From a5a35cae830a0a06b788efc9e4c35bb8b3e1a039 Mon Sep 17 00:00:00 2001
From: admin <zhyaction@foxmail.com>
Date: Fri, 28 Aug 2026 08:14:45 +0000
Subject: [PATCH] =?UTF-8?q?=E4=BF=AE=E6=AD=A3=EF=BC=9A=E8=A1=A5=E5=85=85?=
 =?UTF-8?q?=E5=AE=98=E6=96=B9=E7=BA=A6=E6=9D=9F=E5=87=BA=E5=A4=84=EF=BC=8C?=
 =?UTF-8?q?=E6=BE=84=E6=B8=85=E9=AB=98=E9=98=B6API=E7=BA=A6=E6=9D=9F?=
 =?UTF-8?q?=E4=B8=8E=E5=BA=95=E5=B1=82unitFlag=3D2/3=E6=9C=BA=E5=88=B6?=
 =?UTF-8?q?=E7=9A=84=E4=B8=A4=E5=B1=82=E5=8C=BA=E5=88=AB=EF=BC=8C=E7=BA=A0?=
 =?UTF-8?q?=E6=AD=A3K=E5=88=86=E6=AE=B5=E7=B4=AF=E5=8A=A0=E8=AE=BA?=
 =?UTF-8?q?=E6=96=AD?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 Matmul/UnitFlag能否取代L0C_DoubleBuffer.html | 93 ++++++++++++++------
 1 file changed, 65 insertions(+), 28 deletions(-)

diff --git a/Matmul/UnitFlag能否取代L0C_DoubleBuffer.html b/Matmul/UnitFlag能否取代L0C_DoubleBuffer.html
index 3033796..34f902b 100644
--- a/Matmul/UnitFlag能否取代L0C_DoubleBuffer.html
+++ b/Matmul/UnitFlag能否取代L0C_DoubleBuffer.html
@@ -95,15 +95,16 @@ L0C.A(块n+2):                                   [==== MMAD ====]···
 <li>UnitFlag 达到 <code>≈max(t_mm,t_fp)</code> <strong>几乎无条件</strong>（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）。</li>
 </ul>
 <p>所以<strong>在 UnitFlag 合法域内，DB 相对它没有独立价值，可以被取代</strong>。你的直觉在这一层是对的。</p>
-<h3>3.2 从合法域看：UnitFlag 有硬约束，DB 是兜底</h3>
-<p>UnitFlag 的官方约束（缺一不可）：</p>
+<h3>3.2 从合法域看：UnitFlag 有约束，DB 是兜底</h3>
+</blockquote>
+<p><strong>高阶 API 层官方约束</strong>（出处：昇腾官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》社区版 / 《Matmul 高阶 API 使能 UnitFlag》商用版，&quot;约束条件&quot;一节，逐字摘录）：</p>
 <ol>
-<li><strong>模板限制</strong>：仅 Norm / IBShare / MDL 三模板；</li>
-<li><strong>流水互斥</strong>：使能后<strong>不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水</strong>；</li>
-<li><strong>累加限制</strong>：使能 + L0C 累加时，<strong>不支持多次 Iterate、一次 GetTensorC 输出</strong>；</li>
-<li><strong>收益前提</strong>：仅当 MMAD 与 Fixpipe 串行且未被 MTE2 等其他流水掩盖时才有收益。</li>
+<li><strong>模板限制</strong>：UnitFlag 功能仅支持 <strong>Norm、IBShare、MDL</strong> 三个模板。</li>
+<li><strong>流水互斥</strong>：开启 UnitFlag 功能时，不支持算子内<strong>同时存在 L0C Buffer（CO1）搬出到 Global Memory 和 L1 Buffer（A1）搬出到 Global Memory 的两种流水</strong>。</li>
