++昇腾 BatchMatMulV3 算子 | 目标芯片 950PR（DAV_3510，32 AIC / 1.65GHz） +上游文档：《BMM分块计算数学公式》（分块计算"是什么"） · 下游文档：《BMM最优软件实现方案设计》第六章（四大分支"怎么用"） +本文定位：补上中间缺失的一层——为什么从"分块计算 + 最优实现"出发，恰好推导出 MergeBatch / IterBatch / ASW_Basic / StreamK 这四大分支，不多也不少。
+
《BMM分块计算数学公式》告诉我们：BMM 的 4 重循环 $(b, m, n, k)$ 可以按硬件容量做嵌套分块，并用 swizzle 函数 $\sigma$ 重排块到核的映射。《BMM最优软件实现方案设计》第六章直接给出了四大分支。但中间有一跳没有论证：
+++分块参数 $(B^t, M^t, N^t, K^t)$、核间切分方式、swizzle 函数 $\sigma$ 有无穷多种取法。凭什么最优实现的搜索空间恰好收敛到 4 个分支？
+
本文的推导链条如下，每一节对应链条上的一环：
+分块计算公式（自由度）
+ → 硬件强加的两条不变式（规则）
+ → 四个维度核间切分的代价表（代价不对称）
+ → "最优"的三个必要条件（目标函数展开）
+ → 决策树：按代价从低到高购买并行度（推导）
+ → 15 种切分组合坍缩为 4 个等价类（完备性 + 极小性证明）
+ → 与分块公式的参数特化对应（闭环）
+分块计算把 BMM 重组为两层结构（记号同《BMM分块计算数学公式》）：
+核间：$\tilde{B} \times \tilde{M} \times \tilde{N}$ 个基本块，经 swizzle $\sigma$ 映射到 $C$ 个核：
+$$ +(\beta, \mu, \nu) = \sigma^{-1}\big((c + rC) \bmod \tilde{B}\tilde{M}\tilde{N}\big), \qquad c \in [0, C) +$$
+核内：K 循环在 L0C 上原地累加，经 L1/L0 两级缓冲流水：
+$$ +C_{(\beta,\mu,\nu)}^{\text{L0C}} = \sum_{\kappa=0}^{\tilde{K}-1} \mathrm{mmad}\big(A[\beta,\mu,\kappa],\; B[\beta,\kappa,\nu]\big) +$$
+这个数学结构里，自由决策只有三类：
+| 自由度 | +数学对象 | +物理含义 | +
|---|---|---|
| F1：核间切分 | +$\tilde B, \tilde M, \tilde N$ 如何对 $C$ 分解；$\kappa$ 是否跨核 | +哪些维度的块被分到不同核上 | +
| F2：核内组织 | +$B^t, M^t, N^t, K^t$ 及 L1/L0 驻留深度 $d_A, d_B$ | +单核内如何折叠/驻留/流水 | +
| F3：执行顺序 | +swizzle 函数 $\sigma$ | +时间上相邻的块在空间上的排布（L2 复用） | +
"四大分支"问题，本质上就是 F1 和 F2 的选择问题（F3 是每个分支内部的二级优化）。所以推导的主线是：F1 有哪些本质上不同的选择，各自的代价是什么。
+分块公式里有句话写得轻描淡写，却是整个分支体系的根：
+++"K 循环 ($\kappa$) 在 L0C 上累加，不写回 GM。"
+
把它和输出写回方式放在一起，就是硬件强加给所有实现的两条不变式：
+不变式 I1（L0C 累加不变式）：一个输出块 $C_{(\beta,\mu,\nu)}$ 的 $\tilde K$ 轮 mmad 结果驻留在 L0C（256KB，FP32）上原地累加，中间不产生任何 GM/L2 流量。
+$$ +C_{(\beta,\mu,\nu)} = \sum_{c \in \text{group}} C_{(\beta,\mu,\nu)}^{(c)} \quad \text{（部分和经 workspace 归约）} +$$
+不变式 I2（输出专属不变式）：若输出块 $C_{(\beta,\mu,\nu)}$ 由一个核独占负责，则该核只写出最终结果，无核间同步；反之（切 K）则引入核间依赖与归约流量。
+两条不变式合起来给出本文最重要的结构性事实：
+++K 维和其他三维在核间切分中的地位根本不对等：切 B/M/N 保持 I1、I2，切 K 同时打破 I1、I2。这就是为什么"是否切 K"天然是分支的第一分界线，StreamK 必然自成一支。
+
对 F1，核间切分的本质选择是"4 个维度中切哪些"。逐维度分析切分代价（依据：batch 语义、数据通路、GM/L2 带宽差）：
+不同 batch 的 $A[b], B[b], C[b]$ 在内存中天然不相交。因此：
+代价 = 0。但并行度上限 = $B$，且单核分到的计算是**单个 batch 的 $[M,K]\times[K,N]$**——Cube 效率完全由单 batch 的 $M, N$ 决定（第 4 节会看到这是 MergeBatch 与 IterBatch 分家的原因）。
+切 M：同一 batch 的右矩阵 $B[b,:,:]$（大小 $K \times N$）被负责不同 M 行块的所有核**重复读取**；切 N 对称（左矩阵 $M \times K$ 被重复读）。
+代价 = 共享矩阵的重复读取，受 L2 容量约束，属于有上限的低代价。
+代价 = 归约流量 + 核间同步，是随 grid_K 线性增长的结构性代价，L2 吸收不掉。
+$$ +\boxed{\;\text{cost}(\text{切}B) = 0 \;<\; \text{cost}(\text{切}M) \approx \text{cost}(\text{切}N) \;\ll\; \text{cost}(\text{切}K)\;} +$$
+这个排序不是经验，是三条硬件事实的推论：① batch 维在数学上独立（BMM 语义）；② L0C 累加机制（I1）使切 K 产生独一份的归约开销；③ L2（5.2TB/s / 128MB）恰好能把 M/N 共享读取的代价吸收掉大半。整条决策树就是按这个代价排序"从便宜到贵"地购买并行度。
+最优实现的判据是 $T_{total} = \max(T_{MMAD}, T_{MTE2}, T_{MTE1}, T_{FIXPIPE} [, T_{REDUCE}])$ 最小。逐项拆开，$\min\max$ 等价于三个必要条件：
+R1 核占满（并行度条件）。$T_{MMAD}$ 与活跃核数成反比；GM 带宽也要求 ≥ 3/4 核（24 核）并发才能达到 90%+ 利用率。设不切 K 时的独立输出块数
+$$ +P \;=\; B \times \Big\lceil \tfrac{M}{16} \Big\rceil \times \Big\lceil \tfrac{N}{16} \Big\rceil +$$
+（16 是 mmad 的 fractal 粒度，即输出块的最小可分单元）。$P \ge C = 32$ 是满核的必要条件；$P < 32$ 时必然有核闲置，闲置部分纯浪费。
+R2 搬运最快（复用条件）。MTE2 有效带宽由 L2 命中率决定：
+$$ +BW_{MTE2} \approx (1 - h) \times 1.6 + h \times 5.2 \ \text{TB/s} +$$
