BMM 的语义是：
+ +$$ +C[b, m, n] = \sum_{k=0}^{K-1} A[b, m, k] \cdot B[b, k, n] +$$ + +其中：
+ +$$ +\begin{aligned} +b &= b_0 \times b_1 \times b_2 \times b_3 \quad &\text{(展平后的 batch，最多 4 级)}\\ +m &\in [0, M), \quad n \in [0, N), \quad k \in [0, K) &\text{(矩阵维度)} +\end{aligned} +$$ + +$A,B$ 的 batch 维支持广播（任一维值为 1），即实际的 $A$ 索引为：
+ +$$ +b_A[i] = \begin{cases} 0 & \text{if } b_i^A = 1 \\ b_i & \text{otherwise} \end{cases} +$$ + +| 参数 | 含义 | 典型值 |
|---|---|---|
| $B^t$ | batch 分块粒度（iterBatch） | 1 ~ 8 |
| $M^t$ | M 向基本块（baseM） | 16 ~ 256 |
| $N^t$ | N 向基本块（baseN） | 16 ~ 256 |
| $K^t$ | K 向基本块（baseK） | 16 ~ 128（fp16 下） |
一个基本块（tile）是四维索引 $(\beta, \mu, \nu) \in [0, \tilde{B}) \times [0, \tilde{M}) \times [0, \tilde{N})$，它要完成的计算是：
+ +其中 $A[\cdots], B[\cdots]$ 表示对应子矩阵。K 循环 ($\kappa$) 在 L0C 上累加，不写回 GM——这是 L0C 累加的核心：每次 mmad 的 L0C 结果驻留，下一轮 K 步的 mmad 直接在 L0C 上累加（cmatrixInitVal=false + cmatrixSource），省去 CO1→GM→UB 的来回搬运。
设总核数 $C$（AIC 数量，如 32）。核心问题是：如何将 $\tilde{B} \times \tilde{M} \times \tilde{N}$ 个基本块分配到 $C$ 个核上，使得时间上相邻的块在空间上相邻（L2 友好）？
+ +首先将 3 维 block 索引展开为 1 维：
+ +$$ +\text{idx}(\beta, \mu, \nu) = \beta \cdot \tilde{M}\tilde{N} + \sigma(\mu, \nu) +$$ + +其中 $\sigma(\mu, \nu)$ 是 swizzle 函数——它在 $M \times N$ 平面上定义遍历顺序。
+ +ASW 定义窗口宽度 $W = \max\{\,d \mid d \mid C,\; d \le \lfloor\sqrt{C}\rfloor \,\}$（如 32 核 → $W=4$）。将 M 方向按窗口分组：
+ +$$ +\mu_{\text{row}} = \lfloor \mu / W \rfloor,\quad +\mu_{\text{col}} = \mu \bmod W +$$ + +主窗口区（$\mu_{\text{row}} < \lfloor \tilde{M}/W \rfloor$）：
+ +$$ +\sigma_{\text{main}}(\mu, \nu) = +\big(\mu_{\text{row}} \cdot W + \mu_{\text{col}}\big) \cdot \tilde{N} + \nu' +$$ + +其中 $\nu'$ 由蛇形（snake）决定：
+ +$$ +\nu' = \begin{cases} +\nu & \text{若 } \mu_{\text{row}} \text{ 为偶数（正向）} \\ +\tilde{N} - 1 - \nu & \text{若 } \mu_{\text{row}} \text{ 为奇数（反向）} +\end{cases} +$$ + +核号与轮次：
+ +$$ +c = \mathrm{idx}(\beta, \mu, \nu) \bmod C,\qquad +r = \lfloor \mathrm{idx}(\beta, \mu, \nu) / C \rfloor +$$ + +即第 $r$ 轮核 $c$ 处理全局第 $c + r \cdot C$ 个基本块。
+ +这使同一时刻各核落在 $M \times N$ 平面的不同对角线上，避免多核同时抢同一行 A / 同一列 B 的 GM 带宽。
+ + +核 $c$ 在第 $r$ 轮处理的块为 $(\beta, \mu, \nu)$（由 swizzle 逆映射得到）。
+ +该核在 L1 上 驻留的数据量为：
