diff --git a/BMM/BMM算子优化分析_Release/BMM理论vs源码对比分析_v1.1.md b/BMM/BMM算子优化分析_Release/BMM理论vs源码对比分析_v1.1.md
new file mode 100644
index 0000000..0bc5541
--- /dev/null
+++ b/BMM/BMM算子优化分析_Release/BMM理论vs源码对比分析_v1.1.md
@@ -0,0 +1,370 @@
+# BMM 理论最优 vs 源码实现对比分析
+
+> 基于《BMM 算子优化分析 v0.95》与 `ops-nn/matmul/batch_mat_mul_v3` 源码（DAV_3510）。
+
+---
+
+## 一、分支选择机制对比
+
+### 理论（v0.95）：按切分代价从低到高推导
+
+```
+转Matmul → 特殊分支 → MergeBatch/IterBatch → ASW_Basic → StreamK → 降核ASW
+```
+
+核心逻辑：**按价格从低到高购买并行度**——切 B 免费 → 切 M/N 有重复读代价 → 切 K 有归约代价。每个分支有独立的进入条件（B/M/N/K 闭式表达式），case 落入哪个分支由条件判定。
+
+### 源码：优先级有序匹配
+
+```cpp
+// batch_matmul_v3_tiling_strategy.h, DAV_3510 优先级
+{K_EQUAL_ZERO(0), TO_MUL(1), STREAM_K(2), MERGE_BATCH(3),
+ ITER_BATCH_BROADCAST(4), ITER_BATCH_BASICAPI(5), ITER_BATCH(6),
+ AL1_FULL_LOAD(7), BL1_FULL_LOAD(8), ASW_BASIC(9), BASE(999)}
+```
+
+**优先级从高到低逐个尝试 IsCapable()，第一个返回 true 的分支胜出。**
+
+### 关键差异
+
+| 维度 | 理论 | 源码 |
+|---|---|---|
+| 选择方式 | 各分支独立条件判定 | 优先级有序匹配，first-match |
+| StreamK 位置 | 最后检查（P<C/2 才考虑） | 优先级 3（K=0/K=1 之后立即检查） |
+| 转Matmul | 独立分支（BatchA=1∨BatchB=1） | 无独立分支，由广播/ASW 承接 |
+| 降核 ASW | 独立分支（P<C 且不满足 StreamK） | 无独立分支，ASW_Basic 内部处理 |
+
+**源码优先级顺序的风险**：StreamK 优先级高于 MergeBatch/IterBatch。若一个 case 同时满足 StreamK 和 IterBatch 的条件（B>C 且 K≥8192），源码会先进入 StreamK——但理论上 B>C 时切 B 免费，不应优先切 K。不过 StreamK 的 IsCapable 条件（`batchC×mCnt×nCnt ≤ aicNum/2`）实际上排除了 B>C 的 case，所以优先级顺序在实际中不会造成误判。
+
+---
+
+## 二、逐分支对比
+
+### 2.1 特殊分支（K=0 / K=1）
+
+**理论条件**（v0.95 §九）：
+- K=0：无计算，C = bias 或 0，纯 AIV 写值
+- K=1：退化为逐元素乘，走 AIV 向量通路（GM→UB→Mul→GM）；触发需 B ≥ 2×64 且单 batch 输入输出驻留 UB
+
+**源码实现**：
+
+`BATCH_MATMUL_INPUT_K_EQUAL_ZERO`（优先级 0）：
+```cpp
+// batch_matmul_v3_k_equal_zero_tiling.cpp IsCapable()
+bool IsCapable() {
+    if (aFormat == NZ || bFormat == NZ) return false;  // 不支持 NZ
+    if (hasBias) return false;                          // 不支持 bias
+    if (kValue != 0) return false;                      // K=0
+    return true;
+}
+// DoOpTiling: usedCoreNum = aivNum（用 AIV 核）
+```
+
+`BATCH_MATMUL_TO_MUL`（优先级 1）：K=1 时退化为逐元素乘，用 AIV 核。
+
+**对比结论**：理论与源码一致。源码实现正确——K=0 和 K=1 都用 AIV 通路，不用 Cube。理论中的"B ≥ 2×64"条件在源码中未显式检查，而是通过 UB 容量隐式限制（`ubLimitBatchNum = ubSize / singleBatchSize`）。
+