+baseM = baseN = 256 时达成 Cube Bound 需要 $BW_{MTE2} \ge 2.64$ TB/s，即 $h \gtrsim 28.9%$。GM 流量必须最小化（每份数据 GM 只读一次），重复读取尽量落在 L2/L1。
+R3 Cube 喂饱（效率条件）。单核每次 mmad 序列的 tile 要足够大：L0C 利用率
+$$ +U = \frac{M^t \times N^t \times 4\text{B}}{256\text{KB}} = \frac{M^t N^t}{65536} +$$
+越接近 1，Cube 空转越少；$M^t, N^t$ 需 16 对齐，且 MTE1 不拖后腿要求 baseM, baseN ≥ 80 左右。
+分支推导 = 在 R1/R2/R3 约束下，按 §3 的代价排序购买并行度与 Cube 效率。 下面逐分支看它们各自是哪一组约束矛盾的"最优解"。
+此时任何额外的切分都只会引入代价而无收益，最优解就是"每核分若干 batch，核内逐个 batch 做完整 Matmul"。这正是分块公式中 $B^t = 1$、batch 作为核间最外层维度的特化。
+判据：$B \ge C$ 且 $M N \gtrsim 128^2$（L0C 利用率 ≥ 25% 量级）。
+矛盾在 R3。唯一的解法：把"折叠维度"用在 batch 上——核内把 $b$ 个 batch 的 A 沿 M 拼接、B 沿 N 拼接，等效大矩阵 $[bM, K] \times [K, bN] \to [bM, bN]$，L0C 利用率从 $MN/65536$ 提升到 $b^2MN/65536$（受 L0C 约束 $b^2MN \le 65536$，如 $M{=}N{=}64$ 时 $b \le 4$），最后用 BlockTrace 取 $b$ 个对角线 $M \times N 块作为有效输出。
+代价是交叉项算力浪费 $(b-1)/b$。为什么这个代价值得付？因为小 $M, N$ 意味着算术强度低：
+$$ +AI = \frac{b M N K \cdot 2}{(b M K + K b N + b^2 M N)\,\text{dtype}} < 270 \ \text{FLOP/B} \;\Rightarrow\; \text{访存 Bound} +$$
+单核分摊的 GM 带宽约 50GB/s，Cube 要满转需要 AI ≈ 270 FLOP/B；小 $M,N$ 的 case 远低于此，瓶颈本来就在搬运，Cube 浪费的拍数被 MTE2 时延掩盖——浪费是免费的。这就是"为什么是 MergeBatch"的定量理由：它不是牺牲算力换效率，而是在算力本就用不完时回收闲置。
+判据：$B \ge 2C$（每核至少 2 batch）且 $MN < 128^2$ 且 $AI < 270$。
+矛盾是"R1 缺并行、只能靠低代价维度补"。最优解是一个通用框架：允许切 B/M/N 的任意组合（不切 K），核间切分维度与 swizzle 由 shape 决定——切 B 优先（零共享），B 不够切 M 或 N（共享一侧矩阵，L2 吸收），再不够混合切。这就是 ASW_Basic：它不是一个具体切法，而是"所有不切 K、含 M/N 共享切法"的总框架，$\sigma$ 取 ASW 滑窗蛇形。
+判据：$P \ge C$ 且不满足情形一/二（B 不够，或 M/N 大到不需要折叠 batch）。
+++与 IterBatch 的竞争边界：$B \ge 32$ 且 $M \times N$ 中等时两者都可行。分野在 L2：IterBatch 每核做完整 $M \times N \times K$，若单 batch 工作集 $MK + KN$ 超 L2 则 M/N 外循环反复挤兑 L2；ASW 切 M 时右矩阵 $KN \le 128$MB 可驻留 L2 供 32 核共享。谁的工作集能驻留 L2，谁优——这是时延模型比较，不是硬阈值（见 §7）。
+
$$ +T_{MMAD/\text{core}} \gg T_{REDUCE} \;\Longleftrightarrow\; K \;\gtrsim\; \text{grid}_K^2 \times 1690 +$$
+（推导：要求计算时延 ≥ 10× 归约时延，代入 8192 FLOP/拍、1.65GHz、GM 1.6TB/s）时，切 K 净收益为正。K 越大，可承担的 grid_K 越大；K 不够大时，减少 grid_K（配合切 B/M/N，即 grid_K × grid_B × grid_M × grid_N ≤ 32 的组合）来降低归约组大小。
+矛盾是"便宜维度用尽仍缺并行"。最优解是付归约代价买 K 维并行，且归约组能小则小。这就是 StreamK——分块公式中 $\tilde K$ 跨核拆分、部分和经 workspace 归约的特化。
+判据：$P < C$（或 P 虽够但核内 M/N 范围被压得太碎）且存在 grid_K 使 $K/\text{grid}_K \ge 256$ 且满足上式。
+R1 缺并行？────────────────────────────────────────────
+ │ 不缺 │ 缺
+ ▼ ▼
+R3 缺 Cube 效率？ 便宜维度(B/M/N)用尽？
+ │ 不缺 │ 缺 │ 用尽
+ ▼ ▼ ▼
+B 够切？ MergeBatch StreamK（切K，付归约代价）
+ │B≥C │B<C （折叠batch
+ ▼ ▼ 换Cube效率，
+Iter ASW_Basic 浪费被访存Bound掩盖）
+Batch （切M/N共享，
+ L2+swizzle吸收代价）
+四大分支各自是唯一最优解的"矛盾区域"互不相同：IterBatch 解"零代价并行已够"的区域，MergeBatch 解"并行够但 Cube 饿"的区域，ASW_Basic 解"并行缺、低代价维度可补"的区域，StreamK 解"便宜维度用尽"的区域。区域不同，最优响应不同——这就是四个分支的存在性证明。
+核间切分的所有可能 = 四维 {B, M, N, K} 的非空子集，共 $2^4 - 1 = 15$ 种（《方案设计》§6.1 已枚举 C1~C15）。关键观察：一个切分组合的代价结构只由两个布尔特征决定——
+| 含 K？ | +含 M/N？ | +组合 | +代价结构 | +归入分支 | +
|---|---|---|---|---|
| 是 | +任意 | +C4, C7, C9, C10, C12~C15（8 个） | +必有归约；grid_K×grid_B×grid_M×grid_N 只是参数差异 | +StreamK | +
| 否 | +是 | +C2, C3, C5, C6, C8, C11（6 个） | +必有共享读取；切哪几维只是 grid 参数 | +ASW_Basic | +
| 否 | +否（纯 {B}） | +C1（1 个） | +零共享零归约 | +核内只有两种组织方式，见下 | +
纯 {B} 的核内组织方式只有两种——把多个 batch 合并成一个大 tile 算（MergeBatch），或逐个 batch 算（IterBatch）——不存在第三种（要么利用 batch 间的 tile 级合并，要么不利用）。于是：
+$$ +15 \;\xrightarrow{\text{按 (含K, 含M/N) 归并}}\; 1 + 1 + 2 \;=\; \boxed{4} +$$
+任何合法 case 的任意切法都落在这 4 个等价类之一 ⇒ 完备。
