# UnitFlag 能否完全取代 L0C Double Buffer —— 昇腾 950PR（DAV_3510）时序与数据流分析

> 续问：既然 UnitFlag 能在**单个 base 块内部**就把 `max(T_MMAD, T_Fixpipe)` 做满，那 base 块之间是不是就不用考虑 Fixpipe 这一级流水了？两者能否叠加？UnitFlag 能否**完全取代** L0C 双缓冲？
> 分析方法：以 NPU 数据通路 + 流水线时序图为主线，结合 mat_mul_v3 源码证据（dbL0C 决策、enUnitFlag 使能点）与官方约束，逐层论证。
> 配套：同仓《UnitFlag与L0C_DoubleBuffer分析.md》（基础概念与边界）、《3.1_mat_mul_v3源码解析.md》（分支与 tiling）。

---

## 0. 先修正并锁定一个前提事实

> 上一轮文档曾把「普通 ASWT 的 UnitFlag 状态」标记为"待确认"。本轮查实 `GetMDLConfig` 的函数签名后**定死**：

```cpp
// 官方 GetMDLConfig 签名（第 7 个位置参数即 enUnitFlag）
GetMDLConfig(intrinsicsLimit, batchLoop, doMTE2Preload, isVecND2NZ,
             isPerTensor, hasAntiQuantOffset, enUnitFlag=false, ...)

// mat_mul_v3_common.h
constexpr MatmulConfig MM_CFG_NO_PRELOAD =
    GetMDLConfig(false, false, 0, false, false, false, /*enUnitFlag=*/true);
```

`MM_CFG_NO_PRELOAD` 的第 7 个实参是 `true` → **enUnitFlag 被显式开启**。而 mat_mul_v3 的普通 ASWT、A/B 全载、SplitK 等模板 kernel 的默认模板参数就是 `MM_CFG = MM_CFG_NO_PRELOAD`；StreamK 又在自定义搬出回调 `CustomDataCopyOut` 里再显式 `fixpipeParams.unitFlag = MM_FIX_PIPE_UNIT_FLAG(=3)`。

**结论**：mat_mul_v3 在 950PR 的主路径上，**UnitFlag 默认是开启的**（普通模板经 MM_CFG_NO_PRELOAD，StreamK 经回调）。这与"MDL 模板默认不使能"并不矛盾——MDL 默认关，但 mat_mul_v3 用 `GetMDLConfig` 把这一位显式置真了。

---

## 1. 两条掩盖路径的时序本质（先把"流水"画清楚）

设 MTE1（L1→L0）与 MTE2（GM→L1）已由 L1/L0 的 Double Buffer 掩盖（这是 tiling 的常规动作，与本文讨论的 L0C 无关），则单个 base 块的耗时只需关注 **MMAD 计算** 与 **Fixpipe 搬出** 两级：

```
t_mm = baseM·baseN·baseK / R_cube        （MMAD 计算时间，R_cube=8192 FLOP/cycle）
t_fp = baseM·baseN·dtypeC / BW_fp        （Fixpipe 搬出时间，dtypeC=输出dtype字节数）
```

### 1.1 无 DB 无 UnitFlag —— 完全串行

```
块n:   [==== MMAD ====]··等待··[---- Fixpipe ----]
块n+1:                          [==== MMAD ====]··等待··[---- Fixpipe ----]
周期 T = t_mm + t_fp
```

L0C 只有一份，Fixpipe 搬出期间 Cube 不能写 → 块内串行；且当前块 Fixpipe 不结束，下一块 MMAD 不能开始 → 块间也串行。这是最差形态。

### 1.2 只开 L0C Double Buffer —— 块间掩盖

L0C 分两份（A/B），块 n 在 L0C.A 搬出的同时，块 n+1 在 L0C.B 上算：

```
L0C.A(块n):   [==== MMAD ====]········[---- Fixpipe ----]
L0C.B(块n+1):            [==== MMAD ====]········[---- Fixpipe ----]
L0C.A(块n+2):                                   [==== MMAD ====]···
周期 T = max(t_mm, t_fp)
```

