matmul-analysis/BMM/BMM算子优化分析_Release/BMM理论vs源码对比分析_v1.0.md

BMM 理论最优 vs 源码实现对比分析

基于《BMM 算子优化分析 v0.93》与 ops-nn/matmul/batch_mat_mul_v3 源码（DAV_3510）。

---

一、分支选择机制对比

理论（v0.93）：按切分代价从低到高推导

转Matmul → 特殊分支 → MergeBatch/IterBatch → ASW_Basic → StreamK → 降核ASW

核心逻辑：按价格从低到高购买并行度——切 B 免费 → 切 M/N 有重复读代价 → 切 K 有归约代价。每个分支有独立的进入条件（B/M/N/K 闭式表达式），case 落入哪个分支由条件判定。

源码：优先级有序匹配

// batch_matmul_v3_tiling_strategy.h, DAV_3510 优先级
{K_EQUAL_ZERO(0), TO_MUL(1), STREAM_K(2), MERGE_BATCH(3),
 ITER_BATCH_BROADCAST(4), ITER_BATCH_BASICAPI(5), ITER_BATCH(6),
 AL1_FULL_LOAD(7), BL1_FULL_LOAD(8), ASW_BASIC(9), BASE(999)}

优先级从高到低逐个尝试 IsCapable()，第一个返回 true 的分支胜出。

关键差异

维度	理论	源码
选择方式	各分支独立条件判定	优先级有序匹配，first-match
StreamK 位置	最后检查（P<C/2 才考虑）	优先级 3（K=0/K=1 之后立即检查）
转Matmul	独立分支（BatchA=1∨BatchB=1）	无独立分支，由广播/ASW 承接
降核 ASW	独立分支（P<C 且不满足 StreamK）	无独立分支，ASW_Basic 内部处理

源码优先级顺序的风险：StreamK 优先级高于 MergeBatch/IterBatch。若一个 case 同时满足 StreamK 和 IterBatch 的条件（B>C 且 K≥8192），源码会先进入 StreamK——但理论上 B>C 时切 B 免费，不应优先切 K。不过 StreamK 的 IsCapable 条件（batchC×mCnt×nCnt ≤ aicNum/2）实际上排除了 B>C 的 case，所以优先级顺序在实际中不会造成误判。

---

二、逐分支对比

2.1 特殊分支（K=0 / K=1）

理论条件（v0.93 §九）：

• K=0：无计算，C = bias 或 0，纯 AIV 写值
• K=1：退化为逐元素乘，走 AIV 向量通路（GM→UB→Mul→GM）；触发需 B ≥ 2×64 且单 batch 输入输出驻留 UB

源码实现：

BATCH_MATMUL_INPUT_K_EQUAL_ZERO（优先级 0）：

// batch_matmul_v3_k_equal_zero_tiling.cpp IsCapable()
bool IsCapable() {
    if (aFormat == NZ || bFormat == NZ) return false;  // 不支持 NZ
    if (hasBias) return false;                          // 不支持 bias
    if (kValue != 0) return false;                      // K=0
    return true;
}
// DoOpTiling: usedCoreNum = aivNum（用 AIV 核）

BATCH_MATMUL_TO_MUL（优先级 1）：K=1 时退化为逐元素乘，用 AIV 核。

对比结论：理论与源码一致。源码实现正确——K=0 和 K=1 都用 AIV 通路，不用 Cube。理论中的"B ≥ 2×64"条件在源码中未显式检查，而是通过 UB 容量隐式限制（ubLimitBatchNum = ubSize / singleBatchSize）。

差异：理论要求"单 batch 输入输出驻留 UB"作为进入条件；源码通过 batchNum = min(singleCoreBatch, ubLimitBatchNum) 自动处理 UB 放不下的情况（分批处理），无需在进入条件中排除。源码更通用，理论更保守。

---

2.2 MergeBatch

理论条件（v0.93 §五）：

1. BatchA = BatchB ∧ b_core = B/C ≥ 2b₀（b₀=2 → b_core ≥ 4）
2. 2(b₀M)(b₀N)·4B ≤ L0C
3. b_core(MK+KN)·dtype ≥ min_DatamountPerCore (480KB)
4. max(MK, KN)·dtype ≥ min_TileSize (16KB)
5. 2MN/(M+N) < R₁₆/b₀

源码条件（batch_matmul_v3_mergebatch_basicapi_tiling.cpp IsCapable）：

bool IsCapable() {
    if (非连续转置) return false;
    if (NZ格式) return false;
    if (hasBias || (FP32 && !HF32)) return false;
    if (BatchA != BatchB) return false;               // 对应理论条件1
    if (batchC < MIN_BATCH_L0 * aicNum) return false; // B < 128，即 b_core < 4
    if (alignK < 64 || M > N) return false;           // K≥64，M≤N
    // L0 buffer check with b0=MIN_BATCH_L0=4
    if (al0Size > L0A || bl0Size > L0B ||
        tempAlignM * tempAlignN * 4B * 2 > L0C) return false;  // 对应理论条件2
    return true;
}