+++与源码对照：arch35 源码有 10 个策略，为什么这里只有 4 个？因为源码策略 = 4 个切分等价类 × 两个正交维度的笛卡尔积：① 计算通路（Cube vs AIV：K=0 的 K_EQUAL_ZERO、K=1 的 TO_MUL 是 K 退化时的通路切换，发生在切分决策之前，属于预处理层）；② 驻留策略（AL1/BL1_FULL_LOAD 是 ASW_Basic 内部 $M^t = M$ / $N^t = N$ 的 tiling 极限，ITER_BATCH_BROADCAST 是 IterBatch 在广播输入下的数据复用特化）。它们是分支内部的参数特化，不构成新的切分等价类。源码尾部还有 BASE=999 无条件兜底，也印证"特判 ⊂ 通用"的层级结构。
+
去掉任何一个分支，都存在 case 失去最优实现：
+| 分支 | +独占最优的示例 case（BF16） | +替代方案的劣势 | +
|---|---|---|
| IterBatch | +B=32, M=N=K=4096 | +ASW 切 M/N 引入无谓共享读取；MergeBatch 引入无谓浪费 | +
| MergeBatch | +B=64, M=N=64, K=256 | +IterBatch 的 L0C 利用率仅 6.25%，Cube 闲置 ~94% | +
| ASW_Basic | +B=2, M=N=8192, K=1024 | +切 B 仅 2 核活跃；StreamK 付无谓归约 | +
| StreamK | +B=1, M=N=64, K=65536 | +不切 K 只用 16/32 核（P=16），时延差数量级（文档 Case 3：19.5ms → 0.61μs/核量级） | +
⇒ 四者互为不可替代，构成极小完备集。
+上面的判据给出的是分支的"主场"，但相邻分支的边界不是硬切换。重叠区域（如 B ≥ 32 且 M×N 中等时 IterBatch 与 ASW 切 B 等效；M×N 在 64²~128² 之间时 MergeBatch 与 IterBatch 互有胜负）必须由统一点评仲裁：
+$$ +\text{branch}^* = \arg\min_{\text{cand} \in \bigcup \text{4 分支候选}} \max\big(T_{MMAD}, T_{MTE2}, T_{MTE1}, T_{FIXPIPE}, T_{REDUCE}\big) +$$
+这就是《方案设计》§6.7 决策算法"全分支生成候选 → 时延模型评估 → 取 min"的合理性来源：分支体系保证候选集完备且无冗余（每个等价类只派一个代表框架），时延模型在等价类内部和边界上做精细仲裁。 两层结构缺一不可——只有时延模型没有分支体系，搜索空间是 15 种组合 × 全部 grid，爆炸且重复；只有分支体系没有时延模型，边界 case 会被错误硬切。
+最后把推导结果写回分块公式的语言，验证链条闭合（对应《BMM分块计算数学公式》第六章，但现在每行都有了"理由"）：
+| 分支 | +分块参数特化 | +推导出处 | +
|---|---|---|
| IterBatch | +$B^t = 1$；$\tilde B \ge C$；batch 为核间最外层；核内标准 K 累加 | +§5.1：零代价并行够 + Cube 饱 | +
| MergeBatch | +$B^t = b > 1$ 折叠进 $M^t_{eff} = bM^t, N^t_{eff} = bN^t$；L0C 二次方程求最优 $b$；BlockTrace 取对角 | +§5.2：Cube 饿 → 折叠 batch 换 $U \uparrow$，浪费被访存 Bound 掩盖 | +
| ASW_Basic | +通用 $(\beta, \mu, \nu)$ 展开；$\sigma$ = ASW 滑窗蛇形（$W \le \lfloor\sqrt C\rfloor$ 的最大因子） | §5.3：低代价维度补并行，$\sigma$ 压缩 L2 足迹 | ++ |
| StreamK | +$\tilde K$ 跨核拆分，$C_{(\beta,\mu,\nu)} = \sum_c C^{(c)}$ 部分和归约；grid_K×grid_B×grid_M×grid_N ≤ C | +§5.4：便宜维度用尽，付归约代价买 K 维并行 | +
++分块计算给出自由度（4 维怎么切），硬件给出规则（L0C 累加使切 K 独贵、batch 独立使切 B 免费、L2 使切 M/N 廉价），最优目标给出约束（核要满、Cube 要饱、搬运要省）。按"最便宜的维度优先购买并行度、Cube 不够大就折叠 batch、便宜维度用尽才切 K"的原则展开，15 种切分组合在 (含K, 含M/N) 两个代价特征下恰好坍缩为 4 个等价类——这就是 MergeBatch / IterBatch / ASW_Basic / StreamK 四大分支，完备且极小；边界区域由端到端时延模型统一仲裁。
+
文档版本：v1.0 | 上游：《BMM分块计算数学公式》v1.1+ | 下游：《BMM最优软件实现方案设计》v4.0 第六章
+ +++版本：v1.0 | 目标芯片：DV100（与昇腾 950PR / DAV_3510 同档：32 AIC / 64 AIV，GM 1.6TB/s，L2 128MB / 5.2TB/s） +本文目标：任意 shape/dtype/layout 的 BMM case，都能系统地推导出其在 NPU 上的最优软件实现方案（端到端总时延最短），并论证分支体系的完备性与极小性。 +阅读主线：第 1 章定义问题 → 第 2 章定义"最优" → 第 3 章推导分支划分 → 第 4 章逐分支给出进入条件与实现方案 → 第 5 章决策流程 → 第 6 章完备性审视（漏洞检查）。
+
Batch Matmul（BMM）完成带 batch 维的矩阵乘计算：对 batch 维的每个索引独立执行一次矩阵乘，再加可选偏置：
+$$ +C[b, m, n] = \sum_{k=0}^{K-1} A[b, m, k] \cdot B[b, k, n] + bias[b, 1, n] +$$
+即 C = A @ B + bias。A、B 输入维度典型为 3 维（支持最多 4 级 batch 维 $b = b_0 b_1 b_2 b_3$ 展平），最后两维做矩阵乘。
| 参数 | +形状 | +数据类型 | +layout | +说明 | +
|---|---|---|---|---|
| 左矩阵 A | +[BatchA, M, K] |
+dtype（FP16/BF16/FP8/…） | +典型 ND | +可带转置标记（isATrans） | +
| 右矩阵 B | +[BatchB, K, N] |
+dtype | +典型 ND | +可带转置标记（isBTrans），推理场景可为 weightNz | +
| 偏置 bias | +[B, 1, N] |
+dtype | +固定 ND | +可为空 | +
| 输出 C | +[BatchC, M, N] |
+dtype（可随路量化） | +典型 ND | +BatchC = broadcast(BatchA, BatchB) | +
广播语义：batch 维兼容广播——每一级 batch 维上，两侧取值要么相等、要么为 1；输出该维取两者的最大值。注意两类广播的形态差异：
