台移植，并对 LiteRT 中所有已有 ARM Neon/SVE 优化实现的推理内核完成对应的 RVV 向量化加速。
- 所有移植内核需通过精度验证，推理结果与参考实现（x86 或 ARM 标量版本）的误差在允许范围内
- 已实现 ARM Neon/SVE 优化的算子中，至少 90% 需提供 RVV 或内联汇编加速版本实现
- 支持不同 VLEN（128/256/512 bit）的自适应实现，可利用 RVV 的
vsetvl灵活向量长度特性 - 也可实现自动向量长度调优（VLEN 探测 + 运行时分发）
- 与 ARM Neon 版本进行对比基准测试，并提供完整 benchmark 数据（测试模型不少于 MobileNetV1、MobileNetV2、EfficientDet-Lite0）
- 适配真实 RISC-V 硬件并提供实测数据，附板卡型号及测试截图/日志
- 使用 CMake 构建，支持
riscv64-unknown-linux-gnu交叉编译工具链 - 验证文档：记录测试方案，用于组委会验证参赛选手的优化成果。
精度要求
| 验证项 | 标准 |
|---|---|
| FP32 推理（模型级） | Top-1 精度与 x86 参考差异 ≤ 0.1% |
| INT8 量化推理（模型级） | Top-1 精度与 x86 参考差异 ≤ 1% |
| 算子级输出（FP32） | 相对误差 ≤ 1e-5 |
| 算子级输出（INT8） | 差值 ≤ 1 LSB |
性能验证
| 验证项 | 算法 |
|---|---|
| 推理延迟（Latency） | 要求 ≤ 110 ms ，包含：avg（平均）、p50（中位数）、p95（尾延迟） |
| 吞吐率（Throughput） | throughput = FPS = batch_size x 1000 / latency_ms |
| 稳定性 | 须包含：std （标准差）、p95 / avg 比值 |
| 内存占用 | Overall footprint 值 |
| 启动时间 | Model initialization 值 |
代码规范
- 语言：C/C++（C++17 或以上）
- RVV 实现：优先使用 RVV Intrinsics（
<riscv_vector.h>），可辅以内联汇编 - 必须包含标量（scalar）回退实现，保证无 RVV 环境下可编译运行
- 代码风格参考 LiteRT 原始代码规范（Google C++ Style Guide）
- 新增 RVV 内核须通过条件编译（
#ifdef __riscv_vector）与通用代码隔离
注意事项
- 请确保遵循相关的开源协议和版 权规范。
- 参赛者需要自行准备开发环境，组委会后续会对参赛者提供 A210 远程调试环境。
- 禁止直接搬运已有第三方 RISC-V TFLite/LiteRT 移植代码，须自主实现或明确标注引用来源
- 允许参考 LiteRT 原始 ARM Neon 内核实现逻辑，但需进行 RISC-V/RVV 适配
- 所有代码须以 Apache 2.0 协议开源（与 LiteRT 保持一致）
- 若使用 AI 辅助编写代码，需在提交报告中说明使用方式及占比
参考资料
| 资源 | 链接 |
|---|---|
| LiteRT 源码 | https://github.com/google-ai-edge/LiteRT |
| LiteRT 官方文档 | https://ai.google.dev/edge/litert |
| RISC-V RVV 1.0 规范 | https://github.com/riscv/riscv-v-spec |
| RVV Intrinsics 参考手册 | https://github.com/riscv-non-isa/rvv-intrinsic-doc |
| RISC-V GNU 工具链 | https://github.com/riscv-collab/riscv-gnu-toolchain |
| QEMU RISC-V 文档 | https://www.qemu.org/docs/master/system/target-riscv.html |
| LiteRT ARM Neon 内核参考 | https://github.com/google-ai-edge/LiteRT/tree/main/tflite/kernels/internal/optimized |
| MobileNetV1 模型 | https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md |
提交说明
- 提交仓库为 https://github.com/rv2036/rvspoc-S2601-litert
- 请以 Pull request 的形式，将结果提交到上述仓库中。
- 以下条件中的「PR」均指代相对应于条件 1 仓库链接的 Pull request。
- 在创建 PR 时，请提供用于复现移植及优化的必要内容，包括但不限于：
- 完整的源码或二进制文件 *
- 配置文件（若有）
- 额外的库文件（若有）
- 额外的补丁（若有）
- 其他对提交进行验证时所必要的内容
- 在创建 PR 时，请同时创建说明文件，写明用于验证优化成果的详细信息，包括但不限于：
- 是否限定验证平台，若限定，请注明对应 OS 名称、版本和安装说明
- 是否限定验证平台的依赖库，若限定，请注明相关信息及安装说明
- 程序编译及安装步骤
- 程序运行步骤
- 程序运行结果
- 其他对提交进行验证时所必要的信息
- 此题为优化类赛题
- 针对条件 3 的第一条 * ，若 选手在比赛时间截止前仅提供了完整的二进制文件（以下简称「二进制」）以用于结果的验证，
则选手必须在之后通过 PR 的方式完整提交所有源代码才算完成本赛题，且
- 此提交的完整源代码要 100% 符合二进制所用源代码。
- 组委会不会将比赛时间截止后所提交内容的验证结果计入比赛成绩，仅验证其是否匹配对应二进制。
- 针对条件 3 的第一条 * ，若 选手在比赛时间截止前仅提供了完整的二进制文件（以下简称「二进制」）以用于结果的验证，
则选手必须在之后通过 PR 的方式完整提交所有源代码才算完成本赛题，且
- 组委会会在比赛结束后（即 2026 年 8 月 31 日 (AoE) 后），开始对提交内容进行验证，自此时间点后新增的 PR 内容不计入比赛成绩。
验收说明
- 2026 年 8 月 31 日后，由 RVSPOC 组委会公布。
- 由于赛题的开放性和软件的复杂性，赛题发布时可能存在未解释或需要修正的部分。针对未考虑到的方面，随着比赛进程的推进可能根据选手的反馈会有调整，请保持对赛事网站的关注。最终解释权归属于比赛的赛题评审委员会。
知识产权及开源协议要求
所有参赛结果要求开源，并提交至主办方指定仓库。参赛者（作者）持有作品的所有权。主办方鼓励参赛者将结果回馈贡献至 upstream。