1355 个 voodoo doll 在传送带上排队。每走过一条线，计数器加一个数；走到头，撞上一道阶梯门，过不去就归零，过去了就继续。一趟走完，天花板上的灯亮起来，拼出一个数字。
这是 Doomformer 在 MNIST 上干的事。9,716 / 10,000，97.2%，所有输出数值与 NumPy 的整数参考实现完全一致。
我第一眼以为又是"DOOM 万物皆可跑"的整活。看到那行数和"完全一致"四个字才反应过来——整活的是我。这哥们先搓了一个整数推理引擎，再找了一个物理世界把它实现出来。顺序反了就不是这个项目了：先找物理世界再想办法凑计算，那是整活；先把整数网络搓到能跑、数值闭合，再问"这些东西能不能用玩偶和门表示"，那是造轮子。
这篇我们不去调他的库，自己把这两步拆开搓一遍。搓完你就知道 97.2% 这个数为什么值得看第二眼。
推理拆到底就两件事
神经网络前向，剥掉所有框架封装，就剩乘加和把负数掐掉。量化到整数之后还是这两件事：整数乘加，和跟 0 比大小。任何能做加法和比较的机械系统，理论上都能算它。
DOOM 引擎恰好提供了两样东西：能在地上走的玩偶，和能被玩偶触发的线、门、升降台。所以"能不能"不是问题，"数值对不对得上"才是问题。
我们先搓个最简版的整数前向。
import numpy as np
rng = np.random.default_rng(0)
S = 256 # 量化 scale，取 2 的幂
W1 = rng.normal(0, 0.5, (16, 32))
b1 = rng.normal(0, 0.1, 16)
W2 = rng.normal(0, 0.5, (10, 16))
b2 = rng.normal(0, 0.1, 10)
def q(a):
return np.round(a * S).astype(np.int32)
def fwd_float(x):
h = np.maximum(x @ W1.T + b1, 0)
return h @ W2.T + b2
def fwd_int(x):
h = q(W1) @ q(x) + q(b1) * S # 这一行的尺度是 S^2
h = np.maximum(h, 0) # ReLU：整数上就是跟 0 比
out = q(W2) @ h + q(b2) * S * S # 尺度 S^3
return out / S**3
这一行干这件事：权重、偏置、输入统统乘 256 取整，乘加全在整数上跑，最后一次性除回去。跑一下，看看出来啥：
xs = rng.normal(0, 1, (200, 32))
agree = sum(np.argmax(fwd_float(x)) == np.argmax(fwd_int(x)) for x in xs)
gap = max(np.abs(fwd_float(x) - fwd_int(x)).max() for x in xs)
print(f"argmax 一致: {agree}/200, 最大 logit 偏差: {gap:.5f}")
argmax 一致: 200/200, 最大 logit 偏差: 0.03812
分类全对，但 logit 差了 0.038，不是零。
这个偏差我得停一下说清楚，因为它正好是整件事的关节。0.038 不是量化本身的误差，是我这版实现的误差：每算完一层就除回浮点、再乘回去，中间 round 了好几次，误差就是这么攒出来的。真实的定点推理全程不回到浮点，移位和舍入都在整数域里一次定死。
更正一下：要谈"数值完全一致"，参考实现本身就必须是整数。Doomformer 那句"与 NumPy 整数参考实现完全一致"，裁判是整数版，不是浮点版。这两个东西经常被混着引用，其实服务于两个完全不同的论点：
"完全一致"说的是整数实现与整数参考之间零误差——证明的是物理映射没有算错。
97.6% 那个浮点版本是另一把尺子，用来量"改成整数掉了多少精度"：97.6 掉到 97.2，不到半个百分点。
一个管正确性，一个管精度损失。你要是拿浮点当裁判去验整数实现，永远验不出"完全一致"，只会验出我上面那种 0.038。这个坑不大，但踩进去的人不少。
好，整数引擎有了。现在看物理那头。
一个玩偶就是一个神经元
把传送带上的玩偶抽象出来，它这一趟走完干的事，五行能写完：
def doll_forward(x, lines, gate):
acc = 0
for w in lines: # 每走过一条线，加一次
acc += x * w
return acc if acc > gate else 0 # 阶梯门：上不去就归零
x = 1.7
print(doll_forward(x, [0.5, -1.2, 0.8], 0))
print(max(0, x * sum([0.5, -1.2, 0.8])))
0.17
0.17
一模一样。你再把 lines 换成 [-0.5, -0.8]，累加出来是负的，撞上 gate=0 的阶梯门，输出 0——这就是 ReLU，物理上是"这道台阶太高，玩偶上不去，只能退回零位"。
所以 1355 个 voodoo doll 不是什么玄学数字，就是 1355 次这样的乘加。权重是地上那些线，玩偶穿过去一次，加一个权重值；一层里所有玩偶的累加和用灯光或者地板高度表示，你站在地图里抬头就能读；ReLU 是那道阶梯门。
