Fix #27-#30: dtype感知算力(Cube/AIV速率表) / GM首读下限与整芯片字节列口径+设计文档 / Fixpipe输出落点R4(整case驻留L2否则直写GM) / MergeBatch Cube公式复核注释

- docs/05_L2驻留GM读写与dtype算力口径_设计分析.md: R1-R6公理、S_A/S_B/S_C场景、输出落点R4、dtype速率表(白皮书出处+待标定假设)、逐分支GM/L2归属表 (issue#29/#30 先文档后代码)
- hardware: CUBE_DTYPE_FACTOR(f16/bf16=1, fp8=2x, fp4=4x, fp32=1/2假设) + AIV_DTYPE_FACTOR + q_cube/aiv_elem_rate (issue#28)
- 全分支 t_mmad/t_comp/drain/尾轮主导项/θ_c/R16 语义按输入dtype取算力; 混精度取慢侧; StreamK归约保持fp32(AIV fp32部分和)
- Fixpipe输出落点R4: to_l2 <=> V_in+V_out(+workspace)<=L2; 否则直写GM计入共享总线; ASW场景改S_A整case全驻留(原单batch驻留判定漏计整case输出累积逐出)
- 字节列统一整芯片口径(gm/l2/fix/cube_flops), dma_cmd_count注明单核; GM>=V_in不变量入测试; MergeBatch每步flops=2(b0M)(b0N)K公式注释显式化(#27复核与CSV一致无数值改动)
- tests 39->49 全过; 双压力seed7/6000+seed2024/4000: 0违规/0占位/0NaN/0GM<输入; examples三件套重生成且可复现0diff

BMM/BMM_Theory/bmm_theory/hardware/ascend950pr.py

@@ -4,12 +4,36 @@
 换芯片时逻辑结构不变, 只需新增一份同结构参数表.
 
 单位约定: 算力 FLOP/s, 带宽 Byte/s, 容量 Byte, 时延 秒.
+
+dtype 感知算力 (issue#28, 设计文档 docs/05 §2):
+  Cube 算力按输入 dtype 分档, 基准 = BF16 (fp16 同速); 白皮书: FP8/MXFP8/HiF8
+  提供 2x FP16 张量 TFLOPS, MXFP4 提供 4x FP16; FP32/TF32 同代比值为假设值
+  (按 DaVinci 惯例 = 1/2, 白皮书未给同代比值), int8 假设同 FP8, 均待实测标定.
+  AIV 逐元素通量按 lane 位宽等比假设 (16bit x2 / 8bit x4 / 4bit x8, 待标定).
 """
 
 from __future__ import annotations
 
 from dataclasses import dataclass
 
+# Cube 精度因子 (相对 BF16/FP16 基准档; A/B 不一致时取较慢一侧 = min 因子)
+CUBE_DTYPE_FACTOR = {
+    "fp32": 0.5, "f32": 0.5, "tf32": 0.5,   # 假设 = 1/2, 待实测标定
+    "fp16": 1.0, "f16": 1.0, "bf16": 1.0,
+    "fp8": 2.0, "fp8_e4m3": 2.0, "fp8_e5m2": 2.0, "int8": 2.0,  # 白皮书 FP8=2xFP16; int8 假设同 FP8
+    "fp4": 4.0, "fp4_e2m1": 4.0,             # 白皮书 MXFP4=4xFP16; 普通 fp4 假设同 MXFP4
+}
+
+# AIV 逐元素通量因子 (相对 fp32 128 lane/拍/核; 位宽等比假设, 待实测标定)
+AIV_DTYPE_FACTOR = {
+    "fp32": 1.0, "f32": 1.0, "tf32": 1.0,
+    "fp16": 2.0, "f16": 2.0, "bf16": 2.0,
+    "fp8": 4.0, "fp8_e4m3": 4.0, "fp8_e5m2": 4.0, "int8": 4.0,
+    "fp4": 8.0, "fp4_e2m1": 8.0,
+}
+
+_RATE_FALLBACK = 1.0  # 未知 dtype 按基准档 (models.dtype_bytes 已先行校验, 正常不会到达)
+
 