+BatchA = 1 或 BatchB = 1（一侧整体只有 1 个 batch）；BatchA = (6,1)、BatchB = (1,6)，则 BatchC = (6,6) 共 36 个输出 batch。这类 case 不属于单边广播，后面第 3、6 章会看到它只能落入通用分支。一个 BMM case 的实现方式完全由以下特征量决定：
+$$ +(\; B,\; M,\; N,\; K,\; \text{dtype},\; \text{layout/转置},\; \text{广播形态} \;) +$$
+其中 $B$ = BatchC（展平后的输出 batch 数）。后续全部分析就是回答：给定这组特征量，最优实现是什么。
+NPU 上 BMM 的执行是核内多级硬件流水的并行——Cube 计算（MMAD）、GM/L2→L1 搬移（MTE2）、L1→L0 搬移（MTE1）、L0C 写出（Fixpipe），多核并行时各流水级时延可被双缓冲（double buffer）等机制相互掩盖，最终：
+$$ +\boxed{\;T_{total} = \max\big(T_{MMAD},\; T_{MTE2},\; T_{MTE1},\; T_{Fixpipe}\;[,\;T_{Reduce}]\big)\;} +$$
+算子优化的关键就是对瓶颈流水级的优化。 由此直接得出一个重要的设计自由度——瓶颈交换：
+++当 MTE2（搬移）是瓶颈、MMAD（计算）不是瓶颈时，可以牺牲一定 MMAD 时延（例如冗余计算）换取 MTE2 性能提升；反之，当 MMAD 是瓶颈时，可以牺牲一定 MTE2 时延（例如重复搬移）换取计算效率提升。只要瓶颈级时延下降，总时延就下降。
+
后文会看到：MergeBatch 就是"牺牲算力换搬移效率"的典型，ASW_Basic 切 M/N 就是"牺牲搬移（重复读）换并行度"的典型——它们的存在正当性都来自这个 max 模型。
+| 规格项 | +数值 | +对设计的意义 | +
|---|---|---|
| AIC / AIV 核数 | +32 / 64（1:2） | +核间并行度上限 $C = 32$；StreamK 归约可用 AIV | +
| Cube 算力 FP16/BF16 | +≈486 TFLOPS（单核 ≈ 16×16×16 MAC/拍） | +算存比分子 | +
| GM 带宽 | +1.6 TB/s（读写共享总线） | +访存 Bound 的分母；读+写互相挤占 | +
| L2 Cache | +128MB，5.2 TB/s（读写各独享） | +重复读取的吸收层；Cube 输出写 L2 即算完成 | +
| L1 / L0A / L0B / L0C | +512KB / 64KB / 64KB / 256KB（每 AIC） | +核内分块的容量约束；L0C 按 FP32 累加计 | +
| UB | +512KB（每 AIV） | +向量通路/归约 | +
GM→L1 搬移效率（ND2NZ）达到 90%+ 带宽利用率的四条经验约束（DV100 实测，重要性递减）：
+min_DatamountPerCore）；min_TileSize）；++这些常数（480KB、16KB、256B/512B，以及后文的 $b_{thr}=4$、$k_{thr}$=32B/dtype、$minCoreNum \approx 0.8 \times 32$）都是该档芯片的实测经验值；换芯片时本文的所有逻辑结构不变，只需替换常数表。
+
约定：以"元素"为访存单位（1 元素 = dtype 字节），算存比单位为 FLOP/元素。
+$$ +AI = \frac{2MNK}{(MK + KN)} = \frac{2MN}{M + N} \quad [\text{FLOP/元素}] +$$
+$$ +AI_{full} = \frac{2MNK}{MK + KN + MN} \quad [\text{FLOP/元素}] +$$
+$$ +R = \frac{\text{Cube 峰值算力}}{\text{GM 带宽} / \text{dtype 字节}} = \frac{486 \times 2}{1.6} \approx 607.5 \quad [\text{FLOP/元素，BF16/FP16}] +$$
+判定规则：$AI < R$ → 访存 Bound（瓶颈在 MTE2，优化重心是搬移效率与复用）；$AI > R$ → 计算 Bound（瓶颈在 MMAD，优化重心是 Cube 利用率与流水掩盖）。注意一个有用的事实：低位宽 dtype（FP8、MXFP4）算力同倍数翻倍而元素字节同倍数减半，$R$ 近似不变，因此该平衡点对该芯片各低位宽 dtype 通用。
+大白话：矩阵乘就像搬砖盖楼——Cube 是起重机（算力），GM 带宽是供货卡车（带宽）。算存比就是"每块砖要盖多少平米"。每块砖盖的平米数低于起重机的额定配比时，楼永远盖不快，问题出在供货而不在起重机——这时候优化要围绕"怎么少堵车、怎么一次多运点"，而不是换更大的起重机。
+本章是全文逻辑主线：从分块计算的本质出发，不靠经验罗列，推导出五大分支的划分。
+BMM 在 NPU 上实现的本质是：把参与计算的数据分块（tile），由 32 个 AIC 核并行 + 串行地完成这些分块的计算，再组合成最终结果：
+$$ +C[B, M, N] = \sum_{\kappa} A[B, M, K_\kappa] @ B[B, K_\kappa, N] +$$
+分块有 4 个维度：B、M、N、K。核间怎么分这 4 个维度，就是分支划分的第一性问题（核内分块是第二性问题，属于各分支内部的 tiling）。
+从"读入 / 计算 / 写出"三个视角考察每个维度的核间切分特征（这是后续一切推导的基石）：
+| 切分维度 | +读入特征 | +计算特征 | +写出特征 | +
|---|---|---|---|
| 切 B | +每个数据块只被固定的 1 个核读取，核间零重复读 | +每个输出块由 1 个核独立完成，无核间依赖 | +只写最终结果，无中间结果 | +
| 切 M / 切 N | +切 M 则同一右矩阵块被多核重复读；切 N 则同一左矩阵块被多核重复读 | +每个输出块由 1 个核独立完成，无核间依赖 | +只写最终结果，无中间结果 | +
| 切 K | +每个数据块只被固定的 1 个核读取，零重复读 | +每个输出块由多核共同完成，存在核间依赖 | +有中间结果写出，需核间 Reduce 归约 | +
为什么特征差异这么大？两条硬件层面的根本原因：
+cmatrixInitVal=false），中间结果不出核。一旦把 K 切到核间，单核的 L0C 装不下"别的核算的 K 段"，部分和必须写出到 GM/L2 workspace，再由 AIV 归约——切 K 是唯一同时破坏"累加不出核"和"输出独占"两条性质的切法。4 个维度的任意非空子集都可作为一种核间切分方案，共 $2^4 - 1 = 15$ 种：
+$$ +\{B\},\{M\},\{N\},\{K\},\{B,M\},\{B,K\},\{B,N\},\{M,K\},\{M,N\},\{K,N\},\{B,M,K\},\{B,M,N\},\{B,K,N\},\{M,K,N\},\{B,M,K,N\} +$$
+任何实现方案必属于其中一种 ⇒ 这 15 种是完备的。按 §3.2 的特征分组：
+| 组 | +组合 | +共同特征 | +优化重心 | +
|---|---|---|---|