**关键**：DB 让"块 n 的 Fixpipe"与"块 n+1 的 MMAD"重叠，把块间等待消掉。但注意两点：

- **掩盖成立的前提一**：`baseM·baseN·4B·2 ≤ L0C`（256KB）→ `baseM·baseN ≤ 32768`，否则 L0C 装不下两份，DB 开不了。baseM=baseN=256 时 `256·256=65536 > 32768`，**恰恰开不了 DB**。
- **掩盖成立的前提二**：`t_mm ≥ t_fp`。若 `t_mm < t_fp`（计算快、搬出慢），块 n+1 的 MMAD 很快算完，仍要空等块 n 的 Fixpipe 收尾 → 周期退化为 `T = t_fp`，瓶颈转移到 Fixpipe，DB 掩盖不充分。

### 1.3 只开 UnitFlag —— 块内 512B 细粒度流水

UnitFlag 把单个 base 块按 512B 切成若干 micro-tile，MMAD 每算完一个 512B 就立即触发对应 Fixpipe，两者在**同一块内**交错：

```
块n(L0C): [M][M][M]...[M]      ← MMAD 按 512B 推进
           [F][F][F]...[F]    ← Fixpipe 跟随 512B，逐段搬出
周期 T ≈ max(t_mm, t_fp) + tail
        （tail = 最后一个 512B micro-tile 的 Fixpipe 尾开销，可忽略）
```

**关键差异**：UnitFlag 不依赖"下一块的 MMAD"来掩盖，它在**当前块内部**就让 Fixpipe 跟着 MMAD 的进度流水走。因此：

- **不要求 L0C 装两份**（不消耗 L0C 容量）；
- **不要求 t_mm ≥ t_fp**：无论谁长谁短，都能逼近 `max(t_mm, t_fp)`。即使 `t_mm < t_fp`，Fixpipe 也是边算边搬，Cube 不停（是 Fixpipe 流水成为瓶颈，而非 Cube 空等）。

---

## 2. 块内能 max 了，块间还需不需要考虑？—— 叠加性论证

这是你追问的核心。我们严格区分两种情形。

### 2.1 情形 A：K 不在单块内累加（一次 Iterate 算完一整块 K）

这是 mat_mul_v3 最常见的形态：一个 base 块的 `singleCoreK` 完整累加进 L0C，算完一次性 Fixpipe 搬出到 GM。

- **开 UnitFlag 后**，单块周期已经是 `≈ max(t_mm, t_fp)`。块 n 的 Fixpipe 段与块 n 的 MMAD 段在时间上**几乎完全重叠**（只差一个 tail）。
- 此时若再开 L0C DB，想做的是"块 n 的 Fixpipe 与块 n+1 的 MMAD 重叠"——但**块 n 的 Fixpipe 已经被块 n 自己的 MMAD 占满了时间窗**，块 n+1 的 MMAD 本可以在块 n 的 Fixpipe 尾段就开始，可 UnitFlag 已经把块 n 的 Fixpipe"摊平"到整个块 n 的计算区间里，块 n+1 能利用的"纯 Fixpipe 空窗"只剩最后一个 tail。

**所以在这个情形下，DB 的块间掩盖与 UnitFlag 的块内掩盖争夺的是同一段时间（同一块的 Fixpipe），被 UnitFlag 掩盖后，DB 几乎无的放矢 → 两者收益不叠加。** 你的判断"开了 UnitFlag，上一块的 cube 计算已经和上一块的 fixpipe 重叠了，就没法再和下一块的 cube 重叠"在 K 内一次累加场景下**成立**。

### 2.2 情形 B：K 在单块内分片累加（多次 Iterate 累加进同一 L0C）

当 `singleCoreK` 很大、被切成多个 `baseK` 分片时，同一 base 块要做多轮 `MMAD→（部分结果留在 L0C）`，**Fixpipe 只在最后一次累加完成后才整体搬出**。

- 这里 UnitFlag 的约束就暴露了：**官方明确「使能 UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」**。也就是说，**L0C 上做多分片 K 累加的场景，UnitFlag 用不了**。
- 此时若 Fixpipe 搬出与后续计算存在串行，**只能靠 L0C DB 做块间掩盖**（一块在累加，另一块的成品在搬出）。