+<li><strong>累加限制</strong>：开启 UnitFlag 功能时，若同时开启 <strong>L0C 累加</strong> 功能，不支持<strong>多次 Iterate 计算、一次 GetTensorC 输出</strong>。</li>
+<li><strong>收益前提</strong>：仅当 MMAD 流水与 FIXPIPE 流水<strong>串行执行且未被其他流水掩盖</strong>（比如 MTE2 Bound）时，开启 UnitFlag 才有收益；否则收益很小。</li>
 </ol>
-<p>凡是落在这些约束之外的场景（最典型就是 §2.2 的<strong>多分片 K 在 L0C 累加</strong>），UnitFlag 直接不可用，<strong>只能退回到 L0C DB</strong> 做块间掩盖。</p>
+<p>这四条是官方文档明确写出的原文（第 2、3 条在 §3.4 逐条考据）。落在高阶 API 约束之外的场景，UnitFlag 不可用，<strong>只能退回 L0C DB</strong> 做块间掩盖。</p>
 <h3>3.3 从 mat_mul_v3 实际看：默认已开 UnitFlag，DB 是「补位」而非「主选」</h3>
 <ul>
 <li>mat_mul_v3 主路径 <code>MM_CFG_NO_PRELOAD</code> 已把 enUnitFlag 置真，StreamK 又在回调里显式 <code>unitFlag=3</code> → <strong>UnitFlag 是该算子的默认掩盖手段</strong>。</li>
@@ -113,35 +114,52 @@ L0C.A(块n+2):                                   [==== MMAD ====]···
 <hr/>
 <h3>3.4 对官方三条约束的逐条考据（答疑）</h3>
 <p>针对三条容易被误读的官方约束，逐一给出原文出处、准确含义、以及在 mat_mul_v3 / 950PR 上的实际适用性。</p>
-<h4>3.4.1 「UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」——具体是什么约束？</h4>
-<p><strong>官方原文出处</strong>（两处，措辞略异，商用版更完整）：</p>
+<h4>3.4.1 「UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」——具体是什么约束？它与&quot;K 分段累加&quot;是什么关系？</h4>
+<p><strong>官方原文出处</strong>（高阶 API 层，两处）：</p>
 <ul>
 <li>昇腾社区官网 CANN 社区版 → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → <strong>《Matmul 高阶 API 开启 UnitFlag》</strong>，约束条件第 3 条：</li>
 </ul>
 </blockquote>
 <ul>
-<li>昇腾社区官网 CANN 商用版 → 同名章节 <strong>《Matmul 高阶 API 使能 UnitFlag》</strong>，约束条件第 3 条（完整表述）：</li>
+<li>昇腾社区官网 CANN 商用版 → 同名章节 <strong>《Matmul 高阶 API 使能 UnitFlag》</strong>，约束条件第 3 条（表述更完整）：</li>
 </ul>
 </blockquote>
-<p><strong>准确含义拆解</strong>：这条约束针对的是 <strong>「同一个 base 块，K 方向分多片，在 L0C 上驻留并多次累加，最后才一次性 GetTensorC 搬出」</strong> 的编程形态。即：</p>
-<pre><code>// 被禁止的形态：K 在 L0C 内分片累加，最后一次才搬出
-for (kSlice = 0; kSlice &lt; kSliceNum; kSlice++) {   // 多次 Iterate
-    mm.Iterate();          // 每片 K 的部分结果累加进同一块 L0C（L0C 累加）
+<p><strong>这是&quot;高阶 API（Iterate/GetTensorC）&quot;层的约束，不是&quot;基础 API（Mmad/Copy）&quot;层的限制</strong>——这是理解的关键，也是本节要澄清的核心误区。</p>
+<p><strong>它约束的准确形态</strong>：用<strong>高阶 API</strong> 编程时，同一个 base 块如果「<code>mm.Iterate()</code> 多次（K 分片在 L0C 驻留累加）、最后只 <code>mm.GetTensorC()</code> 一次（一次输出）」，且此时打开了 L0C 累加功能，那么高阶 API 内部的 UnitFlag 封装无法正确处理 → 不允许。即：</p>