 @dataclass(frozen=True)
 class NpuSpec:
@@ -55,13 +79,50 @@ class NpuSpec:
     # ---- 派生量 (属性) ----
     @property
     def q16(self) -> float:
-        """单核 Cube BF16 峰值算力 (FLOP/s)."""
+        """单核 Cube BF16/FP16 峰值算力 (FLOP/s) = 15.1875T."""
         return self.cube_peak_tflops * 1e12 / self.aic_num
 
+    @staticmethod
+    def _dtype_key(dtype) -> str:
+        return str(dtype).strip().lower()
+
+    def cube_factor(self, dtype_a, dtype_b=None) -> float:
+        """按输入 dtype 取 Cube 精度因子 (issue#28).
+
+        A/B 不一致时取**较慢一侧** (因子较小者, 等价字节较大者);
+        Cube 乘法两侧的实际吞吐受较慢精度限制.
+        """
+        keys = [self._dtype_key(dtype_a)]
+        if dtype_b is not None:
+            keys.append(self._dtype_key(dtype_b))
+        factors = [CUBE_DTYPE_FACTOR.get(k, _RATE_FALLBACK) for k in keys]
+        return min(factors)
+
+    def q_cube(self, dtype_a, dtype_b=None) -> float:
+        """单核 Cube 峰值算力 (FLOP/s), 按输入 dtype 分档 (issue#28)."""
+        return self.q16 * self.cube_factor(dtype_a, dtype_b)
+
+    def aiv_elem_factor(self, dtype) -> float:
+        """按 dtype 取 AIV 逐元素通量因子 (相对 fp32 基准)."""
+        return AIV_DTYPE_FACTOR.get(self._dtype_key(dtype), _RATE_FALLBACK)
+
+    @property
+    def aiv_elem_rate_fp32(self) -> float:
+        """AIV fp32 逐元素吞吐 (元素/s), 64 核合计."""
+        return self.aiv_num * self.aiv_fp32_per_cycle * self.aiv_freq_ghz * 1e9
+
+    def aiv_elem_rate(self, dtype) -> float:
+        """AIV 逐元素吞吐 (元素/s, 64 核合计), 按 dtype 分档 (issue#28)."""
+        return self.aiv_elem_rate_fp32 * self.aiv_elem_factor(dtype)
+
     @property
     def q_aiv(self) -> float:
-        """AIV 向量求和吞吐 (元素/s), 64 核合计."""
-        return self.aiv_num * self.aiv_fp32_per_cycle * self.aiv_freq_ghz * 1e9
+        """AIV fp32 逐元素吞吐 (元素/s, 64 核合计) = aiv_elem_rate_fp32.
+
+        注意: 该值只适用于 fp32 数据 (如 StreamK 对 fp32 部分和求和);
+        逐元素运算按输入 dtype 用 aiv_elem_rate(dtype) (issue#28).
+        """
+        return self.aiv_elem_rate_fp32
 
     @property
     def bw_pc(self) -> float:
@@ -75,7 +136,11 @@ class NpuSpec:
 
     @property
     def r16(self) -> float:
-        """16bit 位宽平衡点算存比 R_16 = Cube峰值 / (GM带宽/2B) ≈ 607.5 FLOP/元素."""
+        """16bit 位宽平衡点算存比 R_16 = Cube峰值 / (GM带宽/2B) ≈ 607.5 FLOP/元素.
+
+        按 issue#28 速率表该比值对全 dtype 不变 (Cube 因子与元素字节数互成反比),
+        故入口条件沿用单一 R_16.
+        """
         return self.cube_peak_tflops * 1e12 / (self.bw_gm / 2)
 
     @property