+**差异**：理论要求"单 batch 输入输出驻留 UB"作为进入条件；源码通过 `batchNum = min(singleCoreBatch, ubLimitBatchNum)` 自动处理 UB 放不下的情况（分批处理），无需在进入条件中排除。**源码更通用，理论更保守。**
+
+---
+
+### 2.2 MergeBatch
+
+**理论条件**（v0.95 §五）：
+1. BatchA = BatchB ∧ b_core = B/C ≥ 2b₀（b₀=2 → b_core ≥ 4）
+2. 2(b₀M)(b₀N)·4B ≤ L0C
+3. b_core(MK+KN)·dtype ≥ min_DatamountPerCore (480KB)
+4. max(MK, KN)·dtype ≥ min_TileSize (16KB)
+5. 2MN/(M+N) < R₁₆/b₀
+
+**源码条件**（`batch_matmul_v3_mergebatch_basicapi_tiling.cpp` IsCapable）：
+```cpp
+bool IsCapable() {
+    if (非连续转置) return false;
+    if (NZ格式) return false;
+    if (hasBias || (FP32 && !HF32)) return false;
+    if (BatchA != BatchB) return false;               // 对应理论条件1
+    if (batchC < MIN_BATCH_L0 * aicNum) return false; // B < 128，即 b_core < 4
+    if (alignK < 64 || M > N) return false;           // K≥64，M≤N
+    // L0 buffer check with b0=MIN_BATCH_L0=4
+    if (al0Size > L0A || bl0Size > L0B ||
+        tempAlignM * tempAlignN * 4B * 2 > L0C) return false;  // 对应理论条件2
+    return true;
+}
+```
+
+**逐条对比**：
+
+| 理论条件 | 源码对应 | 差异分析 |
+|---|---|---|
+| 1. b_core ≥ 2b₀ | batchC ≥ 128（b_core ≥ 4） | 理论 b₀=2 → b_core ≥ 4；源码 MIN_BATCH_L0=4 → batchC ≥ 128 = b_core ≥ 4。**一致**（b₀=2 时 b_core ≥ 4 与源码等价） |
+| 2. L0C 容量 | L0 buffer check | 理论：2(b₀M)(b₀N)·4B ≤ L0C；源码：tempAlignM × tempAlignN × 4B × 2 ≤ L0C。**一致**（tempAlignM = b₀×M 对齐） |
+| 3. 单核搬移量 ≥ 480KB | **无** | 源码缺少此条件——可能导致小数据量 case 进入 MergeBatch 后 GM 带宽利用率不足 |
+| 4. 搬移 tile ≥ 16KB | **无** | 源码缺少此条件——小 tile 时搬移效率无保障 |
+| 5. AI < R₁₆/b₀ | **无** | 源码缺少算存比约束——计算 Bound 的 case 进入 MergeBatch 后冗余计算成为瓶颈 |
+
+**源码额外条件**：alignK ≥ 64（K ≥ 64）和 M ≤ N。理论无此限制。
+
+**Tiling 参数对比**：
+
+| 参数 | 理论 | 源码 |
+|---|---|---|
+| 合并数 b | b = min(L0C上限, R₁₆上限, b_core) | mergeBatchL0 = min(多项式求解, maxBatchL0, batchNumPerCore) |
+| L0 K 粒度 | kL0 = min(L0A/2bM, L0B/2bN) | baseK = min(maxBasek, **64**) |
+| L1 K 粒度 | kL1 ≥ max(kL0, 256B/dtype) | stepKa × baseK，由 L1/4 容量决定 |
+
+**关键差异**：源码 `baseK ≤ 64`（硬编码上限），理论无此限制。64 元素 = 128B BF16 = dValue 下限。这是保守的安全下限。
+
+**MergeBatch vs IterBatch 分界**：
+- 理论：b_core > b₀(T_comp+T_write)/T_cmd（GM→L1 搬移命令节省 vs drain 惩罚）
+- 源码：无显式分界——MergeBatch 优先级高于 IterBatch，先匹配先进
+
+**结论**：源码的 MergeBatch 进入条件**偏宽**——缺少单核搬移量、tile 大小、算存比三条约束。这导致一些本应走 IterBatch 的 case（如单核搬移量不足、计算 Bound）被错误分配到 MergeBatch。建议补充条件 3/4/5。
