MLIR的Constant Propagation与Folding：一次踩坑后的深度复盘上个月调试一个AI推理引擎的中间表示优化流程，遇到一个诡异现象：模型在x86上跑得好好的，交叉编译到RISC-V后，某些层的计算结果开始出现微小偏差。追了两天，发现是MLIR的constant folding阶段把一些本该保留的浮点常量折叠成了不同的精度表示。这个坑让我重新审视了MLIR中看似简单的常量传播与折叠机制——它远不止“把常量算出来”这么简单。从一次“过度优化”说起问题出在某个量化感知训练后的模型，图中存在大量形如%c = arith.addf %a, %b的节点，其中%a和%b都是通过arith.constant定义的浮点常量。MLIR的 canonicalization pass 默认会尝试将这些常量运算折叠成新的常量。但问题在于，当%a和%b的精度不同（比如一个f32一个f16），或者它们来自不同的dialect（比如tosa.const与arith.constant混用）时，折叠行为会触发隐式的类型提升，导致最终结果与原始语义不一致。更隐蔽的是，MLIR的fold()接口默认返回OptionalValue，如果返回nullopt表示无法折叠。但很多自定义op的fold实现会“偷懒”——直