From ed2a700a018f4561880fa0bbd5d2db7fa1f978de Mon Sep 17 00:00:00 2001 From: admin Date: Fri, 28 Aug 2026 08:27:06 +0000 Subject: [PATCH] =?UTF-8?q?v1.6=20=E5=90=8C=E6=AD=A5HTML?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- .../ASW_Basic分支分析_v1.6.html | 954 ++++++++++++++++++ 1 file changed, 954 insertions(+) create mode 100644 BMM/BMM算子优化分析_Release/ASW_Basic分支分析_v1.6.html diff --git a/BMM/BMM算子优化分析_Release/ASW_Basic分支分析_v1.6.html b/BMM/BMM算子优化分析_Release/ASW_Basic分支分析_v1.6.html new file mode 100644 index 0000000..eb9b5d3 --- /dev/null +++ b/BMM/BMM算子优化分析_Release/ASW_Basic分支分析_v1.6.html @@ -0,0 +1,954 @@ + + + + + +ASW_Basic 分支理论最优实现分析 v1.6 + + + + + +
+

ASW_Basic 分支：BMM 兜底分支的理论最优实现分析

+
目标芯片：昇腾 950PR（DAV_3510）。本文为 ASW_Basic 分支的独立分析（v1.6 新增 §7 程序实现流程图：源码与理论最优两张端到端流程图），自包含完整推导链。历史：v1.5 扩充 §6 源码对比（cubeBound 模型完整解析与优劣判定）、修正 dValue 定义与尾轮重切约束。
+

摘要

+

ASW_Basic 是 BMM 的兜底分支——核间切 M/N（或混合切），不做 batch 合并或 K 维切分。本文给出完整的时延建模、核间分配策略分析（证明 B 优先分组在任何场景下都不优于线性映射）、实现方案的逐步推导（含尾轮重切的 Bound 类型分级策略），以及与源码实现的逐维度对比。

+

v1.6 新增 §7 程序实现流程图：从 case 输入（B/M/K/N/dtype）出发，分别给出源码 ASW_Basic（BatchMatMulV3AswBasicTiling 六阶段：进入判定 → ResetBase → cubeBound 枚举 → CalL1Tiling → 参数打包 → kernel 滑窗蛇形）与理论最优实现（八阶段：分支判定 → BaseM/N/K → SingleCoreM/N 有界枚举 → 核间分配 → 尾轮重切 → swizzle → L2 分组 → 端到端校验）两张完整流程图，每步标注计算公式与产出参数，并给出两图差异对照。v1.5 扩充 §6 源码对比：cubeBound 模型三项的物理推导（工作集超 L2 倾向更小 tile、K 大倾向更大 tile）、源码 singleCore = base 不分层导致过度切分（K 小时搬入时延可达理论 2 倍）、尾轮不实际重切。核心结论：B 优先分组不优于线性映射；理论的最少切分原则 + SingleCore/Base 分层 + 尾轮重切是相对源码的三条实质改进；源码的 cubeBound 解析模型与平台自适应值得理论吸收。

+
+

一、问题定义与执行模型

+

1.1 分支定位

+

BMM 中，当 B ≥ C（batch 数 ≥ AIC 核数）时核间切 B 是免费的（每核独立处理若干 batch，无共享无依赖），由 IterBatch/MergeBatch 承接。当 B < C 或 B ≥ C 但 IterBatch/MergeBatch 条件不满足时，需要切 M/N 来填满所有核——这就是 ASW_Basic。

+

ASW_Basic 是实践中最常命中的分支：B 可大可小可等 1，交叉广播也由此承接（对广播侧做 L1/L2 驻留，共享关系与切 M/N 同构）。

+

1.2 执行模型

+
核间：B × mCnt × nCnt 个输出块，按 B→M→N 线性映射分配到 C 核
+核内：每核处理若干 [singleCoreM, singleCoreN] 输出块
+  └── 每块内部：GM→L1→L0→Cube→L0C→Fixpipe 标准流水
+       └── K 维不切（singleCoreK = K），按 kL1 分块搬入 L1
+

数据流：

+
GM ──MTE2──> L1 ──MTE1──> L0A/L0B ──MMAD──> L0C ──Fixpipe──> GM
+     ↑_____________ L2 Cache（读 5.2TB/s）_____________↑
+

1.3 符号定义

+ + + + + + + + + + + + + +
符号含义表达式/取值
$B$batch 数输入参数
$M, N, K$矩阵维度输入参数
$C$AIC 核数32
$dtype$输入元素字节数BF16 → 2B
$outB$输出元素字节数BF16 → 2B
$L0C$L0C 容量/核256KB
$L0A, L0B$L0A/L0B 容量/核各 64KB
$L1$L1 容量/核512KB
$L2$L2 容量（共享）128MB
$BW_{pc}$单核 GM 带宽份额$W_{GM}/C = 50$ GB/s
$Q_{16}$单核 Cube BF16 峰值算力486/32 ≈ 15.2 TFLOPS
$W_{GM}$GM 带宽1.6 TB/s
$BW_{L2}$L2 读带宽5.2 TB/s
+

*Tiling 参数*：

+ + + + + + +
符号含义约束层级
$\text{BaseM}, \text{BaseN}$L0 级 tile 的 M/N 维度L0C 容量直接约束
$baseK$L0 级 tile 的 K 维度L0A/L0B 容量约束
$\text{singleCoreM}, \text{singleCoreN}$每核输出 tile 的 M/N 维度L1 容量 + 并行度 + 搬移效率
$k_{L1}$GM→L1 的 K 向粒度dValue ≥ 256B
$mCnt, nCnt$单 batch 内 M/N 向块数$\lceil M/\text{singleCoreM} \rceil$
$W$swizzle 窗口宽度$\max\{d : d \mid C, d \le \lfloor\sqrt{C}\rfloor\}$
+

层次关系：$K = \text{singleCoreK} \ge k_{L1} \ge baseK$，$\text{singleCoreM} \ge \text{BaseM}$，$\text{singleCoreN} \ge \text{BaseN}$。

+

搬移效率：dValue 与 min_TileSize

+

GM→L1 搬移使用 Nd2Nz DMA，每次搬移的关键参数：

+ + + +
参数含义A 矩阵 [singleCoreM, $k_{L1}$]B 矩阵 [$k_{L1}$, singleCoreN]
nValue行数（非连续维）singleCoreM$k_{L1}$
dValue每行连续字节数（连续维）$k_{L1} \cdot dtype$$\text{singleCoreN} \cdot dtype$
总搬移量nValue × dValue$\text{singleCoreM} \cdot k_{L1} \cdot dtype$$k_{L1} \cdot \text{singleCoreN} \cdot dtype$
+

dValue 是 ND 排布中连续维的字节数——对 ND 格式的右矩阵 B：非转置时连续维为 N，dValue = $\text{singleCoreN} \cdot dtype$；转置时连续维为 K，dValue = $k_{L1} \cdot dtype$。dValue 不是两个维度的乘积。

+

两级搬移效率阈值：

+
    +
  1. dValue ≥ 256B（DMA 硬件突发下限）：每行连续数据量不足 256B 时，DMA 突发效率急剧下降；
    2. +
  2. 总搬移量 ≥ min_TileSize（推荐 16KB）：单次搬移量太小则带宽利用率不足（[昇腾 950 NPU 架构白皮书](https://public-download.obs.cn-east-2.myhuaweicloud.com/ascend/%E6%98%87%E8%85%BE950%20NPU%E6%9E%B6%E6%9E%84%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf)推荐 dValue 256B/512B 对齐）。
    3. +
+
+

二、进入条件

+

同时满足：

+
    +
  1. $P = \dfrac{B \cdot MN \cdot 4\text{B}}{L0C} \ge C$（并行度补齐）
    2. +
  2. 无 batch 结构限制（BatchA=BatchB、交叉广播均可）；典型进入路径：$B < C$（切 B 买不满核），或 $B \ge C$ 但 IterBatch/MergeBatch 条件不满足时的兜底
    3. +
  3. 降核模式：$P < C$ 且不满足 StreamK 进入条件 → 只用 $\lceil P \rceil$ 个核，其余核闲置
    4. +
+

逐条解释：

+
    +
  1. 并行度补齐：以 L0C 满载为基本块粒度，B×M×N 能切出至少 C 个独立输出块，则切 M/N（或混合切）并行度够用。切 M/N 的固有代价是共享矩阵被多核重复读，但共享部分驻留 128MB L2 时重复读以 5.2TB/s 命中 L2 而非 1.6TB/s 的 GM，代价大部分被吸收。
    2. +
  2. 兜底性质：ASW_Basic 是实践中最常命中的分支——B 可大可小可等 1，交叉广播也由此承接（对广播侧做 L1/L2 驻留，共享关系与切 M/N 同构）。
    3. +
  3. 降核模式：P < C 且 K 也不够格走 StreamK 时，并行度凑不满核。此时与其强行把 M/N 切得更碎（tile 跌破 min_TileSize、dValue 跌破 256B，搬移效率崩塌，反而更慢），不如只用 ⌈P⌉ 个核、每核承担一个完整输出块（L0C 满载粒度），其余核闲置。这类 case 的时延绝对值小，继续切分引入的调度与搬移效率损失大于并行收益——降核是理性选择而非偷懒。
    4. +
+
+

三、时延建模

+

3.1 端到端时延

+
$$ +T = \max(T_{MTE2},\; T_{MMAD},\; T_{FIX}) + T_{drain} +$$
+ + + + +
项含义公式
$T_{MTE2}$GM→L1 搬移时延$r_{in} \cdot S_{in} / (C \cdot BW_{pc})$
$T_{MMAD}$Cube 计算时延$2BMNK / (C \cdot Q_{16})$
$T_{FIX}$输出写回时延$B \cdot MN \cdot outB / (C \cdot W_{pc})$
$T_{drain}$末块排空时延$O(T_{comp} + T_{write})$
+

其中 $S_{in} = B(MK + KN) \cdot dtype$ 为输入总量，$r_{in} \ge 1$ 为重复读倍率（GM 输入流量 / 输入总量）。$r_{in} = 1$ 表示每字节只从 GM 读一次（后续复用全命中 L2）——这是 GM 输入流量的下界。

+

关键观察：$T_{MMAD}$ 和 $T_{FIX}$ 与核间分配策略无关——**分配策略只影响 $T_{MTE2}$**（通过 L2 命中率影响 $r_{in}$）。优化目标：让 $r_{in}$ 尽量接近 1。

+

3.2 并行度约束的正确形式

+

总输出块数 $= B \cdot mCnt \cdot nCnt$。并行度约束的正确形式是：

+
$$ +B \cdot mCnt \cdot nCnt \ge C +$$
+

即总块数至少能填满 C 核。这与 $mCnt \cdot nCnt \ge \lceil C/B \rceil$ 等价（两边同乘 B 后取整）。

+

**不应要求 $B \cdot mCnt \cdot nCnt \;\%\; C = 0$**（整除）。整除是充分不必要条件——不整除时产生尾轮，尾轮的处理见 §五。

+
+

四、核间分配策略分析

+

4.1 两种候选策略

+ +

4.2 L2 工作集对比

+

每波活跃核所需的 A 行带 + B 列带：

+
$$ +WS_{wave} = \big(W \cdot sM + \tfrac{C}{W} \cdot sN\big) \cdot K \cdot dtype +$$
+

其中 $sM$ = singleCoreM，$sN$ = singleCoreN，$W$ 为 swizzle 窗口宽度。

+ + + + +
维度B 优先分组B→M→N 线性映射
每波活跃 batch 数B 个（每组一个）1 个（$mCnt \cdot nCnt \ge C$ 时）
每组/每波 swizzle 窗口$W_g = \max\{d \mid d \mid C_g,\; d \le \sqrt{C_g}\}$$W = \max\{d \mid d \mid C,\; d \le \sqrt{C}\}$
每波 L2 工作集$B \cdot (W_g \cdot sM + \frac{C_g}{W_g} \cdot sN) \cdot K \cdot dtype$$(W \cdot sM + \frac{C}{W} \cdot sN) \cdot K \cdot dtype$
C 不整除 B组间核数不等 → 负载不均无影响（总块数任意）
+

数值例（C=32、B=4、sM=sN=256、K=1024、BF16）：分组 $C_g=8$、$W_g=2$（8 的最大因子 ≤ √8≈2.83），总工作集 = $4 \times (2 \times 256 + 4 \times 256) \times 1024 \times 2 = 12$ MB；线性 $W=4$，工作集 = $(4 \times 256 + 8 \times 256) \times 1024 \times 2 = 6$ MB——线性映射的工作集是分组方案的一半。

