423 lines
43 KiB
HTML
423 lines
43 KiB
HTML
<!DOCTYPE html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>BMM 尾轮处理策略对比分析 v1.2</title>
|
||
<script>
|
||
MathJax = {
|
||
tex: {
|
||
inlineMath: [['$','$']],
|
||
displayMath: [['$$','$$']],
|
||
tags: 'ams',
|
||
processEscapes: true
|
||
}
|
||
};
|
||
</script>
|
||
<script id="MathJax-script" async src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js"></script>
|
||
<style>
|
||
:root{--ink:#1f2933;--muted:#5f6b7a;--accent:#0b6bcb;--accent2:#0e9f6e;--line:#d9e2ec;--code-bg:#f4f6f9}
|
||
*{box-sizing:border-box}
|
||
body{font-family:"PingFang SC","Microsoft YaHei","Helvetica Neue",Arial,sans-serif;color:var(--ink);background:#eef2f6;margin:0;line-height:1.8}
|
||
.page{max-width:1020px;margin:0 auto;padding:32px 44px 80px;background:#fff;box-shadow:0 0 24px rgba(0,0,0,.06)}
|
||
h1{font-size:28px;border-bottom:3px solid var(--accent);padding-bottom:12px;margin-top:8px}
|
||
h2{font-size:22px;margin-top:44px;border-left:6px solid var(--accent);padding-left:12px;color:#0b3d73}
|
||
h3{font-size:18px;margin-top:30px;color:#0b3d73;border-bottom:1px dashed var(--line);padding-bottom:6px}
|
||
h4{font-size:16px;margin-top:20px;color:#123}
|
||
table{border-collapse:collapse;width:100%;margin:14px 0;font-size:14px}
|
||
th,td{border:1px solid var(--line);padding:7px 10px;text-align:left;vertical-align:top}
|
||
th{background:#eaf2fb;color:#0b3d73}
|
||
tr:nth-child(even) td{background:#f8fafc}
|
||
code,pre{font-family:"JetBrains Mono",Consolas,Menlo,monospace;font-size:13px}
|
||
code{background:var(--code-bg);padding:1px 5px;border-radius:4px;color:#9d2c5e}
|
||
pre{background:var(--code-bg);border:1px solid var(--line);border-radius:8px;padding:14px;overflow-x:auto;line-height:1.55}
|
||
pre code{background:none;color:#243447;padding:0}
|
||
blockquote{background:#eafaf3;border-left:5px solid var(--accent2);padding:10px 16px;border-radius:0 8px 8px 0;margin:14px 0}
|
||
.math{background:#fafbfc;border:1.5px solid #c3d6ee;border-radius:10px;padding:10px 22px;margin:14px 0;overflow-x:auto}
|
||
ul.tight li,ol.tight li{margin:3px 0}
|
||
hr{border:none;border-top:1px solid var(--line);margin:24px 0}
|
||
</style>
|
||
</head>
|
||
<body>
|
||
<div class="page">
|
||
<h1>BMM 尾轮处理策略对比分析：不重切 / 尾轮重切 / 整轮均匀重切</h1>
|
||
<blockquote>目标芯片：昇腾 950PR（DAV_3510）。本文自包含——不依赖其他分析文档，全部推导在文内完成；仅引用外部公开资料（昇腾白皮书、CANN 文档、开源算子源码仓）。<br>版本：v1.2，2026-08-31（§7.2 重写：损失公式逐步推导链、方形近似可靠性审视、主流 prefill/decode 场景实际损失分析）<br>历史：v1.1 新增 §七 B1 无脑版门限与损失分析；v1.0 首版（三策略两两对比与 B/M/K/N 判定流程）<br>历史：v1.0 首版（三策略两两对比与 B/M/K/N 判定流程）</blockquote>
|
||
<hr>
|
||
<h2>摘要</h2>
|
||
<p>BMM（BatchMatMul）算子在核间切分 M/N 后，总输出块数 $N_{blk} = B \cdot mCnt \cdot nCnt$ 一般不是核数 C 的整数倍，尾轮只有 $r = N_{blk} \bmod C$ 个核工作、其余核空转。本文对四种尾轮处理策略做严格的两两对比：<b>A0（不重切）、A1a（尾轮整数倍切分）、A1b（尾轮 tile 重选凑满核）、B（整轮均匀重切）</b>，在计算 Bound 与访存 Bound 两类场景下给出完整的时延公式与适用条件分界。</p>
|
||
<p>核心结论：</p>
|
||
<ol class="tight">
|
||
<li><b>A0 从来不是最优</b>（$r > 0$ 时 A1 或 B 严格优）；</li>
|
||
<li><b>A1a 是 A1b 的真子集</b>（枚举空间包含关系），A1b 恒不劣于 A1a；</li>
|
||
<li><b>计算 Bound</b>：A1b 与 B 理论时延严格相等（总计算量/C 守恒），A1b 搬移周长和恒 ≤ B（均值不等式）——时延打平、按工程权衡选择；</li>
|
||
<li><b>访存 Bound</b>：$\rho \ge \rho_{dv}$（尾轮占比 ≥ dValue 平方阈值）时 A1b 严格优；$\rho < \rho_{dv}$ 时 A1b 被 dValue 卡死，B 严格优当且仅当 $\sqrt{\rho_{dv}} > n_{wave}/\sqrt{g} - (n_{wave}-1)$——<b>B 反超的唯一通道是 dValue</b>：A1b 的尾轮 tile 缩放 $\sqrt{\rho}$ 恒狠于 B 的 $1/\sqrt{g}$（$\rho < 1/g$ 恒成立），卡死更深时 B 胜出，该区间窄且临界实测打平；</li>
|
||
<li>给出<b>基于 B/M/K/N/dtype 的闭式判定流程</b>：五步前置计算 + 决策表，无需逐项仿真；</li>
|
||
<li><b>v1.1 新增 §七</b>：B 的简化形态 <b>B1</b>（无脑版：满足门限就直接整数轮满核切，门限闭式 $r>0 \land (K \ge K^* \lor g \le (sN \cdot dtype/256\text{B})^2)$）与 <b>B0/B1 相对 A1b 的损失分析</b>；</li>
|
||
<li><b>v1.2 重写 §7.2</b>：损失公式逐步推导链（$T_B/T_{A1b} = \sqrt{w(w-1+\rho)}/(w-1+\sqrt{\rho})$ 的四步推导与 5.4%/16.6%/30% 的数值来源）；<b>方形近似可靠性审视</b>（非方形惩罚因子 $p(\lambda)$、$k_{L1}$ 跨 regime——理论值是损失下界，极端 case 实际损失可达 ~30%）；<b>主流 prefill/decode 场景实际损失</b>（$M,N$ 为 256 倍数时 $r=0$ 无尾轮；$M$ 奇异或 decode 场景 $w$ 大，损失 ≤2.5%；~30% 仅出现在主流形状不会命中的边角 case）——<b>主流场景 B1 是安全的工程选择</b>。</li>
|