+ +$$ +\begin{aligned} +A_{c}^{\text{L1}} &= A\big[\beta B^t : (\beta{+}1)B^t,\; \mu M^t : (\mu{+}1)M^t,\; \kappa_0 K^t : (\kappa_0 + d_A) K^t\big] \\[4pt] +B_{c}^{\text{L1}} &= B\big[\beta B^t : (\beta{+}1)B^t,\; \kappa_0 K^t : (\kappa_0 + d_B) K^t,\; \nu N^t : (\nu{+}1)N^t\big] +\end{aligned} +$$ + +其中：
+L0A/L0B 各 64KB，512B 对齐（fractal 分形，一个分形恰好 512B）。
+ +一次 mmad（fp16 下为 16×16×16 fractal，一拍完成）：
+ +$$ +C_{c}^{\text{L0C}} \mathrel{+}= \mathrm{mmad}\big(A_{c}^{\text{L0A}},\; B_{c}^{\text{L0B}}\big) +$$ + +L0C 256KB，fp32 累加。K 循环 $\kappa = 0, 1, \dots, \tilde{K}-1$ 全部在 L0C 上累加。
+ +fixpipe 可随路完成 NZ2ND 排布转换、量化（FP32→BF16/FP16/FP8）等。
+ + +外层（核间）—— swizzle 调度：
+ +$$ +\forall c \in [0, C),\quad \forall r \in [0, R):\quad +(\beta, \mu, \nu) = \sigma^{-1}\big((c + rC) \bmod \tilde{B}\tilde{M}\tilde{N}\big) +$$ + +其中 $R = \lceil \tilde{B}\tilde{M}\tilde{N} / C \rceil$ 是轮数。
+ +内层（核内）—— K 循环 + 多级流水：
+ +$$ +C_{(\beta,\mu,\nu)}^{\text{L0C}} = \sum_{\kappa=0}^{\tilde{K}-1} +\underbrace{\mathrm{mmad}\Big( +\underbrace{A[\beta,\mu,\kappa]}_{\text{L0A, } B^t M^t K^t},\; +\underbrace{B[\beta,\kappa,\nu]}_{\text{L0B, } B^t K^t N^t} +\Big)}_{\text{16×16×16 fractal, fp16 一拍}} +$$ + + +分支的差异归结为：哪些维度被"折叠"（合并/全载/驻留）以减少循环层数或搬运次数，以及 swizzle 函数 $\sigma$ 的形式。
+ +| 分支 | 分块参数的特殊化 | 数学变化 |
|---|---|---|
| K_EQUAL_ZERO | $K=0$ | $C = 0$，无计算，纯 AIV 写零 |
| TO_MUL | $K=1, K^t=1, \tilde{K}=1$ | $C = A \odot B$（逐元素乘），K 循环消失，走 UB→Vector→GM |
| STREAM_K | $\tilde{B}\tilde{M}\tilde{N} \le C/2$，$\tilde{K}$ 跨核拆分 | $C_{(\beta,\mu,\nu)} = \sum_{c \in \text{group}} C_{(\beta,\mu,\nu)}^{(c)}$，部分和经 workspace 归约 |
| MERGE_BATCH | $B^t > 1$（合并 batch），$M^t, N^t$ 按合并倍数放大 | $\tilde{B} = \lceil B/(B^t \cdot C) \rceil$，batch 维折叠进 M/N 块 |
| ITER_BATCH | $B^t > 1$，batch 组在 L1/L0 驻留 | 单核的 A/B 块大小 $\times B^t$，Cube 一次算 $B^t$ 个 batch |
| ITER_BROADCAST | 广播侧 batch 维为 1，$B^t$ 只对非广播侧 | 广播侧数据 L1 驻留一份，对端 $B^t$ 个 batch 共享 |
| AL1_FULL_LOAD | $M^t = M$（整个 M），B 侧无 batch | $A$ 的 L1 驻留 = 整个 A，所有 $(\beta, \nu)$ 复用；GM→L1 仅 1 次 |
| BL1_FULL_LOAD | $N^t = N$（整个 N），A 侧无 batch | 镜像，$B$ 的 L1 驻留 = 整个 B |
| ASW / BASE | 通用参数，$B^t=1$ 或由 L1 容量决定 | 通用公式，swizzle $\sigma$ 为滑窗蛇形 |