+

为什么线性映射工作集更小：

+
    +
  1. 更多核参与同一 batch 的 swizzle → $W = \sqrt{C} > W_g = \sqrt{C/B}$ → 工作集更接近"方形"下限（均值不等式：$W + C/W$ 在 $W = \sqrt{C}$ 处最小）；
    2. +
  2. 同一时刻只有 1 个 batch 的数据活跃 → L2 只需缓存 1 份 A/B 数据，而非 B 份。
    3. +
+

4.3 分场景严格比较

+

**场景 I：$mCnt \cdot nCnt \ge C$ 且单波工作集 ≤ L2**（最常见）

+

线性映射：每波 C 个块在同一 batch 内，L2 命中率高。B 分组：B 个 batch 同时活跃，总工作集 $B$ 倍。线性严格更优。

+

**场景 II：$S_{in} \le L2$（全部输入放得下 L2）**

+

两种策略的 GM 流量相同（$r_{in} = 1$，每字节只读一次）。但 B 分组在 C % B ≠ 0 时负载不均（组间核数不等）。线性不劣于分组。

+

**场景 III：$mCnt \cdot nCnt < C$（单 batch 块数不够填满所有核）**

+

线性映射：每波横跨 $\lceil C/(mCnt \cdot nCnt) \rceil$ 个 batch——这些 batch 的数据同时活跃。B 分组：每组 $C_g$ 核但只有 $mCnt \cdot nCnt < C_g$ 个块 → 组内有空闲核。线性映射至少所有核都有活干。线性严格更优。

+

**场景 IV：$mCnt \cdot nCnt < C/B$（每组连自己的核都填不满）**

+

B 分组每组空闲 $C_g - mCnt \cdot nCnt$ 个核，总算力浪费 $C - B \cdot mCnt \cdot nCnt$ 个核。线性映射无此问题。线性严格更优。

+

4.4 结论

+

B 优先分组在任何场景下都不优于线性映射。 根本原因：

+
    +
  1. L2 是共享 Cache，工作集越小命中率越高——线性映射同一时刻只激活 1 个 batch 的数据，工作集最小；
    2. +
  2. swizzle 窗口 $W \propto \sqrt{\text{参与核数}}$——更多核参与同一 batch 的 swizzle，窗口更大，工作集更方形；
    3. +
  3. 线性映射对 B 与 C 的关系无要求，B 不整除 C 时无负载不均。
    4. +
+

因此 ASW_Basic 采用 B→M→N 线性映射作为核间分配策略。

+
+

五、实现方案

+

5.1 BaseM / BaseN 的确定（L0 级 tile，先把 L0C 用满）

+

L0C 是 Cube 的累加器，BaseM × BaseN 是每次 Cube 计算的输出 tile。BaseM/N 应尽量把 L0C 用满——L0C 利用率越高，每次 Cube 计算的输出越大，单位计算的启动/排空开销摊得越薄。

+

L0C 双缓冲 vs UnitFlag 单缓冲：

+

传统做法用 L0C 双缓冲实现 tile 间流水——计算 tile N+1 时，fixpipe 同时写出 tile N：

+
$$ +\text{BaseM} \times \text{BaseN} = \frac{L0C}{2 \times 4\text{B}} = 32768 \text{ 元素（双缓冲）} +$$
+

但昇腾 950PR 的 Fixpipe 支持 UnitFlag——MMAD 每完成一个 16×16×16 基本块（512B 结果），Fixpipe 立即将其写出，无需等整个 L0C tile 算完。UnitFlag 提供的是 tile 内部的细粒度流水（16×16×16 粒度），替代双缓冲的 tile 间粗粒度流水（BaseM×BaseN 粒度）。

+

UnitFlag 单缓冲下，L0C 只需一份 buffer：

+
$$ +\text{BaseM} \times \text{BaseN} = \frac{L0C}{4\text{B}} = 65536 \text{ 元素（单缓冲）} +$$
+

BaseM/N 可放大 $\sqrt{2}$ 倍（如 256→362），mCnt/nCnt 相应减小，L2 重复读率降低（单 batch 块数减少 → 每行 A 被更少的组读取）。

+

*时延对比*（单 tile 粒度，BF16 输出）：

+ + +
方案tile 大小tile 间流水tile 内流水单 tile 时延
双缓冲181×181（32761 元素）✓（tile N 写出 ∥ tile N+1 计算）✗max($T_{comp}$, $T_{write}$)
UnitFlag 单缓冲256×256（65536 元素）✗✓（16×16×16 粒度）max($T_{comp}$, $T_{write}$)
+

两种方案的稳态时延相同（都是 max($T_{comp}$, $T_{write}$)），但 UnitFlag 单缓冲的 tile 更大 → 总 tile 数更少 → 循环开销更小。但当前 BMM ASW kernel 未启用 UnitFlag（unitFlag = 0，注释 "each l0 only process one block, disable unit flag"），且源码在 baseM=baseN=256 时已自动选 dbL0C=1（256×256×4B×2 > L0C）——即源码已经是单缓冲 + 无 UnitFlag，tile 到顶但无流水交叠。

+

*建议*：对计算 Bound 的 case 启用 UnitFlag（MMAD 与 Fixpipe 流水并行），可将单 tile 时延从 $T_{comp} + T_{write}$ 降至 $\max(T_{comp}, T_{write})$。对访存 Bound 的 case（MTE2 Bound），UnitFlag 收益小（[CANN 文档](https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/920beta1/API/ascendcopapi/atlasascendc_api_07_0003.html)：MTE2 Bound 时 MMAD/FIX 流水可被搬移掩盖）。

+

BaseM/BaseN 的长宽比应尽量方形（而非跟随 M/N），对齐 16 的倍数。推导：

+

1. GM→L1 搬移与 BaseM/N 无关：GM→L1 搬移的是 $[\text{singleCoreM}, k_{L1}]$（A）和 $[k_{L1}, \text{singleCoreN}]$（B），其 dValue 由 $k_{L1}$（A）和 $\text{singleCoreN}$（B）决定——BaseM/N 的长宽比不参与 GM→L1 搬移参数。长宽比跟随 M/N 不会改善 GM→L1 效率。

+

2. L0A = L0B = 64KB 等容量 → 方形 tile 用满两侧：L0A 装 $\text{BaseM} \times baseK$，L0B 装 $baseK \times \text{BaseN}$。若长宽比跟随 M/N（如 M/N = 4：BaseM=512、BaseN=128），则：

+
$$ +baseK = \min\Big(\frac{L0A}{2 \cdot \text{BaseM} \cdot dtype},\; \frac{L0B}{2 \cdot \text{BaseN} \cdot dtype}\Big) = \min(32,\; 128) = 32 +$$
+

L0A 装满（512×32×2×2 = 64KB）而 L0B 只用了 25%（32×128×2×2 = 16KB）——一半 L0 容量闲置。

+

方形 tile（BaseM=BaseN=256）：

+
$$ +baseK = \min\Big(\frac{64\text{KB}}{2 \cdot 256 \cdot 2\text{B}},\; \frac{64\text{KB}}{2 \cdot 256 \cdot 2\text{B}}\Big) = 64 +$$
+

L0A 和 L0B 同时装满，且 baseK = 64 是长宽比跟随方案（baseK=32）的 2 倍——K 维迭代次数减半，Cube 的 K 向流水切换和 SetFlag/WaitFlag 同步次数减半（L1→L0 搬移本身不是瓶颈，但更少的迭代意味着更少的同步握手和更少的 MMAD 启动/排空轮次）。

+

3. 方形 tile 是 L0C 面积约束下的最优：L0C 约束 $\text{BaseM} \times \text{BaseN} \le 65536$ 只限制面积。在面积固定下，方形使 $\min(\text{BaseM}, \text{BaseN})$ 最大——baseK 的上限由 $\min(\text{BaseM}, \text{BaseN})$ 决定（公式见上），所以方形最大化 baseK。

+

4. 例外：当 M 或 N 小于方形边长时，tile 被迫非方形：

+
$$ +\text{BaseM} = \min(\lfloor\sqrt{65536}\rfloor_{16},\; M),\qquad \text{BaseN} = \min\Big(\frac{65536}{\text{BaseM}},\; N\Big) \text{ 向下 16 对齐} +$$
+

例：M=128、N=4096 → BaseM=128（M 限制）、BaseN=512（L0C 面积限制）——此时长宽比跟随 M/N 是被迫的（M 太小），而非主动选择。

+

结论：BaseM/N 长宽比跟随 M/N 的切分方法站不住脚——它使 L0A/L0B 容量利用率失衡（一侧闲置）、baseK 减半（K 迭代翻倍）、且对 GM→L1 搬移无任何收益。正确做法是方形 tile 优先，仅当 M 或 N 小于方形边长时被迫跟随。

+

baseK 由 L0A/L0B 容量决定（L1→L0 搬移无 dValue 要求，dValue 约束的是 GM→L1 的 $k_{L1}$）：

+
$$ +baseK = \min\Big(\frac{L0A}{2 \cdot \text{BaseM} \cdot \text{dtype}},\; \frac{L0B}{2 \cdot \text{BaseN} \cdot \text{dtype}}\Big) \text{ 向下 16 对齐} +$$
+

核间不切 K 时 K 维度层次关系：$K = \text{singleCoreK} \ge k_{L1} \ge baseK$——$k_{L1}$ 是 GM→L1 的 K 向粒度（须 $k_{L1} \cdot \text{dtype} \ge 256\text{B}$），baseK 是 L1→L0 的 K 向粒度（仅受 L0A/L0B 容量约束）。

+

*BaseM/N 的具体确定过程*（host 端枚举，16 对齐遍历）：

+
    +
  1. 从 BaseM = BaseN = $\lfloor\sqrt{L0C/4\text{B}}\rfloor_{16} = 256$ 开始（方形，L0C 单缓冲上限，L0A/L0B 同时满载）
    2. +
  2. baseK 取 L0A/L0B 容量允许的最大值：baseK = $\min(L0A/(2 \cdot \text{BaseM} \cdot dtype),\; L0B/(2 \cdot \text{BaseN} \cdot dtype))$ 向下 16 对齐（16 对齐是 Cube K 向粒度要求，不是搬移效率要求——L1→L0 搬移不是瓶颈，可被 GM→L1 或 Cube 计算掩盖。baseK 取大值的意义在 L0 容量利用率和 K 迭代次数，而非搬移效率）
    3. +
  3. 若 M < 256（或 N < 256），BaseM = $\lfloor M \rfloor_{16}$（或 BaseN = $\lfloor N \rfloor_{16}$），另一维取 $\min(65536/\text{BaseM},\; N)$（或对称）向下 16 对齐——此时 tile 被迫跟随 M/N，但这是 M 太小的结果，不是主动选择
    4. +
  4. 方形 tile 的 L0C 面积利用率：$256 \times 256 / 65536 = 100\%$；被迫非方形时面积利用率 = $\text{BaseM} \times \text{BaseN} / 65536$（M 或 N 小时必然 < 100%，不可优化）
    5. +
+

*与源码的差异*：源码默认 baseM=baseN=256（硬编码 "256 is better base"），再由 cubeBound 模型（L2 供数能力 + 溢出惩罚 + K 向复用）枚举收缩。理论直接从 L0C 容量出发，cubeBound 的三项修正可从第一性原理推导：①L2 供数速率 vs Cube 耗数速率 → 访存 Bound 时应缩 tile；②工作集超 L2 → 增大 tile 减少重复读；③K 越大越偏 compute bound → 可放大 tile。两者方向一致，源码多了实测调优的余量（CUBE_BOUND_RATIO=0.85）。

+

5.2 SingleCoreM / SingleCoreN 的确定（每核输出 tile，≥ BaseM/N）

+

SingleCoreM × SingleCoreN 是每核每次处理的输出区域，不受 L0 容量直接约束——一个 [SingleCoreM, SingleCoreN] tile 内部由若干 [BaseM, BaseN] L0 tile 组成（$\text{SingleCoreM} \ge \text{BaseM}$，$\text{SingleCoreN} \ge \text{BaseN}$）。SingleCoreM/N 的核心影响是 GM→L1 搬移效率和 L2 重复读率：

+ +

SingleCoreM/N 对 L2 重复读的定量影响：

+

每行 A 行带 $[\text{singleCoreM}, K]$ 被该行的 $nCnt$ 个列块各读一次，每列 B 列带被 $mCnt$ 个行块各读一次。L2 层的总读取次数：

