v0.9: MergeBatch b_core=2 drain暴露解释澄清

BMM算子优化分析_Release/BMM算子优化分析_v0.9.md

@@ -140,7 +140,7 @@ $$
 
 1. **batch 关系与每核份额**：无广播才能逐 batch 对应合并；每核至少分到 $2b_0$ 个 batch——$b_0$ 是合并搬移有收益的最小合并数（取 2），2 组起步才能构成合并组间乒乓流水（即 $b_{core} \ge 4$）。
 
-   **为何不允许 $b_{core}=2$**（合并后每核仅 1 个合并 batch）：此时与 IterBatch（$b_{core}=2$，形态 b/d）对比——MergeBatch 合并后 $k_{L1}$ 减半（$L1/((2M{+}2N)\cdot\text{dtype})$ vs $L1/((M{+}N)\cdot\text{dtype})$），K 分块数翻倍；IterBatch 有 2 个 batch，每批 K 分块数不变。两者总 K 分块数相同、每块搬移量相同（均填满 L1），**总搬移时延相同**。访存 Bound 下（条件 5 保证），MergeBatch 的 2× 冗余计算被搬移掩盖，总时延 ≈ IterBatch。但 MergeBatch 引入了 50% 冗余算力——一旦 tile 内 K 段过短导致计算暴露，性能退化。$b_{core} \ge 2b_0$ 确保合并后仍有 ≥2 个合并 batch 做 batch 级乒乓，且 $b_{core}$ 越大 MergeBatch 相对 IterBatch 的 dValue 优势越明显。
+   **为何不允许 $b_{core}=2$**（合并后每核仅 1 个合并 batch）：此时与 IterBatch（$b_{core}=2$，形态 b/d）对比——MergeBatch 合并后 $k_{L1}$ 减半（$L1/((2M{+}2N)\cdot\text{dtype})$ vs $L1/((M{+}N)\cdot\text{dtype})$），K 分块数翻倍；IterBatch 有 2 个 batch，每批 K 分块数不变。两者总 K 分块数相同、每块搬移量相同（均填满 L1），**总搬移时延相同**。访存 Bound 下（条件 5 保证），MergeBatch 的 2× 冗余计算在稳态流水中被搬移掩盖（第 $i$ 块计算与第 $i{+}1$ 块搬移交叠），总时延 ≈ IterBatch。但流水 drain 阶段（最后一个 K 分块无下一块搬移可交叠）计算暴露，MergeBatch 每分块计算量 = 2× IterBatch → drain 暴露也是 2×。K 分块数越少，暴露占比越大（$\sim T_{comp}/(n \cdot T_{load})$）；$b_{core} \ge 2b_0$ 确保合并后仍有 ≥2 个合并 batch 做 batch 级乒乓，且 $b_{core}$ 越大 MergeBatch 相对 IterBatch 的 dValue 优势越明显。
 2. **L0C 容量**：合并 $b_0$ 个 batch 的输出块 $[b_0M, b_0N]$（FP32 累加、双缓冲两份）必须放得下 L0C；连最小合并都放不下，合并无从谈起。
 3. **单核搬移总量**：单核搬移数据总量低于 min_DatamountPerCore 时，GM 带宽利用率上不去（重要性第 2 位的经验约束）。
 4. **搬移 tile 大小**：单 batch 单矩阵的最大连续搬移块须达到 min_TileSize；合并是在此之上进一步放大，不是替代。