**所以 UnitFlag 的使用边界里明确排除了「L0C K 累加」这一类场景，而这恰恰是多分片大 K 的常见形态 → 这类场景 UnitFlag 无法取代 DB。**

### 2.3 叠加性结论

| 场景 | UnitFlag | L0C DB | 能否叠加 | 主导掩盖 |
|---|---|---|---|---|
| K 一次累加，t_mm≥t_fp，能开DB | 块内掩盖 | 块间掩盖 | **收益不叠加**（同一段 Fixpipe） | 任一即可，UnitFlag 更省 L0C |
| K 一次累加，t_mm<t_fp | 块内掩盖（Cube不停） | 掩盖不足（退化 t_fp） | DB 无效，UnitFlag 主导 | **UnitFlag** |
| K 一次累加，baseM·baseN>32768 | 块内掩盖 | **开不了** | DB 不可用，UnitFlag 主导 | **UnitFlag** |
| K 分片累加（大 K） | **不支持**（多次Iterate一次输出） | 块间掩盖 | UnitFlag 不可用，DB 主导 | **L0C DB** |

---

## 3. UnitFlag 能否完全取代 L0C DB？

**不能完全取代。** 结合上面论证与 NPU 架构约束，分三层说清：

### 3.1 从掩盖能力看：UnitFlag 掩盖域 ⊇ DB（在它能用的场景内）

在「K 一次累加、C 输出 GM、Norm/IBShare/MDL 模板」这个 UnitFlag 的合法域内：

- DB 达到 `max(t_mm,t_fp)` 需要**两个前提**（L0C 装得下两份 + t_mm≥t_fp）；
- UnitFlag 达到 `≈max(t_mm,t_fp)` **几乎无条件**（块内 512B 流水），还省下 L0C 容量（这份容量可用来把 baseM/baseN 做大，减少重复读）。

所以**在 UnitFlag 合法域内，DB 相对它没有独立价值，可以被取代**。你的直觉在这一层是对的。

### 3.2 从合法域看：UnitFlag 有硬约束，DB 是兜底

UnitFlag 的官方约束（缺一不可）：

1. **模板限制**：仅 Norm / IBShare / MDL 三模板；
2. **流水互斥**：使能后**不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水**；
3. **累加限制**：使能 + L0C 累加时，**不支持多次 Iterate、一次 GetTensorC 输出**；
4. **收益前提**：仅当 MMAD 与 Fixpipe 串行且未被 MTE2 等其他流水掩盖时才有收益。

凡是落在这些约束之外的场景（最典型就是 §2.2 的**多分片 K 在 L0C 累加**），UnitFlag 直接不可用，**只能退回到 L0C DB** 做块间掩盖。

### 3.3 从 mat_mul_v3 实际看：默认已开 UnitFlag，DB 是「补位」而非「主选」

- mat_mul_v3 主路径 `MM_CFG_NO_PRELOAD` 已把 enUnitFlag 置真，StreamK 又在回调里显式 `unitFlag=3` → **UnitFlag 是该算子的默认掩盖手段**。
- dbL0C 的判据 `baseM·baseN ≤ 32768` 与"最优 base=256×256"天然冲突（256×256 开不了 DB）——这说明在 950PR 上，**设计者的倾向就是靠 UnitFlag 做块内掩盖，DB 只在 base 块被迫做小（如矩形 256×128）或落在 UnitFlag 约束之外时补位**。

**最终判断**：UnitFlag 在其合法域内可以取代 L0C DB（且更优），但因「模板/流水互斥/累加」三重硬约束，它**无法覆盖全部场景**；L0C DB 作为不依赖这些约束的块间掩盖手段，是 UnitFlag 失效场景下的必要补充，两者是**主从互补**关系，而非简单的"新替旧"。