+<pre><code>// 高阶 API 下被禁止的形态
+for (kSlice = 0; kSlice &lt; kSliceNum; kSlice++) {
+    mm.Iterate();              // 多次 Iterate，部分和在 L0C 驻留累加
 }
-mm.GetTensorC(c);          // 只在最后一次性搬出（一次输出）</code></pre>
-<p><strong>为什么 UnitFlag 与这种形态冲突</strong>：UnitFlag 的硬件机制是「MMAD 每产出 512B 成品，就立即触发 Fixpipe 把这段搬走」。但 L0C 累加形态下，前面若干次 Iterate 的结果是<strong>部分和，还必须留在 L0C 里等后续 K 片继续累加</strong>，不能被搬走。一旦开 UnitFlag，MMAD 算出 512B 就被 Fixpipe 立即搬出，L0C 里就保不住部分和、后续累加无从谈起——两者在&quot;这 512B 到底是驻留还是立即搬走&quot;上直接矛盾，故硬件/API 不允许叠加。</p>
-<p><strong>mat_mul_v3 是否踩这条约束？——不踩（常规路径）</strong>。看 <code>mat_mul_asw_kernel.h:140-141</code>：</p>
+mm.GetTensorC(c);              // 只在最后一次搬出</code></pre>
+<p><strong>但是——底层基础 API（Mmad/Copy 指令）完全支持 K 分段累加，且能做出很好的流水掩盖。</strong> 这是用户指出的关键点，官方《UnitFlag —— Mmad 计算关键特性说明》（基础 API/矩阵计算 Tensor API）有明确机制与实例，逐字核实如下：</p>
+<p><strong>底层机制</strong>：开启 UnitFlag 后，L0C Buffer 按 <strong>512B 内存块</strong>划分，每块配一个「单元标志位」（unit-flag），指示该块可读/可写。<code>Mmad</code>（写）与 <code>Copy</code>/<code>Fixpipe</code>（读）通过 <code>unitFlag</code> 参数控制：</p>
+<table><thead><tr><th>unitFlag 取值</th><th>语义（写=Mmad / 读=Fixpipe）</th></tr></thead><tbody>
+<tr><td><strong>2</strong></td><td>指令执行后<strong>不改变</strong>标志位：写操作写完保持&quot;占用&quot;，让后续 Mmad 还能继续写这块（用于 K 累加的中间片）；读操作读完保持&quot;可读&quot;，让后续 Fixpipe 还能继续读</td></tr>
+<tr><td><strong>3</strong></td><td>指令执行后<strong>翻转</strong>标志位：Mmad 写完置&quot;可读&quot;（放给 Fixpipe 搬）；Fixpipe 读完置&quot;可写&quot;（放还给 Mmad）</td></tr>
+</tbody></table>
+<p><strong>官方 K 分段累加实例</strong>（原文）：A=128×1024、B=1024×128，沿 K 轴迭代，每次迭代 K 长 128，共 8 次 Mmad 对应 1 次 Fixpipe：</p>
+<ul>
+<li><strong>前 7 次 Mmad 设 <code>unitFlag=2</code></strong>：写入后把标志位<strong>始终保持 0</strong>，保证后续 Mmad 能继续写入同一块 L0C Buffer（即在同一块 L0C 上做 K 累加）；</li>
+<li><strong>最后 1 次 Mmad 设 <code>unitFlag=3</code></strong>：写入后把标志位置 1，保证 Fixpipe 可以读取 L0C Buffer；</li>
+<li><strong>Fixpipe 设 <code>unitFlag=3</code></strong>：读取后把标志位置 0，保证后续 Mmad 接口可以顺利写入。</li>
+</ul>
+<p><strong>结论修正</strong>：所以&quot;UnitFlag 支持 K 分段累加、最后一次搬出&quot;在<strong>基础 API 层是成立的、且是官方推荐用法</strong>。用户描述的&quot;以 16×K×16 为粒度，算完一段立即让 Fixpipe 搬出对应 16×16 到 GM、同时开始下一段 16×K×16 计算&quot;的掩盖方式，正是 UnitFlag 在块内流水 + K 分段场景下的正确用法，<strong>确实能有很好的掩盖</strong>。</p>
