MLIR的随机舍入（Stochastic Rounding）支持一个让我熬夜三天的bug去年秋天，我在调试一个低精度推理引擎时遇到了一个诡异的问题。模型在FP32下跑得好好的，量化到INT8后，某些边缘场景的精度损失远超理论预期。更让人抓狂的是，同样的输入，每次跑出来的结果都不一样——不是那种微小的浮点误差，而是直接差了几个数量级。我盯着反汇编看了两天，最后发现罪魁祸首是编译器在生成向量化代码时，对某些中间结果做了“过于聪明”的优化。它把几个浮点运算合并了，但合并后的舍入方式完全不是我们想要的。那一刻我意识到，在低精度计算的世界里，舍入策略不是细节，而是核心。为什么需要随机舍入传统舍入（round-to-nearest-even）在大多数场景下工作良好。但在低精度计算中，特别是当数值分布不均匀时，确定性舍入会引入系统性偏差。想象一下，你有一堆很小的正数，每次都被舍入到0，累积起来就是灾难。随机舍入（Stochastic Rounding）的思路很简单：不是简单地取最近的可表示值，而是以一定概率向上或向下舍入。这个概率由原始值与最近两个可表示值的距离决定。比如，一个值距离0.75比距离1.0更近，那么它有75%的概率被舍入到1.0，25%的概率被舍入到0.0。数学上，这保证了舍入误差的期望值为零。对于深度学习训练和某些对精度敏感的推理场景，这简直是救命稻草。MLIR里的随机舍入实现MLIR在arith/