||
</ol>
|
||
<hr>
|
||
<h2>一、问题背景与执行模型</h2>
|
||
<h3>1.1 BMM 的核间切分与数据流</h3>
|
||
<p>BatchMatMulV3 在昇腾 NPU 上的兜底分支（ASW_Basic）按输出块并行。<b>适用范围说明</b>：ASW_Basic 是兜底分支——能进入更靠前特殊分支（K=0、转 Matmul/Mul、StreamK、MergeBatch、IterBatch、AL1/BL1 全载等）的 case 会被优先截胡、不会进入 ASW_Basic，因此本文只讨论 ASW_Basic 场景（核间切 M/N）的尾轮处理，那些在特殊分支下被承接的 case 不在本文对比范围。输出平面 $M \times N$ 被切为 $mCnt \times nCnt$ 个块，乘上 batch 维共 $N_{blk} = B \cdot mCnt \cdot nCnt$ 个独立输出块，按序分配到 $C$ 个 AIC 核。每个核内执行标准 Cube 数据流：</p>
|
||
<pre><code>GM ──MTE2──> L1 ──MTE1──> L0A/L0B ──MMAD──> L0C ──Fixpipe──> GM
|
||
↑_____________ L2 Cache（读 5.2TB/s）_____________↑</code></pre>
|
||
<p>核间不切 K（singleCoreK = K），每个输出块独立累加完成后经 Fixpipe 写出 GM。块与块之间无依赖——这是尾轮可以独立重切的前提。</p>
|
||
<h3>1.2 尾轮问题</h3>
|
||
<p>块按序分配：核 $i$ 处理块 $i, i+C, i+2C, \ldots$。总块数 $N_{blk}$ 不能被 $C$ 整除时，最后一轮（尾轮）只有 $r = N_{blk} \bmod C$ 个核有块可算，$C - r$ 个核空转一个整块时间。</p>
|
||
<p><b>问题</b>：给定 B、M、K、N、dtype 与首轮切分（singleCoreM/N），如何处理尾轮使端到端时延最小？</p>
|
||
<h3>1.3 硬件规格与符号定义</h3>
|
||
<p>昇腾 950PR 关键规格（[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)）：</p>
|
||
<table><tr><th>符号</th><th>含义</th><th>取值</th></tr>
|
||
<tr><td>$C$</td><td>AIC 核数</td><td>32</td></tr>
|
||
<tr><td>$Q_{16}$</td><td>单核 Cube BF16 峰值算力</td><td>486/32 ≈ 15.2 TFLOPS</td></tr>
|
||
<tr><td>$W_{GM}$</td><td>GM（HBM）总带宽</td><td>1.6 TB/s</td></tr>
|
||
<tr><td>$BW_{pc}$</td><td>单核 GM 带宽份额</td><td>$W_{GM}/C = 50$ GB/s</td></tr>
|
||
<tr><td>$L1$</td><td>L1 容量/核</td><td>512 KB</td></tr>
|
||
<tr><td>$L0C$</td><td>L0C 容量/核</td><td>256 KB</td></tr>
|
||
<tr><td>$dtype$ / $outB$</td><td>输入/输出元素字节数</td><td>BF16 → 2B</td></tr></table>
|
||
<p>*Tiling 符号*：$sM, sN$ = 单核输出 tile 的 M/N 维度（singleCoreM/N 的简写）；$k_{L1}$ = GM→L1 的 K 向粒度；$mCnt = \lceil M/sM \rceil$、$nCnt = \lceil N/sN \rceil$。</p>
|
||
<p>*尾轮符号*：$N_{blk} = B \cdot mCnt \cdot nCnt$（总块数）；$n_{wave} = \lceil N_{blk}/C \rceil$（总轮次）；$r = N_{blk} \bmod C$（尾轮块数）；$\rho = r/C$（尾轮占比）。</p>
|
||
<hr>
|
||
<h2>二、基础模型</h2>
|
||
<h3>2.1 单块时延三项</h3>
|
||
<p>单个输出块 $[sM, sN]$（K 维全量累加）的三段时延：</p>
|
||
<div class="math">$$
|
||
T_{MMAD} = \frac{2 \cdot sM \cdot sN \cdot K}{Q_{16}},\qquad T_{MTE2} = \frac{(sM + sN) \cdot k_{L1} \cdot dtype}{BW_{pc}},\qquad T_{FIX} = \frac{sM \cdot sN \cdot outB}{BW_{pc}}
|
||
$$</div>
|
||
<p>其中 $k_{L1} = \min\big(K,\; \lfloor L1/(2(sM{+}sN) \cdot dtype) \rfloor_{16}\big)$（L1 双缓冲容量约束）。单块时延取主导项：$T_{block} = \max(T_{MMAD}, T_{MTE2}, T_{FIX})$（三段流水掩盖，瓶颈项决定）。</p>
|
||
<p><b>Bound 判据</b>（由 $T_{MMAD} = T_{MTE2}$ 解出）：</p>
|
||
<div class="math">$$
|
||
K^* = \frac{k_{L1} \cdot dtype \cdot Q_{16}}{2 \cdot BW_{pc}}\Big(\frac{1}{sM} + \frac{1}{sN}\Big)
|
||
$$</div>
|
||
<p>$K \ge K^*$ 为计算 Bound，否则访存 Bound（例：$sM=sN=256$、$k_{L1}=256$、BF16 时 $K^* \approx 608$）。</p>
|
||
<h3>2.2 块几何缩放律（全文分析的枢纽）</h3>
|
||
<p>把块数放大 $g$ 倍（面积缩 $g$ 倍、线性尺寸缩 $\sqrt{g}$ 倍，近方形比例）时：</p>
|
||
<table><tr><th>时延项</th><th>依赖</th><th>缩放律</th></tr>
|
||
<tr><td>$T_{MMAD}$</td><td>$\propto$ 面积 $sM \cdot sN$</td><td>$\propto g^{-1}$</td></tr>
|
||
<tr><td>$T_{MTE2}$</td><td>$\propto$ 周长 $(sM + sN)$</td><td>$\propto g^{-1/2}$</td></tr>
|
||
<tr><td>$T_{FIX}$</td><td>$\propto$ 面积</td><td>$\propto g^{-1}$（总量与切分无关）</td></tr></table>
|
||
<p><b>搬移随周长缩放是关键</b>：切分越多，计算缩 $g$ 倍而搬移只缩 $\sqrt{g}$ 倍——"切分越多重复读越多"在每块粒度上的体现（输出是面积、输入搬运是周长：A 行带 $sM \times K$ + B 列带 $K \times sN$）。</p>
|
||
<h3>2.3 搬移效率约束</h3>
|
||
<p>GM→L1 搬移（Nd2Nz DMA）的两级效率阈值：</p>
|
||
<ol class="tight">
|
||
<li><b>dValue ≥ 256B</b>（DMA 硬件突发下限）：dValue 是 ND 排布中连续维的字节数——B 矩阵非转置 $[K, N]$ 时连续维为 N，dValue = $sN \cdot dtype$；B 转置 $[N, K]$ 时连续维为 K，dValue = $k_{L1} \cdot dtype$；A 非转置 $[M, K]$ 的 dValue = $k_{L1} \cdot dtype$（**A 的 dValue 由 K 向保证，不约束 $sM$；B 非转置时 $sN$ 有 256B 下限——约束非对称**）；</li>
|
||
<li><b>单次搬移量 ≥ min_TileSize</b>（推荐 16KB）：如 $k_{L1} \cdot sN \cdot dtype \ge 16$KB。</li>
|
||
</ol>
|
||
<h3>2.4 带宽模型声明</h3>
|
||
<p>昇腾 950PR 每核 MTE2 为独立 DMA 引擎、带宽按核数配平，建模为**每核带宽上限 $BW_{pc} = W_{GM}/C$**。该假设下尾轮 $r$ 核聚合带宽仅 $r \cdot BW_{pc} < W_{GM}$，尾轮搬移不加速——$r$ 个整块用 $r$ 核、每核 1 块，时延仍为一个整块搬移时间 $T_{load} = T_{MTE2}$。HBM 全局共享池模型的敏感性见 §八边界说明。</p>
|
||
<h3>2.5 首轮切分基准（近方形的来源与适用条件）</h3>