| 纯 B | +{B} | +零重复读，读写数据量固定 | +访存 Bound：搬移效率高；计算 Bound：计算效率高 | +
| 含 M/N 不含 K | +{M},{N},{M,N},{B,M},{B,N},{B,M,N} | +可能有重复读 | +访存 Bound：重复读尽量少 + 搬移效率高；计算 Bound：计算效率高 | +
| 含 K | +{K},{B,K},{M,K},{K,N},{B,M,K},{B,K,N},{M,K,N},{B,M,K,N} | +有中间结果写出 + 归约 | +计算效率高，且归约引入的额外 MTE2/Fixpipe 时延不能成为新瓶颈 | +
15 种组合的代价结构只由两个布尔特征决定——是否含 K、是否含 M/N。三个维度的"核间切分价格"严格排序：
+$$ +\text{cost}(\text{切}B) = 0 \;<\; \text{cost}(\text{切}M/N) \;\ll\; \text{cost}(\text{切}K) +$$
+"价格表"不是经验，是 BMM 语义 + L0C 累加机制 + L2/GM 带宽结构三条事实的推论。 整条分支决策树就是一句话：按价格从低到高购买并行度，买不够才加价。
+第 0 层：问题归约（能降维就不在 BMM 本体里解决）。
+BatchA = 1 或 BatchB = 1，BMM 可通过维度折叠转化为普通 Matmul，直接复用 Matmul 的成熟优化体系（tiling、L2 切分、全载），不必在 BMM 框架内重新发明轮子 → 分支一：转Matmul；第 1 层：归约不掉的 case（BatchA = BatchB = B > 1，K ≥ 2），必须在 BMM 框架内组织 4 维分块。先买免费的 B 维。
+第 2 层：免费的 B 买不满 32 核，加价买廉价的 M/N。
+第 3 层：廉价维度也买不满，才买昂贵的 K。
+case (B, M, N, K, dtype, layout, 广播形态)
+ │
+ ▼
+[0] K=0? → AIV 清零；K=1? → AIV 逐元素乘 ← 前置通路层（正交于切分）
+ │ K ≥ 2
+ ▼
+[1] BatchA=1 或 BatchB=1? ──是──→ 转Matmul（问题归约，复用 Matmul 体系）
+ │ 否（BatchA=BatchB=B>1，或交叉广播）
+ ▼
+[2] 并行度账本：P = B·⌈M/16⌉·⌈N/16⌉ 与 C=32 比较
+ │
+ ├─ B ≥ 32（切 B 可满核）─────────────────────────┐
+ │ M×N 大，Cube 饱 → IterBatch │
+ │ M×N 小，Cube 饿，且访存 Bound → MergeBatch │
+ │ │
+ ├─ B < 32 且 P ≥ 32 → ASW_Basic（切 M/N 补并行， │
+ │ 共享读取由 L2+swizzle 吸收） │
+ │ │
+ └─ P < 32（B/M/N 用尽仍缺并行，K 大）→ StreamK │
+ （切 K 买并行，付归约代价）◀──────────────────┘
+完备性。对归约不掉的 case，15 种组合按"（是否含 K，是否含 M/N）"坍缩：
+$1 + 1 + 2 = 4$，加上第 0 层的归约分支（转Matmul）= 5。任何合法 case 必落其一，无空洞。
+极小性。每个分支都有它"唯一最优"的 shape 区域，去掉任何一个都会有 case 失去最优实现：
+| 分支 | +独占最优的代表 case（BF16） | +替代方案为何更差 | +
|---|---|---|
| 转Matmul | +BatchB=1, B=128, M=N=K=2048 | +免费折叠后 Matmul 体系的 L2 切分/全载直接可用；BMM 分支内重做一遍无收益 | +
| IterBatch | +B=32, M=N=K=4096 | +ASW 切 M/N 引入无谓共享读；MergeBatch 引入无谓冗余算力 | +
| MergeBatch | +B=128, M=32, N=128, K=64 | +IterBatch 的 L0C 利用率仅 ~1.6%，Cube 空转，搬移 tile 碎（<16KB）带宽利用率崩 | +
| ASW_Basic | +B=2, M=N=8192, K=1024 | +切 B 仅 2 核干活；StreamK 付无谓归约 | +
| StreamK | +B=1, M=N=64, K=65536 | +不切 K 时 P=16 < 32，近半核闲置，时延差数量级 | +
⇒ 五大分支构成极小完备集。
+++把 BMM 想成给 32 个工人分一批"矩阵乘订单"：
++
+- 能整单外包的就别自己干：一侧只有一个 batch，问题其实就是一次普通矩阵乘，直接交给成熟的 Matmul 产线（转Matmul）；
+- 按订单分（切 B）最省心：每人几单，互不干扰（零重复搬料、零协调）。订单多时，单大就一单接一单干（IterBatch）；单太小时一人同时干几单、拼成大活干，虽然多做了点无用功，反正瓶颈在等料不在干活（MergeBatch）；
+- 订单不够分，就按行/列拆单（切 M/N）：大家会重复领同一份料，但料放在近处仓库（L2），多跑几趟近仓库很便宜（ASW_Basic）；
+- 行/列也不够拆，只好沿深度 K 拆：几个人合做同一块输出，各算一段再汇总——汇总是要额外开会的（Reduce），所以只在实在分不满、且 K 足够长时才这么干（StreamK）。
+
++每节按统一结构展开：做什么（定义）→ 什么时候进（进入条件逐条 + 每条的理由）→ 怎么做（实现方案与参数求解）→ 与源码对照（批判性）。
+
在切分决策之前先做计算通路判断：
+C = A ⊙ B，无累加深度，Cube 的 16×16×16 粒度浪费 15/16，走 AIV 向量通路（GM→UB→Mul→GM）远优于 Cube 通路。这一层与"切分维度"正交：五大分支管理的都是 Cube 通路上的 case（K ≥ 2）。K 极小（如 K < 16，不足一个 fractal）时同理应优先考虑向量通路或尾部补齐。
+做什么：当 BatchA = 1 或 BatchB = 1 时，把 batch 维折叠进矩阵维度，转化为普通 Matmul，计算完成后按需恢复 batch 维。
为什么这么做：单边 batch=1 的 BMM 与普通 Matmul 在数学上只差一个维度标签。Matmul 的优化体系（L2 切分、AL1/BL1 全载、swizzle）比 BMM 各分支在"单样本"情形下更成熟——站在巨人肩膀上，不重复造轮子。BMM 本体只研究相对 Matmul 有差异化的 case（双侧 batch > 1）。
+折叠规则与代价（关键的不对称性）：
+| 情形 | +折叠方式 | +是否免费 | +
|---|---|---|
BatchB = 1 |
+左矩阵 [B, M, K] 的 batch 维与 M 维在 ND 布局下内存相邻，直接视图为 [B·M, K]；输出 [B·M, N] 与 [B, M, N] 的内存布局逐元素一致 |
+完全免费：零输入重排、零输出 split | +
BatchA = 1 |
+需将右矩阵 [B, K, N] 折叠为 [K, B·N] |
+有代价：B 的 batch 维与 N 维在内存中不相邻（中间隔 K），折叠等价于一次 [B,K,N]→[K,B,N] 的转置重排（O(B·K·N) 读写），且输出 [M, B·N] 与目标 [B, M, N] 之间存在置换，需要随路 scatter |
