UnitFlag 能否完全取代 L0C Double Buffer：时序与数据流分析

Matmul/UnitFlag能否取代L0C_DoubleBuffer.md

@@ -0,0 +1,168 @@
+# UnitFlag 能否完全取代 L0C Double Buffer —— 昇腾 950PR（DAV_3510）时序与数据流分析
+
+> 续问：既然 UnitFlag 能在**单个 base 块内部**就把 `max(T_MMAD, T_Fixpipe)` 做满，那 base 块之间是不是就不用考虑 Fixpipe 这一级流水了？两者能否叠加？UnitFlag 能否**完全取代** L0C 双缓冲？
+> 分析方法：以 NPU 数据通路 + 流水线时序图为主线，结合 mat_mul_v3 源码证据（dbL0C 决策、enUnitFlag 使能点）与官方约束，逐层论证。
+> 配套：同仓《UnitFlag与L0C_DoubleBuffer分析.md》（基础概念与边界）、《3.1_mat_mul_v3源码解析.md》（分支与 tiling）。
+
+---
+
+## 0. 先修正并锁定一个前提事实
+
+> 上一轮文档曾把「普通 ASWT 的 UnitFlag 状态」标记为"待确认"。本轮查实 `GetMDLConfig` 的函数签名后**定死**：
+
+```cpp
+// 官方 GetMDLConfig 签名（第 7 个位置参数即 enUnitFlag）
+GetMDLConfig(intrinsicsLimit, batchLoop, doMTE2Preload, isVecND2NZ,
+             isPerTensor, hasAntiQuantOffset, enUnitFlag=false, ...)
+
+// mat_mul_v3_common.h
+constexpr MatmulConfig MM_CFG_NO_PRELOAD =
+    GetMDLConfig(false, false, 0, false, false, false, /*enUnitFlag=*/true);
+```
+
+`MM_CFG_NO_PRELOAD` 的第 7 个实参是 `true` → **enUnitFlag 被显式开启**。而 mat_mul_v3 的普通 ASWT、A/B 全载、SplitK 等模板 kernel 的默认模板参数就是 `MM_CFG = MM_CFG_NO_PRELOAD`；StreamK 又在自定义搬出回调 `CustomDataCopyOut` 里再显式 `fixpipeParams.unitFlag = MM_FIX_PIPE_UNIT_FLAG(=3)`。
+
+**结论**：mat_mul_v3 在 950PR 的主路径上，**UnitFlag 默认是开启的**（普通模板经 MM_CFG_NO_PRELOAD，StreamK 经回调）。这与"MDL 模板默认不使能"并不矛盾——MDL 默认关，但 mat_mul_v3 用 `GetMDLConfig` 把这一位显式置真了。
+
+---
+
+## 1. 两条掩盖路径的时序本质（先把"流水"画清楚）
+
+设 MTE1（L1→L0）与 MTE2（GM→L1）已由 L1/L0 的 Double Buffer 掩盖（这是 tiling 的常规动作，与本文讨论的 L0C 无关），则单个 base 块的耗时只需关注 **MMAD 计算** 与 **Fixpipe 搬出** 两级：
+
+```
+t_mm = baseM·baseN·baseK / R_cube        （MMAD 计算时间，R_cube=8192 FLOP/cycle）
+t_fp = baseM·baseN·dtypeC / BW_fp        （Fixpipe 搬出时间，dtypeC=输出dtype字节数）
+```
+
+### 1.1 无 DB 无 UnitFlag —— 完全串行
+
+```
+块n:   [==== MMAD ====]··等待··[---- Fixpipe ----]
+块n+1:                          [==== MMAD ====]··等待··[---- Fixpipe ----]
+周期 T = t_mm + t_fp
+```
+
+L0C 只有一份，Fixpipe 搬出期间 Cube 不能写 → 块内串行；且当前块 Fixpipe 不结束，下一块 MMAD 不能开始 → 块间也串行。这是最差形态。
+
+### 1.2 只开 L0C Double Buffer —— 块间掩盖
+
+L0C 分两份（A/B），块 n 在 L0C.A 搬出的同时，块 n+1 在 L0C.B 上算：
+
+```
+L0C.A(块n):   [==== MMAD ====]········[---- Fixpipe ----]
+L0C.B(块n+1):            [==== MMAD ====]········[---- Fixpipe ----]
+L0C.A(块n+2):                                   [==== MMAD ====]···
+周期 T = max(t_mm, t_fp)
+```
+
+**关键**：DB 让"块 n 的 Fixpipe"与"块 n+1 的 MMAD"重叠，把块间等待消掉。但注意两点：
+
+- **掩盖成立的前提一**：`baseM·baseN·4B·2 ≤ L0C`（256KB）→ `baseM·baseN ≤ 32768`，否则 L0C 装不下两份，DB 开不了。baseM=baseN=256 时 `256·256=65536 > 32768`，**恰恰开不了 DB**。