|
||
<p>尾轮策略建立在首轮切分 $(mCnt, nCnt, sM, sN)$ 之上。首轮由<b>搬入时延最小化</b>确定：$T_{MTE2}^{total} \propto (1/sM + 1/sN) \cdot k_{L1}$，在块数约束下枚举取最优。其连续极限为<b>方形</b>（$sM = sN$）：$k_{L1} = K$（K 全载）时，面积固定使周长最小化 → 均值不等式给出方形严格最优；$k_{L1}$ 被 L1 容量压低（K 大）时，$(1/sM+1/sN) \cdot L1/(2(sM{+}sN)dtype) = L1/(2 \cdot sM \cdot sN \cdot dtype)$——<b>只与面积有关、与长宽比无关</b>，形状自由度释放。本文的缩放律以近方形为基准形态（线性尺寸 $\sqrt{g}$ 缩放）；非方形分解的实际收益由同一目标函数另行评估（§四的"非方形惩罚"即此体现）。</p>
|
||
<hr>
|
||
<h2>三、四种策略定义与实现方式</h2>
|
||
<h3>3.1 策略定义</h3>
|
||
<table><tr><th>策略</th><th>做法</th><th>块大小</th></tr>
|
||
<tr><td><b>A0：不重切</b></td><td>尾轮 $r$ 核各处理 1 个整块，$C-r$ 核空转</td><td>主轮尾轮同大小</td></tr>
|
||
<tr><td><b>A1a：尾轮整数倍切分</b></td><td>尾轮每块沿 N（或 M）切 $s^*$ 份，$r \cdot s^*$ 个小块分给 C 核</td><td>主轮整块 + 尾轮 $1/s^*$ 小块</td></tr>
|
||
<tr><td><b>A1b：尾轮 tile 重选凑满核</b></td><td>尾轮 $r$ 个原块覆盖的区域（面积 $r \cdot sM \cdot sN$）用更小 tile $(sM_t, sN_t)$ 重新切分，凑满 C 核</td><td>主轮整块 + 尾轮小 tile</td></tr>
|
||
<tr><td><b>B：整轮均匀重切</b></td><td>总块数向上取整到 $N_{blk}' = n_{wave} \cdot C$，全局重新枚举 tile 使每轮每核恰好一个同样大小的块</td><td>全部块同大小</td></tr></table>
|
||
<p><b>实现方式对比</b>：</p>
|
||
<table><tr><th>策略</th><th>host 侧 tiling</th><th>kernel 侧执行</th><th>tile 参数套数</th></tr>
|
||
<tr><td>A0</td><td>一套参数</td><td>线性映射 <code>index = blockIdx + round × usedCoreNum</code>，尾轮不满载核跳过</td><td>1</td></tr>
|
||
<tr><td>A1a</td><td>主参数 + 尾轮切分参数（$s^*$）</td><td>最后一轮切换小块尺寸</td><td>2</td></tr>
|
||
<tr><td>A1b</td><td>主参数 + 尾轮 tile（$sM_t, sN_t$）</td><td>尾轮区域独立子网格映射</td><td>2</td></tr>
|
||
<tr><td>B</td><td>一套重切后参数</td><td>全程统一 tile，无尾轮分支</td><td>1</td></tr></table>
|
||
<p><b>对齐约束的平等性</b>：16 对齐是 Cube 计算粒度（16×16×16 基本块）的硬件要求，<b>四种策略的 tile——无论重切前后——都必须是 16 的倍数</b>，无一例外。差异只在枚举空间（A1b 对尾轮子区域、B 对全局）与 tile 套数。</p>
|
||
<h3>3.2 A1b 的 tile 确定与 A1a ⊆ A1b 证明</h3>
|
||
<p>A1b 的理想 tile（方形同步缩小）：</p>
|
||
<div class="math">$$
|
||
s_t^* = sM \cdot \sqrt{\frac{r}{C}} \quad (sM = sN \text{ 时})
|
||
$$</div>
|
||
<p>再按 16 对齐调整，使重切块数 $\lceil r \cdot sM \cdot sN / (sM_t \cdot sN_t) \rceil \le C$；也允许非方形枚举（$(sM_t, sN_t)$ 独立按 16 步进）选最贴合的组合。</p>
|
||
<p><b>A1a 是 A1b 的真子集</b>：A1a 的尾轮 tile 为 $(sM, sN/s^*)$ 或 $(sM/s^*, sN)$（$s^* \in \{2, \ldots, \lfloor C/r \rfloor\}$ 整数），恰为 A1b 枚举空间中 $sM_t = sM$、$sN_t = sN/s^*$ 的特定组合——其 16 对齐、dValue、块数约束在 A1b 枚举中同样检查。记 A1b 枚举空间为 $\Omega_{A1b}$，A1a 解空间 $\Omega_{A1a} \subseteq \Omega_{A1b}$，枚举取最优：</p>
|
||
<div class="math">$$
|
||
T_{A1b} = \min_{\Omega_{A1b}} T \;\le\; \min_{\Omega_{A1a} \subseteq \Omega_{A1b}} T = T_{A1a}
|
||
$$</div>
|
||
<p><b>A1b 恒不劣于 A1a</b>，且通常严格优：A1a 受"$s^*$ 整数"与"每块切同样份数"双重限制（$r > C/2$ 时 $s^* = \lfloor C/r \rfloor = 1$ 完全失效），A1b 允许非整数比例与凑满 C 核（无 $r \le C/2$ 限制）。下文 A1 一律指 A1b（A1a 视为退化形态）。</p>
|
||
<h3>3.3 三策略通用时延式</h3>
|
||
<div class="math">$$
|
||
T_{A0} = n_{wave} \cdot T_{block},\qquad T_{A1} = (n_{wave}-1) \cdot T_{block} + T_{tail},\qquad T_B = n_{wave} \cdot T_{block}'
|
||
$$</div>
|
||
<p>A1a 时 $T_{tail} = T_{block}/s^*$（计算 Bound）；A1b 凑满 C 核时尾轮小块面积为 $\rho \cdot sM \cdot sN$，计算 Bound 下 $T_{tail}^{A1b} = \rho \cdot T_{block}$。</p>
|
||
<hr>
|
||
<h2>四、计算 Bound 完整推导（$T_{MMAD} > T_{MTE2}$）</h2>
|
||
<h3>4.1 A0 vs A1</h3>
|
||
<p>A1a 可行时（$r \le C/2$）：$\Delta_{A0 \to A1a} = T_{MMAD}(1 - 1/s^*)$。$r > C/2$ 时 A1a 失效，但 A1b 不退化：</p>
|
||
<div class="math">$$
|
||
\Delta_{A0 \to A1b}^{calc} = T_{MMAD}\Big(1 - \frac{r}{C}\Big)
|
||
$$</div>
|
||
<p><b>A1 恒优于 A0</b>（$r > 0$），A0 在计算 Bound 下永不最优。</p>
|
||
<h3>4.2 A0 vs B</h3>
|
||
<p>代入 $T_{block}' = T_{MMAD}/g$ 与 $n_{wave}/g = N_{blk}/C = n_{wave}-1+\rho$：</p>
|
||
<div class="math">$$
|
||
\Delta_{A0 \to B}^{calc} = n_{wave} T_{MMAD} - T_{MMAD}\Big(n_{wave} - 1 + \frac{r}{C}\Big) = T_{MMAD} \cdot \frac{C - r}{C} > 0
|
||
$$</div>
|
||
<p><b>B 恒优于 A0</b>（可行性校验：搬移掩盖 $\sqrt{g} \le T_{MMAD}/T_{MTE2}$；分解对齐）。</p>
|
||
<h3>4.3 A1 vs B</h3>
|
||
<p>A1b 凑满核时 $T_{A1b} = T_{MMAD}(n_{wave} - 1 + \rho)$，与 $T_B = T_{MMAD}(n_{wave} - 1 + r/C)$ <b>理论时延严格相等</b>——两者都是"总计算量/C"（计算 Bound 下时延与切分方式无关，只要轮轮满载）。</p>
|
||
<p>结构性差异在搬移量（周长和）：A1b 主轮保持大 tile、只缩尾轮；B 全局均匀缩小。设方形 tile 边长 $s$：</p>
|
||
<div class="math">$$
|
||