+<p><strong>它与高阶 API 约束的边界</strong>：高阶 API 的 <code>mm.Iterate()</code> 一次调用内部会完成 <code>singleCoreK</code> 的全部 K 分片流水（L0C 原地累加是 MMAD 固有语义，这一步不受约束影响）；高阶约束禁的只是&quot;<strong>跨多次 <code>Iterate()</code></strong> 且最后才一次 <code>GetTensorC()</code>&quot;这种由用户在<strong>高阶层面</strong>组织的驻留累加。换言之：</p>
+<ul>
+<li><strong>底层 Mmad 级</strong>：<code>unitFlag=2/3</code> 可自由编排 K 分段累加 → 支持；</li>
+<li><strong>高阶 Iterate 级</strong>：<code>Iterate</code> 内部 K 分片（一次 Iterate 完成）→ 支持；<code>Iterate</code> 多次 + 末次 <code>GetTensorC</code> → 不支持。</li>
+</ul>
+<p><strong>mat_mul_v3 是否踩高阶约束？——不踩（常规路径）</strong>。看 <code>mat_mul_asw_kernel.h:140-141</code>：</p>
 <pre><code>mm_.Iterate();
 mm_.GetTensorC(cGlobal_[...], enAtomic || kIndex != 0);   // 每次 Iterate 紧跟一次 GetTensorC</code></pre>
-<p>mat_mul_v3 的普通 ASWT 是 <strong>「一次 Iterate → 一次 GetTensorC」一一配对</strong>（即使在 splitKRound 循环里，也是 Iterate 与 GetTensorC 成对出现，用 <code>enAtomic || kIndex!=0</code> 在 GM 侧做原子加，而非在 L0C 里驻留累加）。它<strong>不是</strong>&quot;多次 Iterate、一次 GetTensorC&quot;，因此常规路径不触碰这条约束，UnitFlag 可用。</p>
-<p><strong>真正会踩这条的场景</strong>：把 split-K 的<strong>核内</strong>部分和放在 L0C 里驻留累加（L0C 累加），或 <code>intraBlockPartSum</code>（两 AIV 结果在 L0C 累加）这类显式 L0C 累加特性。StreamK 之所以要绕道 workspace 由 AIV 累加、而不是在 L0C 里累加，正是为了避开这条。</p>
+<p>mat_mul_v3 的普通 ASWT 是 <strong>「一次 Iterate → 一次 GetTensorC」一一配对</strong>（即便 splitKRound 循环里也是成对出现，用 <code>enAtomic || kIndex!=0</code> 在 GM 侧原子加，而非 L0C 驻留累加）。它不是&quot;多次 Iterate、一次 GetTensorC&quot;，因此常规路径不触碰高阶约束，UnitFlag 可用。真正会触碰的是 <code>intraBlockPartSum</code>（两 AIV 结果在 L0C 累加）这类显式 L0C 驻留累加特性——StreamK 绕道 workspace + AIV 累加正是为了避开它。</p>
 <h4>3.4.2 一次 Iterate 最大支持的 K 是多少？</h4>
-<p><strong>先澄清概念</strong>：官方约束里没有任何一条把 &quot;一次 Iterate 的 K 上限&quot; 与 UnitFlag 挂钩。<strong>UnitFlag 约束的不是 K 的大小，而是&quot;累加形态&quot;</strong>（见上一条）。一次 Iterate 能算多大的 K，由 <strong>L0C 之外的资源（L1/L0A/L0B 容量、stepKa/stepKb 流水深度、baseK）</strong> 决定，与 UnitFlag 无关：</p>
+<p><strong>先澄清概念</strong>：官方约束里没有任何一条把 &quot;一次 Iterate 的 K 上限&quot; 与 UnitFlag 挂钩。<strong>UnitFlag 约束的不是 K 的大小，而是&quot;累加由谁、在哪个层级组织&quot;</strong>（见上一条）。一次 Iterate 能算多大的 K，由 <strong>L0C 之外的资源（L1/L0A/L0B 容量、stepKa/stepKb 流水深度、baseK）</strong> 决定，与 UnitFlag 无关：</p>