ACS 脚本在这套东西里不碰算术。它只干四件事：把输入写进去、把门挪到该在的位置、把玩偶倒回起点、等走完了把结果读出来。说白了它是内存总线和调度器，计算发生在几何里，不在脚本里。这个分工我觉得是这个项目最漂亮的地方——它逼着你把"算术"和"控制"彻底拆开，因为不拆开，物理世界根本跑不动。
代价也很直接：你在浮点模型里改一个超参是改一行 config，在这里是改地图里一条线的位置。没有 model.eval() 这种东西，只有"把那个玩偶挪回去重走一遍"。
乘法那层，我还没完全啃透
加法和 ReLU 映射到门上，直观。真正让我卡住的是注意力里的乘法：按作者的描述，玩偶要穿过一个由另一个数值压低的天花板，两个量在空间上互相钳制，乘出来。
这块我盯着看了半天，没敢说自己能复原到每一帧。空间量相乘这种事，用高度和通行空间去做，思路我能跟上，但具体怎么保证不串味、怎么跟 ACS 的时序对上，我没搓出来就不装懂。
但有一点我可以确定：数值完全一致这个结果摆在那儿，说明这套映射是闭合的。闭合的意思是，不管中间过程多绕，读出来的整数和参考实现逐位对得上。10,000 个样本分四张 tile map 跑，Python 在 map 之间传数值，最后 9,716 个分类正确、所有数值一致；单张图上随机抽 1,000 个，966 个对、数值全一致。这种一致性不是调出来的，是设计出来的。
顺带说一句，10,000 个样本要分四张图，这个细节我很喜欢。它暴露了物理计算的边界：一张地图装不下一个测试集。连"批处理"都是靠换地图实现的。
按一下踏板，7 变成 1
博物馆那张演示图里，手写网络是 136 个玩偶，地上七个踏板。你写个 7，READ，灯亮出 7。然后按 MUTATE——它把一条连接从 +1 改成 −1。同一张图，同一个 7，再读，灯亮出 1。按 RESTORE，恢复。
我在这段上停了很久。
你调过模型吧。改一个权重，浮点世界里你能看到的就是 loss 抖一下，抖完你也不知道是这一下改对了还是碰巧。这里你踩一下踏板，灯光直接从 7 跳到 1，因果链短到你能用眼睛看完。这不是可视化，可视化是给你看一个已经算完的结果；这是可触摸，你改的是计算本身。
当然，能这么干是因为网络小到 136 个玩偶。真实模型里你按一万次踏板也找不到那条该改的连接。但这个演示至少证明了一件事：权重不是一个抽象的数，它在地图里有一个物理位置，你能走过去碰它。
算得慢，你就得死
速度账得算，而且得算得难看一点。
在一台共享的 16 核 arm64 机器上，12-16-6 的玩具网络跑一次，从写入输入到读回结果，726 ms。NumPy 参考实现 11 µs。六万六千倍。
brainlevel 那个演示更狠：1,345 个玩偶跑 policy transformer，一次决策要占 22 秒游戏时间。所以影片里恶魔是暂停的——不暂停不行，不暂停 marine 还没动就被挠死了。作者也做了 --live，让恶魔照常移动，结果就是它们会在 marine 行动之前把他干掉。
我看到这段的时候笑了一下，然后觉得这可能是全文最诚实的一句性能分析：计算时间成了游戏机制的一部分，你算得慢，你就死。没有什么 benchmark 比这个更直白。
但换个角度看，22 秒一次决策这件事本身挺浪漫的。你能站在那儿，看着 1,345 个玩偶替你想"往左还是往右"，想完了再告诉你。慢，但是全程可见。
主角是编译器，不是那张地图
得说清楚，1355 个玩偶不是手摆的。
df.MLP.from_torch 把 PyTorch 网络导进来，编译器负责把权重摊成线、把和摊成高度、把 ReLU 摊成门。支持整数 MLP、脉冲网络、transformer，带 softmax 和 RMSNorm——注意，没有 LayerNorm，这个砍掉是有意的还是没来得及做，我没查到，不乱猜。
所以这个项目的核心不是那张 MNIST 地图，是那个编译器。地图只是编译产物。DOOM 里算东西不是新鲜事，之前有 counter.wad、conway.wad，还有 Danny Spencer 那个计算器；Doomformer 往前迈的一步是把"神经网络"这一类东西编译到同一套机制上——从手摆机关，变成写一个把网络翻译成机关的编译器。
仓库当时 60 个 star，2 个 fork。我有点没想通，但也没打算在这篇里呼吁什么。
安装那块我就不展开了，Python 3.11+、cmake、make，首次运行会构建 ACC 编译器；doomformer hello 能把一个小 MLP 编成地图，跑五个输入出 5/5 EXACT，不需要 DOOM 副本，ViZDoom 自带 Freedoom。这些是工具链的事，不是这篇想说的。
收个尾
所以你看，这项目拆开就两层：一层是把神经网络压成整数乘加，一层是把整数乘加翻译成玩偶走路。两层都不神奇，难的是两层之间的数值对得上，而且对得能让你按一下踏板就把 7 改成 1。
这玩意儿生产上一点用没有。726 ms 跑一个 12-16-6 的玩具网络，够 PyTorch 跑六万多次。真要跑推理，老老实实用 ONNX Runtime 或者 libtorch，别想不开。DOOM 里这套是拿来懂的，不是拿来用的——这条边界每次都得划。
至于那个天花板乘法，我还没完全啃透。等我什么时候把它搓出来了，再写一篇。
「手搓系列」，下次见。