v0.96: 同步HTML

BMM算子优化分析_Release/BMM算子优化分析_v0.96.html

@@ -361,6 +361,30 @@ $$</div>
 </ul>
 <p>max 取更严格的 8192。修正后的归约阈值（θ_c≈12，grid_K=32 时 K&gt;396）远低于 8192，说明 <b>8192 的绑定约束是 dValue（条件 2），不是归约代价（条件 3）</b>。源码不动态计算 grid_K，用固定阈值同时覆盖条件 2 的最保守情形和条件 3，是两条条件的保守合并近似。</p>
 <h3>实现方案</h3>
+<p><b>核间组织</b>：先按 B/M/N 切出输出块，剩余核预算折成 K 向份数：</p>
+<div class="math">$$
+blocksPerBatch = \Big\lfloor \frac{C}{B} \Big\rfloor,\qquad
+grid_K = \frac{blocksPerBatch}{mCnt \cdot nCnt}
+$$</div>
+<p>mCnt、nCnt 收拢为 blocksPerBatch 的因子（避免碎核尾块）；由条件 1 知 $mCnt \cdot nCnt \le blocksPerBatch/2$，故 $grid_K \ge 2$。归约组内核 c 负责 K 段 $[cK/grid_K,\; (c{+}1)K/grid_K)$。</p>
+<p><b>核内流水</b>：对自己的 K 段做标准分块流水（MTE2→L1→L0→mmad），段内多轮在 L0C 原地累加；段完部分和经 Fixpipe 写出。</p>
+<p><b>归约</b>：$grid_K$ 个核的部分和经归约（Fixpipe 模式或 AIV）求和为最终结果。</p>
+<hr>
+<h2>八、ASW_Basic 分支</h2>
+<p>ASW_Basic 是 BMM 的<b>兜底分支</b>——核间切 M/N（或混合切），不做 batch 合并或 K 维切分。它是实践中最常命中的分支：B 可大可小可等 1，交叉广播也由此承接。</p>
+<h3>进入分支条件（汇总）</h3>
+<ol class="tight">
+<li>$P = \dfrac{B \cdot MN \cdot 4\text{B}}{L0C} \ge C$（并行度补齐）</li>
+<li>无 batch 结构限制（BatchA=BatchB、交叉广播均可）；典型进入路径：$B &lt; C$（切 B 买不满核），或 $B \ge C$ 但 IterBatch/MergeBatch 条件不满足时的兜底</li>
+<li><b>降核模式</b>：$P &lt; C$ 且不满足 StreamK 进入条件 → 只用 $\lceil P \rceil$ 个核，其余核闲置</li>
+</ol>
+<h3>逐条解释</h3>
+<ol class="tight">
+<li><b>并行度补齐</b>：以 L0C 满载为基本块粒度，B×M×N 能切出至少 C 个独立输出块，则切 M/N（或混合切）并行度够用。切 M/N 的固有代价是共享矩阵被多核重复读，但共享部分驻留 128MB L2 时重复读以 5.2TB/s 命中 L2 而非 1.6TB/s 的 GM，代价大部分被吸收。</li>
+<li><b>兜底性质</b>：ASW_Basic 是实践中最常命中的分支——B 可大可小可等 1，交叉广播也由此承接（对广播侧做 L1/L2 驻留，共享关系与切 M/N 同构）。</li>
+<li><b>降核模式</b>：P &lt; C 且 K 也不够格走 StreamK 时，并行度凑不满核。此时与其强行把 M/N 切得更碎（tile 跌破 min_TileSize、dValue 跌破 128B，搬移效率崩塌，反而更慢），不如<b>只用 ⌈P⌉ 个核</b>、每核承担一个完整输出块（L0C 满载粒度），其余核闲置。这类 case 的时延绝对值小，继续切分引入的调度与搬移效率损失大于并行收益——降核是理性选择而非偷懒。</li>
+</ol>
+<h3>实现方案</h3>
 <p><b>Step 0：BaseM / BaseN 的确定</b>（L0 级 tile，先把 L0C 用满）</p>
 <p>L0C 是 Cube 的累加器，BaseM × BaseN 是每次 Cube 计算的输出 tile。BaseM/N 应<b>尽量把 L0C 用满</b>——L0C 利用率越高，每次 Cube 计算的输出越大，单位计算的启动/排空开销摊得越薄：</p>
 <div class="math">$$