 <ul>
-<li>单次 Iterate 的 K 由 <code>singleCoreK</code> 决定，而 <code>singleCoreK</code> 在 L1 内按 <code>stepKa·baseK</code>（A 侧）/ <code>stepKb·baseK</code>（B 侧）分多片流水喂给 Cube，<strong>每片的中间结果在同一 L0C 上原地累加</strong>（这是 MMAD 的固有累加语义，不是&quot;多次 Iterate 一次输出&quot;，也不违反 UnitFlag——因为整个 singleCoreK 是一次 Iterate 内部完成的）。</li>
-<li>换句话说：一次 Iterate 内部，Cube 会在 L0C 上做 <code>singleCoreK/baseK</code> 次累加，这在 UnitFlag 下是允许的；UnitFlag 禁止的是&quot;<strong>跨多次 Iterate</strong> 的累加 + 只在最后一次输出&quot;。</li>
+<li>单次高阶 <code>Iterate()</code> 的 K 由 <code>singleCoreK</code> 决定，<code>singleCoreK</code> 在 L1 内按 <code>stepKa·baseK</code>（A 侧）/ <code>stepKb·baseK</code>（B 侧）分多片流水喂给 Cube，<strong>每片的中间结果在同一 L0C 上原地累加</strong>（MMAD 固有累加语义，属&quot;一次 Iterate 内部&quot;，不违反高阶约束）。</li>
+<li>若单次 <code>Iterate()</code> 装不下整个 K（K 超过 L1/L0 一次能流水的范围），高阶层会拆成多次 <code>Iterate()</code>；此时只要不打开&quot;L0C 驻留累加 + 末次才 GetTensorC&quot;，就不违反约束（mat_mul_v3 用 GM 原子加规避）。</li>
 </ul>
-<p><strong>结论</strong>：<strong>没有&quot;一次 Iterate 最大 K 受 UnitFlag 限制&quot;这回事</strong>。一次 Iterate 的 K 上限由 L1/L0 容量与 stepK 流水决定（例如 950PR 上 <code>maxStepK ≤ 8</code>、<code>baseK ≈ 128B/dtype</code>），UnitFlag 只管&quot;算出的 512B 何时搬出&quot;，不管 K 多大。把这条约束理解成&quot;K 不能超过某值&quot;是误读——它限的是&quot;累加跨几次 Iterate&quot;，不是&quot;K 的绝对大小&quot;。</p>
+<p><strong>结论</strong>：<strong>没有&quot;一次 Iterate 最大 K 受 UnitFlag 限制&quot;这回事</strong>。一次 Iterate 的 K 上限由 L1/L0 容量与 stepK 流水决定（例如 950PR 上 <code>maxStepK ≤ 8</code>、<code>baseK ≈ 128B/dtype</code>），UnitFlag 只管&quot;算出的 512B 何时搬出&quot;，不管 K 多大。把这条约束理解成&quot;K 不能超过某值&quot;是误读——它限的是&quot;累加跨几次 Iterate 的组织方式&quot;，不是&quot;K 的绝对大小&quot;。</p>
 <h4>3.4.3 「不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水」——是什么意思？L1 能直接写回 GM 吗？</h4>
 <p><strong>官方原文出处</strong>：同上两篇《Matmul 高阶 API（使能/开启）UnitFlag》，约束条件第 2 条：</p>
 </blockquote>
@@ -156,10 +174,28 @@ mm_.GetTensorC(cGlobal_[...], enAtomic || kIndex != 0);   // 每次 Iterate 紧
 <table><thead><tr><th>官方约束</th><th>准确含义</th><th>950PR 上是否实质限制 mat_mul_v3</th></tr></thead><tbody>
 <tr><td>仅 Norm/IBShare/MDL 模板</td><td>UnitFlag 只在三个高阶模板下有效</td><td>mat_mul_v3 用 MDL（GetMDLConfig）→ <strong>满足</strong></td></tr>