+
$$ +T_{L2} = \big(nCnt \cdot M + mCnt \cdot N\big) \cdot K \cdot dtype +$$
+

SingleCoreM/N 越小 → $mCnt = \lceil M/\text{singleCoreM} \rceil$、$nCnt = \lceil N/\text{singleCoreN} \rceil$ 越大 → $T_{L2}$ 越大。

+

但这不直接等于 GM 重复读——L2 命中时重复读由 L2 吸收（5.2TB/s），不消耗 GM 带宽。**GM 重复读倍率 $r_{in}$ 取决于执行组划分**（§5.6）：只有当工作集超 L2 时才需要分组，此时

+
$$ +r_{in} = \frac{\lceil nCnt/n_{grp} \rceil \cdot M + \lceil mCnt/m_{grp} \rceil \cdot N}{M + N} +$$
+

$m_{grp}$、$n_{grp}$ 由 L2 容量约束反推（$m_{grp} \cdot \text{singleCoreM} + n_{grp} \cdot \text{singleCoreN} \le D$，$D = L2/(B \cdot K \cdot dtype)$）。SingleCoreM/N 减小时 $m_{grp}$、$n_{grp}$ 按比例增大，$\lceil mCnt/m_{grp} \rceil$ 和 $\lceil nCnt/n_{grp} \rceil$ 的变化取决于具体数值——但 L2 带宽不是瓶颈（5.2TB/s ≫ GM 1.6TB/s），所以 SingleCoreM/N 对性能的主要影响不在 L2 重复读，而在 GM→L1 搬移效率（dValue 和 min_TileSize）和并行度（$mCnt \cdot nCnt \ge \lceil C/B \rceil$）之间的权衡。

+

*约束链*：

+

约束 1——并行度下限：总块数须填满 C 核。

+
$$ +B \cdot mCnt \cdot nCnt \ge C \iff mCnt \cdot nCnt \ge \Big\lceil \frac{C}{B} \Big\rceil +$$
+

约束 2——L1 容量（双缓冲下驻留当前 tile 的输入）：

+
$$ +2 \cdot (\text{singleCoreM} + \text{singleCoreN}) \cdot k_{L1} \cdot \text{dtype} \le L1,\qquad k_{L1} \cdot \text{dtype} \ge 256\text{B} +$$
+

约束 3——搬移效率（dValue 见 §1.4）：

+
$$ +\underbrace{k_{L1} \cdot \text{dtype} \ge 256\text{B}}_{\text{A 矩阵 dValue}},\qquad \underbrace{\text{singleCoreN} \cdot \text{dtype} \ge 256\text{B}}_{\text{B 矩阵 dValue（非转置）}} +$$
+
$$ +\underbrace{\text{singleCoreM} \cdot k_{L1} \cdot \text{dtype} \ge min\_TileSize}_{\text{A 单次搬移量}},\qquad \underbrace{k_{L1} \cdot \text{singleCoreN} \cdot \text{dtype} \ge min\_TileSize}_{\text{B 单次搬移量}} +$$
+

约束 4——SingleCoreM/N 是 BaseM/N 的整数倍（工程实现要求，保证 L0 tile 边界对齐）。

+

*选取策略*：最少切分原则 + 切分时方形分配。

+

*建模*：每 batch 有 $mCnt \cdot nCnt$ 块，每块的 GM→L1 搬入（A 块 $[\text{singleCoreM}, k_{L1}]$ + B 块 $[k_{L1}, \text{singleCoreN}]$）时延为 $(\text{singleCoreM} + \text{singleCoreN}) \cdot k_{L1} \cdot dtype / BW$。每核处理 $B \cdot mCnt \cdot nCnt / C$ 块，单核总搬入时延：

+
$$ +T_{MTE2} = \frac{MN}{C/B} \cdot \Big(\frac{mCnt}{M} + \frac{nCnt}{N}\Big) \cdot \frac{k_{L1} \cdot dtype}{BW} +$$
+

（展开验证：每 batch 总搬入 = $(M \cdot nCnt + N \cdot mCnt) \cdot k_{L1} \cdot dtype$——A 矩阵每 batch 被 $nCnt$ 个列块共享读 $nCnt$ 次、B 矩阵被 $mCnt$ 个行块共享读 $mCnt$ 次，与直觉一致。）

+

目标函数 $mCnt/M + nCnt/N$ 在 $mCnt = nCnt = 1$ 时取得全局最小值（$1/M + 1/N$）——不切分时每 batch 的 A/B 只搬一次，零重复读。因此第一步是尝试最少切分：

+
$$ +mCnt \cdot nCnt = \Big\lceil \frac{C}{B} \Big\rceil \triangleq P +$$
+

（多切无益：切分越多重复读越多，搬入量单调增大。）

+

情形 1：B ≥ C（P = 1）——不切分，$mCnt = nCnt = 1$，$\text{singleCoreM} = M$、$\text{singleCoreN} = N$。tile 跟随 M/N，非方形。前提是 L1 容量与 dValue 满足（约束 2/3）；不满足时须 K 分块（$k_{L1} < K$）或退化为情形 2。

+

情形 2：B < C（P > 1）——必须切分。在 $mCnt \cdot nCnt = P$ 下最小化 $mCnt/M + nCnt/N$：

+
$$ +\frac{\partial}{\partial mCnt}\Big(\frac{mCnt}{M} + \frac{P}{mCnt \cdot N}\Big) = 0 \Rightarrow mCnt^* = \sqrt{\frac{P \cdot M}{N}},\; nCnt^* = \sqrt{\frac{P \cdot N}{M}} +$$
+
$$ +\frac{mCnt^*}{nCnt^*} = \frac{M}{N} \Rightarrow \text{singleCoreM} = \text{singleCoreN} = \sqrt{\frac{MN}{P}} +$$
+

——方形（连续松弛下的理论最优）。整数 + BaseM/N 对齐约束下取离方形最近的可行组合。

+

*数值验证*（M=2048、N=512、C=32）：

+ + + + +
BP = ⌈C/B⌉最优 (mCnt, nCnt)sM × sN形状
321(1, 1)2048 × 512跟随 M/N（不切分）
162(2, 1)1024 × 5122:1（整数约束偏离方形）
84(4, 1)512 × 512方形（M/N=4 与 P=4 匹配）
48(4, 2)512 × 2562:1
+

B=32 时不切分 cost = 0.002441 < B=8 时方形 0.003906——切分越少搬入越少，方形只是"被迫切分"时的次优选择。用户反例成立：M=2048、N=512、B≥32 时 SingleCoreM=2048、SingleCoreN=512 优于方形 512×512（每 batch 零重复读）。

+

*此前推导的错误*：把 $mCnt \cdot nCnt = P$ 当作固定等式且未讨论 P=1 的情形——方形结论只适用于 B < C 的强制切分场景，不适用于 B ≥ C 的不切分场景。

+

*SingleCoreM/N 的具体确定过程*（host 端枚举，与尾轮处理联动）：

+
    +
  1. 计算最少切分 $P = \lceil C/B \rceil$
    2. +
  2. 若 P = 1（B ≥ C）：先试不切分 $mCnt = nCnt = 1$、$\text{singleCoreM} = M$、$\text{singleCoreN} = N$；由约束 2 求 $k_{L1} = \min(K,\; \lfloor L1/(2(M{+}N) \cdot dtype) \rfloor_{16})$，检查约束 3（$k_{L1} \cdot dtype \ge 256\text{B}$ 等）；满足则确定。不满足（L1 放不下且 $k_{L1}$ 降无可降）则进入步骤 3 强制切分
    3. +
  3. 若 P > 1（必须切分）——完整枚举。枚举不是随意挑几个组合试，而是遍历整个可行空间、每个候选计算搬入时延、取最优：
    4. +
+

a. 枚举空间（有界）：由约束 4 给出上界 $mCnt \le \lceil M/\text{BaseM} \rceil$、$nCnt \le \lceil N/\text{BaseN} \rceil$（SingleCore 不能小于 Base），约束 1 给出 $B \cdot mCnt \cdot nCnt \ge C$。候选数最多 $\lceil M/\text{BaseM} \rceil \times \lceil N/\text{BaseN} \rceil$（如 M=N=4096、Base=256 时 256 个），host 端遍历开销可忽略

+

b. 每个候选的评估流水线（$(mCnt, nCnt) \to$ 对齐 $\to$ 约束过滤 $\to$ 目标值）：

+
$$ + \text{singleCoreM} = \text{Align}_{16}\Big(\Big\lceil \frac{M}{mCnt} \Big\rceil\Big),\qquad \text{singleCoreN} = \text{Align}_{16}\Big(\Big\lceil \frac{N}{nCnt} \Big\rceil\Big) + $$
+

*约束 4 过滤*：singleCoreM/singleCoreN 是 BaseM/BaseN 的整数倍；*约束 2 求 $k_{L1}$*：

+
$$ + k_{L1} = \min\Big(K,\; \Big\lfloor \frac{L1}{2 \cdot (\text{singleCoreM} + \text{singleCoreN}) \cdot dtype} \Big\rfloor_{16}\Big) + $$
+

*约束 3 过滤*：$k_{L1} \cdot dtype \ge 256\text{B}$ 且 $\text{singleCoreM} \cdot k_{L1} \cdot dtype \ge min\_TileSize$ 且 $k_{L1} \cdot \text{singleCoreN} \cdot dtype \ge min\_TileSize$

+

*目标值（§3 时延模型的搬移项）*：

+
$$ + T_{MTE2} = \frac{MN}{C/B} \cdot \Big(\frac{1}{\text{singleCoreM}} + \frac{1}{\text{singleCoreN}}\Big) \cdot \frac{k_{L1} \cdot dtype}{BW_{pc}} + $$
+

**c. 为什么目标函数是 $T_{MTE2}$**：$T_{MMAD} = 2BMNK/(C \cdot Q_{16})$ 与 $T_{FIX} = B \cdot MN \cdot outB/(C \cdot W_{pc})$ 只依赖全量 B/M/N/K，与切分无关——候选之间的唯一差异在搬入时延（§3）。约束 2/3/4 只是可行性过滤，不足以选最优：多个可行解的 $T_{MTE2}$ 可差 2 倍（§6.3 源码过度切分示例）

+

d. 最优选取：通过全部约束的候选中取 $T_{MTE2}$ 最小者；并列时取尾轮块数 $r = B \cdot mCnt \cdot nCnt \bmod C$ 最大者（尾轮块越多，§5.3 重切的 $s^*$ 越小、越省）

+
    +
  1. 尾轮修正：$n_{wave} = \lceil B \cdot mCnt \cdot nCnt / C \rceil \le 3$ 且 $r > 0$ 时，按 §5.3 计算重切因子 $s^*$，尾轮时延 $T_{tail} = T_{block}/s^*$；否则 $T_{tail} = T_{block}$（r=0 时为 0）
    2. +
+
    +
  1. 端到端校验：$T = \max(T_{MTE2},\; T_{MMAD},\; T_{FIX}) + T_{tail}$。若选出的候选 $T_{MTE2} < T_{MMAD}$（搬移被计算掩盖），候选间差异失效，此时以尾轮最优者为准
    2. +
+

*完整实例*（B=8、M=N=2048、K=1024、BF16，BaseM=BaseN=256、$min\_TileSize$=16KB）：

+ + + + + + + +
(mCnt, nCnt)sM × sN$k_{L1}$（约束 2 上限，16 对齐）约束 3 过滤$T_{MTE2} \propto (1/sM + 1/sN) \cdot k_{L1}$
(2, 2)1024 × 102464（128B）✗ dValue < 256B—
(4, 2)512 × 102480（160B）✗—
(4, 4)512 × 512128（256B）✓（512×128×2 = 128KB ≥ 16KB）0.500
(8, 4)256 × 512160（320B）✓0.938
(4, 8)512 × 256160✓0.938
(8, 8)256 × 256256（512B）✓2.000
+

$k_{L1}$ 上限公式：$\lfloor 131072/(sM{+}sN) \rfloor$（131072 = L1/(2·dtype) = 512KB/4B）。评估过程展示三个要点：

+
    +
  1. 最少切分 (2,2) 不可行：$k_{L1} \le 64$ 元素 = 128B，违反 dValue ≥ 256B——若只做约束 1（并行度）检查会在 (2,2) 上误判达标，必须连同约束 2/3 一起过滤；
    2. +
  2. 多个候选通过约束：(4,4)、(8,4)、(4,8)、(8,8) 都满足约束 2/3/4——约束检查不足以选最优，必须计算目标函数；
    3. +
  3. **目标函数 $T_{MTE2}$ 定最优**：拉格朗日方形点 (4,4) 的搬入时延 0.500 最小（比 (8,4) 省 47%、比 (8,8) 省 75%）。注意此处 $k_{L1}$ 是变量（K=1024 未截断、由 L1 容量决定），故 $T_{MTE2} \propto (1/sM + 1/sN) \cdot k_{L1}$ 而非 §5.2 的简化式 $(1/sM + 1/sN)$。最终 (4,4)：总块数 $8 \times 16 = 128$，$r = 128 \bmod 32 = 0$ 完美整除、无尾轮
    4. +
+

