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。+
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。
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）。
+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）_____________↑| 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：
+同时满足：
+逐条解释：
+| 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。
+总输出块数 $= B \cdot mCnt \cdot nCnt$。并行度约束的正确形式是：
+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。
+每波活跃核所需的 A 行带 + B 列带：
+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：
+**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。
+B 优先分组在任何场景下都不优于线性映射。 根本原因：
+因此 ASW_Basic 采用 B→M→N 线性映射作为核间分配策略。
+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：
+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：
+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：
+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）：
+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：
+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 $k_{L1}$）：
+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）：
+*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）。
+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：
+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
+$m_{grp}$、$n_{grp}$ 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。
+约束 2——L1 容量（双缓冲下驻留当前 tile 的输入）：
+约束 3——搬移效率（dValue 见 §1.4）：
+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：
+（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：
+（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 $mCnt/M + nCnt/N$：
+——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）：
+| B | P = ⌈C/B⌉ | 最优 (mCnt, nCnt) | sM × sN | 形状 |
|---|---|---|---|---|
| 32 | 1 | (1, 1) | 2048 × 512 | 跟随 M/N（不切分） |
| 16 | 2 | (2, 1) | 1024 × 512 | 2:1（整数约束偏离方形） |
| 8 | 4 | (4, 1) | 512 × 512 | 方形（M/N=4 与 P=4 匹配） |
| 4 | 8 | (4, 2) | 512 × 256 | 2:1 |
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）：
+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）：
+*约束 4 过滤*：singleCoreM/singleCoreN 是 BaseM/BaseN 的整数倍；*约束 2 求 $k_{L1}$*：
+*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）*：
+**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）
+*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 × 1024 | 64（128B） | ✗ dValue < 256B | — |
| (4, 2) | 512 × 1024 | 80（160B） | ✗ | — |
| (4, 4) | 512 × 512 | 128（256B） | ✓（512×128×2 = 128KB ≥ 16KB） | 0.500 |
| (8, 4) | 256 × 512 | 160（320B） | ✓ | 0.938 |
| (4, 8) | 512 × 256 | 160 | ✓ | 0.938 |
| (8, 8) | 256 × 256 | 256（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：
+*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。
+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*：
+*占总时延比例*：
+$n_{wave} = 2$、$s = C/r$ 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：
+**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：
+记右端为 $x_{min}$（搬移掩盖下限），则计算 Bound 下的约束为：
+**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：
+*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）：
+重切后尾波时延降为 $T_{block}/s^*$，额外时延：
+当 $r \cdot s^* = C$（完美重切）时 $\Delta T_{tail}^{re} = 0$——尾波完全消除。
+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）。
+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
+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：
+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：
+BatchMatMulAswBlock::UpdateBasicIndex：仅 rowIdx 为奇时 n 反向，窗内 m 最快序不反向），正是这个收益结构的直接实现。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：
+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：
+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：
+SetL2CacheHint）：标记输入为 allocate（读入 L2）或 non-allocate（直读 GM 不过 L2）；标记输出为 non-allocate（直写 GM 不占 L2）；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：
+*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：
+*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：
+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：
+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。
+$\text{BaseM} \times \text{BaseN} \times 4\text{B} \times DB \le L0C$；$\text{BaseM} \times k_{L0} \times \text{dtype} \times 2 \le L0A$、$k_{L0} \times \text{BaseN} \times \text{dtype} \times 2 \le L0B$；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。
+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）。
+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。
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。
+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⌉）。
+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）：
+*第 2 步——cubeBoundEdge 闭式计算*（L418-419）：
+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）：
+*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 |
| baseK | min(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）。
+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。
+源码做法：
+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）：
+GetBalanceRateWithTail（L223-246）：尾块感知的负载均衡率用于枚举评分——mainRound = ⌈totalRound/C⌉-1，尾轮按 √ 拆两维估算（totalTailSplit = FloorDiv(usedCoreNum, 尾块数)），$tailRound = 1/(\sqrt{t} \times (\sqrt{t}+offset-1))$，$rate = (MN/C)/((mainRound+tailRound) \cdot baseM \cdot baseN)$。但 BMM 场景（batchInfo ≠ nullptr）直接短路为简单比率（L237-240：$rate = (B \cdot MN/C)/((mainRound+1) \cdot baseM \cdot baseN)$）——尾轮不做拆分估算，理由是 batch 维已摊薄尾块效应。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。
+| 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。
| 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：
+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。
+| 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。
+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）。
+| 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。
+| 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：
+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。
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 2 | cubeBound 双层枚举（初值 256×256） |
| baseK | 阶段 2 | min(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 3 | stepK 枚举（容量 + 256B 对齐） |
| depthA1, depthB1 | 阶段 3 | stepK × 2 |
| stepM, stepN | 阶段 1 | = 1 |
| dbL0C, ubDB | 阶段 2 | 容量判断 ×2 ≤ L0C ? 2 : 1 |
| l1BufferNum | 阶段 4 | abL1×4 ≤ L1 ? 4 : 2 |
| usedCoreNum | 阶段 2 | min(B·mCore·nCore, 32) |
| mTailCnt, nTailCnt | 阶段 5 | CalcTailBasicBlock（尾块再拆分） |
| aswWindowLen | 阶段 5 | ⌊√32⌋=5 向下最大因子 → 4 |
| l2CacheDisable | 阶段 5 | SetDisableL2cache（totalSize vs L2） |
| iterateOrder | 阶段 1 | ITER_COL_FIRST（列优先） |
| apiLevel | 阶段 4 | TENSOR_LEVEL / BASIC_LEVEL |
| mmadParam | 阶段 5 | HF32 / S8S4 shift |
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 1 | min(L0A/(2·BaseM·dtype), L0B/(2·BaseN·dtype)) ↓16 | |
| singleCoreM/N | 阶段 2 | P=1 不切分（=M/N）；P>1 有界枚举 + T_MTE2 最小 | |
| kL1 | 阶段 2 | min(K, ⌊L1/(2(sM+sN)·dtype)⌋16) | |
| mCnt, nCnt | 阶段 2 | ⌈M/sM⌉, ⌈N/sN⌉ | |
| usedCoreNum | 阶段 0/3 | min(B·mCnt·nCnt, C)；降核 ⌈P⌉ | |
| unitFlag/dbL0C | 阶段 1 | Bound 类型 + 容量联合判定 | |
| l1BufferNum | 阶段 7 | L1 余量 → 2/4 buffer | |
| s* | 阶段 4 | min(⌊C/r⌋, s_max)（Bound 分级约束） | |
| W | 阶段 5 | `max{d : d | C, 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 6 | A/B allocate、C non-allocate |
| 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 |
| baseK | L0A/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 |
| swizzle | aswWindowLen = 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 |