+
++这一不对称性是对"直接折叠"设想的必要修正（详见 6.2）。
+BatchB = 1无脑走转Matmul；BatchA = 1需比较"重排一次 B + Matmul 收益"与"广播友好的 IterBatch/ASW_Basic（A 驻留 L2/L1 天然共享，不重排任何数据）"——大 case 重排代价被摊薄，走转Matmul；小 case 直接走 BMM 分支。源码中的MergeBatchAndMAxis()只做了 batchB=1 方向的折叠，与"该方向免费"的判断互为印证。
进入条件：BatchA = 1 || BatchB = 1。其中 BatchB = 1 恒进；BatchA = 1 时按上述代价比较决定（决策规则见第 5 章）。
BatchA = BatchB = 1：纯 Matmul，是转Matmul 的特例。
+核间按 B 分核（每核负责 $b_{core}$ 个 batch），核间无同步无通信。核内将多个 batch 合并计算：
+$$ +[b, M, K] @ [b, K, N] \;\Rightarrow\; [bM, K] @ [K, bN] = [bM, bN] \;\xrightarrow{\text{BlockTrace}}\; [b, M, N] +$$
+其中 BlockTrace 指以 $[M, N]$ 的 block 粒度取结果矩阵的块对角线作为各 batch 的有效输出：$C[i, m, n] = R[iM + m,; iN + n]$。交叉项（第 i 个 batch 的 A 乘第 j≠i 个 batch 的 B）被算出但丢弃——这就是"算力浪费"，浪费比例 $(b-1)/b$。
+为什么允许浪费：进入该分支的 case 必然是访存 Bound（条件三保证），瓶颈在 MTE2 不在 MMAD，浪费的算力被搬移时延掩盖（§2.1 瓶颈交换）——用本来闲置的 Cube 算力，换 tile 变大后的搬移效率与 Cube 利用率。
+设计原则四条：① 硬件时延可流水掩盖（double buffer 乒乓）；② 满足容量约束（每次计算 L1/L0A/L0B/L0C 放得下）；③ GM→L1 搬移高效（§2.2 四条经验约束）；④ 算力有浪费但计算不能成为瓶颈。
+形式化后，进入 MergeBatch 需同时满足：
+条件 1（batch 够分且够合并）：BatchA = BatchB（无广播）且
$$ +b_{core} = B / aicNum \ge b_{thr} +$$
+$b_{thr}$ 是"多 batch 合并搬移能拿到效率收益"的最小合并数——$b$ 太小时合并的搬移收益抵不过实现复杂度，不如 IterBatch 且完全不浪费算力（功耗）。DV100 实测经验值 $b_{thr} = 4$。
+条件 2（合并数 b 的上下界）：设核内单次 Cube 计算合并 $b$ 个 batch（$b \le b_{core}$），要求 $b \ge b_{thr}$ 且 $b$ 由以下约束共同封顶：
+$$ +AI(b) < R \;\Longleftrightarrow\; b < b_{AI} = \frac{R \cdot (M + N)}{2MN} +$$
+$$ +2 \cdot (bM)(bN) \cdot 4\text{B} \le 256\text{KB} \;\Rightarrow\; b \le b_{L0C} +$$
+++乒乓取舍：若 $b_{core}$ 小于"不乒乓时 L0C 允许的合并数上限"，说明 batch 余量不足，只能不乒乓（牺牲流水掩盖换合并数）；否则乒乓。形式上 $b_{max} = \min(b_{AI}, b_{L0C}^{(\text{是否乒乓})}, b_{core})$。
+
条件 3（访存 Bound 性质）：
+$$ +\frac{2MN}{M + N} < \frac{R}{b} +$$
+即 case 固有算存比显著低于平衡点（低一个合并倍数 $b$ 的量级）——这是"浪费可被掩盖"的定量保证，也是条件 2 中 $b_{AI} > b$ 的另一写法。
+条件 4（K 向搬移效率）：L1 级 K 切分 $k_{L1} = K / StepK$（StepK 为正整数），要求 $k_{L1} \ge k_{thr}$，DV100 下 $k_{thr} = 32\text{B}/\text{dtype}$（BF16 即 16 元素）。理由：$k_{L1}$ 决定 ND2NZ 的 dValue，过碎则搬移指令效率崩（§2.2 第 4 条）。
+条件 5（L1 驻留与 tile 效率）：L1 级 batch 驻留数
+$$ +b_{L1} = \frac{L1_{size}}{(M k_{L1} + k_{L1} N) \cdot \text{dtype}}, \qquad b_{L1} > b +$$
+（L1 驻留的 batch 组必须大于单次计算的合并数，否则合并无从谈起），且搬移 tile 大小满足效率：左矩阵非转置时 $\max(b_{L1} M k_{L1} \cdot \text{dtype},; k_{L1} N \cdot \text{dtype}) > min_TileSize$（16KB）；左矩阵转置时相应调整。
+条件 6（单核搬移总量）：
+$$ +b_{core} \cdot (M k_{L1} + k_{L1} N) \cdot \text{dtype} \ge min\_DatamountPerCore = 480\text{KB} +$$
+对应 §2.2 第 2 条：单核搬移数据总量不足时带宽利用率上限被压低。
+条件汇总逻辑：条件 1 定资格（batch 够多），条件 2/3 定上限（别算出瓶颈、别撑爆 L0），条件 4/5/6 定下限（搬移效率不能崩）。上限与下限之间必须有交集，交集为空则该 case 与 MergeBatch 无缘。
+进入分支后，$b$ 与 baseK 的具体取值有一个重要性质：在访存 Bound 前提下，$b < b_{AI}$ 时 b 的取值不影响性能，baseK 只需满足分形约束（16 倍数）也不影响算存比——因为瓶颈是搬移，算力余量内怎么切都一样。据此：
+case：B=128, M=32, K=64, N=128, BF16，32 核。
+结论：该 case 在"单核搬移总量"一项上不达标——这正是 MergeBatch 条件体系的用处：它提前告诉你瓶颈不在算力而在搬移效率，此 case 应尝试合并更多 K/提高 $b_{core}$ 数据量，或由时延模型与 IterBatch/ASW_Basic 比较后定夺。
+核间：32 核，每核 b_core 个 batch
+核内（每核）：
+ for k_l1 in range(0, K, kL1): # L1 级 K 切分
+ MTE2: A[bL1组, M, k_l1:k_l1+kL1]、B[bL1组, k_l1:k_l1+kL1, N] → L1（乒乓）
+ for b_start in range(0, bL1, b): # 按合并数 b 分组
+ for k_l0 in range(0, kL1, kL0): # L0 级 K 切分
+ MTE1: A[bM, kL0] → L0A；B[kL0, bN] → L0B
+ Cube: [bM, kL0] @ [kL0, bN] → L0C 累加