---

### 3.4 对官方三条约束的逐条考据（答疑）

针对三条容易被误读的官方约束，逐一给出原文出处、准确含义、以及在 mat_mul_v3 / 950PR 上的实际适用性。

#### 3.4.1 「UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」——具体是什么约束？

**官方原文出处**（两处，措辞略异，商用版更完整）：

- 昇腾社区官网 CANN 社区版 → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → **《Matmul 高阶 API 开启 UnitFlag》**，约束条件第 3 条：
  > 开启 UnitFlag 功能时，若同时开启 **L0C 累加** 功能，不支持**多次计算、一次输出**。
  > （注：该页面在线渲染时 "L0C 累加" 一词在部分版本缺失，仅显示"若同时开启功能"，以下方商用版为准。）
- 昇腾社区官网 CANN 商用版 → 同名章节 **《Matmul 高阶 API 使能 UnitFlag》**，约束条件第 3 条（完整表述）：
  > 使能 UnitFlag 功能时，若同时使能 **L0C 累加功能**，不支持**多次 Iterate 计算、一次 GetTensorC 输出**。

**准确含义拆解**：这条约束针对的是 **「同一个 base 块，K 方向分多片，在 L0C 上驻留并多次累加，最后才一次性 GetTensorC 搬出」** 的编程形态。即：

```
// 被禁止的形态：K 在 L0C 内分片累加，最后一次才搬出
for (kSlice = 0; kSlice < kSliceNum; kSlice++) {   // 多次 Iterate
    mm.Iterate();          // 每片 K 的部分结果累加进同一块 L0C（L0C 累加）
}
mm.GetTensorC(c);          // 只在最后一次性搬出（一次输出）
```

**为什么 UnitFlag 与这种形态冲突**：UnitFlag 的硬件机制是「MMAD 每产出 512B 成品，就立即触发 Fixpipe 把这段搬走」。但 L0C 累加形态下，前面若干次 Iterate 的结果是**部分和，还必须留在 L0C 里等后续 K 片继续累加**，不能被搬走。一旦开 UnitFlag，MMAD 算出 512B 就被 Fixpipe 立即搬出，L0C 里就保不住部分和、后续累加无从谈起——两者在"这 512B 到底是驻留还是立即搬走"上直接矛盾，故硬件/API 不允许叠加。

**mat_mul_v3 是否踩这条约束？——不踩（常规路径）**。看 `mat_mul_asw_kernel.h:140-141`：

```cpp
mm_.Iterate();
mm_.GetTensorC(cGlobal_[...], enAtomic || kIndex != 0);   // 每次 Iterate 紧跟一次 GetTensorC
```

mat_mul_v3 的普通 ASWT 是 **「一次 Iterate → 一次 GetTensorC」一一配对**（即使在 splitKRound 循环里，也是 Iterate 与 GetTensorC 成对出现，用 `enAtomic || kIndex!=0` 在 GM 侧做原子加，而非在 L0C 里驻留累加）。它**不是**"多次 Iterate、一次 GetTensorC"，因此常规路径不触碰这条约束，UnitFlag 可用。

**真正会踩这条的场景**：把 split-K 的**核内**部分和放在 L0C 里驻留累加（L0C 累加），或 `intraBlockPartSum`（两 AIV 结果在 L0C 累加）这类显式 L0C 累加特性。StreamK 之所以要绕道 workspace 由 AIV 累加、而不是在 L0C 里累加，正是为了避开这条。

#### 3.4.2 一次 Iterate 最大支持的 K 是多少？

**先澄清概念**：官方约束里没有任何一条把 "一次 Iterate 的 K 上限" 与 UnitFlag 挂钩。**UnitFlag 约束的不是 K 的大小，而是"累加形态"**（见上一条）。一次 Iterate 能算多大的 K，由 **L0C 之外的资源（L1/L0A/L0B 容量、stepKa/stepKb 流水深度、baseK）** 决定，与 UnitFlag 无关：

- 单次 Iterate 的 K 由 `singleCoreK` 决定，而 `singleCoreK` 在 L1 内按 `stepKa·baseK`（A 侧）/ `stepKb·baseK`（B 侧）分多片流水喂给 Cube，**每片的中间结果在同一 L0C 上原地累加**（这是 MMAD 的固有累加语义，不是"多次 Iterate 一次输出"，也不违反 UnitFlag——因为整个 singleCoreK 是一次 Iterate 内部完成的）。
- 换句话说：一次 Iterate 内部，Cube 会在 L0C 上做 `singleCoreK/baseK` 次累加，这在 UnitFlag 下是允许的；UnitFlag 禁止的是"**跨多次 Iterate** 的累加 + 只在最后一次输出"。