*与源码的差异*：源码用 cubeBound 模型 + balanceRate ≥ 0.9 剪枝，不解耦 SingleCoreM/N 与 BaseM/N（baseM=256 已是 SingleCore 级参数，L0 tile 由 stepM/stepN 二次切分），且枚举目标为"算存比/负载均衡帕累托"而非"搬入时延最小"。理论的两层分离使约束链更清晰、目标函数（$T_{MTE2}$）有闭式表达——SingleCoreM/N 由 L1 + 并行度 + 搬移效率决定，BaseM/N 由 L0C 决定，各司其职。

+

5.3 mCnt / nCnt 与核间分配（含尾轮处理）

+
$$ +mCnt = \Big\lceil \frac{M}{\text{singleCoreM}} \Big\rceil,\qquad nCnt = \Big\lceil \frac{N}{\text{singleCoreN}} \Big\rceil +$$
+

总输出块数 = $B \times mCnt \times nCnt$。核间分配采用 B→M→N 线性映射（分析见 §四）：块按 (b, m, n) 字典序编号，核 i 处理块 i, i+C, i+2C, …。B 不整除 C 时尾波不满载的核少分一块，无需 B | C。

+

尾轮处理（host 端预处理，零 NPU 开销）：

+

尾轮定义

+

当 $B \cdot mCnt \cdot nCnt \;\%\; C \neq 0$ 时，总块数不能被 C 整除，最后一波（尾轮）不满载——只有 $B \cdot mCnt \cdot nCnt \;\%\; C$ 个核有活干，其余核空闲。

+

尾轮重切：是否值得？

+

关键前提：tiling 在 host（CPU）上完成，不占 NPU 时间。 重切只需 host 多算一套 tiling 参数下发给 NPU，零 NPU 开销。这改变了收益/代价的平衡——重切的代价仅为 host 端多一次枚举，而收益是 NPU 端尾波时延的缩短。

+

不重切时：尾波 $r$ 个块用 $r$ 个核，每核处理 1 块，时延 = $T_{block}$，$C - r$ 核空闲。

+

重切时：把 $r$ 个块沿 M 或 N 维再切 $s$ 份，变成 $r \cdot s$ 个小块，$r \cdot s$ 个核各处理 1 小块，时延 ≈ $T_{block}/s$（每小块计算量/搬移量/写回量均为原块的 $1/s$）。

+

*重切收益*：

+
$$ +\Delta T_{saved} = T_{block} \cdot \Big(1 - \frac{1}{s}\Big) +$$
+

*占总时延比例*：

+
$$ +\frac{\Delta T_{saved}}{T_{total}} \approx \frac{1 - 1/s}{n_{wave}} +$$
+

$n_{wave} = 2$、$s = C/r$ 时：$r=16$ → 收益 25%；$r=8$ → 收益 37.5%。$n_{wave} = 3$ 时：$r=16$ → 16.7%；$r=8$ → 25%。**$n_{wave} \le 3$ 时收益显著，应重切。**

+

*重切约束的推导*：沿 N 切 $s$ 份后，小块变为 $[\text{singleCoreM},\; \text{singleCoreN}/s]$。小块须满足两类约束——但约束的严格程度取决于算子是访存 Bound 还是计算 Bound。

+

**访存 Bound（$T_{MTE2} \ge T_{MMAD}$）**：搬移是瓶颈，小块的 dValue 和搬移量不能降——否则搬移更慢，总时延反而增加。约束与主 tile 相同：

+
    +
  1. dValue 下限：B 矩阵 dValue = $\text{singleCoreN}_{tail} \cdot dtype \ge 256\text{B}$（沿 N 切时）：
    2. +
+
$$ +s \le \frac{\text{singleCoreN} \cdot dtype}{256\text{B}} +$$
+
    +
  1. 单次搬移量：$k_{L1} \cdot \text{singleCoreN}_{tail} \cdot dtype \ge min\_TileSize$：
    2. +
+
$$ +s \le \frac{k_{L1} \cdot \text{singleCoreN} \cdot dtype}{min\_TileSize} +$$
+
    +
  1. 对齐：$\text{singleCoreN}_{tail} \ge 16$：
    2. +
+
$$ +s \le \frac{\text{singleCoreN}}{16} +$$
+

**计算 Bound（$T_{MMAD} > T_{MTE2}$）**：搬移被计算掩盖，dValue 和搬移量约束可放宽——即使搬移效率降低，只要搬移时间仍 ≤ 计算时间，总时延不变。放宽的定量依据：

+

小块计算时延 $T_{comp}^{tail} = 2 \cdot \text{singleCoreM} \cdot \text{singleCoreN}_{tail} \cdot K / Q_{16}$，搬移时延 $T_{load}^{tail} = (\text{singleCoreM} + \text{singleCoreN}_{tail}) \cdot k_{L1} \cdot dtype / BW_{pc}$。搬移被掩盖的条件：

+
$$ +T_{load}^{tail} \le T_{comp}^{tail} \iff \text{singleCoreN}_{tail} \ge \frac{\text{singleCoreM} \cdot k_{L1} \cdot dtype \cdot Q_{16}}{BW_{pc} \cdot (2 \cdot \text{singleCoreM} \cdot K - k_{L1} \cdot dtype \cdot Q_{16} / BW_{pc})} +$$
+

记右端为 $x_{min}$（搬移掩盖下限），则计算 Bound 下的约束为：

+
$$ +s \le \min\Big(\frac{\text{singleCoreN}}{x_{min}},\; \frac{\text{singleCoreN}}{16}\Big) +$$
+

**计算 Bound 越严重（K 越大），$x_{min}$ 越小，$s$ 上限越大**——极端情况 $x_{min} \to 16$（对齐底线），$s \le \text{singleCoreN}/16$。

+

*例*（singleCoreM=singleCoreN=256、$k_{L1}$=128、K=1024、BF16）：$x_{min} = 256 \times 128 \times 2 \times 15.2 \times 10^{12} / (50 \times 10^9 \times (2 \times 256 \times 1024 - 128 \times 2 \times 15.2 \times 10^{12} / 50 \times 10^9)) \approx 1$——几乎无约束，$s \le 256/16 = 16$。

+

*最优切分因子*：先判定 Bound 类型（$T_{MMAD}$ vs $T_{MTE2}$），再选约束集：

+
$$ +s^* = \min\Big(\Big\lfloor \frac{C}{r} \Big\rfloor,\; s_{max}\Big),\qquad s_{max} = \begin{cases} \min\big(\frac{\text{singleCoreN} \cdot dtype}{256\text{B}},\; \frac{k_{L1} \cdot \text{singleCoreN} \cdot dtype}{min\_TileSize},\; \frac{\text{singleCoreN}}{16}\big) & \text{访存 Bound} \\ \frac{\text{singleCoreN}}{16} & \text{计算 Bound} \end{cases} +$$
+

*例*（C=32、$N_{blk}=40$、$n_{wave}=2$、$r=8$、singleCoreM=singleCoreN=256、$k_{L1}$=128、BF16）：

+ +

*切分方向选择*：优先沿 N 切（保持 A 行带完整，L2 中 A 数据不变）。计算 Bound 下若 N 向对齐卡住（$\text{singleCoreN}/16 < C/r$），改沿 M 切（A 矩阵 dValue = $k_{L1} \cdot dtype$ 不变，仅受对齐约束 $\text{singleCoreM}/16$）。

+

结论：$n_{wave} \le 3$ 且 $r < C$ 时应重切尾轮——host 端零代价，NPU 端收益 $T_{block}(1-1/s^*)$。$n_{wave} \ge 4$ 时收益 < 25%，可不重切（通过选择使尾波占比小的 mCnt/nCnt 组合来优化）。

+

尾轮影响的量化

+

设总块数 $N_{blk} = B \cdot mCnt \cdot nCnt$，总波数 $n_{wave} = \lceil N_{blk} / C \rceil$，尾波块数 $r = N_{blk} \bmod C$（$r = 0$ 时无尾波）。

+

不重切时尾波导致的额外时延（相对于完美整除）：

+
$$ +\Delta T_{tail} = \begin{cases} 0 & r = 0 \\ T_{block} \cdot \big(1 - \frac{r}{C}\big) & r > 0 \end{cases} +$$
+

重切后尾波时延降为 $T_{block}/s^*$，额外时延：

+
$$ +\Delta T_{tail}^{re} = \frac{T_{block}}{s^*} \cdot \Big(1 - \frac{r \cdot s^*}{C}\Big) +$$
+

当 $r \cdot s^* = C$（完美重切）时 $\Delta T_{tail}^{re} = 0$——尾波完全消除。

+
+

5.4 核间切分维度选择（按共享代价从低到高）

+

切 B（零共享，先试）→ 切 M（右矩阵 $KN\cdot\text{dtype} \le L2$ 则驻留 L2）→ 切 N（对称）→ 混合切（靠 swizzle + L2 切分管理）→ 降核（见 Step 8）。

+

5.5 swizzle——ASW 滑窗蛇形

+

问题：核间切 M/N 后，同一时刻 C 个核各算一个输出块，它们所需的 A 行块与 B 列块集合就是当前"活跃工作集"。若按行优先顺序朴素分配，一波 C 个块横跨的 A 行、B 列很宽，活跃工作集超过 L2 就回 GM 读（1.6TB/s），重复读代价真实发生。swizzle 要做的就是编排输出块的执行顺序，把每一波核的活跃工作集压到最小。

+

做法：把 M 向每 W 个基本块划为一个"窗口"，遍历顺序为"窗口内先扫 M、扫满 W 行再进下一列 N；一个窗口扫完再进下一个窗口"，且奇数窗口行 N 向反向（蛇形）。效果有二：

+ +

W 怎么取：一波 C 个块的 L2 足迹约为

+
$$ +footprint \approx \big(W \cdot M^t K + \tfrac{C}{W} \cdot K N^t\big) \cdot \text{dtype} +$$
+

由均值不等式，$W + C/W$ 在 $W = \sqrt{C}$ 处取最小——窗口越接近"方形"（W 行 × C/W 列），足迹越小。同时 W 须整除 C，保证每个窗口恰好被整数波核覆盖、窗口边界不把波次切碎。合起来即：

+
$$ +W = \max\{\,d \mid d \mid C,\; d \le \lfloor\sqrt{C}\rfloor\,\} +$$
+

C=32 时 $\sqrt{32} \approx 5.66$，因子 {1,2,4,8,…} 中不超过它的最大者是 4，故 W=4。

+

实例（C=32，W=4，M̃=8，Ñ=8；数字为块的全局执行顺序，一波 32 块）：

+
窗口0（N 正向）                窗口1（N 蛇形反向）
+      ν0  ν1  ν2 …  ν7               ν0   ν1  …  ν7
+ μ0    0   4   8 …  28          μ4   60   56  …  32
+ μ1    1   5   9 …  29          μ5   61   57  …  33
+ μ2    2   6  10 …  30          μ6   62   58  …  34
+ μ3    3   7  11 …  31          μ7   63   59  …  35
+

块 31 = (μ3, ν7)，块 32 = (μ4, ν7)——相邻两个块共用同一条 B 列带（ν7），窗口切换几乎零增量。对比朴素行优先（Ñ=16 时）：一波横跨 2 个 A 行块 + 16 条 B 列带，足迹 (2·M^t + 16·N^t)·K·dtype；滑窗为 (4·M^t + 8·N^t)·K·dtype——M^t≈N^t 时足迹缩小 1/3。

+

窗内为什么不蛇形（对上例中"块 3=(μ3,ν0) → 块 4=(μ0,ν1) 而非 (μ3,ν1)"的说明）：蛇形的收益来自"相邻遍历段共享边界数据"，要分两种边界看：

+ +

5.6 L2 分组（工作集超 L2 时）

+

切的是什么：将 mCnt×nCnt 个基本块划分为若干执行组——每组覆盖输出平面上一个连续矩形区域（若干 singleCoreM × singleCoreN 基本块的集合），使该组所需的 A 行带 + B 列带输入工作集 ≤ L2 可用读入空间；组内所有基本块算完再进下一组，输入只在跨组时换一次。

