Fix #40: 切换 Cube 算力为白皮书 Cube-only 口径 (单核统一 13.5T)

用户裁决: cube_peak_tflops 取白皮书表3-1 "Cube算力" 单行 (不含 Vector)。

- 数值: 950PR 486->432, 950PR_C28 425->378, 950DT 547->486,
  950DT_C32 486->432, 950DT_C28 425->378; 单核全系列精确 13.5T
  (16^3 MAC/拍 x 1.65GHz), 28 核档 0.06% 取整偏差随之消失
- 传导 (无结构改动, 全部经 q16/q_cube/r16 派生):
  MMAD 时延 x486/432 (+12.5%); R16 607.5->540 (MergeBatch 条件5/b0 上限);
  StreamK θ_c 12.24->10.9; ASW 面积/周长分界 93.5->83.1, MMAD/FIX 304->270
- 文档同步: README, docs/00 (R16 公式), 04 (607.5 实例), 05 (硬件事实/复核算例),
  06/07 (翻出阈值 187->166), 05_StreamK (θ_c 及 K 阈值 396->360);
  理论归档 (BMM算子优化分析_Release/) 与历史测评报告不动
- 验证: 单测 88/88; examples 重生成 —— recommend 27/44 行变化
  (计算Bound 行精确 +12.5%; b8_m32768_n2048_k512 瓶颈 MTE2->MMAD 翻转;
  17 行访存主导不变), plans.csv 仅 merge_demo_k_trunc note 的算存比上限
  23.7->21.1 一处文案; 压力回归 10000 例干净, MergeBatch 386->392 /
  IterBatch 2389->2384 (R16 下移致 b0 上限收小, 边界 case 换边, 预期行为)

BMM/BMM_Theory/docs/02_分支理论/07_尾轮处理策略.md

@@ -17,12 +17,14 @@ $$T_{MMAD} = \frac{2\cdot sM\cdot sN\cdot K}{Q_{16}},\qquad T_{MTE2} = \frac{K(s
 | 对比 | 判据 | 决定因素 |
 |---|---|---|
 | MMAD vs MTE2 | `sM·sN/(sM+sN)` ⋛ `dt·Q16/(2·BW_eff)` | **tile 尺寸**（K 约掉） |
-| MMAD vs FIX | `K` ⋛ `outB·Q16/(2·BW_pc)` ≈ 304 | **K** |
+| MMAD vs FIX | `K` ⋛ `outB·Q16/(2·BW_pc)` ≈ 270 | **K** |
+
+（Q16 为 Cube-only 口径 13.5T（issue#40）：MMAD/MTE2 分界 93.5→**83.1**，MMAD/FIX 分界 304→**270**。）
 
 **缩放类型二分**：MMAD 与 FIX 都 ∝ 面积 sM·sN，MTE2 ∝ 周长 (sM+sN)。
 
-- **面积型主导**（MMAD 或 FIX 最大）：tile 大（sM·sN/(sM+sN)≥93.5，L2 命中）且（K≥304 时 MMAD、K<304 时 FIX）——**主流 prefill/decode case 均属此类**；
-- **周长型主导**（MTE2 最大）：tile 小（<93.5，L2 命中）或工作集超 L2 的 GM 直读（<304）——边角 case。
+- **面积型主导**（MMAD 或 FIX 最大）：tile 大（sM·sN/(sM+sN)≥83.1，L2 命中）且（K≥270 时 MMAD、K<270 时 FIX）——**主流 prefill/decode case 均属此类**；
+- **周长型主导**（MTE2 最大）：tile 小（<83.1，L2 命中）或工作集超 L2 的 GM 直读（<270）——边角 case。
 
 ## 2. 四种策略定义
 
@@ -54,7 +56,7 @@ $$\big(n_{wave}-1+\sqrt{\rho}\big)^2 \le n_{wave}(n_{wave}-1+\rho) \iff (\sqrt{\
 
 **A1b 周长和恒 ≤ 方案 B**（搬入总量少、L2 重复读少、掩盖余量大）。离散 16 对齐后时延互有胜负（<3%，数值依赖、无系统性方向）。
 
-**尾轮翻出修正**（§7.2.4）：面积型主导但 r 小（ρ < (187/s)²）时 A1b 尾轮 tile 缩得太小，周长/面积比上升使主导项翻转为周长型（搬入翻出），方案 B 的全局 tile 缩得温和（1/√g > √ρ 恒成立）不翻出——**r 小的面积型 case 方案 B 可微优 ~6%**。
+**尾轮翻出修正**（§7.2.4）：面积型主导但 r 小（ρ < (166/s)²，Cube-only 口径下 187→166，issue#40）时 A1b 尾轮 tile 缩得太小，周长/面积比上升使主导项翻转为周长型（搬入翻出），方案 B 的全局 tile 缩得温和（1/√g > √ρ 恒成立）不翻出——**r 小的面积型 case 方案 B 可微优 ~6%**。
 
 ## 4. 周长型主导（边角场景）
 
@@ -79,7 +81,7 @@ $$\big(n_{wave}-1+\sqrt{\rho}\big)^2 \le n_{wave}(n_{wave}-1+\rho) \iff (\sqrt{\
 | 1 | r = 0 | A0 | n_wave·T_block |
 | 2 | 面积型，0<r≤C/2，无翻出 | A1a，s*=⌊C/r⌋ | T_block(n_wave−1+1/s*) |
 | 3 | 面积型，r>C/2，无翻出 | A1b 或方案 B（严格打平） | T_block(n_wave−1+ρ) |
-| 4 | 面积型，ρ<(187/s)²（翻出） | 方案 B | T_block·n_wave/g |
+| 4 | 面积型，ρ<(166/s)²（翻出，issue#40 口径） | 方案 B | T_block·n_wave/g |
 | 5 | 周长型，ρ≥ρ_dv，B 可行 | A1b | T_load(n_wave−1+√ρ) |
 | 6 | 周长型，ρ<ρ_dv 且分界成立且 B 可行 | 方案 B | T_load·n_wave/√g |
 | 7 | 周长型，广义 B 损失>0 | A1b（恒不劣） | 广义枚举 min w×T_block |