**结论**：**没有"一次 Iterate 最大 K 受 UnitFlag 限制"这回事**。一次 Iterate 的 K 上限由 L1/L0 容量与 stepK 流水决定（例如 950PR 上 `maxStepK ≤ 8`、`baseK ≈ 128B/dtype`），UnitFlag 只管"算出的 512B 何时搬出"，不管 K 多大。把这条约束理解成"K 不能超过某值"是误读——它限的是"累加跨几次 Iterate"，不是"K 的绝对大小"。

#### 3.4.3 「不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水」——是什么意思？L1 能直接写回 GM 吗？

**官方原文出处**：同上两篇《Matmul 高阶 API（使能/开启）UnitFlag》，约束条件第 2 条：
> 使能 UnitFlag 功能时，不支持算子内同时存在 **CO1(L0C) 搬出到 Global Memory** 和 **A1(L1) 搬出到 Global Memory** 的两种流水。

**这条的字面意思**：UnitFlag 开启时，同一个算子里不能**同时**出现两类搬出流水——一类是 L0C→GM（结果搬出，走 Fixpipe），另一类是 L1(A1)→GM（从 L1 直接把数据写回 GM）。即搬出通路的"源头"必须统一为 L0C，不能 L0C 和 L1 混着当搬出源。

**「L1 能直接写回 GM 吗？」——分架构看，这正是关键点**：

- **在 950PR（351x 架构）上：不能。** 950 白皮书明确，351x 相对上代**删除了 `L1→GM` 的回写通路**（同时也删除了 `GM→L0A/L0B` 的直达通路），一切矩阵数据的搬出都必须经 `L0C→Fixpipe→GM`。所以**在 950PR 上根本不存在"L1→GM"这条物理通路**，这条约束对 950PR 而言**自然满足、不会触发**——它更像是从支持 L1→GM 的老架构（如部分 A2/A3 代际）沿用过来的兼容性约束。
- **mat_mul_v3 在 950PR 上的搬出源**：普通 ASWT 的结果一律走 `L0C→Fixpipe→GM(C)`（`mm_.GetTensorC(cGlobal...)`），没有任何 L1→GM 的直接搬出 → 符合该约束。

**小结**：这条约束的语义是"搬出源必须唯一（只能是 L0C）"，防止 UnitFlag 的细粒度同步在"两种不同源头的搬出"上产生时序混乱。在 950PR 上由于 L1→GM 通路已被硬件删除，这条约束**自动成立**，不会成为限制 mat_mul_v3 开 UnitFlag 的因素。

#### 3.4.4 三条约束在 mat_mul_v3 / 950PR 上的实际生效性汇总

| 官方约束 | 准确含义 | 950PR 上是否实质限制 mat_mul_v3 |
|---|---|---|
| 仅 Norm/IBShare/MDL 模板 | UnitFlag 只在三个高阶模板下有效 | mat_mul_v3 用 MDL（GetMDLConfig）→ **满足** |
| 不能同时有 CO1→GM 与 A1→GM 两种搬出 | 搬出源必须唯一为 L0C | 351x 已删 L1→GM 通路 → **自动满足，无实质限制** |
| L0C 累加时不支持多次 Iterate 一次输出 | 禁止跨 Iterate 的 L0C 驻留累加 + 末次才搬出 | mat_mul_v3 常规路径是 Iterate/GetTensorC 一一配对 → **不触碰，UnitFlag 可用**；仅显式 L0C 累加（核内 split-K 驻留 / intraBlockPartSum）才触碰 |
| MTE2 Bound 已掩盖时收益小 | Fixpipe 已被搬运流水掩盖时无需再开 | 这是**收益**问题不是**正确性**问题，不影响可用性 |

**由此可得更精确的判断**：mat_mul_v3 在 950PR 上常规路径（含普通 ASWT、A/B 全载、以及把 K 分片放到 GM workspace 由 AIV 累加的 StreamK）**都满足 UnitFlag 的可用条件且默认已开启**；真正被 UnitFlag 排除的是"**在 L0C 里做跨 Iterate 驻留累加**"这一类形态——而这种形态在 mat_mul_v3 里被刻意用"GM 原子加 / workspace + AIV 累加"规避了。这进一步支撑了 §3.3 的结论：**在 950PR 上 UnitFlag 的合法域覆盖了 mat_mul_v3 的全部主路径，L0C DB 的补位空间被压缩得很小**。