+

为什么需要它：滑窗压缩的只是"同一波"的足迹；若整个工作集超 128MB L2，跨波次复用落空——上一波窗口的 A 行早被挤出，下一波又得回 GM 读。且 L2 是读写共用的：输出经 fixpipe 写出时若驻留 L2（dirty），会压缩读入可用空间；若直写 GM，则占用与读共享的 1.6TB/s 总线。所以 L2 切分必须与写出策略联合决策。记输入总量 $S_{in} = B(MK+KN)\cdot\text{dtype}$，输出总量 $S_{out} = B \cdot MN \cdot outB$。

+

两个不变量（一切分析的起点）：

+ +

重复读倍率：$r_{in}$ = GM 输入流量 / $S_{in}$。$r_{in} = 1$ 表示每个输入数据从 GM 只读一遍（后续复用全在 L2 命中）——这是 GM 输入流量的下界，L2 管理的全部目标就是让 $r_{in}$ 尽量接近 1。

+

先判定写出会不会 Bound。平均写出带宽需求：

+
$$ +BW_{out} = \frac{S_{out}}{T_{MMAD}} = \frac{B \cdot MN \cdot outB}{2BMNK\,/\,(C \cdot Q_{16})} = \frac{C \cdot Q_{16} \cdot outB}{2K} +$$
+

只与 K、outB 有关（K 越小，单位时间输出越密）。例（BF16 输出，C·Q₁₆=432 TFLOPS）：K=512 → 844 GB/s；K=256 → 1.69 TB/s，已超 GM 总线——此时任何策略都写出 Bound，L2 缓冲只能削峰（fixpipe 以 5.2TB/s 写 L2 吸收突发），平均速率仍受总线限制，应预期 Fixpipe 成为 $T_{total}$ 的 max 项。

+

分场景决策：

+

**场景 A：$S_{in} + S_{out} \le L2$（全驻留）**。输入读一遍（$r_{in}=1$），输出驻留 L2（dirty）异步回写 GM——写出走 5.2TB/s L2 写口，不与读争，也削平了 GM 写突发。无需切分。

+

**场景 B：$S_{in} \le L2$ 但 $S_{in} + S_{out} > L2$（输入能驻留，加上输出超了）。策略：输入驻留、输出直写 GM**。理由链：

+
    +
  1. $S_{in} \le L2$ ⇒ 全部输入可驻留 L2，跨波次复用全部命中 ⇒ $r_{in} = 1$（GM 输入流量达到下界 $S_{in}$）；
    2. +
  2. 输出在本算子内只写不读、零复用收益；若输出也驻留 L2（dirty），超出 L2 的部分会把输入挤出——被挤出的输入后续得回 GM 重读 ⇒ $r_{in} > 1$，GM 流量超出下界；
    3. +
  3. 故让输出直写 GM（fixpipe L0C→GM，不占 L2），把 128MB 全部留给输入，保住 $r_{in} = 1$——GM 总流量保持下界 $S_{in} + S_{out}$；
    4. +
  4. 代价是输出即刻占用 GM 写带宽（与读共享总线），须校验总线不爆：$(S_{in} + S_{out})/T_{MMAD} \le W_{GM}$。
    5. +
+

例：B=8、M=N=4096、K=512、BF16——$S_{in}$≈67MB ≤ L2，$S_{out}$≈268MB 直写 GM；T_MMAD≈318µs，总流量速率 (67+268)MB/318µs ≈ 1.05TB/s < 1.6TB/s ✓。

+

**场景 C：$S_{in} > L2$（输入本身超）。需要分组执行——把 mCnt×nCnt 个基本块划分为若干执行组**，每组内所有基本块的输入工作集不超过 L2 可用空间。输出直写 GM（不占 L2 读入空间）。

+

L2 的软件可控手段：L2 是 Cache 而非 Buffer，软件无法精确控制"哪些数据在 L2 里"。可用的控制手段：

+ +

执行组的划分：

+

*问题*：mCnt×nCnt 个基本块（每块输出 singleCoreM×singleCoreN），按什么粒度分组，使每组的输入工作集 ≤ L2？

+

*每组输入工作集*：一组覆盖 M 向 $m_{grp}$ 个基本块、N 向 $n_{grp}$ 个基本块，即覆盖输出区域 $[m_{grp} \cdot \text{singleCoreM},\; n_{grp} \cdot \text{singleCoreN}]$。该区域需要读入的输入：

+
$$ +WS_{grp} = B \cdot K \cdot \big(m_{grp} \cdot \text{singleCoreM} + n_{grp} \cdot \text{singleCoreN}\big) \cdot \text{dtype} \;\le\; L2 +$$
+

*目标*：最小化组数（组数越少，输入从 GM 的重复读次数越少）。每行 A 被 $n_{grp}$ 个组各读一次，每列 B 被 $m_{grp}$ 个组各读一次：

+
$$ +r_{in} = \frac{n_{grp} \cdot M + m_{grp} \cdot N}{M + N} +$$
+

*求解*：约束 $m_{grp} \cdot \text{singleCoreM} + n_{grp} \cdot \text{singleCoreN} \le D$（其中 $D = L2/(B \cdot K \cdot \text{dtype})$），最小化 $n_{grp} \cdot M + m_{grp} \cdot N$。最优在组内 M/N 向基本块数与输出平面形状成正比时取到：

+
$$ +m_{grp} = \Big\lfloor \frac{D}{2 \cdot \text{singleCoreM}} \Big\rfloor,\qquad n_{grp} = \Big\lfloor \frac{D}{2 \cdot \text{singleCoreN}} \Big\rfloor +$$
+

总组数 $= \lceil mCnt/m_{grp} \rceil \times \lceil nCnt/n_{grp} \rceil$。

+

组内 swizzle：每组内部按 ASW 滑窗蛇形执行（窗口 $W = \max\{d \mid d \mid C,\; d \le \lfloor\sqrt{C}\rfloor\}$，C=32 时 W=4），保证同一波 C 个核的活跃工作集最小。组间切换时输入整体换入——上一组的 A 行带和 B 列带全部失效，从 GM 重新读入下一组的数据。

+

*例*（B=64、M=N=2048、K=1024、BF16、singleCoreM=singleCoreN=256）：$S_{in} = 64 \times (2048 \times 1024 + 1024 \times 2048) \times 2 = 537\text{MB} > 128\text{MB}$。$D = 128\text{MB}/(64 \times 1024 \times 2\text{B}) = 1024$ 元素。$m_{grp} = \lfloor 1024/(2 \times 256) \rfloor = 2$，$n_{grp} = 2$。每组覆盖 $[512, 512]$ 的输出区域，工作集 $= 64 \times 1024 \times (512+512) \times 2 = 128\text{MB} = L2$，恰好装满。总组数 $= (2048/256/2)^2 = 16$。$r_{in} = (2 \times 2048 + 2 \times 2048)/(2048+2048) = 2$——每行 A 被读 2 次，每列 B 被读 2 次。

+

块内分配用错位分核（对角线分配）：线性块号先取 m，n 方向叠加随块号递增的相位偏移，使同一时刻各核落在 M×N 平面的不同对角线上——避免多核同一拍并发读同一行 A / 同一列 B 的同一地址（同地址并发读会串行化，等效带宽打折）。例（8 核、4×4=16 个基本块，k0~k7 为核号）：

+
行优先（不错位）：              错位分核（对角线）：
+      n0  n1  n2  n3                  n0  n1  n2  n3
+ m0   k0  k1  k2  k3             m0   k0  k4  .   .
+ m1   k4  k5  k6  k7             m1   .   k1  k5  .
+ m2   .   .   .   .              m2   .   .   k2  k6
+ m3   .   .   .   .              m3   k7  .   .   k3
+
+同一波：A 行带 m0 被 k0~k3 同读     同一波：每行带、每列带
+（4 路同地址冲突）                  最多 2 核同读（冲突 4→2）
+

冲突度量与优选规则：

+
$$ +transConflict = \max\big(\lceil C / mCnt \rceil,\; \lceil C / nCnt \rceil\big) \le 6 +$$
+

即同一时刻并发核访问同一 A/B 块的最大冲突数不超过阈值（经验值 6）；切分方案中优先选尾波不满载占比小（拖尾 < 一半）的。遍历大方向由 calOrder 决定（0=M 优先、1=N 优先），按形状选共享矩阵更能驻留 L2 的方向。

+

补充：若输出会被后续算子立即消费（融合场景），输出驻留 L2 让下游读命中，场景 B/C 的策略反过来；本文按单算子边界分析。

+

5.7 核内 tiling（BaseM/BaseN/BaseK——L0 级 tile，受 L0 容量直接约束）

+

$\text{BaseM} \times \text{BaseN} \times 4\text{B} \times DB \le L0C$；$\text{BaseM} \times k_{L0} \times \text{dtype} \times 2 \le L0A$、$k_{L0} \times \text{BaseN} \times \text{dtype} \times 2 \le L0B$；内轴按 dValue 256B/512B 对齐。SingleCoreM/N 内部按 BaseM/BaseN 进一步切分为 L0 tile 逐个计算。L1 按容量开双缓冲，余量充足开 4 buffer。

+

5.8 内部特化（参数极限，不是独立分支）

+

单边无 batch 且该侧矩阵小（$M \le 256$、$MK\cdot\text{dtype}\cdot 2 \le L1$、对侧每核循环 ≥4 轮）时小侧整个常驻 L1、只搬一次（L1 全载）。

+

5.9 降核模式实现

+

tiling 时 usedCoreNum = ⌈P⌉（不强制 C），SingleCoreM/N 在 L0C 容量内取最大（$\text{singleCoreM} \times \text{singleCoreN} \times 4\text{B} \le L0C$），每核按标准核内流水（L1→L0→Cube→L0C→Fixpipe）处理自己的输出块；核间无共享无依赖，无需 swizzle 与 L2 切分。降核后 GM 并发搬移核数若 < minCoreNum，带宽利用率上限被压低——这正是降核区 case 时延的瓶颈所在，也是"时延绝对值小、不再继续优化"的定量注脚。

+
+

六、与源码实现的对比

+

源码参考 [cann-ops-nn](https://gitcode.com/cann/ops-nn/tree/master/matmul/batch_mat_mul_v3)（DAV_3510/arch35）。以下按实现方案的 Step 0-8 逐维度对比。

+

6.1 进入条件（IsCapable）

+

源码（batch_matmul_v3_asw_basic_tiling.cpp IsCapable）：

+
// 源码：https://gitcode.com/cann/ops-nn/tree/master/matmul/batch_mat_mul_v3
+1. A/B 非连续转置状态一致（混合则拒绝）
+2. BatchA == BatchB（广播由 ITER_BATCH_BROADCAST 承接）
+3. batchBias <= 1
+4. dtype 限 FP16/BF16
+// 无其他条件——兜底
+ + + +
维度理论源码差异
并行度校验$P = B \cdot MN \cdot 4B / L0C \ge C$无源码不检查 P，靠优先级序靠前分支截胡
降核模式$P < C$ → usedCoreNum = ⌈P⌉无GetNumBlocks() 固定返回 32 核
batch 结构无限制BatchA == BatchB源码排除广播（由分支 4 承接）
+

影响：源码缺少降核分支。P < C 的 case 进入 ASW_Basic 后，所有 32 核仍参与调度，但部分核无实际工作——引入不必要的调度开销。理论上这些 case 应走降核模式（usedCoreNum = ⌈P⌉）。

+

6.2 BaseM / BaseN 确定（§5.1）

+

源码流程（MatMulV3TilingHelper::GetRebalanceBlock，matmul_v3_tiling_helper.cpp L387-492）：

+

*第 1 步——平台指标*（动态读 platformInfo，适配不同产品形态）：

+
$$ +hbmBW = freq \times aicNum \times ddrRate/1024,\qquad l2BW = freq \times aicNum \times l2Rate/1024 +$$
+
$$ +computePower = freq \times 8 \times aicNum \; (\text{BF16}),\quad \text{FP32 时 } /16 +$$
+

*第 2 步——cubeBoundEdge 闭式计算*（L418-419）：

+
$$ +edge = \underbrace{\frac{l2BW}{computePower}}_{\text{① L2 满速供数基准}} + \underbrace{l2CacheUsage \cdot \Big(1-\frac{l2BW}{hbmBW}\Big) \cdot cmr}_{\text{② L2 工作集超容惩罚}} - \underbrace{\frac{1 + l2BW/hbmBW}{kValue}}_{\text{③ K 向复用修正}} +$$
+

其中 $cmr = (M{+}N)/(MN)$、$l2CacheUsage = \max(B \cdot (M{+}N) \cdot K \cdot dtype/L2,\; 1)$。判据：每输出块相对搬运量 $1/baseM + 1/baseN \le edge$ ⟺ 该 tile 处于计算 Bound 侧。

