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/models.py

@@ -133,6 +133,12 @@ class BmmCase:
         # 返回 float 以兼容 fp4 (0.5B)
         return max(dtype_bytes(self.dtype_a), dtype_bytes(self.dtype_b))
 
+    @property
+    def dtype_in(self) -> str:
+        """输入侧"较慢"dtype (元素字节较大者) — Cube/AIV 速率取慢侧 (issue#28)."""
+        return (self.dtype_a if dtype_bytes(self.dtype_a) >= dtype_bytes(self.dtype_b)
+                else self.dtype_b)
+
     @property
     def dtype_out_bytes(self) -> float:
         return dtype_bytes(self.dtype_c)
@@ -261,23 +267,30 @@ class ImplPlan:
 
 @dataclass
 class HardwareTiming:
-    """各硬件流水级时延 (秒) 与数据量明细."""
+    """各硬件流水级时延 (秒) 与数据量明细.
+
+    数据量列口径 (issue#29, 设计文档 docs/05 §4.4):
+      gm_read_bytes / l2_read_bytes / fixpipe_bytes / cube_flops = **整芯片**总量
+      (跨分支可比, GM 首读下限断言: gm_read_bytes >= case.input_bytes);
+      dma_cmd_count = **单核** GM->L1 DMA 命令数 (各核引擎并行, 墙钟 T_cmd =
+      单核命令数 x T_cmd), 与字节列口径不同属.
+    """
 
     # 搬入 (MTE2)
-    gm_read_bytes: float = 0.0     # GM->L1 直读数据量 (不驻留/未命中 L2 的部分)
-    l2_read_bytes: float = 0.0     # L2->L1 数据量 (驻留 L2 后重复读命中部分)
+    gm_read_bytes: float = 0.0     # GM->L1 直读数据量 (整芯片, 首读/落空重读)
+    l2_read_bytes: float = 0.0     # L2->L1 数据量 (整芯片, 驻留 L2 后重复读命中部分)
     t_mte2_gm: float = 0.0         # GM->L1 时延 (按 GM 带宽, 不累加 L2->L1)
     t_mte2_l2: float = 0.0         # L2->L1 时延 (按 L2 带宽)
     t_mte2: float = 0.0            # 搬入合计 = t_mte2_gm + t_mte2_l2 (两者发生在不同数据上)
-    dma_cmd_count: float = 0.0     # GM->L1 DMA 命令次数 (T_cmd 分析用)
-    t_dma_cmd: float = 0.0         # DMA 命令固定开销合计
+    dma_cmd_count: float = 0.0     # 单核 GM->L1 DMA 命令次数 (T_cmd 分析用)
+    t_dma_cmd: float = 0.0         # DMA 命令固定开销合计 (墙钟)
 
     # 计算 (Cube MMAD)
-    cube_flops: float = 0.0        # Cube 实际计算量 (MergeBatch 含冗余)
+    cube_flops: float = 0.0        # Cube 实际计算量 (整芯片, MergeBatch 含冗余)
     t_mmad: float = 0.0
 
     # 搬出 (Fixpipe)
-    fixpipe_bytes: float = 0.0     # 写出数据量 (按 C 矩阵 dtype / StreamK 临时矩阵按 4B)
+    fixpipe_bytes: float = 0.0     # 写出数据量 (整芯片, 按 C 矩阵 dtype / StreamK 临时矩阵按 4B)
     t_fixpipe: float = 0.0
 
     # 归约 (StreamK 专用)