---

## 4. 对本项目性能建模与最优方案的直接推论

1. **建模时 Fixpipe 项要分两种掩盖**：在性能模型 `T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE)` 中，`T_FIXPIPE` 的实际暴露量应写成
   - 开 UnitFlag（合法域内）：`T_FIXPIPE_exposed ≈ tail`（512B 尾开销）→ 基本可以忽略，Fixpipe 通常不构成独立瓶颈；
   - 不开 UnitFlag（或不可用）：`T_FIXPIPE_exposed = max(0, t_fp - t_mm)`（DB 掩盖后的残余），且仅当 `baseM·baseN ≤ 32768` 时 DB 才生效，否则 `T_FIXPIPE_exposed = t_fp`（全暴露）。
2. **最优 tiling 的取舍被简化**：既然 UnitFlag 默认开，baseM/baseN 的搜索**不必再为"能否开 L0C DB"让步**，可以更激进地逼近 256×256（重复读最少）。原先"为开 DB 而把 baseN 砍半"的权衡在 UnitFlag 合法域内不成立。这是对 §3.2 `GetRebalanceBlock` 的一处实质修正点。
3. **真正需要单独建模的 K 累加形态**：需要警惕的不是 mat_mul_v3 的主路径，而是"**在 L0C 里做跨 Iterate 驻留累加**"这一类形态（核内 split-K 驻留 / intraBlockPartSum 等）。这类形态被 UnitFlag 约束排除，只能靠 L0C DB 做块间掩盖。mat_mul_v3 的 StreamK 用 workspace + AIV 累加规避了它，因此主路径不受影响；但若未来引入 L0C 驻留累加的新模板，性能模型需为其单列 Fixpipe 掩盖方式（回到 DB 主导）。

---

## 附录：关键证据索引

| 证据 | 位置 |
|---|---|
| UnitFlag 三条约束官方原文（在线） | 昇腾社区官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》（社区版）/ 《Matmul 高阶 API 使能 UnitFlag》（商用版）。社区版直达链接：见任务输入所给 UnitFlag.md 页面 |
| UnitFlag 三条约束官方原文（本地） | `昇腾NPU知识库/CANN社区版9.2.0-beta.1/01_AscendC算子开发/292_..._开启UnitFlag.md`（第19/21行）、`昇腾NPU知识库/CANN商用版9.0.0/01_AscendC算子开发/203_..._使能UnitFlag.md`（第21/23行，表述最完整） |
| GetMDLConfig 签名（第7参=enUnitFlag） | `昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/631_..._GetMDLConfig.md` |
| enUnitFlag 默认值与约束 | `昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/626_..._MatmulConfig.md` |
| UnitFlag 512B 细粒度同步定义 | `昇腾NPU知识库/CANN社区版9.2.0-beta.1/01_AscendC算子开发/292_..._开启UnitFlag.md` |
| 351x 删除 L1→GM / GM→L0 直达通路 | `昇腾NPU知识库/00_硬件/昇腾950_NPU架构白皮书.txt`（CV融合/数据通路章节）；同仓 `昇腾950PR/昇腾950PR架构解读.md` §5.1 |
| MM_CFG_NO_PRELOAD 显式开 enUnitFlag | `ops-nn/matmul/mat_mul_v3/op_kernel/mat_mul_v3_common.h:72` |
| 普通 ASWT Iterate/GetTensorC 一一配对 | `ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_asw_kernel.h:140-141` |
| StreamK 回调显式 unitFlag=3 | `ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_kernel.h:36-37` |
| StreamK K 分片走 workspace + AIV 累加 | `ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_kernel.h:188-259`、`mat_mul_stream_k_block.h` |
| dbL0C 判据 baseM·baseN≤32768 | `ops-nn/matmul/mat_mul_v3/op_host/op_tiling/arch35/matmul_v3_tiling_helper.cpp:490` |