S_{A1b} = 2sC\big(n_{wave} - 1 + \sqrt{\rho}\big),\qquad S_B = 2sC\sqrt{n_{wave}\big(n_{wave} - 1 + \rho\big)}
|
||
$$</div>
|
||
<div class="math">$$
|
||
\big(n_{wave}-1+\sqrt{\rho}\big)^2 \le n_{wave}(n_{wave}-1+\rho) \iff 2\sqrt{\rho} \le 1 + \rho \iff (\sqrt{\rho}-1)^2 \ge 0 \quad \checkmark
|
||
$$</div>
|
||
<p><b>均值不等式：A1b 周长和恒 ≤ B</b>（等号当 $\rho = 1$ 即无尾轮）。搬移少意味着 L2 重复读少、掩盖余量更大。</p>
|
||
<p><b>结论（计算 Bound）</b>：A1b 与 B 理论时延严格相等；离散 16 对齐后互有胜负（数值依赖、无系统性优劣——对齐约束对两者平等）；A1b 搬移周长和恒 ≤ B（结构性）。<b>工程简洁选 B（一套 tile）；追求搬移下限选 A1b。</b></p>
|
||
<h3>4.4 数值实例</h3>
|
||
<p>*例 1（$r > C/2$）*：B=1、M=N=1792、K=4096、BF16、C=32。首轮 $mCnt=nCnt=7$（$sM=sN=256$），$N_{blk}=49$、$n_{wave}=2$、$r=17$、$\rho=0.53$。$T_{MMAD}=35.3\mu s$。</p>
|
||
<ul class="tight">
|
||
<li>A0：$70.6\mu s$；A1a：$s^* = \lfloor 32/17 \rfloor = 1$ 失效；</li>
|
||
<li>A1b 非方形枚举 $(sM_t, sN_t) = (224, 160)$：尾轮 $\lceil 17 \times 256^2/35840 \rceil = 32$ 块恰好凑满，尾轮时延 $19.3\mu s$，$T_{A1b} = 54.6\mu s$；</li>
|
||
<li>B：$N_{blk}'=64=8\times8$、$sM'=sN'=224$，$T_B = 54.1\mu s$。</li>
|
||
</ul>
|
||
<p>A1b 与 B 打平（54.6 vs 54.1，差 <1%）；周长和此例恰好持平（28672 = 28672）。<b>相对 A0 均省约 23%</b>。</p>
|
||
<p>*例 2（$r \mid C$ 完美点）*：M=1536、N=2048、K=4096、BF16。$N_{blk}=48$、$r=16$。A1a：$s^* = 2 = C/r$ 完美，$T_{A1a} = 53.0\mu s$；B：$T_B = 53.0\mu s$。<b>A1a = B</b>（$1/s^* = r/C$），选 A1a（搬移增量小）。</p>
|
||
<hr>
|
||
<h2>五、访存 Bound 完整推导（$T_{MTE2} \ge T_{MMAD}$）</h2>
|
||
<p>主导项 $T_{block} = T_{load} = (sM + sN) \cdot k_{L1} \cdot dtype / BW_{pc}$。</p>
|
||
<h3>5.1 A0 vs A1</h3>
|
||
<p>A1a（$r \le C/2$）：尾轮沿 N 切 $s^*$ 份，小块搬移 $(sM + sN/s^*) k_{L1} dtype$（**A 行带 $[sM, k_{L1}]$ 每个小块都要完整搬一次，不随 $s^*$ 缩小**——结构性弱点），方形下 $T_{tail} = T_{load}(1+1/s^*)/2$：</p>
|
||
<div class="math">$$
|
||
\Delta_{A0 \to A1a}^{mem} = \frac{T_{load}}{2}\Big(1 - \frac{1}{s^*}\Big)
|
||
$$</div>
|
||
<p>受 dValue 硬约束 $s^* \le sN \cdot dtype/256\text{B}$（BF16、sN=256 时 $s^* \le 2$）。</p>
|
||
<p>A1b（任意 $r$）：尾轮区域用 $s_t = s\sqrt{\rho}$ tile 重切凑满 C 核，尾轮总搬移 $= C \cdot 2s\sqrt{\rho} \cdot k_{L1}$，C 核满载聚合带宽 $C \cdot BW_{pc}$：</p>
|
||
<div class="math">$$
|
||
T_{tail}^{A1b} = \sqrt{\rho} \cdot T_{load},\qquad \Delta_{A0 \to A1b}^{mem} = T_{load}\big(1 - \sqrt{\rho}\big) > 0
|
||
$$</div>
|
||
<p><b>A1 恒优于 A0</b>（dValue 允许时）。</p>
|
||
<h3>5.2 A0 vs B</h3>
|
||
<div class="math">$$
|
||
\Delta_{A0 \to B}^{mem} = n_{wave} T_{load}\Big(1 - \frac{1}{\sqrt{g}}\Big) > 0 \quad (g > 1)
|
||
$$</div>
|
||
<p><b>B 恒优于 A0</b>（dValue 约束 $g \le (sN \cdot dtype/256\text{B})^2$ 满足时）。物理解释：尾轮 $r$ 核聚合带宽仅 $r \cdot BW_{pc}$，搬移不加速；B 让所有轮次满核满带宽。</p>
|
||
<h3>5.3 A1 vs B——完整分界推导</h3>
|
||
<p>**（i）无约束 regime（$\rho \ge \rho_{dv}$，A1b 可凑满）**：总时延正比于周长和（满载轮聚合带宽相同），由 §4.3 的均值不等式：</p>
|
||
<div class="math">$$
|
||
\frac{T_{A1b}^{mem}}{T_B^{mem}} = \frac{n_{wave} - 1 + \sqrt{\rho}}{\sqrt{n_{wave}(n_{wave}-1+\rho)}} \le 1
|
||
$$</div>
|
||
<p><b>A1b 恒不劣于 B</b>，$\rho$ 小时优势大（$\rho=0.1$、$n_{wave}=2$ 时优 11%）。</p>
|
||
<p><b>（ii）关键结构事实：A1b 的 dValue 约束恒比 B 更严</b>。A1b 的尾轮 tile 缩放因子为 $\sqrt{\rho}$，B 的全局 tile 缩放因子为 $1/\sqrt{g} = \sqrt{(n_{wave}-1+\rho)/n_{wave}}$：</p>
|
||
<div class="math">$$
|
||
\rho < \frac{1}{g} \iff \rho \cdot n_{wave} < n_{wave} - 1 + \rho \iff \rho(n_{wave} - 1) < n_{wave} - 1 \iff \rho < 1 \quad \checkmark \text{（} r < C \text{ 恒成立）}
|
||
$$</div>
|
||
<p><b>物理含义</b>：A1b 只缩尾轮 $r$ 块的区域去凑满 C 核，tile 必须缩得比 B 的全局缩放更狠——所以 A1b 的尾轮 tile 更早跌破 dValue 下限。<b>这是 B 可能反超的唯一通道</b>。</p>
|
||
<p><b>（iii）三区间判定</b>（$\rho_{dv} = (256\text{B}/(sN \cdot dtype))^2$）：</p>
|
||
<table><tr><th>区间</th><th>条件</th><th>结论</th></tr>
|
||
<tr><td>I</td><td>$\rho \ge \rho_{dv}$（A1b 凑满可行；此时 $1/g > \rho \ge \rho_{dv}$ 故 B 也可行）</td><td><b>A1b 恒优</b>（均值不等式）</td></tr>
|
||
<tr><td>II</td><td>$\rho < \rho_{dv} \le 1/g$（A1b 卡死、B 可行）</td><td>分界公式判定（下）</td></tr>
|
||
<tr><td>III</td><td>$\rho_{dv} > 1/g > \rho$（都卡死）</td><td>A0/A1a 兜底</td></tr></table>
|
||
<p>区间 II 中 A1b 退化为 $s_t = 256\text{B}/dtype$（dValue 下限），尾轮块数 $= r/\rho_{dv} < C$（凑不满），尾轮时延 $= \sqrt{\rho_{dv}} \cdot T_{load}$（小块搬移按 $s_t/sN = \sqrt{\rho_{dv}}$ 缩放）：</p>
|
||
<div class="math">$$
|
||