 <tr><td>不能同时有 CO1→GM 与 A1→GM 两种搬出</td><td>搬出源必须唯一为 L0C</td><td>351x 已删 L1→GM 通路 → <strong>自动满足，无实质限制</strong></td></tr>
-<tr><td>L0C 累加时不支持多次 Iterate 一次输出</td><td>禁止跨 Iterate 的 L0C 驻留累加 + 末次才搬出</td><td>mat_mul_v3 常规路径是 Iterate/GetTensorC 一一配对 → <strong>不触碰，UnitFlag 可用</strong>；仅显式 L0C 累加（核内 split-K 驻留 / intraBlockPartSum）才触碰</td></tr>
+<tr><td>L0C 累加时不支持多次 Iterate 一次输出</td><td>高阶层禁止&quot;跨多次 Iterate 的 L0C 驻留累加 + 末次才搬出&quot;（底层 Mmad 级 unitFlag=2/3 仍支持 K 分段累加）</td><td>mat_mul_v3 常规路径是 Iterate/GetTensorC 一一配对 → <strong>不触碰，UnitFlag 可用</strong>；仅显式 L0C 驻留累加（如 intraBlockPartSum）才触碰</td></tr>
 <tr><td>MTE2 Bound 已掩盖时收益小</td><td>Fixpipe 已被搬运流水掩盖时无需再开</td><td>这是<strong>收益</strong>问题不是<strong>正确性</strong>问题，不影响可用性</td></tr>
 </tbody></table>
-<p><strong>由此可得更精确的判断</strong>：mat_mul_v3 在 950PR 上常规路径（含普通 ASWT、A/B 全载、以及把 K 分片放到 GM workspace 由 AIV 累加的 StreamK）<strong>都满足 UnitFlag 的可用条件且默认已开启</strong>；真正被 UnitFlag 排除的是&quot;<strong>在 L0C 里做跨 Iterate 驻留累加</strong>&quot;这一类形态——而这种形态在 mat_mul_v3 里被刻意用&quot;GM 原子加 / workspace + AIV 累加&quot;规避了。这进一步支撑了 §3.3 的结论：<strong>在 950PR 上 UnitFlag 的合法域覆盖了 mat_mul_v3 的全部主路径，L0C DB 的补位空间被压缩得很小</strong>。</p>
+<p><strong>由此可得更精确的判断</strong>：mat_mul_v3 在 950PR 上常规路径（含普通 ASWT、A/B 全载、以及把 K 分片放到 GM workspace 由 AIV 累加的 StreamK）<strong>都满足 UnitFlag 的可用条件且默认已开启</strong>；高阶 API 真正排除的是&quot;<strong>多次 Iterate + 末次一次 GetTensorC</strong>&quot;的组织方式——而 mat_mul_v3 用&quot;GM 原子加 / workspace + AIV 累加&quot;规避了它。这支撑 §3.3 的结论：<strong>在 950PR 上 UnitFlag 的合法域覆盖了 mat_mul_v3 的全部主路径，L0C DB 的补位空间被压缩得很小</strong>。</p>
+<hr/>
+<h3>3.5 两个层级的澄清：为什么&quot;高阶约束说不能 K 分段一次输出&quot;，而&quot;底层文档却举例 K 分段累加&quot;？</h3>
+<p>这是最容易混淆、也最关键的一点，单独澄清。</p>
+<p><strong>两个层级的对象不同</strong>：</p>
+<table><thead><tr><th>层级</th><th>编程接口</th><th>UnitFlag 的控制量</th><th>对 K 分段累加的支持</th></tr></thead><tbody>
+<tr><td>基础 API（指令级）</td><td><code>Mmad</code> / <code>Copy</code>/<code>Fixpipe</code> 指令</td><td>指令参数 <code>unitFlag = 2/3</code>，逐 512B 块控标志位</td><td><strong>支持</strong>：前 n−1 次 Mmad 设 2（保持占用、续写累加），末次 Mmad 设 3（释放给 Fixpipe），官方明确给出 K 分 8 次迭代的实例</td></tr>