+- **掩盖成立的前提二**：`t_mm ≥ t_fp`。若 `t_mm < t_fp`（计算快、搬出慢），块 n+1 的 MMAD 很快算完，仍要空等块 n 的 Fixpipe 收尾 → 周期退化为 `T = t_fp`，瓶颈转移到 Fixpipe，DB 掩盖不充分。
+
+### 1.3 只开 UnitFlag —— 块内 512B 细粒度流水
+
+UnitFlag 把单个 base 块按 512B 切成若干 micro-tile，MMAD 每算完一个 512B 就立即触发对应 Fixpipe，两者在**同一块内**交错：
+
+```
+块n(L0C): [M][M][M]...[M]      ← MMAD 按 512B 推进
+           [F][F][F]...[F]    ← Fixpipe 跟随 512B，逐段搬出
+周期 T ≈ max(t_mm, t_fp) + tail
+        （tail = 最后一个 512B micro-tile 的 Fixpipe 尾开销，可忽略）
+```
+
+**关键差异**：UnitFlag 不依赖"下一块的 MMAD"来掩盖，它在**当前块内部**就让 Fixpipe 跟着 MMAD 的进度流水走。因此：
+
+- **不要求 L0C 装两份**（不消耗 L0C 容量）；
+- **不要求 t_mm ≥ t_fp**：无论谁长谁短，都能逼近 `max(t_mm, t_fp)`。即使 `t_mm < t_fp`，Fixpipe 也是边算边搬，Cube 不停（是 Fixpipe 流水成为瓶颈，而非 Cube 空等）。
+
+---
+
+## 2. 块内能 max 了，块间还需不需要考虑？—— 叠加性论证
+
+这是你追问的核心。我们严格区分两种情形。
+
+### 2.1 情形 A：K 不在单块内累加（一次 Iterate 算完一整块 K）
+
+这是 mat_mul_v3 最常见的形态：一个 base 块的 `singleCoreK` 完整累加进 L0C，算完一次性 Fixpipe 搬出到 GM。
+
+- **开 UnitFlag 后**，单块周期已经是 `≈ max(t_mm, t_fp)`。块 n 的 Fixpipe 段与块 n 的 MMAD 段在时间上**几乎完全重叠**（只差一个 tail）。
+- 此时若再开 L0C DB，想做的是"块 n 的 Fixpipe 与块 n+1 的 MMAD 重叠"——但**块 n 的 Fixpipe 已经被块 n 自己的 MMAD 占满了时间窗**，块 n+1 的 MMAD 本可以在块 n 的 Fixpipe 尾段就开始，可 UnitFlag 已经把块 n 的 Fixpipe"摊平"到整个块 n 的计算区间里，块 n+1 能利用的"纯 Fixpipe 空窗"只剩最后一个 tail。
+
+**所以在这个情形下，DB 的块间掩盖与 UnitFlag 的块内掩盖争夺的是同一段时间（同一块的 Fixpipe），被 UnitFlag 掩盖后，DB 几乎无的放矢 → 两者收益不叠加。** 你的判断"开了 UnitFlag，上一块的 cube 计算已经和上一块的 fixpipe 重叠了，就没法再和下一块的 cube 重叠"在 K 内一次累加场景下**成立**。
+
+### 2.2 情形 B：K 在单块内分片累加（多次 Iterate 累加进同一 L0C）
+
+当 `singleCoreK` 很大、被切成多个 `baseK` 分片时，同一 base 块要做多轮 `MMAD→（部分结果留在 L0C）`，**Fixpipe 只在最后一次累加完成后才整体搬出**。
+
+- 这里 UnitFlag 的约束就暴露了：**官方明确「使能 UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」**。也就是说，**L0C 上做多分片 K 累加的场景，UnitFlag 用不了**。
+- 此时若 Fixpipe 搬出与后续计算存在串行，**只能靠 L0C DB 做块间掩盖**（一块在累加，另一块的成品在搬出）。
+
+**所以 UnitFlag 的使用边界里明确排除了「L0C K 累加」这一类场景，而这恰恰是多分片大 K 的常见形态 → 这类场景 UnitFlag 无法取代 DB。**
+
+### 2.3 叠加性结论
+
+| 场景 | UnitFlag | L0C DB | 能否叠加 | 主导掩盖 |
+|---|---|---|---|---|
+| K 一次累加，t_mm≥t_fp，能开DB | 块内掩盖 | 块间掩盖 | **收益不叠加**（同一段 Fixpipe） | 任一即可，UnitFlag 更省 L0C |
+| K 一次累加，t_mm<t_fp | 块内掩盖（Cube不停） | 掩盖不足（退化 t_fp） | DB 无效，UnitFlag 主导 | **UnitFlag** |
+| K 一次累加，baseM·baseN>32768 | 块内掩盖 | **开不了** | DB 不可用，UnitFlag 主导 | **UnitFlag** |
+| K 分片累加（大 K） | **不支持**（多次Iterate一次输出） | 块间掩盖 | UnitFlag 不可用，DB 主导 | **L0C DB** |
+
+---
+
+## 3. UnitFlag 能否完全取代 L0C DB？
+
+**不能完全取代。** 结合上面论证与 NPU 架构约束，分三层说清：
+
+### 3.1 从掩盖能力看：UnitFlag 掩盖域 ⊇ DB（在它能用的场景内）
+
+在「K 一次累加、C 输出 GM、Norm/IBShare/MDL 模板」这个 UnitFlag 的合法域内：
+
+- DB 达到 `max(t_mm,t_fp)` 需要**两个前提**（L0C 装得下两份 + t_mm≥t_fp）；