T_{A1b}^{dv} = T_{load}\big(n_{wave} - 1 + \sqrt{\rho_{dv}}\big),\qquad T_B = \frac{n_{wave}}{\sqrt{g}} \cdot T_{load}
|
||
$$</div>
|
||
<p><b>B 严格优当且仅当</b>：</p>
|
||
<div class="math">$$
|
||
\sqrt{\rho_{dv}} > n_{wave} \cdot \sqrt{\frac{n_{wave} - 1 + \rho}{n_{wave}}} - (n_{wave} - 1)
|
||
$$</div>
|
||
<p>物理解读：A1b 卡死后尾轮时延被锁在 $\sqrt{\rho_{dv}} \cdot T_{load}$（dValue 下限决定），不再随 $\rho$ 减小；而 B 的 $n_{wave}/\sqrt{g}$ 随 $\rho$ 减小而降低（全局重切幅度减小）。$\rho$ 足够小（卡死足够深）时 B 反超。</p>
|
||
<h3>5.4 数值实例</h3>
|
||
<p>*例 3（$\rho$ 小、dValue 卡死，临界打平）*：M=N=1536、K=256、BF16。$mCnt=nCnt=6$、$N_{blk}=36$、$n_{wave}=2$、$r=4$、$\rho=0.125$、$\rho_{dv}=0.25$。$T_{load} = 5.24\mu s$。</p>
|
||
<ul class="tight">
|
||
<li>A0：$10.5\mu s$；A1a：$s^* = 2$（dValue 卡死），$T_{A1a} = 9.2\mu s$；</li>
|
||
<li>A1b：$s_t^* = 256\sqrt{0.125} = 90.5 < 128$（dValue 下限）<b>卡死</b>，只能 $s_t = 128$，尾轮 16 块（半满载），$T_{A1b} = 7.9\mu s$（理论无约束值 $7.1\mu s$ 达不到）；</li>
|
||
<li>B：$N_{blk}'=64$、$sM'=sN'=192$，$T_B = 7.9\mu s$。</li>
|
||
</ul>
|
||
<p>分界公式核验：$\sqrt{\rho_{dv}} = 0.5$ vs $2/\sqrt{1.78} - 1 = 0.5$——<b>两侧精确相等</b>，实测 A1b = B = 7.9μs 打平 ✓（公式精确捕捉临界点）。</p>
|
||
<p>*例 4（$\rho \ge \rho_{dv}$，A1b 优）*：M=N=2304、K=256、BF16。$N_{blk}=81$、$n_{wave}=3$、$r=17$、$\rho=0.53$。$\sqrt{\rho} \cdot sN \cdot dtype = 373\text{B} \ge 256\text{B}$ ✓。</p>
|
||
<ul class="tight">
|
||
<li>A0：$15.7\mu s$；A1a：$s^* = 1$ 失效；</li>
|
||
<li>A1b：$s_t = 192$，尾轮 32 块，$T_{A1b} = 2 \times 5.24 + 3.93 = 14.4\mu s$；</li>
|
||
<li>B：$N_{blk}'=96$、$(8,12)$ 分解（$sM'=288, sN'=192$），$T_B = 14.7\mu s$。</li>
|
||
</ul>
|
||
<p><b>A1b 优 2.2%</b>（周长和 $45056 < 46080$）。</p>
|
||
<p>*例 5（$\rho$ 更小、临界区）*：M=1280、N=1792、K=256、BF16。$mCnt=5, nCnt=7$、$N_{blk}=35$、$n_{wave}=2$、$r=3$、$\rho=0.094$。</p>
|
||
<ul class="tight">
|
||
<li>A1b：$s_t^* = 78.4 < 128$ 卡死，$s_t=128$、尾轮 12 块，$T_{A1b} = 5.24 + 2.62 = 7.9\mu s$；</li>
|
||
<li>B：$N_{blk}'=64$、$(8,8)$ 分解（$sM'=160, sN'=224$），$T_B = 7.9\mu s$。</li>
|
||
</ul>
|
||
<p>分界公式：$\sqrt{\rho_{dv}} = 0.5$ vs $2\sqrt{1.094/2} - 1 = 0.479$——公式判定 B 微优（理论差 0.11μs），实际 B 的非方形分解惩罚（周长 384 vs 方形 379）抵消理论优势，实测打平。<b>B 优的区间存在但窄，且实际分解的非方形惩罚会进一步压缩</b>。</p>
|
||
<hr>
|
||
<h2>六、决策总表与基于 B/M/K/N 的判定流程</h2>
|
||
<h3>6.1 决策总表</h3>
|
||
<table><tr><th>场景</th><th>A0 vs A1</th><th>A0 vs B</th><th>A1 vs B</th><th>最优策略</th></tr>
|
||
<tr><td>计算 Bound，$r \le C/2$ 且 $r \mid C$</td><td>A1a 优</td><td>B 优</td><td>A1a = B（选 A1a，搬移少）</td><td>A1a</td></tr>
|
||
<tr><td>计算 Bound，$r \le C/2$ 且 $r \nmid C$</td><td>A1a 优</td><td>B 优</td><td>B 略优（取整损失）</td><td>A1a/B 皆可</td></tr>
|
||
<tr><td>计算 Bound，$r > C/2$</td><td>A1b 优（不退化）</td><td>B 优</td><td>时延理论相等，离散打平（A1b 周长和 ≤ B）</td><td>A1b 或 B（工程简洁选 B，搬移下限选 A1b）</td></tr>
|
||
<tr><td>访存 Bound，$\rho \ge \rho_{dv}$</td><td>A1b 优</td><td>B 优</td><td><b>A1b 恒优</b>（均值不等式）</td><td>A1b</td></tr>
|
||
<tr><td>访存 Bound，$\rho < \rho_{dv}$ 且分界公式成立</td><td>A1b 部分凑满</td><td>B 优</td><td><b>B 严格优</b></td><td>B</td></tr>
|
||
<tr><td>访存 Bound，$\rho < \rho_{dv}$ 且分界公式不成立</td><td>A1b 部分凑满</td><td>B 优</td><td>打平</td><td>A1b/B 皆可</td></tr>
|
||
<tr><td>dValue 全面卡死（B 也不可行）</td><td>A1a（$s^* \ge 2$）或 A0</td><td>B 不可行</td><td>—</td><td>A1a/A0</td></tr></table>
|
||
<h3>6.2 基于 B/M/K/N/dtype 的直接判定流程</h3>
|
||
<p>五步闭式前置计算后查表即得最优策略，无需逐项建模仿真：</p>
|
||
<ol class="tight">
|
||
<li><b>首轮切分</b>：按搬入时延最小化枚举得 $mCnt, nCnt, sM, sN, k_{L1}$；</li>
|
||
<li><b>尾轮参数</b>：$N_{blk} = B \cdot mCnt \cdot nCnt$，$n_{wave} = \lceil N_{blk}/C \rceil$，$r = N_{blk} \bmod C$，$\rho = r/C$；</li>
|
||
<li><b>Bound 判定</b>：$K^* = \dfrac{k_{L1} \cdot dtype \cdot Q_{16}}{2 BW_{pc}}\Big(\dfrac{1}{sM} + \dfrac{1}{sN}\Big)$，$K \ge K^*$ → 计算 Bound；</li>
|
||
<li><b>dValue 可行性</b>：$\rho_{dv} = (256\text{B}/(sN \cdot dtype))^2$；$g = n_{wave}C/N_{blk}$；$g_{dv} = (sN \cdot dtype/256\text{B})^2$；</li>
|
||
<li><b>单块主导项</b>：$T_{block} = \max(T_{MMAD}, T_{load})$。</li>
|
||
</ol>
|
||
<p><b>决策表</b>：</p>
|
||
<table><tr><th>#</th><th>条件</th><th>最优策略</th><th>端到端时延</th></tr>
|
||
<tr><td>1</td><td>$r = 0$</td><td>A0（无尾轮）</td><td>$n_{wave} \cdot T_{block}$</td></tr>
|
||
