MLIR的精确语义（Exact Semantics）与近似计算从一次诡异的浮点结果不一致说起去年冬天调试一个AI加速器编译器，遇到一个让人抓狂的问题：同样的神经网络模型，在x86上跑和在我们自研的NPU上跑，精度差异居然达到了5%。团队里有人怀疑是硬件bug，有人怀疑是量化策略不对。我花了整整三天，最终定位到问题出在MLIR的中间表示层——某个pass在做算子融合时，悄悄把两个浮点运算的顺序给换了。这个案例让我深刻意识到：MLIR的“精确语义”不是一句空话，它直接决定了你的计算结果到底靠不靠谱。今天这篇笔记，就聊聊MLIR如何定义精确语义，以及当我们需要牺牲精度换取性能时，近似计算又该怎么玩。MLIR的精确语义到底在说什么MLIR的Operation语义文档里有一句话值得反复读：“Each operation defines its semantics precisely, including the order of side effects and the precision of computations.” 翻译成人话就是：每个操作在IR层面必须说清楚自己干了什么，副作用顺序是什么，计算精度是多少。但实际写pass的时候，很多人会忽略这个“精确”的含义。比如你写一个FuseMulAdd的pattern，把%c = addf %a, %b和%d = mulf %c, %e合并成%f = fused_mul_add %a, %b, %e