+<tr><td>高阶 API（对象级）</td><td><code>Matmul.Iterate()</code> / <code>GetTensorC()</code></td><td><code>MatmulConfig.enUnitFlag = true</code>，由库内部统一编排</td><td><strong>受限</strong>：<code>Iterate</code> 内部的 K 分片流水（一次 Iterate 完成）支持；但&quot;<strong>多次 Iterate + 末次一次 GetTensorC</strong>&quot;这种高阶层组织的驻留累加不支持</td></tr>
+</tbody></table>
+<p><strong>为什么高阶层反而受限</strong>：高阶 <code>Matmul</code> 对象把&quot;K 分片、L0C 驻留、何时搬出&quot;都封装在 <code>Iterate()/GetTensorC()</code> 内部，UnitFlag 的标志位编排也由库统一管理。当用户用高阶接口做&quot;多次 Iterate 累加 + 一次 GetTensorC&quot;时，库无法在一次 <code>GetTensorC</code> 里反推出前面若干次 Iterate 各自该用什么 unitFlag 时序，于是干脆禁止这种组合。而<strong>基础 API 层把 unitFlag 的控制权直接交给用户</strong>，用户可以自己排&quot;前 n−1 次设 2、末次设 3&quot;，所以能做更灵活的 K 分段累加流水。</p>
+<p><strong>对用户设想的直接回答</strong>：你描述的&quot;以 16×K×16 为粒度，每段算完立即让 Fixpipe 搬出对应 16×16 到 GM、同时开始下一段计算&quot;——<strong>在基础 API 层完全成立，且就是官方推荐用法</strong>（前段 unitFlag=2 保持占用、末段 unitFlag=3 释放）。这种&quot;K 分段 + 边算边搬&quot;能同时做到：① 块内 512B 流水掩盖；② K 分段累加。它比单纯 L0C DB 更省 L0C 容量、掩盖更细。</p>
+<p><strong>但要强调一个前提</strong>：这种灵活编排走的是<strong>基础 API（Mmad/Copy + 手写 unitFlag=2/3）</strong>，不是 mat_mul_v3 用的高阶 <code>Matmul</code> 对象。mat_mul_v3 用高阶 API 换来的是开发效率与正确性保证，代价就是受高阶约束（不能多次 Iterate 一次输出）。如果要做你说的这种极致 K 分段流水，需要下沉到基础 API 层手写 Mmad/Copy 序列——这正是 catlass（类 CUTLASS 模板库）一层在做的事。</p>
+<p><strong>对&quot;UnitFlag 能否完全取代 L0C DB&quot;的最终修正</strong>：</p>
+<ul>
+<li>在 <strong>mat_mul_v3（高阶 API）现状</strong>下：主路径默认开 UnitFlag，K 一次 Iterate 完成，Fixpipe 已被块内 512B 流水掩盖，<strong>L0C DB 价值很小</strong>（且 256×256 时本就开不了 DB）。DB 仅在 base 块被迫做小（256×128 等）时偶发有用。</li>
+<li>在 <strong>基础 API / catlass 层</strong>：UnitFlag 用 unitFlag=2/3 可覆盖 K 分段累加场景，掩盖能力进一步逼近&quot;完全取代 DB&quot;。</li>
+<li><strong>仍不能完全取代的根本原因</strong>：不在&quot;K 能不能分段&quot;（底层能），而在于 <strong>UnitFlag 依赖 L0C 块被&quot;写满即搬&quot;，它服务的是&quot;计算结果要尽快流出 L0C&quot;的场景</strong>；而 L0C DB 的本质是&quot;<strong>用双倍 L0C 容量换时间上的重叠</strong>&quot;，它服务的是&quot;想让 base 块更大、减少重复读&quot;的场景。当 L0C 容量成为 tiling 瓶颈（想把 baseM·baseN 做大但放不下两份）时，UnitFlag（不占额内容量）反而比 DB 更优——这一层上 UnitFlag 甚至优于 DB。只有当场景落到 UnitFlag 高阶约束之外（如必须用多次 Iterate 驻留累加）时，DB 才成为唯一选择。</li>
+</ul>
+<p><strong>一句话总结</strong>：在 950PR + mat_mul_v3 的语境里，<strong>UnitFlag 已经基本取代 L0C DB 作为 Fixpipe 掩盖的主手段</strong>；DB 退化为&quot;高阶 API 约束之外（多次 Iterate 驻留累加）&quot;和&quot;L0C 装得下两份、想换更大 base 块&quot;这两类边角场景的兜底。</p>
 <hr/>
 <h2>4. 对本项目性能建模与最优方案的直接推论</h2>
 <ol>