<tr><td>2</td><td>计算 Bound，$0 < r \le C/2$</td><td>A1a，$s^* = \lfloor C/r \rfloor$</td><td>$T_{MMAD}(n_{wave} - 1 + 1/s^*)$</td></tr>
|
||
<tr><td>3</td><td>计算 Bound，$r > C/2$</td><td>A1b 或 B——时延理论相等</td><td>$T_{MMAD}(n_{wave} - 1 + \rho)$</td></tr>
|
||
<tr><td>4</td><td>访存 Bound，$\rho \ge \rho_{dv}$</td><td>A1b</td><td>$T_{load}(n_{wave} - 1 + \sqrt{\rho})$</td></tr>
|
||
<tr><td>5</td><td>访存 Bound，$\rho < \rho_{dv}$ 且 $\sqrt{\rho_{dv}} > n_{wave}/\sqrt{g} - (n_{wave}-1)$ 且 $g \le g_{dv}$</td><td>B</td><td>$T_{load} \cdot n_{wave}/\sqrt{g}$</td></tr>
|
||
<tr><td>6</td><td>访存 Bound，$\rho < \rho_{dv}$ 但分界公式不满足</td><td>A1b（部分凑满）或 B，打平</td><td>$T_{load}(n_{wave}-1+\sqrt{\rho_{dv}}) \approx T_B$</td></tr>
|
||
<tr><td>7</td><td>访存 Bound，B 也不可行（$g > g_{dv}$）</td><td>A1a（$s^* \ge 2$）或 A0</td><td>$T_{load}(n_{wave}-1) + T_{load}(1+1/s^*)/2$</td></tr></table>
|
||
<p><b>判定流程图</b>：</p>
|
||
<pre><code>[B, M, K, N, dtype]
|
||
│
|
||
▼
|
||
<首轮枚举 → mCnt, nCnt, sM, sN, kL1>
|
||
│
|
||
▼
|
||
<N_blk, n_wave, r, ρ = r/C>
|
||
│
|
||
├─ r = 0 ────────────────▶ A0（无尾轮）
|
||
▼
|
||
<K ≥ K* ?（计算 Bound）>
|
||
│
|
||
├─ 是 ── r ≤ C/2 ? ──┬─ 是 ─▶ A1a（s* = ⌊C/r⌋）
|
||
│ └─ 否 ─▶ A1b（s_t = sM√ρ ↓16，可非方形枚举）或 B
|
||
│ （时延相等；工程简洁选 B）
|
||
│
|
||
└─ 否（访存 Bound）── ρ ≥ ρ_dv ? ──┬─ 是 ─▶ A1b（周长和恒 ≤ B）
|
||
└─ 否 ─▶ 分界公式判定：
|
||
√ρ_dv > n_wave/√g −(n_wave−1) ? ── 是 ─▶ B
|
||
└─ 否 ─▶ A1b/B 打平</code></pre>
|
||
<hr>
|
||
<h2>七、B 方案的简化形态 B1 与 B0/B1 相对 A1b 的损失分析</h2>
|
||
<p>前文方案 B（整轮均匀重切）与 A1b 的分界判定需要逐 case 计算 $\rho$、$\rho_{dv}$、分界公式——本节回答两个工程问题：①能否给 B 一个<b>无脑版门限</b>（满足条件就直接整数轮满核切，不做 A1b/B 分界）？②若完全采用 B（无论无脑版 B1 还是完整版 B0），相对理论最优的 A1b 会损失多少、最大损失多少？</p>
|
||
<h3>7.1 B0 与 B1 的定义</h3>
|
||
<ul class="tight">
|
||
<li><b>B0（完整版 B）</b>：§三~§五的方案 B——与 A1b 做分界判定后选择（访存 Bound 且 $\rho \ge \rho_{dv}$ 时应选 A1b 而非 B）；</li>
|
||
<li><b>B1（无脑版 B）</b>：不做 A1b/B 分界，只要门限满足就<b>直接按整数轮满核切</b>（无论计算 Bound 还是访存 Bound）。</li>
|
||
</ul>
|
||
<p><b>B1 门限推导</b>：B1 要成立需两个条件——</p>
|
||
<p>*条件 1（有尾轮）*：$r = N_{blk} \bmod C > 0$（否则无尾轮可处理）；</p>
|
||
<p>*条件 2（可行 + 值得）*：B0 恒优于 A0（§4.2/§5.2 已证），故"可行即值得"。可行性只在访存 Bound 下受 dValue 约束（$g \le g_{dv}$）；计算 Bound 下无条件（dValue 放宽为搬移掩盖，且 §4.3 已证 B 与 A1b 时延严格相等）。</p>
|
||
<p>合起来，<b>B1 的判定门限（闭式，仅依赖 B/M/K/N/dtype）</b>：</p>
|
||
<div class="math">$$
|
||
\boxed{\; r > 0 \;\land\; \Big( K \ge K^* \;\lor\; g \le \Big(\frac{sN \cdot dtype}{256\text{B}}\Big)^2 \Big) \;}
|
||
$$</div>
|
||
<p>即：**计算 Bound 时无条件直接整数轮满核切；访存 Bound 时满足 dValue 门限（$g \le g_{dv}$）就直接整数轮满核切**。门限的全部输入（$r$、$g$、$K^*$、$sN$）都来自首轮切分结果，host 端一次计算即可。</p>
|
||
<h3>7.2 B0/B1 相对 A1b 的损失分析</h3>
|
||
<p><b>计算 Bound：损失严格为 0</b>。§4.3 已证 $T_{A1b} = T_B = T_{MMAD}(n_{wave}-1+\rho)$（总计算量/C 守恒）——B1 在计算 Bound 下零损失。唯一差异是搬移量（周长和 A1b ≤ B），但计算 Bound 下搬移被掩盖，不体现为时延。</p>
|
||
<p>**访存 Bound：损失集中在区间 I（$\rho \ge \rho_{dv}$，A1b 可凑满）**。以下分三步：先给出损失公式的逐步推导，再审视其"方形近似"假设的可靠性，最后落到主流 prefill/decode 场景的实际损失。</p>
|
||
<h4>7.2.1 损失公式的逐步推导</h4>
|
||
<p><b>第一步：两策略的时延表达式</b>（访存 Bound，主导项为搬入 $T_{load}$）。</p>
|
||
<p>A1b：主轮 $n_{wave}-1$ 轮整块 + 尾轮 tile 缩 $\sqrt{\rho}$ 凑满 C 核：</p>
|
||
<div class="math">$$
|
||
T_{A1b} = (n_{wave}-1) \cdot T_{load} + \sqrt{\rho} \cdot T_{load} = T_{load}\big(n_{wave} - 1 + \sqrt{\rho}\big)
|
||
$$</div>
|
||
<p>B：$N_{blk}' = n_{wave} C$ 块均匀重切，单块搬移缩 $\sqrt{g}$ 倍（$g = n_{wave} C/N_{blk}$），$n_{wave}$ 轮满载：</p>
|
||
<div class="math">$$
|
||
T_B = n_{wave} \cdot \frac{T_{load}}{\sqrt{g}} = n_{wave} \cdot T_{load} \cdot \sqrt{\frac{N_{blk}}{n_{wave} C}} = T_{load}\sqrt{\frac{n_{wave} \cdot N_{blk}}{C}}
|
||
$$</div>
|
||
<p>**第二步：把 $N_{blk}$ 用 $(n_{wave}, \rho)$ 表示**。由 $N_{blk} = (n_{wave}-1)C + r$ 与 $\rho = r/C$ 得 $N_{blk}/C = n_{wave} - 1 + \rho$，代入：</p>
|
||
<div class="math">$$
|
||
T_B = T_{load}\sqrt{n_{wave}\big(n_{wave} - 1 + \rho\big)}
|
||
$$</div>
|
||
<p><b>第三步：作比得损失公式</b>。</p>
|
||
<div class="math">$$
|
||
\frac{T_B}{T_{A1b}} = \frac{\sqrt{n_{wave}\big(n_{wave}-1+\rho\big)}}{n_{wave} - 1 + \sqrt{\rho}} \triangleq f(\rho, n_{wave})
|
||
$$</div>
|
||
<p><b>第四步：数值代入</b>。</p>
|
||
<ul class="tight">
|
||