MERGE_BATCH：将 $B^t$ 个 batch 折叠进 $M^t$ 或 $N^t$：
+ +$$ +\tilde{B}_{\text{eff}} = \lceil B / (B^t \cdot C) \rceil,\quad +M_{\text{eff}}^t = B^t \cdot M^t,\quad +N_{\text{eff}}^t = B^t \cdot N^t +$$ + +最优合并 batch 数 $B^t$ 由 L0C 容量二次方程求解（CalBatchL0WithPolynomial）：
+ +$$ +\begin{aligned} +\text{令 } a &= \frac{M}{16},\quad t = \frac{15}{16},\quad +p = \frac{a \cdot \mathrm{l0CSize}}{16 \cdot \mathrm{alignN} \cdot 4 \cdot \mathrm{DB}} \\[6pt] +(ax)^2 &+ t(ax) - p = 0 \\[4pt] +y &= \sqrt{p + t^2/4} - t/2 \\[4pt] +B^t_{\text{opt}} &= \left\lfloor \min\!\left(\frac{p}{\lceil y \rceil \cdot a},\; \frac{\lceil y \rceil}{a}\right) \right\rfloor +\end{aligned} +$$ + +AL1_FULL_LOAD：$\tilde{M} = 1$，A 的 $\mu$ 循环消失，且 A 的 GM→L1 搬移只发生一次：
+ +$$ +A_{c}^{\text{L1}} = A\big[0 : M,\; 0 : K\big] \quad \text{(完整 A 常驻 L1，depthA1 = stepM × stepKa = 整个 A)} +$$ + +搬运次数对比（192篇）：无全载时总搬运 $M_{\text{blocks}} \times (1 + N_{\text{blocks}}) = 2 \times 3 = 6$ 次；全载后 $1 + M_{\text{blocks}} = 3$ 次。
+ +StreamK：$\tilde{K}$ 被跨核拆分，K 循环变成两阶段：
+ +$$ +C_{(\beta,\mu,\nu)} = \sum_{c \in \text{group}(\beta,\mu,\nu)} \underbrace{\sum_{\kappa \in \text{slice}(c)} \mathrm{mmad}\big(A[\kappa], B[\kappa]\big)}_{\text{核 c 的部分和 } C_{(\beta,\mu,\nu)}^{(c)}} +$$ + +部分和写 workspace（$C \times 256 \times 256 \times 4\text{B}$），再经 AIV 归约（AIC:AIV = 1:2）。
+ + +| 参数 | 约束来源 | 公式 |
|---|---|---|
| $M^t, N^t$ 16 对齐 | Cube 一拍 16×16×16 | $M^t = 16 \cdot \lceil M^t/16 \rceil$ |
| $K^t$ 内轴对齐 | MTE 搬运拆分粒度（056篇） | $K^t \cdot \text{dtype} \in \{128, 256, 512\}$ |
| L1 双缓冲 | $d_A \cdot B^t M^t K^t \cdot 2 + d_B \cdot B^t K^t N^t \cdot 2 \le 512\text{KB}$ | DB 乒乓 ×2 |
| L0A/B 双缓冲 | $B^t M^t K^t \cdot 2 \le 64\text{KB}$ | L0A/L0B 各 64KB |
| L0C 双缓冲 | $B^t M^t N^t \cdot 4\text{B} \cdot 2 \le 256\text{KB}$ | L0C 256KB，fp32 累加 |
| L0C 累加 K 循环 | $\tilde{K} = \lceil K / K^t \rceil$ 轮 | 每轮 mmad 结果在 L0C 上累加 |
| Swizzle 窗长 | $W = \max\{d \mid d \mid C, d \le \lfloor\sqrt{C}\rfloor\}$ | L2 128MB 全局共享 |
BMM 分块计算在数学上就是：
+ +分支体系就是针对不同形状的迭代空间，选择不同的"折叠维度"和"swizzle 策略"：
+ +配套详细分析文档：BatchMatMulV3算子分支实现分析.html（含全部 11 个分支的代码级实现细节、硬件依据、SVG 流程图）