+

三项物理含义（第一性推导）：

+
    +
  1. ① 基准：单核计算 $2MNK$ FLOP 时长为 $2MNK/Q_{16}$，搬运 $(M{+}N)K \cdot dtype$ 字节时长为 $(M{+}N)K \cdot dtype/l2BW$。计算 Bound ⟺ $2MNK/Q_{16} \ge (M{+}N)K \cdot dtype/l2BW$ ⟺ $1/M + 1/N \le 2 \cdot l2BW/(Q_{16} \cdot dtype)$——与 ① 同构（$2/dtype$ 常数吸收进后面的 CUBE_BOUND_RATIO 余量）。
    2. +
+
    +
  1. ② 工作集超 L2 时抬高 edge → 倾向更小 tile：$l2CacheUsage > 1$（工作集 $B(M{+}N)K \cdot dtype$ 超过 L2）时实际供数带宽部分掉到 HBM（$hbmBW < l2BW$）。抬 edge 使判定放宽——较小 tile（工作集小、L2 命中率高、供数更接近 l2BW）也能通过计算 Bound 判定。若坚持大 tile，工作集更大、超 L2 更多、供数掉到 HBM，反而访存 Bound。
    2. +
+
    +
  1. ③ K 大时压低 edge → 倾向更大 tile：K 大计算量大、天然计算 Bound，可接受更大 tile（更小搬运量）而不触访存 Bound。
    2. +
+

*第 3 步——枚举与评分*（L448-483）：

+ +

为什么源码这么做（设计考虑）：cubeBound 是 host 端闭式解析模型，把"该 tile 是否计算 Bound"做成一次不等式比较，替代实测调优；edge 随 shape（K、工作集）和平台（带宽/频率）自适应；双目标帕累托保证解在"算存比"与"负载均衡"之间取平衡。

+

与理论最优的优劣判定：

+ + + + + +
维度理论最优（§5.1）源码判定
tile 面积L0C/4B = 65536（单缓冲满）baseM/baseN 上限 256×256 = 65536✓ 一致
形状方形优先（L0A=L0B 同时装满、baseK 最大）枚举 M/N 独立递减，不强制方形⚠️ 源码可能产出非方形 base（如 256×192），L0B 未满、baseK 被小边限制——可加方形约束改进
baseKmin(L0A/2·BM, L0B/2·BN) 向下 16 对齐GetBaseK：K 全载或 256B/128B/64B/32B/16 递减✓ 一致
访存/计算 Bound 判定§5.2 用粗粒度 Bound 判定（分支级）cubeBound 三项解析模型（tile 级）⚠️ 源码更精细，理论可吸收
负载均衡§5.3 尾轮重切balanceRate 尾块感知评分见 §6.8
+

结论：两者在 tile 面积上殊途同归（都取 L0C 单缓冲满），理论用"方形优先"推导、源码用枚举寻优。源码的 cubeBound 模型是理论"算存比判定"在 tile 粒度上的精细实现，值得理论吸收；源码的不足是枚举不保持方形、baseM/N 硬上限 256 使 per-core tile 无法超过 L0 容量（见 §6.3）。

+

6.3 SingleCoreM / SingleCoreN 确定（§5.2）

+

源码事实：singleCore 与 base 是同一个参数——源码没有分层概念。

+

证据链：ResetBaseDav3510（L144-149）置 baseM = baseN = 256、singleCoreM = baseM；CalL1TilingDefault（L77-78）置 singleCoreM = runInfo.baseM、singleCoreN = runInfo.baseN；枚举后 stepM = CeilDiv(singleCoreM, baseM) = 1、stepN = 1。即每核 tile = L0 tile = baseM×baseN（≤ 256×256），不存在"SingleCore 内部多个 L0 tile 多轮计算"的结构。

+

源码做法：baseM/baseN 由 GetRebalanceBlock 枚举确定（§6.2 的 cubeBound 模型 + balanceRate ≥ 0.9 剪枝 + 尾块感知评分），一次枚举同时决定"每核 tile 大小"与"L0 tile 大小"——因为两者不区分。

+

为什么源码这么做（设计考虑）：单一参数简化 tiling 生成与 kernel 实现——kernel 只需处理"每核一个 baseM×baseN tile"的循环，无需 stepM/stepN 多轮嵌套。代价是每核 tile 被 L0 容量（≤ 256×256）硬性限制。

+

与理论最优的优劣判定（关键差异）：

+ + + + +
维度理论最优（§5.2）源码判定
分层SingleCoreM/N ≥ BaseM/N 显式两层singleCore = base，单层⚠️ 源码是理论的退化特例
SingleCore 上限L1 容量约束（可远超 256）L0C 面积（≤ 256×256）⚠️ 差异
mCnt/nCnt最少切分 ⌈C/B⌉⌈M/baseM⌉×⌈N/baseN⌉，base ≤ 256⚠️ 差异
依据搬入时延最小化（§5.2 拉格朗日）cubeBound + balanceRate 枚举部分一致
+

定量示例（B=64、M=N=2048、K=512、BF16，ASW 承接的 B≥C 且 IterBatch/MergeBatch 不满足的 case）：

+ +

结论：当 L1 容量富余（K 小）时，理论的最少切分原则允许 singleCoreM/N 超过 256（上例 512），mCnt/nCnt 减半，GM→L1 总搬入时延（重复读）减半；源码的 singleCore = base ≤ 256 硬上限导致过度切分，L2 重复读翻倍。源码改进方向：引入 SingleCore/Base 分层，SingleCore 由 L1 容量决定（上限解除 L0 约束），stepM/stepN 多轮 L0 计算。这是理论对源码最实质的一条改进建议。

+

6.4 mCnt / nCnt 与核间分配（§5.3）

+

源码做法：

+
$$ +mCnt = \Big\lceil \frac{M}{baseM} \Big\rceil,\qquad nCnt = \Big\lceil \frac{N}{baseN} \Big\rceil +$$
+

块→核映射：UpdateBasicIndex（batch_mat_mul_v3_asw_block_advanced.h）——index = blockIdx + round × usedCoreNum，matIndex = index % (mCnt × nCnt) 解出 batch 内 (m, n)，B→M→N 线性字典序，与理论 §4 的线性映射一致；batchIdx = index / (mCnt × nCnt) 天然支持广播。usedCoreNum = min(batch×mCore×nCore, aicNum)（GetRebalanceBlock L489）——注意源码也有"降核"：当 batch×mCnt×nCnt < aicNum 时 usedCoreNum 自动收缩，比 §6.1 所述"无降核"更准确：源码无独立的降核 tiling 模板，但 GetRebalanceBlock 收尾会把 usedCoreNum 压到实际块数。

+

与理论最优的优劣判定：

+ + + + +
维度理论最优源码判定
切分数最少切分：mCnt×nCnt = ⌈C/B⌉（§5.2）mCnt = ⌈M/baseM⌉，baseM ≤ 256 固定⚠️ 源码过度切分（§6.3 定量：搬入时延 2 倍）
长宽比B < C 时方形分配（拉格朗日）由 baseM/baseN 枚举自然产生≈ 一致（方形成分由 256×256 上限保证）
核间分配B→M→N 线性映射一致✓
降核P < C → usedCoreNum = ⌈P⌉（§5.9）usedCoreNum = min(batch×m×n, aicNum)≈ 一致（实现路径不同）
+

尾轮处理对比（对应 §5.3）：

+ +

判定：理论更优。源码对 BMM 一律不做尾轮拆分（含估算），对小 $n_{wave}$（2~3 轮）的 case 尾轮浪费可达 25%~50% 核时；理论的重切方案 host 端零 NPU 代价、收益可量化（访存 Bound 受 dValue 约束、计算 Bound 可到对齐底线）。理论方案可作为源码改进建议。

+

6.5 Swizzle（§5.5）

+ + + +
维度理论源码
窗口大小$W = \max\{d : d \mid C, d \le \lfloor\sqrt{C}\rfloor\}$GetAswWindowLen：逻辑一致
蛇形窗口行间 N 向反向，窗内不蛇形一致（rowIdx % 2 != 0 时 n 反向）
尾窗未提及有 tailWindow 分支处理 mCnt 不整除窗长
+

结论：swizzle 实现与理论一致。源码的窗长公式与理论 $W = \max\{d : d \mid C, d \le \lfloor\sqrt{C}\rfloor\}$ 完全相同。但源码对细长 shape（mCnt 小或 nCnt≫mCnt）的方形窗假设不成立时，退化为行优先（mainWindow = min(aswWindowLen, mCnt)），未按 shape 长宽比自适应窗形。

+

6.6 L2 管理（§5.6）

+ + + + +
维度理论源码
启用条件$S_{in} > L2$ 时分组isBigSize(>100MB) && cBatchDimAll < usedCoreNum && transConflict ≤ 6
冲突度量transConflict ≤ 6一致
写出策略$S_{in} \le L2 < S_{in}+S_{out}$ 时输出直写 GM仅 enableL2Cache flag + SetL2CacheHint，无显式输出 non-allocate 决策链
尾波控制优先选尾波不满载占比小的方案TAIL_CONFLICT_RATIO = 0.5
+

差异分析：源码有两个额外限制：

+
    +
  1. 100MB 阈值：小于 100MB 的 case 不启用 L2 cache 管理——理论上 $S_{in} \le L2 = 128$ MB 时不需要分组，100MB < 128MB 留有余量，合理但是经验值；
    2. +
  2. cBatchDimAll < usedCoreNum：batch 数小于核数时才启用——B ≥ C 时不做 L2 分块（由 ASW 承接时不分）。
    3. +
+

源码中理论要求的"输出直写 GM vs 驻留 L2"的写出策略联合决策（场景 B：$S_{in} \le L2 < S_{in}+S_{out}$）未见显式实现。

+

6.7 AL1 全载特化（§5.8）

+ + + +
维度理论源码
条件M ≤ 256，batchA=1，A 驻留 L1，每核 ≥4 轮一致（IsCapable L31-72）
A 搬移GM→L1 一次搬入一致（Nd2Nz DataCopy 一次搬入）
B 搬移每基本块一次一致
+

结论：AL1 全载是理论与源码最吻合的分支。源码注释有笔误（"m should be larger than 256" 实为 ≤256），需注意。

+

6.8 尾轮处理（§5.3）

+

源码的尾轮相关逻辑分布在三处，与理论逐项对比：

+ + + + +
机制源码理论（§5.3）判定
尾块感知评分GetBalanceRateWithTail：尾轮按 √ 拆两维估算后计入 rate$\Delta T_{tail}$ 量化公式≈ 一致（源码是估算、理论是闭式）
BMM 尾轮估算batchInfo ≠ nullptr 时短路为简单比率，不做拆分估算batch 维摊薄尾块效应≈ 一致
实际重切不做（仅 AL1 全载的 CalcTailBasicBlockAL1Full 沿 N 切尾块逼近满载）$n_{wave} \le 3$ 且 $r < C$ 时 host 端重切（$s^*$ 分块 + 第二套 tiling 参数下发）⚠️ 理论更优
重切约束—访存 Bound：dValue ≥ 256B、搬移量 ≥ min_TileSize、16 对齐；计算 Bound：仅 16 对齐—
+

判定：源码对 BMM 的 ASW 路径不做尾轮重切，仅通过枚举选择尾块占比小的组合（balanceRate ≥ 0.9 剪枝）。对于 $n_{wave} = \lceil B \cdot mCnt \cdot nCnt/C \rceil \le 3$ 的 case，理论的重切方案可节省 $T_{block}(1-1/s^*)$ 的尾波时延（$n_{wave}=2$、$r=8$ 时总时延省 25%），且 host 端零 NPU 代价。源码改进建议：在枚举收尾后增加尾轮重切判定（$n_{wave} \le 3$ 时计算 $s^*$ 并生成第二套 tiling 参数）。

+

6.9 降核模式（§5.9）

+ +
维度理论源码
实现usedCoreNum = ⌈P⌉，其余核闲置未实现——GetNumBlocks() 固定返回 32
+

影响：P < C 的 case（小 M/N、小 B）进入 ASW_Basic 后，所有 32 核参与调度但部分核无实际工作。理论上应只调度 ⌈P⌉ 核。这类 case 的时延绝对值小，但多余核的调度开销（tiling 计算、kernel 启动、上下文切换）是真实存在的。