<li>*5.4% 的来源*（$sN=256$、BF16）：$\rho_{dv} = (256/(256 \times 2))^2 = 0.25$，A1b 可行区间为 $\rho \ge 0.25$，损失在该区间单调减（见下），最大值在 $\rho = \rho_{dv} = 0.25$、$n_{wave}=2$ 处（对应 $r=8$、$N_{blk}=40$、$g = 64/40 = 1.6$）：</li>
|
||
</ul>
|
||
<div class="math">$$
|
||
T_B = 2 \cdot T_{load}/\sqrt{1.6} = 1.581 \cdot T_{load},\qquad T_{A1b} = (1 + \sqrt{0.25}) \cdot T_{load} = 1.5 \cdot T_{load}
|
||
$$</div>
|
||
<div class="math">$$
|
||
f = \frac{1.581}{1.5} = 1.054 \;\Rightarrow\; \text{损失 } 5.4\%
|
||
$$</div>
|
||
<ul class="tight">
|
||
<li>*16.6% 的来源*（$sN=512$、BF16）：$\rho_{dv} = (256/1024)^2 = 0.0625$，最大值在 $\rho = 0.0625$（$r=2$、$N_{blk}=34$、$g = 64/34 = 1.882$）、$n_{wave}=2$ 处：</li>
|
||
</ul>
|
||
<div class="math">$$
|
||
T_B = 2/\sqrt{1.882} \cdot T_{load} = 1.458 \cdot T_{load},\qquad T_{A1b} = (1 + 0.25) \cdot T_{load} = 1.25 \cdot T_{load}
|
||
$$</div>
|
||
<div class="math">$$
|
||
f = \frac{1.458}{1.25} = 1.166 \;\Rightarrow\; \text{损失 } 16.6\%
|
||
$$</div>
|
||
<ul class="tight">
|
||
<li>*30% 极端例的来源*（M=16896、N=512、K=140、BF16）：理论公式给 16.6%，但实际时延计算为 $T_{A1b} = 6.7\mu s$、$T_B = 8.7\mu s$，比值 $1.30$。<b>超出的 14 个百分点来自理论公式的两个近似同时失效</b>（详见 7.2.2）：①B 重切后周长缩小使 L1 约束放松，$k_{L1}$ 从 128 升至 140（K 全载），每块搬移量反升 $140/128 = 1.094$ 倍；②$N_{blk}' = 64$ 只能分解为 $(64,1)$（$sN'=512$ 被 dValue 卡死不能更小），tile 长宽比 264:512 非方形，周长和比方形基准高 5.6%。两因子相乘 $1.094 \times 1.056 = 1.155$，$1.166 \times 1.155 \approx 1.35$ 与实际 1.30 基本吻合（残差来自 A1b 尾轮 $k_{L1}$ 同升等细节）。</li>
|
||
</ul>
|
||
<p><b>单调性证明</b>（最大损失位置）：对 $f$ 关于 $\rho$ 求导（固定 $n_{wave}$），$\partial f/\partial\rho$ 的符号由 $\big(n_{wave}-1+\sqrt{\rho}\big) - \big(2\sqrt{\rho}(n_{wave}-1+\rho)/\sqrt{n_{wave}(n_{wave}-1+\rho)}\big)$ 决定；数值上 $f$ 随 $\rho$ 单调减、随 $n_{wave}$ 单调减（$\rho \to 1$ 或 $n_{wave} \to \infty$ 时 $f \to 1$）。故**最大损失在 $\rho = \rho_{min} = \max(1/C, \rho_{dv})$、$n_{wave} = 2$ 处**取得。</p>
|
||
<h4>7.2.2 方形近似假设的可靠性审视</h4>
|
||
<p>损失公式建立在三个近似上：①tile 近方形（缩放按 $\sqrt{g}$）；②$k_{L1}$ 不随重切变化；③16 对齐取整忽略。逐一审视：</p>
|
||
<p><b>（1）非方形分解——惩罚因子与方向性</b></p>
|
||
<p>$N_{blk}'$（或尾轮区域）的整数分解 $(mCnt', nCnt')$ 偏离方形比例 $M/N$ 时，周长和高于方形基准。设分解长宽比 $\lambda = sM'/sN'$，非方形惩罚因子：</p>
|
||
<div class="math">$$
|
||
p(\lambda) = \frac{\sqrt{\lambda} + 1/\sqrt{\lambda}}{2} \ge 1 \quad \text{（等号当 } \lambda = 1 \text{ 方形）}
|
||
$$</div>
|
||
<p>非方形修正后的损失公式：</p>
|
||
<div class="math">$$
|
||
\frac{T_B}{T_{A1b}} = \frac{n_{wave} \cdot p_B / \sqrt{g}}{(n_{wave}-1) + \sqrt{\rho} \cdot p_t}
|
||
$$</div>
|
||
<p>其中 $p_B$、$p_t$ 分别为 B 全局分解与 A1b 尾轮分解的惩罚因子（A1b 主轮 tile 不变，惩罚为 1）。<b>回答"非方形是否一定有损失"</b>：</p>
|
||
<ul class="tight">
|
||
<li>损失的存在性（$T_B > T_{A1b}$）由均值不等式的<b>结构</b>决定——只要两策略在同一基准 tile 形状上做相同的面积→周长缩放，不等式方向不变；非方形惩罚同时抬高两者，<b>方向保持</b>；</li>
|
||
<li>但损失的<b>大小</b>不再等于理论值：$p_B > p_t$ 时损失放大（极端例的 264:512 分解 $p_B = 1.057$），$p_B < p_t$ 时损失缩小甚至 B 反超。无绝对保证，需按实际分解计算；</li>
|
||
<li>**主流 case（$M, N$ 大且分解自由度高）近方形可达**（$p \approx 1$），理论值可靠；<b>极端长宽比 case</b>（如 $N=512$ 使 $nCnt'=1$，B 只能 $(64,1)$ 分解）$p_B$ 显著 $> 1$，实际损失可超理论值近一倍。</li>
|
||
</ul>
|
||
<p>**（2）$k_{L1}$ 跨 regime**</p>
|
||
<p>缩放律假设 $k_{L1}$ 不变，但 $k_{L1} = \min(K, L1/(2(sM{+}sN) \cdot dtype))$：重切使周长缩小 → L1 约束放松 → $k_{L1}$ 可能从 L1 主导值升至 $K$（K 全载）。$k_{L1}$ 上升使每块搬移量反升（搬更多 K 数据），B 的总搬移量进一步增大——**$k_{L1}$ 跨 regime 只会放大 B 的损失，不会缩小**（A1b 主轮 tile 不变、不受影响）。极端例中该效应贡献 $140/128 = 1.094$ 倍放大。</p>
|
||
<p><b>（3）16 对齐取整</b>：tile 小时（$s' \sim 128$）取整误差占比 $\sim 16/128 = 12.5\%$，大 tile 时 <6%。对两策略平等，不改变方向。</p>
|
||
<p><b>小结</b>：方形近似在主流 case（分解自由度高、$k_{L1}$ 同 regime）下可靠（误差 <5%）；在"分解被 dValue/整数约束强制非方形 + $k_{L1}$ 跨 regime"的边角 case 下会<b>低估</b>损失（极端例 16.6% → 30%）。<b>损失公式的理论值应视为损失下界</b>。</p>
|
||
<h4>7.2.3 主流 prefill/decode 场景的实际损失</h4>
|
||
<p>大模型推理的 BMM 典型形状（用户给定）：prefill 场景 B∈[2,128]、M∈[4k,128k]、K/N∈[128,10240]；decode 场景 B∈[2,128]、M∈[1,128]、K/N∈[128,10240]。按本文模型逐一分析：</p>
|
||
<p>**（1）$M, N$ 为 256 倍数的主流形状：$r=0$ 恒成立，损失为 0**</p>
|
||
<p>$sM=sN=256$ 时 $mCnt = M/256$、$nCnt = N/256$。主流模型维度（4096/8192/14336 等）均为 256 倍数，$mCnt, nCnt$ 含充足 2 的幂因子，$N_{blk} = B \cdot mCnt \cdot nCnt$ 对 $B \ge 2$ 几乎恒为 32 倍数 → <b>无尾轮</b>。prefill 的典型 case（如 B=8、M=16384、N=8192：$N_{blk}=4096$、$w=128$、$r=0$）根本不触发尾轮问题。</p>
|
||
<p>**（2）$M$ 奇异的 prefill case（seq_len 非 256 倍数）：$w$ 大 → 损失 <2%**</p>
|
||