+ Fixpipe: BlockTrace 取 b 个 [M, N] 对角块 → L2/GM
+源码 batch_matmul_v3_mergebatch_basicapi_tiling.cpp 的 IsCapable 条件：各级 batchA_i == batchB_i、batchC ≥ 4 × aicNum、alignK ≥ 64、M ≤ N、无 bias、非 NZ、拒绝非连续转置等。对照分析：
batchC ≥ 4 × aicNum 与草稿 $b_{core} \ge b_{thr} = 4$ 一致（每核至少 4 batch）——合理；alignK ≥ 64 比草稿 $k_{thr}$=32B/dtype（BF16 为 16 元素）保守 4 倍——源码更粗，可能误杀 K∈[16,64) 的可获益 case；M ≤ N 是实现便利性约束而非原理约束——M > N 的镜像 case 在原理上同样可合并（交换合并方向），源码直接放弃，属于覆盖缺口；核间按 B 分核（每核 1 个或多个 batch），核间无同步无通信；核内逐个 batch 分别执行标准 Matmul 分块（L1→L0A/L0B→Cube→L0C→Fixpipe）并输出。无算力浪费、无跨 batch 依赖——是"切 B"最朴素的形态。
+满足以下任一：
+类 1（计算 Bound 型）：
+$$ +AI_{full} = \frac{2MKN}{MK + KN + MN} \ge R \quad \text{且} \quad BatchA = BatchB,\; b_{core} = B / aicNum \in \mathbb{Z}^+ +$$
+理由：连输出写出都计入仍是计算 Bound，则瓶颈恒在 Cube——只要负载均衡（$b_{core}$ 整除，各核同量），逐 batch 计算就是满算力实现，无需任何花哨。
+类 2（输出驻留 L2 的均衡型）：
+$$ +\frac{2MN}{M+N} \ge R_{读GM} \;\;\text{且}\;\; 2K \ge R_{写L2} \;\;\text{且}\;\; MN \cdot \text{dtype} \le L2_{size} \;\;\text{且}\;\; BatchA = BatchB,\; b_{core} \in \mathbb{Z}^+ +$$
+理由：读侧访存不弱（$AI \ge R_{读GM}$）；单 batch 输出 $MN \cdot \text{dtype} \le 128$MB 可驻留 L2——Cube 输出写 L2 即算完成，写 GM 的流量被省掉；$2K$ 是"每写出一个元素对应的计算量"，$2K \ge R_{写L2}$ 保证写 L2 的 5.2TB/s 也不是瓶颈。三个条件合起来 = 读、算、写三条路都不堵。
+类 3（访存 Bound 型）：$\dfrac{2MN}{M+N} < R$ 且同时满足：
+B mod aicNum > minCoreNum 会误杀整除 case（余数 0 恰恰是完全均衡），判据应以均衡比为准、余数规则为其近似；核间：32 核分 batch（尽量整除，尾波核数 ≥ minCoreNum）
+核内（每核）：
+ for batch in 本核的 b_core 个 batch: # 逐个 batch
+ for m_tile / n_tile（核内标准 tiling）:
+ for k_tile in range(0, K, baseK):
+ MTE2 预取下一 k_tile → L1（双缓冲）
+ MTE1: L1 → L0A/L0B
+ Cube: mmad → L0C 原地累加 # K 循环不出核
+ Fixpipe: L0C → L2（写 L2 即完成，GM 回写可异步）
+当 B、M、N 三个维度切到最碎仍填不满 32 核时，把 K 维切到核间：多核各算一段 K 的部分和，再归约：
+$$ +C_{(\beta,\mu,\nu)} = \sum_{c \in group} C^{(c)}_{(\beta,\mu,\nu)} \quad \text{（部分和写 workspace，AIV 归约或原子加）} +$$
+条件 1（并行缺口存在）：不切 K 时的独立输出块数
+$$ +P = B \times \lceil M / 16 \rceil \times \lceil N / 16 \rceil < C = 32 +$$
+（源码实现取更保守的 $B \cdot mCnt \cdot nCnt \le aicNum/2$，并附加 ND-only、无交叉广播、确定性等级 ≤ 1（原子加顺序不定）等工程限制）。注意**严格的 StreamK 不要求核间完全不切 B/M/N**——它是一般框架 `grid_K × grid_B × grid_M × grid_N ≤ C`，纯切 K 只是 grid_B=grid_M=grid_N=1 的特例；当 B/M/N 能提供部分并行度时，应该用组合 grid 把归约组 $grid_K$ 压到最小（grid_K 小一档，K 的门槛降一档平方级）。
+条件 2（归约代价可接受）：每核计算时延须远大于归约时延（安全系数 α = 10）：
+$$ +T_{MMAD/core} \ge \alpha \cdot T_{Reduce} +\;\Longleftrightarrow\; +\frac{K}{grid_K} \;\gtrsim\; grid_K \times 1690 +$$
+即 $K \gtrsim grid_K^2 \times 1690$：grid_K=2 → K ≥ 6.8K；grid_K=4 → K ≥ 27K；grid_K=8 → K ≥ 108K；grid_K=32 → K ≥ 1.7M（仅极端 case）。同时 $K / grid_K \ge 256$（单核 K 段过碎则 tiling 效率崩）。grid_K 越大对 K 的要求越苛刻——StreamK 内部的 grid 搜索自然淘汰归约过重的配置。
+StreamK 从不"硬切换"进入：当不切 K 的分支候选已足够快（如已 Cube Bound），StreamK 候选的归约开销使其自然落败；只有当 B/M/N 并行度不足导致大量核闲置时，StreamK 才以数量级优势胜出（例：B=1、M=N=64、K=65536 时，不切 K 仅 16 核可用，StreamK 32 核满负荷）。
+不切 K，允许切 B/M/N 的任意组合——它是"不含 K 且含共享读取"的 6 种切分组合（{M},{N},{M,N},{B,M},{B,N},{B,M,N}）的统一实现框架，也是 B < 32 但 P ≥ 32 时的最优归宿，同时兜住 B ≥ 32 但 IterBatch/MergeBatch 条件不满足的剩余 case。B 可以大、可以小、可以等于 1；ASW_Basic 是实践中最常命中的分支。
+切 M/N 的固有代价是共享矩阵的重复读，ASW_Basic 用两件武器把代价压到最低：
+按共享代价从低到高：
+第 4 章的进入条件给出的是各分支的"主场"，但主场之间有重叠区（例如 B ≥ 32 且 M×N 中等时，MergeBatch 与 IterBatch 都合法；B 较大时 IterBatch 与 ASW_Basic 切 B 等效）。重叠区的最优归属没有解析解，必须由统一的时延模型仲裁：
+$$ +\text{branch}^* = \arg\min_{cand \in \bigcup \text{各分支候选}} \max\big(T_{MMAD}, T_{MTE2}, T_{MTE1}, T_{Fixpipe}[, T_{Reduce}]\big) +$$