+

6.10 综合评价

+ + + + + + + +
维度评价
核间分配 + swizzle✓ 与理论一致
AL1 全载特化✓ 与理论最吻合
尾轮处理✓ 一致（不重切，选小尾波组合）
BaseM/BaseN 分层⚠️ 源码无显式 SingleCore/Base 分层，baseM=256 实为 SingleCore 级
L2 管理⚠️ 比理论保守（100MB 阈值 + batch 数限制），缺输出写出策略联合决策
降核模式✗ 未实现
经验常数⚠️ CUBE_BOUND_RATIO=0.85、balanceRate=0.9、transConflict=6、TAIL_CONFLICT_RATIO=0.5 等无官方文档推导，边界 case 值得实测复核
+

总体判断：源码的 ASW_Basic 实现在核间分配、swizzle、AL1 全载上与理论高度一致，是经实测调优的工程实现。理论分析的价值在于：

+
    +
  1. 补齐降核模式——P < C 时 usedCoreNum = ⌈P⌉，避免无效核调度；
    2. +
  2. 显式分层——SingleCoreM/N 与 BaseM/N 分开，约束链更清晰；
    3. +
  3. 写出策略联合决策——$S_{in} \le L2 < S_{in}+S_{out}$ 时输出直写 GM 的显式判断；
    4. +
  4. 经验常数的理论依据——cubeBound 模型的三项分解（L2 供数/溢出惩罚/K 向复用）可以从第一性原理推导。
    5. +
+
+

七、程序实现流程图（源码 vs 理论最优）

+

本节给出两张端到端程序实现流程图：从 case 输入（B, M, K, N, dtype 及转置/格式属性）开始，直到所有 tiling & swizzle 参数被清晰计算出来。图 1 严格对应源码实现（每个处理步骤标注所在函数），图 2 对应本文理论最优实现（每个处理步骤标注 §5 的公式出处），§7.3 给出两图差异对照。

+

流程图图例约定：[输入/常量]、<处理与判定>、→ 产出参数；分支用 ├─/└─ 表示；✓/✗ 表示通过/拒绝。

+

7.1 源码 ASW_Basic 程序实现流程图

+

源码入口：BatchMatMulV3AswBasicTiling（op_host/op_tiling/arch35/batch_matmul_v3_asw_basic_tiling.cpp，DAV_3510 注册为第 9 优先级模板 ASW_BASIC）。tiling 层依赖 MatMulV3TilingHelper（matmul_v3_tiling_helper.cpp）与 MatMulV3BasicAswtTiling；kernel 层为 BatchMatMulAswKernel + BatchMatMulAswBlock。

+

阶段 0：进入判定（IsCapable）

+
[B, M, K, N, dtype, isATrans, isBTrans, hasBias, aFormat/bFormat]
+        │
+        ▼
+<A、B 非连续转置状态一致？> ──否──▶ 不进入（回落 BASE 模板）
+        │是
+        ▼
+<batchA == batchB（四维 batch 全部相等，不支持交叉广播）？> ──否──▶ 不进入
+        │是
+        ▼
+<batchBias ≤ 1 ？ dtype ∈ {FP16, BF16}？（B 为 NZ 且 C 为 FP32 时报错）> ──否──▶ 不进入
+        │是
+        ▼
+       进入 ASW_BASIC
+

阶段 1：参数初始化（ResetBase → ResetBaseDav3510）

+
<ResetBaseDav3510>
+ → baseM = 256, baseN = 256（"256 is better base"）
+ → baseK = 128B / aDtypeSize（BF16 取 64）
+ → stepM = stepN = 1, singleCoreK = K
+ → singleCoreM = baseM, singleCoreN = baseN   ← 不分层（本文 §6.3 的过度切分根源）
+ → usedCoreNum = 32, dbL0C = 1, iterateOrder = ITER_COL_FIRST
+

阶段 2：cubeBound 枚举确定 baseM/baseN/baseK（GetRebalanceBlock）

+
[platformInfo: hbmBW、l2BW、singleCoreComputePower = cube_freq×8]
+        │
+        ▼
+<算边缘：cmr = (M+N)/(M·N), computePower = singleCorePower×32
+ l2CacheUsage = max(B·(M+N)·K·dtype / L2, 1)
+ cubeBoundEdge = l2BW/computePower
+               + l2CacheUsage·(1 − l2BW/hbmBW)·cmr
+               − (1 + l2BW/hbmBW)/K >
+        │
+        ▼
+<初始最优：baseMBest = min(align16(M), 256)
+ baseNBest = min(align16(N), floor16(L0C/4B/baseMBest))
+ cubeBoundParamBest = 1/baseMBest + 1/baseNBest
+ isMemoryBound = cubeBoundParamBest > cubeBoundEdge
+ fixpBoundEdge = M·N·hbmBW / ((M+N)·l2BW)>
+        │
+        ▼
+<枚举上界：maxBaseM = GetMaxBaseWithLimit(...)（L0A 容量/bias 表/kL1 对齐/shape 约束）
+ maxBaseN = GetMaxBaseWithLimit(...)（L0B 容量/bias 表/kL1 对齐/shape 约束）>
+        │
+        ▼
+<初值：baseM = clamp16(min(maxBaseM, 256), ≥16)
+ baseN = clamp16(min(maxBaseN, floor16(L0C/4B/baseM)), ≥16)
+ cubeBoundParam = 1/baseM + 1/baseN
+ cubeBoundEdge = cubeBoundEdge × 0.85（CUBE_BOUND_RATIO）
+ balanceRate = GetBalanceRateWithTail(...)>
+        │
+        ▼
+<双层枚举（curBaseM: maxBaseM → 16 步长 baseMAlignUnit；
+           curBaseN: min(maxBaseN, L0C/4B/curBaseM) → 16 步长 baseNAlignUnit）
+    curParam = 1/curBaseM + 1/curBaseN
+    curRate  = GetBalanceRateWithTail(...)
+    ① skip 剪枝：balanceRate ≥ 0.9 且 curParam > cubeBoundParam
+                且 curParam > cubeBoundEdge 且 edge > 0 → 跳过
+    ② FP32 剪枝：FP32 且 curParam < edge 且 mCnt×nCnt > 32
+                时 curBase 须 > 64 → 否则跳过
+    ③ cubeBoundCond：curParam ≤ edge 且 curRate > balanceRate
+                 → 更新解（且 edge = curParam）
+    ④ balanceCond：(curParam/curRate) < (cubeBoundParam/balanceRate)
+                 → 更新解（或比值相等且 curRate 更大）>
+        │
+        ▼
+<收敛：baseM = min(align16(M), baseM), baseN = min(align16(N), baseN)
+ GetBaseK：baseK = min(align16(K), L0A/2/dtype/max(baseM, baseN))
+   A 转置且 B 非转置 → floor16；否则按 256B 对齐或 {128,64,32,16} 候选
+ mCore = ⌈M/baseM⌉, nCore = ⌈N/baseN⌉
+ usedCoreNum = min(B·mCore·nCore, 32)
+ dbL0C = (baseM·baseN·4B·2 ≤ L0C) ? 2 : 1
+ ubDB  = (baseM·baseN·4B ≤ UB) ? 2 : 1>
+ → baseM, baseN, baseK, usedCoreNum, dbL0C, ubDB
+

阶段 3：L1 粒度参数（CalL1Tiling → CalL1TilingDefault）

+
<枚举 stepK = 1 .. min(⌈K/baseK⌉, 8)：
+   kL1 = baseK × stepK
+   容量约束：(baseM·kL1 + baseN·kL1)·dtype·2 ≤ L1
+            且 max(两侧)·2·2 ≤ L1
+   对齐约束：K 内轴时 kL1·dtype ≥ 256B；单次搬移量 ≥ L1_SINGLE_SIZE_LIMIT>
+ → stepKa = stepKb = kL1/baseK
+ → depthA1 = depthB1 = stepK × 2（双缓冲）
+ → singleCoreM = baseM, singleCoreN = baseN   ← 仍不分层
+

阶段 4：L1 buffer 数与 API 级别（DoOpTiling 尾部）

+
<abL1 = baseK·stepKa·(baseM + baseN)·aDtypeSize（hasBias 时加 baseN·biasB）
+ l1BufferNum = (abL1 × 4 ≤ L1) ? 4 : 2>
+        │
+        ▼
+<CheckTensorApiSupport：
+ FP32 且 K > 阈值 且 ND 且非连续 → splitK（kernel 内切 K 保精度）
+ BatchMatMulV3 节点且连续且非 splitK → apiLevel = TENSOR_LEVEL
+ 否则 → apiLevel = BASIC_LEVEL>
+

阶段 5：参数打包（GetTilingKey + GetTilingData）

+
<tilingKey = Trans | Model=BASIC | ApiLevel>
+        │
+        ▼
+<GetTilingDataProcess(BatchMatMulV3BasicTilingData)：
+ usedCoreNum, m = M, n = N, k = K
+ mL1 = min(align16(M), baseM·stepM)
+ nL1 = min(align16(N), baseN·stepN)
+ kL1 = baseK × min(min(stepKb, stepKa), 4)
+ baseM/baseN/baseK、mTailCnt/nTailCnt（CalcTailBasicBlock 尾块拆分）
+ mmadParam、l1BufferNum、l0cDB = dbL0C>
+        │
+        ▼
+<GetTilingDataProcess(MatMulV3TilingData)：
+ tCubeTiling：singleCoreM/N/K、baseM/N/K、depthA1/B1、
+   stepM/N、stepKa/Kb、iterateOrder、dbL0C、BatchNum
+ aswWindowLen = GetAswWindowLen()   ← 从 ⌊√32⌋=5 向下找最大因子 → 4
+ l2CacheDisable = SetDisableL2cache(mL1, kaL1, kbL1, nL1)
+   ← totalSize(=A+B+C) vs L2 → 全/左/右矩阵 L2 uncache 标志>
+ → 完整 tilingData 下发 NPU
+

阶段 6：kernel 运行时映射（BatchMatMulAswBlock + BatchMatMulAswKernel::Process）

+
<Init：blockBaseM/N = tiling.baseM/baseN
+ mCnt = ⌈M/baseM⌉, nCnt = ⌈N/baseN⌉
+ mBaseTail = M − (mCnt−1)·baseM, nBaseTail = N − (nCnt−1)·baseN
+ totalCnt = B·mCnt·nCnt
+ round = ⌈totalCnt/usedCoreNum⌉
+ mainWindow = min(aswWindowLen, mCnt)
+ mainRow = mCnt/mainWindow − 1
+ tailWindow = mCnt − mainRow·mainWindow
+ FP32 且 K > 8192 且 B 为 ND：splitKRound = ⌈K/8192⌉（保精度切 K）>
+        │
+        ▼
+<Process：for j in 0..round−1：
+  newBlockIdx = GetCurrentBlockIdx()
+  UpdateBasicIndex(j, newBlockIdx)：          ← swizzle：滑窗 + 蛇形
+    index = newBlockIdx + j·usedCoreNum        （轮次线性映射）
+    matIndex = index % (mCnt·nCnt)
+    rowIdx = matIndex / nCnt / mainWindow
+    主窗行：mCntIndex = rowIdx·mainWindow + matIndex % mainWindow
+           nCntIndex = (matIndex / mainWindow) % nCnt
+    尾窗行：mCntIndex = mainRow·mainWindow + tailIndex % tailWindow
+           nCntIndex = (tailIndex / tailWindow) % nCnt
+    蛇形：rowIdx 为奇数 → nCntIndex = nCnt − 1 − nCntIndex
+  UpdateBlockParams：singleCoreM = 尾块 ? mBaseTail : baseM
+                    singleCoreN = 尾块 ? nBaseTail : baseN
+  CalcGMOffset：index 反解 (batch, m, n) 索引 → A/B/C 的 GM 偏移
+  mm_.SetSingleShape(singleCoreM, singleCoreN, singleShapeK)
+  mm_.Iterate()（核内标准流水：L1→L0A/L0B→MMAD→L0C→Fixpipe）>
+

源码产出参数汇总（一次 case 的全部 tiling & swizzle 参数）：

+ + + + + + + + + + + + + + + + +
参数产出阶段公式/取值
baseM, baseN阶段 2cubeBound 双层枚举（初值 256×256）
baseK阶段 2min(align16(K), L0A/2/dtype/max(baseM,baseN))
singleCoreM/N阶段 1/3= baseM/baseN（不分层）
singleCoreK阶段 1= K
kL1, stepKa, stepKb阶段 3stepK 枚举（容量 + 256B 对齐）
depthA1, depthB1阶段 3stepK × 2
stepM, stepN阶段 1= 1
dbL0C, ubDB阶段 2容量判断 ×2 ≤ L0C ? 2 : 1
l1BufferNum阶段 4abL1×4 ≤ L1 ? 4 : 2
usedCoreNum阶段 2min(B·mCore·nCore, 32)
mTailCnt, nTailCnt阶段 5CalcTailBasicBlock（尾块再拆分）
aswWindowLen阶段 5⌊√32⌋=5 向下最大因子 → 4
l2CacheDisable阶段 5SetDisableL2cache（totalSize vs L2）
iterateOrder阶段 1ITER_COL_FIRST（列优先）
apiLevel阶段 4TENSOR_LEVEL / BASIC_LEVEL
mmadParam阶段 5HF32 / S8S4 shift
+
+