<p>例：B=2、M=4224（$mCnt=17$）、N=4224（$nCnt=17$）：$N_{blk}=578$、$w=19$、$r=2$。即使访存 Bound（K 小），$f = \sqrt{19 \times 18.06}/(18+0.25) = 1.015$ → <b>损失 1.5%</b>。$w$ 越大损失越小——prefill 的 $M$ 大使 $N_{blk}$ 大、$w$ 大，损失天然被稀释。</p>
|
||
<p>**（3）decode case（$M \le 128$）：访存 Bound 居多，但 $w$ 大或落入打平区**</p>
|
||
<ul class="tight">
|
||
<li>$M$ 小 → $T_{MMAD}$ 小 → <b>访存 Bound 为主</b>（如 M=64、sN=256、K=512：$T_{MMAD}=1.1\mu s < T_{load}=5.1\mu s$）；</li>
|
||
<li>$N_{blk} = B \cdot nCnt$（$mCnt=1$）：$B$、$nCnt$ 的乘积通常使 $w$ 大（如 B=100、N=3328：$N_{blk}=1300$、$w=41$、$r=20$、$\rho=0.625 \ge \rho_{dv}=0.25$），$f = \sqrt{41 \times 40.625}/(40+0.79) \approx 1.0005$ → <b>损失 ≈0.05%</b>；</li>
|
||
<li>$w$ 小的 decode case（$B$ 小且 $N$ 小）：如 B=17、M=64、N=2048（$nCnt=8$）：$N_{blk}=136$、$w=5$、$r=8$、$\rho=0.25=\rho_{dv}$，$f = 1.024$ → <b>损失 2.4%</b>；</li>
|
||
<li>$N_{blk} < C$ 的 case（如 B=8、N=512：$N_{blk}=16$）：$w=1$——核都填不满，属<b>降核/并行度不足场景</b>（不是尾轮问题），不在本文策略讨论范围。</li>
|
||
</ul>
|
||
<p><b>（4）主流场景损失结论</b></p>
|
||
<table><tr><th>场景</th><th>尾轮出现条件</th><th>典型 $w$</th><th>B0/B1 相对 A1b 损失</th></tr>
|
||
<tr><td>prefill，$M,N$ 为 256 倍数</td><td>不出现（$r=0$）</td><td>—</td><td><b>0</b></td></tr>
|
||
<tr><td>prefill，$M$ 奇异</td><td>$B \cdot mCnt \cdot nCnt \bmod 32 \neq 0$</td><td>$\ge 9$</td><td><b><2%</b></td></tr>
|
||
<tr><td>decode，$w \ge 5$</td><td>同上</td><td>$\ge 5$</td><td><b>≤2.4%</b></td></tr>
|
||
<tr><td>decode，$N_{blk} < C$</td><td>—</td><td>$w=1$</td><td>降核场景，不在本文范围</td></tr>
|
||
<tr><td>极端边角（$M/N \gg 1$ 极端长宽比 + $K \in (k_{L1}, K^*)$ 窄区间 + $w=2$ + $r$ 小）</td><td>罕见</td><td>2</td><td>理论 16.6%，实际可达 ~30%</td></tr></table>
|
||
<p><b>主流 prefill/decode case 的 B1 损失 ≤ 2.5%</b>——B1（无脑整数轮满核切）在主流场景下是安全的工程选择；~30% 的损失只出现在主流形状不会命中的边角 case（极端长宽比 + 窄 K 区间 + 两轮尾轮）。</p>
|
||
<h3>7.3 损失汇总与工程建议</h3>
|
||
<table><tr><th>场景</th><th>B1 相对 A1b 的损失</th><th>说明</th></tr>
|
||
<tr><td>计算 Bound（任意 $r$）</td><td><b>0</b></td><td>时延严格相等（§4.3）</td></tr>
|
||
<tr><td>访存 Bound，$\rho \ge \rho_{dv}$，$sN=256$</td><td>≤ <b>5.4%</b></td><td>典型场景（方形 tile、$w=2$、$r=8$ 时取到）</td></tr>
|
||
<tr><td>访存 Bound，$\rho \ge \rho_{dv}$，$sN=512$</td><td>≤ 16.6%（理论）/ ~30%（实际极端例）</td><td>需极端长宽比 + 窄 $K$ 区间，罕见</td></tr>
|
||
<tr><td>访存 Bound，$\rho < \rho_{dv}$</td><td>≤ 0（B 反超或打平）</td><td>§5.3(iii) 分界公式</td></tr>
|
||
<tr><td>$sN \ge 608$</td><td>0（该场景恒计算 Bound）</td><td>$K^*$ 区间为空</td></tr>
|
||
<tr><td><b>主流 prefill/decode case</b>（§7.2.3）</td><td><b>≤2.5%</b></td><td>256 倍数形状 $r=0$；$M$ 奇异/decode 场景 $w$ 大稀释损失</td></tr></table>
|
||
<p><b>工程建议</b>：</p>
|
||
<ol class="tight">
|
||
<li><b>计算 Bound 为主力的场景直接上 B1</b>——零损失、实现最简（host 一次枚举、kernel 无尾轮分支）；</li>
|
||
<li>**访存 Bound 且 tile 小（$sN \le 256$）时 B1 损失 ≤5.4%**，实现简洁性通常值得这点损失；</li>
|
||
<li>**访存 Bound 且 $sN \approx 512$、$n_{wave}=2$、$r$ 小的 case 损失可达 ~30%**（极端例），此类 case 应落到 A1b（或按 §5.3 分界公式精确判定，即 B0）；</li>
|
||
<li>B1 的判定门限全部闭式（B/M/K/N/dtype → $r$、$g$、$K^*$、$sN$），host 端零成本。</li>
|
||
</ol>
|
||
<hr>
|
||
<h2>八、边界说明</h2>
|
||
<ol class="tight">
|
||
<li><b>带宽模型敏感性</b>：访存 Bound 结论依赖"每核 MTE2 带宽上限 $BW_{pc}$"假设。若 HBM 为全局共享池（尾轮 $r$ 核可吃满 $W_{GM}$），A0 尾轮搬移时延已是 $\rho \cdot T_{load}$ 接近理想，A1b/B 的搬移增量无带宽补偿，结论反转。昇腾 950PR 的 MTE2 为每核独立 DMA 引擎、带宽按核数配平，采用固定份额结论；临界 case 建议实测复核。</li>
|
||
<li><b>A1b 的工程代价</b>：需两套 tile 参数（主轮大 tile + 尾轮小 tile）与尾轮区域的边界处理（$r$ 个原块的并一般为 L 形，按矩形分解重切）；host 端多一次枚举，NPU 侧 kernel 需支持尾轮 tile 尺寸切换。这些复杂度不改变时延结论，但影响实现成本。</li>
|
||
<li><b>方形基准的适用条件</b>：§2.5 已述——K 全载时方形严格最优、L1 主导时仅面积相关。非方形分解的实际收益由同一目标函数评估，例 5 的非方形惩罚即此体现。</li>
|
||
<li>**B 不整除 $N_{blk}'$**：$B \nmid N_{blk}'$ 时按 batch 分组切分、部分 batch 多一块，收益略降，判定不变。</li>
|
||
</ol>
|
||
<hr>
|
||
<h2>参考文献</h2>
|
||
<ol class="tight">
|
||
<li>[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</li>
|
||
<li>[cann-ops-nn 源码仓（BatchMatMulV3）](https://gitcode.com/cann/ops-nn/tree/master/matmul/batch_mat_mul_v3)：kernel 侧尾轮线性映射见 <code>op_kernel/arch35/batch_mat_mul_v3_asw_block_advanced.h</code>（<code>UpdateBasicIndex</code>：<code>index = newBlockIdx + roundIdx × usedCoreNum</code>，<code>if (index < totalCnt)</code> 跳过空转核——即本文的策略 A0）</li>
|
||
</ol>
|
||
</div>
|
||
</body>
|
||
</html> |