+
+---
+
+### 2.3 IterBatch
+
+**理论条件**（v0.95 §六）——四种 L1 驻留形态：
+- a) b_core=1 ∧ (MK+KN)·dtype ≤ L1（单 batch 全驻留）
+- b) b_core>1 ∧ 2(MK+KN)·dtype ≤ L1（双 batch 乒乓）
+- c) 一侧驻留 + 对侧切 K（含 b_core≥2 的半预算预取档）
+- d) 两侧都切 K
+
+**源码条件**（`batch_matmul_v3_iterbatch_basicapi_tiling.cpp` IsCapable）：
+```cpp
+bool IsCapable() {
+    if (非连续转置A) return false;
+    if (NZ格式) return false;
+    if (batchBias > 1) return false;
+    if (BatchA != BatchB) return false;
+    if (batchC <= aicNum) return false;  // B ≤ 32 不进 IterBatch
+
+    // L1 双缓冲容量检查（形态 b 等价）
+    if ((alignM*alignK + alignK*alignN)*dtype*2 > L1) return false;
+
+    // L0 能放至少 1 个 batch
+    if (!l0CanLoadBatch_) {
+        // 负载均衡检查：balanceRate ≥ 0.8
+        if (balanceRateOfBatch < 0.8) return false;
+    }
+    return true;
+}
+```
+
+**逐条对比**：
+
+| 理论形态 | 源码对应 | 差异分析 |
+|---|---|---|
+| a) 单 batch 全驻留 | **无独立分支** | 源码不区分 a/b——只要 (MK+KN)×dtype×2 ≤ L1 就进 IterBatch。b_core=1 的 case 被 B>32 条件排除（B≤32 时 batchC≤aicNum，不进 IterBatch） |
+| b) 双 batch 乒乓 | ✓ 直接对应 | 源码的 L1 检查就是形态 b 的条件 |
+| c) 一侧驻留+对侧切 K | **无** | 源码不实现形态 c——当 (MK+KN)×dtype×2 > L1 时直接退出 IterBatch |
+| d) 两侧都切 K | **无** | 源码不实现形态 d |
+
+**关键差异**：
+1. **源码只实现形态 b**，形态 a/c/d 不覆盖。形态 a（b_core=1）被 B>32 排除——这些 case 由 ASW 或 AL1/BL1_FULL_LOAD 承接。形态 c/d（L1 放不下双 batch）的 case 落到 ASW_Basic。
+2. **B ≤ 32 不进 IterBatch**：源码用 `batchC <= aicNum` 排除了 B ≤ C 的 case。理论上 b_core=1 时形态 a/c 仍可行，但源码将这些 case 交给 ASW/AL1/BL1 分支。
+3. **负载均衡**：源码有 `balanceRateOfBatch < 0.8` 检查（对应理论条件 2 的 B mod C ≥ minCoreNum），但实现方式不同——源码用实际最大 batch 数与平均值的比率，理论用尾波核数。
+
+**Tiling 参数对比**：
+
+| 参数 | 理论 | 源码 |
+|---|---|---|
+| iterBatchL1（L1 级 batch 数） | 由 L1 容量决定 | min(L1容量/batch, mmadCount=8, ceil(B/C)) |
+| iterBatchL0（L0 级 batch 数） | 由 L0 容量决定 | min(L0A/L0B/L0C容量, iterBatchL1) |
+| baseM/baseN/baseK | 由 L0 容量和 dValue 决定 | 由 MatMulV3TilingHelper::ResetBase 统一计算 |
+
+**结论**：源码的 IterBatch **只覆盖形态 b**，且要求 B > C。形态 a/c/d 的缺失意味着：
+- B ≤ C 且 L1 放得下的 case（形态 a）由 AL1/BL1_FULL_LOAD 或 ASW 承接——**合理**，因为这些 case 的并行度不足，需要切 M/N
+- L1 放不下双 batch 但放得下单侧驻留的 case（形态 c）落到 ASW——**可能不是最优**，因为 ASW 引入了 M/N 维的核间重复读，而形态 c 可以避免
+
+---
+
+### 2.4 StreamK
+
+**理论条件**（v0.95 §七）：
+1. P = B·MN·4B/L0C ≤ C/2