+分支体系的价值在于候选集完备且无冗余：每个等价类只派一个代表框架生成候选，时延模型在等价类内部和边界上做精细仲裁。两层缺一不可——只有模型没有分支，搜索空间是 15 种组合 × 全部 grid 参数的爆炸；只有分支没有模型，边界 case 被硬阈值误杀。
+输入：B, M, N, K, dtype, layout, 广播形态, bias
+ │
+ ├─[0] K = 0 → AIV 清零；K = 1 → AIV 逐元素乘（TO_MUL 通路）
+ │
+ ├─[1] BatchB = 1 → 转Matmul（免费折叠 [B·M, K]，必选）
+ │ BatchA = 1 → 比较"重排 B + Matmul" vs "广播友好 IterBatch/ASW"，
+ │ 按时延模型选小者
+ │
+ ├─[2] BatchA = BatchB = B > 1：
+ │ 生成四类候选并逐一估算 T_total：
+ │ MergeBatch（条件 1~6 全过才生成，见 4.2.2）
+ │ IterBatch（三大类条件，见 4.3.2）
+ │ ASW_Basic（按 4.5.3 顺序试切 B/M/N/混合，含 swizzle 与 L2 切分）
+ │ StreamK（P < 32 且 K 满足 4.4.2 条件 2 时生成，grid 搜索）
+ │ → argmin T_total
+ │
+ └─[3] 输出：分支 + tiling 参数（baseM/baseN/baseK、b、bL1、kL1…）
+ + swizzle 方案 + L2 切分方案 + 预估端到端时延
+按"转Matmul / MergeBatch / IterBatch / StreamK / ASW_Basic 五大分支 cover 全部 BMM case 最优实现"的设计目标，逐条拷问。
+| shape 区域 | +主分支 | +兜底 | +
|---|---|---|
| K = 0 / K = 1 | +前置通路层（AIV） | +— | +
| BatchA=1 或 BatchB=1 | +转Matmul | +ASW_Basic（广播友好形态） | +
| BatchA=BatchB>1，B≥32，M×N 大 | +IterBatch | +ASW_Basic 切 B | +
| BatchA=BatchB>1，B≥32，M×N 小，访存 Bound | +MergeBatch | +IterBatch | +
| 上述但 B<32，P≥32 | +ASW_Basic | +降核 ASW | +
| P<32，K 大 | +StreamK | +降核 ASW | +
| P<32，K 也小 | +降核 ASW_Basic | +（此时时延绝对值小，调度开销主导，分支选择不敏感） | +
| 交叉广播（BatchA≠BatchB 且均>1） | +ASW_Basic | +— | +
设计骨架成立，但有五处需要修正或显式声明，否则会被反例拷问：
+问题 1：转Matmul 的方向不对称（原设想的最大漏洞）。 "一侧 batch=1 就折叠成 Matmul"在 BatchB=1 方向免费（batch 与 M 内存相邻，输出布局一致）；但在 BatchA=1 方向，右矩阵 [B,K,N] 折叠成 [K,B·N] 需要一次真实的转置重排，且输出 [M,B·N] 与目标 [B,M,N] 之间存在置换——"只是输出后按 batch split"的设想在 ND 布局下不成立，split 实际是 scatter。修正：BatchA=1 时按"重排代价 vs Matmul 收益"走模型仲裁，小 case 留在 BMM 分支内（A 单侧数据天然可 L2/L1 驻留共享，本身已接近最优）。
+问题 2：交叉广播 case 的归属必须显式声明。 BatchA=(6,1)、BatchB=(1,6) 这类 case 既不进转Matmul（两侧都>1），也不满足 MergeBatch/IterBatch 的 BatchA=BatchB 前提——它们落入 ASW_Basic（对广播侧做驻留）。不声明就会显得"五分支有洞"。声明后完备性闭合。
+问题 3：K 退化不在五分支内，需前置通路层。 K=0（无计算）、K=1（无累加深度）走 AIV 向量通路；这是"计算通路选择"维度，与"切分维度"正交，放在五分支之前判断。源码用 K_EQUAL_ZERO / TO_MUL 两个独立策略处理，印证了这一层的必要性——但它们是通路切换而非新切分等价类。
+问题 4：IterBatch 草稿条件 3(2) 的字面表述有误杀。 B mod aicNum > minCoreNum 会拒绝 B 整除核数的完全均衡 case（余数 0）。正确表述应以负载均衡比为准：访存 Bound 要求 bAvg/bMax > 0.8，计算 Bound 要求 100%；余数规则只是它的近似操作化。
问题 5：经验常数必须可标定，且源码硬编码条件偏粗。 $b_{thr}=4$、$k_{thr}$=32B/dtype、480KB、16KB、dValue≥256B 都是 DV100 档芯片的实测经验值，文档中全部显式参数化（换芯片只换常数表）。对照之下源码把 batchC ≥ 4×aicNum、alignK ≥ 64、M ≤ N 等直接写死，其中 alignK ≥ 64 比草稿阈值保守 4 倍、M ≤ N 放弃了镜像 case——做最优实现时不应继承这些硬编码，而应按第 4 章的条件体系重新判定。
源码 arch35 的 10 个策略（K_EQUAL_ZERO / TO_MUL / STREAM_K / MERGE_BATCH / ITER_BATCH_BROADCAST / ITER_BATCH / AL1_FULL_LOAD / BL1_FULL_LOAD / ASW_BASIC / BASE）与本文五分支不是同层概念：
+| 源码策略 | +本文归属 | +
|---|---|
| K_EQUAL_ZERO、TO_MUL | +前置通路层（4.0），正交于切分 | +
| STREAM_K | +StreamK | +
| MERGE_BATCH | +MergeBatch | +
| ITER_BATCH、ITER_BATCH_BROADCAST | +IterBatch（broadcast 变体是广播输入下的数据复用特化；单边广播在本文更多由转Matmul 吸收） | +
| AL1_FULL_LOAD、BL1_FULL_LOAD | +ASW_Basic 的 L1 驻留参数极限（4.5.4） | +
| ASW_BASIC、BASE | +ASW_Basic | +
结论：源码策略集 = 五分支 × 计算通路 × 驻留/广播特化的展开。五分支是"切分等价类"的最小完备骨架，源码的冗余策略可在新实现中收敛，源码遗漏的（条件 3/4/6 的显式判定、M>N 的 MergeBatch 镜像、转Matmul 的 BatchA=1 方向）正是优化的增量空间。
+参考文档：《BMM分块计算数学公式》《BMM最优软件实现方案设计》《BatchMatMulV3算子分支实现分析》《BMM从分块计算到四大分支的逻辑推导》；源码：ops-nn/matmul/batch_mat_mul_v3（arch35）；芯片资料：昇腾 950PR 架构白皮书与 CANN 9.0.0 性能建模文档。