+- UnitFlag 达到 `≈max(t_mm,t_fp)` **几乎无条件**（块内 512B 流水），还省下 L0C 容量（这份容量可用来把 baseM/baseN 做大，减少重复读）。
+
+所以**在 UnitFlag 合法域内，DB 相对它没有独立价值，可以被取代**。你的直觉在这一层是对的。
+
+### 3.2 从合法域看：UnitFlag 有硬约束，DB 是兜底
+
+UnitFlag 的官方约束（缺一不可）：
+
+1. **模板限制**：仅 Norm / IBShare / MDL 三模板；
+2. **流水互斥**：使能后**不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水**；
+3. **累加限制**：使能 + L0C 累加时，**不支持多次 Iterate、一次 GetTensorC 输出**；
+4. **收益前提**：仅当 MMAD 与 Fixpipe 串行且未被 MTE2 等其他流水掩盖时才有收益。
+
+凡是落在这些约束之外的场景（最典型就是 §2.2 的**多分片 K 在 L0C 累加**），UnitFlag 直接不可用，**只能退回到 L0C DB** 做块间掩盖。
+
+### 3.3 从 mat_mul_v3 实际看：默认已开 UnitFlag，DB 是「补位」而非「主选」
+
+- mat_mul_v3 主路径 `MM_CFG_NO_PRELOAD` 已把 enUnitFlag 置真，StreamK 又在回调里显式 `unitFlag=3` → **UnitFlag 是该算子的默认掩盖手段**。
+- dbL0C 的判据 `baseM·baseN ≤ 32768` 与"最优 base=256×256"天然冲突（256×256 开不了 DB）——这说明在 950PR 上，**设计者的倾向就是靠 UnitFlag 做块内掩盖，DB 只在 base 块被迫做小（如矩形 256×128）或落在 UnitFlag 约束之外时补位**。
+
+**最终判断**：UnitFlag 在其合法域内可以取代 L0C DB（且更优），但因「模板/流水互斥/累加」三重硬约束，它**无法覆盖全部场景**；L0C DB 作为不依赖这些约束的块间掩盖手段，是 UnitFlag 失效场景下的必要补充，两者是**主从互补**关系，而非简单的"新替旧"。
+
+---
+
+## 4. 对本项目性能建模与最优方案的直接推论
+
+1. **建模时 Fixpipe 项要分两种掩盖**：在性能模型 `T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE)` 中，`T_FIXPIPE` 的实际暴露量应写成
+   - 开 UnitFlag（合法域内）：`T_FIXPIPE_exposed ≈ tail`（512B 尾开销）→ 基本可以忽略，Fixpipe 通常不构成独立瓶颈；
+   - 不开 UnitFlag（或不可用）：`T_FIXPIPE_exposed = max(0, t_fp - t_mm)`（DB 掩盖后的残余），且仅当 `baseM·baseN ≤ 32768` 时 DB 才生效，否则 `T_FIXPIPE_exposed = t_fp`（全暴露）。
+2. **最优 tiling 的取舍被简化**：既然 UnitFlag 默认开，baseM/baseN 的搜索**不必再为"能否开 L0C DB"让步**，可以更激进地逼近 256×256（重复读最少）。原先"为开 DB 而把 baseN 砍半"的权衡在 UnitFlag 合法域内不成立。这是对 §3.2 `GetRebalanceBlock` 的一处实质修正点。
+3. **StreamK 的 K 分片场景要单独建模**：StreamK/大 K 分片累加命中 UnitFlag 的"多次 Iterate 一次输出"约束，其 Fixpipe 掩盖机制与普通 ASWT 不同，性能模型需为这类 case 单列。
+
+---
+
+## 附录：关键证据索引
+
+| 证据 | 位置 |
+|---|---|
+| GetMDLConfig 签名（第7参=enUnitFlag） | `昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/631_..._GetMDLConfig.md` |
+| enUnitFlag 默认值与约束 | `昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/626_..._MatmulConfig.md` |
+| UnitFlag 512B 细粒度同步定义 | `昇腾NPU知识库/CANN社区版9.2.0-beta.1/01_AscendC算子开发/292_..._开启UnitFlag.md` |
+| MM_CFG_NO_PRELOAD 显式开 enUnitFlag | `ops-nn/matmul/mat_mul_v3/op_kernel/mat_mul_v3_common.h:72` |
+| StreamK 回调显式 unitFlag=3 | `ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_kernel.h:36-37` |
+| StreamK K 分片累加（L0C→workspace→AIV） | `ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_block.h`、`mat_mul_stream_k_kernel.h:188-202` |
+| dbL0C 判据 baseM·baseN≤32768 | `ops-nn/matmul/mat_mul_v3/op_host/op_tiling/arch35/matmul_v3_tiling_helper.cpp:490` |