+2. K/grid_K ≥ 256B/dtype，grid_K = ⌊C/⌈P⌉⌋
+3. K > grid_K²/(grid_K-1)·θ_c，θ_c ≈ 12
+
+**源码条件**（`batch_matmul_v3_basic_streamk_tiling.cpp`）：
+```cpp
+bool IsCapable() {
+    if (deterministicLevel > 1) return false;    // 确定性
+    if (BatchA != BatchB) return false;           // batch 一致
+    if (FP32 && K > 2000000) return false;        // FP32 精度
+
+    // K 阈值：CeilAlign(K,256) ≥ max(8192, aicNum×256B/dtype)
+    if (CeilAlign(K,256) < max(8192, 32×256/2)) return false;
+    // 即 K ≥ 8192（BF16）
+
+    // 并行缺口：batchC × mCnt × nCnt ≤ aicNum/2
+    mCnt = ceil(M/256);  nCnt = ceil(N/256);    // 256B 粒度
+    if (batchC * mCnt * nCnt > aicNum/2) return false;  // B·⌈M/256⌉·⌈N/256⌉ ≤ 16
+    return true;
+}
+```
+
+**逐条对比**：
+
+| 理论条件 | 源码对应 | 差异分析 |
+|---|---|---|
+| 1. P ≤ C/2 | B·⌈M/256⌉·⌈N/256⌉ ≤ C/2 | **粒度不同**：理论用 L0C 满载粒度（M^t·N^t = L0C/4B = 65536 元素），源码用固定 256 元素粒度。**理论粒度更粗**（65536 vs 65536=256²），实际上一致——⌈M/256⌉·⌈N/256⌉ 就是 L0C 满载 tile 的个数 |
+| 2. K/grid_K ≥ 128 元素 | K ≥ 8192（固定阈值） | 源码用固定 8192 = C×256 元素 = dValue 推荐值在最大 grid_K=C 下的保障。**理论更精确**（动态 grid_K），**源码更保守**（固定最大 grid_K） |
+| 3. K > grid_K²/(grid_K-1)·θ_c | **无** | 源码不归约代价建模，直接用固定 K 阈值覆盖。θ_c≈12 时 grid_K=2 只需 K>49，远低于 8192——**源码的条件 3 被条件 2 覆盖，过于保守** |
+| 4. 确定性 ≤ 1 | deterministicLevel > 1 排除 | 一致 |
+
+**关键差异**：
+1. **grid_K 取值**：理论 grid_K = ⌊C/⌈P⌉⌋（动态），源码用固定阈值隐式假设 grid_K = C（最大）。这导致源码的 K 阈值（8192）远大于理论阈值（grid_K=2 时 K>49）。
+2. **StreamK 优先级过高**：源码中 StreamK 优先级（2）高于 MergeBatch（3）和 IterBatch（5）。虽然 StreamK 的 IsCapable 条件实际上排除了 B>C 的 case，但如果 B≤C 且 K≥8192 且 P≤C/2，源码会优先进入 StreamK 而非 ASW_Basic。这在理论上是正确的（P<C/2 时切 K 是唯一剩余的并行维度）。
+
+**结论**：源码的 StreamK 实现**基本合理但过于保守**。固定 K≥8192 阈值排除了大量理论上可走 StreamK 的 case（K 在 49~8192 之间）。建议改为动态计算 grid_K 和 K 阈值。
+
+---
+
+### 2.5 ASW_Basic（重点对比）
+
+**理论条件**（v0.95 §八）：
+1. P = B·MN·4B/L0C ≥ C
+2. 无 batch 结构限制（交叉广播均可）
+3. 兜底：B ≥ C 但 IterBatch/MergeBatch 条件不满足
+
+**源码条件**（`batch_matmul_v3_asw_basic_tiling.cpp` IsCapable）：
+```cpp
+bool IsCapable() {
+    if (A/B 非连续转置不匹配) return false;
+    if (BatchA != BatchB) return false;
+    if (batchBias > 1) return false;
+    if (!FP16/BF16) return false;
+    return true;  // 兜底
+}
+```
+
+进入条件对比与 v1.0 一致——源码兜底定位与理论一致。以下重点对比 **tiling 参数确定和 swizzle/L2 管理**的实现差异。