7.2 理论最优实现的程序实现流程图

+

理论实现按 §5 的推导链组织（§5.1→§5.9），host 端全流程闭式计算，每个判定均可用 B/M/K/N/dtype 与芯片规格的闭式表达。

+

阶段 0：分支进入与降核判定（§二/§5.9）

+
[B, M, K, N, dtype]
+        │
+        ▼
+<P = ⌈C/B⌉（最少切分块数）
+ P < C 且 K 不够走 StreamK 切分？ ──是──▶ 降核模式（§5.9）：
+                                        usedCoreNum = ⌈P⌉，singleCoreM×singleCoreN
+                                        在 L0C 容量内取最大，无 swizzle/L2 切分
+        │否
+        ▼
+       进入 ASW_Basic 主体
+

阶段 1：BaseM/BaseN/BaseK（§5.1/§5.7，L0 级 tile）

+
<BaseM = BaseN = ⌊√(L0C/4B)⌋16 = 256（方形，L0C 单缓冲满载）
+ 例外：M < 256 → BaseM = ⌊M⌋16、BaseN = min(65536/BaseM, N)（被迫非方形）
+      N < 256 对称
+ L0C 流水选择（UnitFlag vs dbL0C 边界判定，见 L0C 流水机制分析 v1.0）：
+   计算/写出 Bound 且 2·tile > L0C → UnitFlag 单缓冲（tile 上限翻倍）
+   MTE2 Bound → 单缓冲即可；带变换/多 batch 分区 → 双缓冲
+ baseK = min(L0A/(2·BaseM·dtype), L0B/(2·BaseN·dtype)) 向下 16 对齐>
+ → BaseM, BaseN, baseK, unitFlag/dbL0C
+

阶段 2：SingleCoreM/N 确定（§5.2 完整枚举，本次 v1.5 重写的核心）

+
<P = ⌈C/B⌉
+ ├─ P = 1（B ≥ C）：
+ │   mCnt = nCnt = 1, singleCoreM = M, singleCoreN = N
+ │   kL1 = min(K, ⌊L1/(2(M+N)·dtype)⌋16)
+ │   约束 3 检查：kL1·dtype ≥ 256B、M·kL1·dtype ≥ min_TileSize、
+ │                kL1·N·dtype ≥ min_TileSize
+ │   ✓ → 确定（tile 跟随 M/N）；✗ → 强制切分进入 P>1 流程
+ └─ P > 1（B < C）——有界枚举：
+    枚举空间：mCnt ≤ ⌈M/BaseM⌉、nCnt ≤ ⌈N/BaseN⌉（约束 4 上界）
+             且 B·mCnt·nCnt ≥ C（约束 1）
+    对每个候选执行评估流水线：
+      ① 对齐：sM = align16(⌈M/mCnt⌉), sN = align16(⌈N/nCnt⌉)
+      ② 约束 4：sM 为 BaseM 整数倍、sN 为 BaseN 整数倍 → 否则剔除
+      ③ 约束 2：kL1 = min(K, ⌊L1/(2(sM+sN)·dtype)⌋16)
+      ④ 约束 3：kL1·dtype ≥ 256B、sM·kL1·dtype ≥ min_TileSize、
+                kL1·sN·dtype ≥ min_TileSize → 否则剔除
+      ⑤ 目标：T_MTE2 = MN/(C/B)·(1/sM + 1/sN)·kL1·dtype/BWpc
+    最优选取：T_MTE2 最小；并列取 r = B·mCnt·nCnt mod C 最大>
+ → singleCoreM, singleCoreN, kL1, mCnt, nCnt, r
+

阶段 3：核间分配（§5.3/§5.4）

+
<usedCoreNum = min(B·mCnt·nCnt, C)（降核场景为 ⌈P⌉）
+ 线性映射：块 (b, m, n) 字典序编号，核 i 处理块 i, i+C, i+2C, ...
+ 切分维度选择（共享代价从低到高）：
+   切 B（零共享，先试）→ 切 M（KN·dtype ≤ L2 则右矩阵驻留 L2）
+   → 切 N（对称）→ 混合切（swizzle + L2 切分管理）→ 降核>
+

阶段 4：尾轮重切（§5.3）

+
<n_wave = ⌈B·mCnt·nCnt/C⌉, r = B·mCnt·nCnt mod C
+ n_wave ≤ 3 且 r > 0 ？ ──否──▶ 不重切（r=0 无尾波；n_wave≥4 收益 <25%）
+        │是
+        ▼
+<判定 Bound 类型：
+ 访存 Bound（T_MTE2 ≥ T_MMAD）：s_max = min(sN·dtype/256B,
+                kL1·sN·dtype/min_TileSize, sN/16)
+ 计算 Bound（T_MMAD > T_MTE2）：s_max = sN/16
+ s* = min(⌊C/r⌋, s_max)
+ 切分方向：优先沿 N（A 行带完整、L2 中 A 不变）；
+          N 向对齐卡住（sN/16 < C/r）改沿 M（A 的 dValue=kL1·dtype 不变）>
+ → s*, 尾轮 tiling 变体（host 端预处理，零 NPU 代价）
+

阶段 5：swizzle 与错位分核（§5.5/§5.6）

+
<W = max{d : d | C, d ≤ ⌊√C⌋}（C=32 → W=4）
+ 执行序：窗口内 M 向 W 个基本块最快 → 扫满 W 行进下一列 N
+         → 窗口扫完进下一窗口，奇数窗口行 N 向蛇形反转
+ 错位分核：同一波 C 核落对角线上，冲突数
+         transConflict = max(⌈C/mCnt⌉, ⌈C/nCnt⌉) ≤ 6（经验阈值）
+ calOrder：按形状选共享矩阵更能驻留 L2 的遍历方向（0=M 优先 / 1=N 优先）>
+ → W, 遍历顺序, calOrder, transConflict 校验
+

阶段 6：L2 分组（§5.6，工作集超 L2 时）

+
<S_in = B(MK+KN)·dtype, S_out = B·MN·outB
+ ├─ S_in + S_out ≤ L2 → 场景 A：全驻留，r_in = 1，无需分组
+ ├─ S_in ≤ L2 < S_in + S_out → 场景 B：输入驻留 + 输出直写 GM
+ │    （校验 (S_in+S_out)/T_MMAD ≤ W_GM 总线不爆）
+ └─ S_in > L2 → 场景 C：分组执行
+    D = L2/(B·K·dtype)
+    m_grp = ⌊D/(2·sM)⌋, n_grp = ⌊D/(2·sN)⌋
+    组数 = ⌈mCnt/m_grp⌉ × ⌈nCnt/n_grp⌉
+    r_in = (n_grp·M + m_grp·N)/(M+N)
+    软件手段：Cache Hint（A/B allocate、C non-allocate）+ CMO
+             + 执行顺序（组内 swizzle，最主要的 L2 管理手段）>
+ → m_grp, n_grp, cacheHint, 执行组划分
+

阶段 7：核内参数汇总与端到端校验（§3.1）

+
<全部参数定稿：
+ BaseM/BaseN/baseK、singleCoreM/singleCoreN、kL1、mCnt/nCnt、usedCoreNum、
+ unitFlag/dbL0C、l1BufferNum、s*（尾轮）、W、calOrder、m_grp/n_grp
+ 端到端时延校验：
+   T = max(T_MTE2, T_MMAD, T_FIX) + T_drain（含尾轮修正 ΔT_tail^re）
+ 不满足预期 → 回溯阶段 2 调整 singleCore 候选重新评估>
+ → 完整 tiling & swizzle 参数集下发 NPU
+

理论产出参数汇总（与源码参数的对应关系）：

+ + + + + + + + + + + + + +
参数产出阶段公式/取值
BaseM, BaseN阶段 1⌊√(L0C/4B)⌋16 = 256（方形；M/N 过小被迫跟随）
baseK阶段 1min(L0A/(2·BaseM·dtype), L0B/(2·BaseN·dtype)) ↓16
singleCoreM/N阶段 2P=1 不切分（=M/N）；P>1 有界枚举 + T_MTE2 最小
kL1阶段 2min(K, ⌊L1/(2(sM+sN)·dtype)⌋16)
mCnt, nCnt阶段 2⌈M/sM⌉, ⌈N/sN⌉
usedCoreNum阶段 0/3min(B·mCnt·nCnt, C)；降核 ⌈P⌉
unitFlag/dbL0C阶段 1Bound 类型 + 容量联合判定
l1BufferNum阶段 7L1 余量 → 2/4 buffer
s*阶段 4min(⌊C/r⌋, s_max)（Bound 分级约束）
W阶段 5`max{d : dC, d ≤ ⌊√C⌋} = 4`
calOrder阶段 5共享矩阵驻留方向选择
m_grp, n_grp阶段 6⌊D/(2·sM)⌋, ⌊D/(2·sN)⌋
cacheHint阶段 6A/B allocate、C non-allocate
+
+

7.3 两张流程图的差异对照

+ + + + + + + + + + + +
步骤源码 ASW_Basic理论最优差异本质
进入判定转置一致性/等 batch/dtype 白名单P 计算 + 广播 + 降核判定源码只拦不支持的输入；理论从并行度出发
BaseM/N硬编码 256 起 + cubeBound 枚举收缩L0C 单缓冲 256 + UnitFlag 流水源码无 UnitFlag；理论按 Bound 类型选流水手段
baseKL0A/2/dtype/max(baseM,baseN)min(L0A/(2·BaseM), L0B/(2·BaseN))/dtype源码取 max 保守（矩形 tile 下另一侧溢出风险）；理论方形双侧用满
singleCore= baseM/baseN（不分层）≥ Base，独立枚举（P=1 不切分）源码 K 小时过度切分，搬入时延可达理论 2 倍（§6.3）
目标函数cubeBoundParam + balanceRate 帕累托（0.85/0.9 经验常数）T_MTE2 闭式最小源码多经验常数；理论有闭式表达式与完备性论证
核间分配usedCoreNum = min(B·mCore·nCore, 32)同 + 降核模式（⌈P⌉）源码无降核（P<C 时仍全核调度）
尾轮CalcTailBasicBlock（尾块再拆分，不重切）尾轮重切 s*（host 零代价，Bound 分级约束）源码不重切，依赖枚举时选尾波小的组合
swizzleaswWindowLen = 4 + 蛇形（UpdateBasicIndex）同公式（W 推导自足迹最小化）一致（§6.5）
错位分核每轮 GetCurrentBlockIdx 动态取块transConflict ≤ 6 + calOrder 显式建模理论显式建模冲突上限与遍历方向
L2 管理SetDisableL2cache（totalSize vs L2 → uncache 标志）三场景分组 + 写出联合决策 + Cache Hint/CMO源码无执行组划分、无输出直写决策（§6.6）
UnitFlag未启用计算 Bound 启用（tile 内 512B 块流水）流水手段代际差异
+
+
+

参考文献

+
    +
  1. [昇腾 950 NPU 架构白皮书](https://public-download.obs.cn-east-2.myhuaweicloud.com/ascend/%E6%98%87%E8%85%BE950%20NPU%E6%9E%B6%E6%9E%84%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf)，华为技术有限公司，2026
    2. +
  2. [cann-ops-nn 源码仓](https://gitcode.com/cann/ops-nn/tree/master/matmul/batch_mat_mul_v3)：batch_mat_mul_v3_asw_basic_tiling.cpp（入口/IsCapable/DoOpTiling）、batch_mat_mul_v3_asw_al1_full_load_basic_tiling.cpp（AL1 全载特化）
    3. +
  3. [cann-ops-nn matmul 源码仓](https://gitcode.com/cann/ops-nn/tree/master/matmul/mat_mul_v3)：matmul_v3_tiling_helper.cpp（ResetBase/GetRebalanceBlock/CalL1Tiling/GetL0C2Out）、matmul_v3_basic_aswt_tiling.cpp（BasicAswt）、matmul_v3_base_tiling_advanced.h（GetTilingData/aswWindowLen/SetDisableL2cache）
    4. +
+
+ + \ No newline at end of file