@@ -176,11 +212,12 @@ mm_.GetTensorC(cGlobal_[...], enAtomic || kIndex != 0);   // 每次 Iterate 紧
 <hr/>
 <h2>附录：关键证据索引</h2>
 <table><thead><tr><th>证据</th><th>位置</th></tr></thead><tbody>
-<tr><td>UnitFlag 三条约束官方原文（在线）</td><td>昇腾社区官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》（社区版）/ 《Matmul 高阶 API 使能 UnitFlag》（商用版）。社区版直达链接：见任务输入所给 UnitFlag.md 页面</td></tr>
-<tr><td>UnitFlag 三条约束官方原文（本地）</td><td><code>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</code>（第19/21行）、<code>昇腾NPU知识库/CANN商用版9.0.0/01_AscendC算子开发/203_..._使能UnitFlag.md</code>（第21/23行，表述最完整）</td></tr>
+<tr><td>高阶 API UnitFlag 约束（在线）</td><td>昇腾社区官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》（社区版）/《Matmul 高阶 API 使能 UnitFlag》（商用版）&quot;约束条件&quot;一节</td></tr>
+<tr><td>高阶 API UnitFlag 约束（本地）</td><td><code>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</code>（第15-21行）、<code>昇腾NPU知识库/CANN商用版9.0.0/01_AscendC算子开发/203_..._使能UnitFlag.md</code>（第17/21/23行，表述最完整）</td></tr>
+<tr><td><strong>基础 API UnitFlag 机制（unitFlag=2/3、K 分段累加实例，在线）</strong></td><td>昇腾社区官网 → CANN → API 参考 → Ascend C API → SIMD API → 基础 API → 矩阵计算（Tensor API）→ Mmad 计算关键特性说明 → <strong>《UnitFlag》</strong>（用户所给链接：hiascend.com/.../Mmad计算关键特性说明/UnitFlag.md）</td></tr>
+<tr><td>基础 API UnitFlag 机制（本地缓存）</td><td><code>昇腾NPU/.tmp/unitflag_raw2.txt</code>（已抓取的页面正文，含 128×1024 八次迭代实例原文）</td></tr>
 <tr><td>GetMDLConfig 签名（第7参=enUnitFlag）</td><td><code>昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/631_..._GetMDLConfig.md</code></td></tr>
 <tr><td>enUnitFlag 默认值与约束</td><td><code>昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/626_..._MatmulConfig.md</code></td></tr>
-<tr><td>UnitFlag 512B 细粒度同步定义</td><td><code>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</code></td></tr>
 <tr><td>351x 删除 L1→GM / GM→L0 直达通路</td><td><code>昇腾NPU知识库/00_硬件/昇腾950_NPU架构白皮书.txt</code>（CV融合/数据通路章节）；同仓 <code>昇腾950PR/昇腾950PR架构解读.md</code> §5.1</td></tr>
 <tr><td>MM_CFG_NO_PRELOAD 显式开 enUnitFlag</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/mat_mul_v3_common.h:72</code></td></tr>
 <tr><td>普通 ASWT Iterate/GetTensorC 一一配对</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_asw_kernel.h:140-141</code></td></tr>