+
+#### 2.5.1 BaseM / BaseN 确定
+
+| 维度 | 理论（v0.95） | 源码 |
+|---|---|---|
+| 目标 | BaseM × BaseN = L0C/(2×4B) = 32768，**先把 L0C 用满** | baseM=256, baseN=256（硬编码 "256 is better base"） |
+| 长宽比 | 跟随 SingleCoreM/N（进而跟随 M/N） | 由 GetRebalanceBlock 的 cubeBound 模型寻优 |
+| baseK | min(L0A/2·BaseM, L0B/2·BaseN)，仅受 L0 容量约束 | baseK = 128B/dtype（L0A/L0B 最小高效粒度） |
+
+**源码的 cubeBound 模型**（`GetRebalanceBlock`，matmul_v3_tiling_helper.cpp L387-492）：
+- 由三项组成：L2 供数能力 + L2 溢出惩罚 + K 向复用修正
+- 乘以 CUBE_BOUND_RATIO=0.85 余量
+- 枚举 baseM/baseN 递减，以 balanceRate≥0.9 剪枝
+- 尾块感知评分（GetBalanceRateWithTail）
+
+**差异分析**：理论直接取 L0C 满载（32768 元素），源码用 256×256=65536 元素——**源码的 baseM×baseN 是理论上限的 2 倍**。这说明源码的 baseM/baseN 不是 L0C 满载的 tile 尺寸，而是 SingleCoreM/N 级别的参数。源码中 L0 级 tile 的实际尺寸由后续 stepM/stepN 切分决定。
+
+#### 2.5.2 SingleCoreM / SingleCoreN 确定
+
+| 维度 | 理论（v0.95） | 源码 |
+|---|---|---|
+| 约束 | 不受 L0 直接约束，由 GM→L1 效率 + L2 复用决定 | 由 baseM/baseN + stepM/stepN 组合决定 |
+| 并行度 | mCnt × nCnt ≥ ⌈C/B⌉ | GetRebalanceBlock 中 balanceRate ≥ 0.9 |
+| L1 约束 | 2(SM+SN)·kL1·dtype ≤ L1 | CalL1Tiling 中 (aL1+bL1)×2 ≤ L1 |
+
+**关键差异**：理论把 SingleCoreM/N 和 BaseM/N 分为两层（SingleCoreM ≥ BaseM），源码中 baseM=256 实际上已经是 SingleCoreM 级别的参数。源码没有显式的 SingleCoreM/N 概念——per-core tile 尺寸 = baseM × stepM（或 baseN × stepN）。
+
+#### 2.5.3 Swizzle 实现
+
+| 维度 | 理论（v0.95） | 源码 |
+|---|---|---|
+| 窗口大小 | W = max{d : d\|C, d ≤ ⌊√C⌋}，C=32 时 W=4 | mainWindow = GetAswWindowLen()，逻辑相同 |
+| 蛇形 | 窗口间 N 向反向 | `UpdateBasicIndex`：奇数行 n 反向 |
+| 窗内 | 不蛇形（A 行全程驻留 L2，零收益） | 一致 |
+
+**结论**：swizzle 实现与理论一致。
+
+#### 2.5.4 L2 管理
+
+| 维度 | 理论（v0.95） | 源码 |
+|---|---|---|
+| L2 定位 | Cache 非 Buffer，软件可控手段：Cache Hint + CMO + swizzle | `enableL2Cache` flag + `SetL2CacheHint` |
+| 启用条件 | S_in > L2 时启用分组 | isBigSize(>100MB) && cBatchDimAll<usedCoreNum && transConflict≤6 |
+| 分组策略 | 执行组：m_grp × n_grp 块，工作集 ≤ L2 | DoL2CacheAndCalOrderTiling 内部处理 |
+| 冲突控制 | transConflict ≤ 6 | 一致 |
+
+**差异分析**：源码的 L2 管理有两个额外限制：
+1. **size > 100MB 阈值**：小于 100MB 的 case 不启用 L2 cache 管理——理论上 S_in ≤ L2=128MB 时不需要分组，100MB < 128MB 留有余量，合理；
+2. **cBatchDimAll < usedCoreNum**：batch 数小于核数时才启用——因为 B ≥ C 时切 B 已经满核，不需要 M/N 切分（不由 ASW 承接）。
+
+#### 2.5.5 综合评价
+
+| 维度 | 评价 |
+|---|---|
+| BaseM/BaseN 确定 | 源码用硬编码 256×256 + cubeBound 寻优，理论用 L0C 满载——**源码更保守但经实测调优** |
+| SingleCoreM/N | 源码无显式概念，由 baseM×stepM 组合——**理论的分层更清晰** |
+| Swizzle | ✓ 一致 |
+| L2 管理 | 源码有额外的 100MB 和 batch 数阈值——**工程化的保守限制** |
+| 负载均衡 | 源码有 balanceRate ≥ 0.9 + 尾块感知评分——**理论未建模，源码更完善** |
+
+---
+
+### 2.6 ASW L1 全载特化
+
+**理论**（v0.95 §八.5）：单边无 batch 且该侧矩阵小（M ≤ 256、MK·dtype·2 ≤ L1、对侧每核循环 ≥ 4 轮）时小侧整个常驻 L1。
+
+**源码**（`batch_matmul_v3_asw_al1_full_load_basic_tiling.cpp` IsCapable）：
+```cpp
+bool IsCapable() {
+    if (非连续转置) return false;
+    if (!FP16/BF16) return false;
+    if (batchA > 1) return false;          // A 无 batch
+    if (M > 256) return false;             // M ≤ 256
+    if (batchBias > 1) return false;
+    if (A数据量×2 > L1) return false;       // A 放得下 L1/2
+    // B 数据量足够：每核至少 4 轮
+    if (B总数据量 < L1×aicNum && B轮数 < 4×aicNum) return false;
+    return true;
+}
+```
+
+**对比**：理论与源码**高度一致**——M ≤ 256、batchA=1、A 驻留 L1、B 每核 ≥ 4 轮。这是理论和源码最吻合的分支。
+
+---
+
+### 2.7 降核 ASW
+
+**理论**（v0.95 §八.3/6）：P < C 且不满足 StreamK → 只用 ⌈P⌉ 核，其余核闲置。
+
+**源码**：**无独立的降核分支**。ASW_Basic 的 `GetNumBlocks()` 返回 `aicNum`（固定 32 核），不降核。
+
+**差异**：理论上 P < C 时应该降核（只用 ⌈P⌉ 核），但源码始终用全部 32 核。对于 P < C 的 case，部分核分到的输出块为空（idle），但仍参与调度。这可能引入不必要的调度开销。
+
+**建议**：源码应在 ASW_Basic 中加入降核逻辑——当 P < C 时 `usedCoreNum = ⌈P⌉`。
+
+---
+
+## 三、总体结论
+
+### 源码实现评价
+
+| 维度 | 评价 |
+|---|---|
+| 分支覆盖完备性 | ✓ 7 个分支覆盖所有 case，无空洞 |
+| 分支选择正确性 | ⚠️ 优先级有序匹配基本合理，但 StreamK 优先级偏高（实际不影响） |
+| MergeBatch 条件 | ⚠️ 偏宽——缺少搬移量/tile/算存比约束 |
+| IterBatch 形态覆盖 | ⚠️ 只覆盖形态 b，缺少 a/c/d |
+| StreamK K 阈值 | ⚠️ 固定 8192 过于保守 |
+| 降核 ASW | ✗ 未实现 |
+| L1 全载特化 | ✓ 与理论高度一致 |
+| 特殊分支 | ✓ 与理论一致 |
+
+### 理论最优方案评价
+
+理论分析的 7 大分支体系在逻辑上完备（15 种切分组合 → 按代价排序 → 6+1 分支），进入条件全部为 B/M/N/K 闭式表达式。与源码对比后确认：
+
+1. **理论分支体系是最优的候选集**——源码的 10 个 tiling 模板可以映射到理论的 7 大分支上，无遗漏；
+2. **理论条件更精确**——MergeBatch 的 5 条件、StreamK 的 3 条件都比源码更严格/精确；
+3. **理论缺的工程细节**——源码中的负载均衡检查（balanceRate ≥ 0.8）、格式限制（NZ/ND）、bias 限制等在理论中未建模。
+
+### 源码改进建议（按优先级）
+
+1. **MergeBatch 补条件 3/4/5**（搬移量/tile/算存比），避免不应进入的 case 被误捕获；
+2. **IterBatch 补形态 c/d**（一侧驻留/两侧切 K），覆盖 L1 放不下双 batch 的 case；
+3. **StreamK 改动态 grid_K**：grid_K = ⌊C/⌈P⌉⌋，K 阈值随 grid_K 变化而非固定 8192；
+4. **ASW_Basic 加降核逻辑**：P < C 时 usedCoreNum = ⌈P⌉；
+5. **补转Matmul 分支**：BatchA=1 ∨ BatchB=1 时折叠为 Matmul，避免走 BMM 的冗余路径。