逐条对比：

理论条件	源码对应	差异分析
1. b_core ≥ 2b₀	batchC ≥ 128（b_core ≥ 4）	理论 b₀=2 → b_core ≥ 4；源码 MIN_BATCH_L0=4 → batchC ≥ 128 = b_core ≥ 4。一致（b₀=2 时 b_core ≥ 4 与源码等价）
2. L0C 容量	L0 buffer check	理论：2(b₀M)(b₀N)·4B ≤ L0C；源码：tempAlignM × tempAlignN × 4B × 2 ≤ L0C。一致（tempAlignM = b₀×M 对齐）
3. 单核搬移量 ≥ 480KB	无	源码缺少此条件——可能导致小数据量 case 进入 MergeBatch 后 GM 带宽利用率不足
4. 搬移 tile ≥ 16KB	无	源码缺少此条件——小 tile 时搬移效率无保障
5. AI < R₁₆/b₀	无	源码缺少算存比约束——计算 Bound 的 case 进入 MergeBatch 后冗余计算成为瓶颈

源码额外条件：alignK ≥ 64（K ≥ 64）和 M ≤ N。理论无此限制。

Tiling 参数对比：

参数	理论	源码
合并数 b	b = min(L0C上限, R₁₆上限, b_core)	mergeBatchL0 = min(多项式求解, maxBatchL0, batchNumPerCore)
L0 K 粒度	kL0 = min(L0A/2bM, L0B/2bN)	baseK = min(maxBasek, 64)
L1 K 粒度	kL1 ≥ max(kL0, 256B/dtype)	stepKa × baseK，由 L1/4 容量决定

关键差异：源码 baseK ≤ 64（硬编码上限），理论无此限制。64 元素 = 128B BF16 = dValue 下限。这是保守的安全下限。

MergeBatch vs IterBatch 分界：

• 理论：b_core > b₀(T_comp+T_write)/T_cmd（GM→L1 搬移命令节省 vs drain 惩罚）
• 源码：无显式分界——MergeBatch 优先级高于 IterBatch，先匹配先进

结论：源码的 MergeBatch 进入条件偏宽——缺少单核搬移量、tile 大小、算存比三条约束。这导致一些本应走 IterBatch 的 case（如单核搬移量不足、计算 Bound）被错误分配到 MergeBatch。建议补充条件 3/4/5。

---

2.3 IterBatch

理论条件（v0.93 §六）——四种 L1 驻留形态：

• a) b_core=1 ∧ (MK+KN)·dtype ≤ L1（单 batch 全驻留）
• b) b_core>1 ∧ 2(MK+KN)·dtype ≤ L1（双 batch 乒乓）
• c) 一侧驻留 + 对侧切 K（含 b_core≥2 的半预算预取档）
• d) 两侧都切 K

源码条件（batch_matmul_v3_iterbatch_basicapi_tiling.cpp IsCapable）：

bool IsCapable() {
    if (非连续转置A) return false;
    if (NZ格式) return false;
    if (batchBias > 1) return false;
    if (BatchA != BatchB) return false;
    if (batchC <= aicNum) return false;  // B ≤ 32 不进 IterBatch

    // L1 双缓冲容量检查（形态 b 等价）
    if ((alignM*alignK + alignK*alignN)*dtype*2 > L1) return false;

    // L0 能放至少 1 个 batch
    if (!l0CanLoadBatch_) {
        // 负载均衡检查：balanceRate ≥ 0.8
        if (balanceRateOfBatch < 0.8) return false;
    }
    return true;
}

逐条对比：

理论形态	源码对应	差异分析
a) 单 batch 全驻留	无独立分支	源码不区分 a/b——只要 (MK+KN)×dtype×2 ≤ L1 就进 IterBatch。b_core=1 的 case 被 B>32 条件排除（B≤32 时 batchC≤aicNum，不进 IterBatch）
b) 双 batch 乒乓	✓ 直接对应	源码的 L1 检查就是形态 b 的条件
c) 一侧驻留+对侧切 K	无	源码不实现形态 c——当 (MK+KN)×dtype×2 > L1 时直接退出 IterBatch
d) 两侧都切 K	无	源码不实现形态 d

关键差异：

1. 源码只实现形态 b，形态 a/c/d 不覆盖。形态 a（b_core=1）被 B>32 排除——这些 case 由 ASW 或 AL1/BL1_FULL_LOAD 承接。形态 c/d（L1 放不下双 batch）的 case 落到 ASW_Basic。
2. B ≤ 32 不进 IterBatch：源码用 batchC <= aicNum 排除了 B ≤ C 的 case。理论上 b_core=1 时形态 a/c 仍可行，但源码将这些 case 交给 ASW/AL1/BL1 分支。
3. 负载均衡：源码有 balanceRateOfBatch < 0.8 检查（对应理论条件 2 的 B mod C ≥ minCoreNum），但实现方式不同——源码用实际最大 batch 数与平均值的比率，理论用尾波核数。

Tiling 参数对比：

参数	理论	源码
iterBatchL1（L1 级 batch 数）	由 L1 容量决定	min(L1容量/batch, mmadCount=8, ceil(B/C))
iterBatchL0（L0 级 batch 数）	由 L0 容量决定	min(L0A/L0B/L0C容量, iterBatchL1)
baseM/baseN/baseK	由 L0 容量和 dValue 决定	由 MatMulV3TilingHelper::ResetBase 统一计算

结论：源码的 IterBatch 只覆盖形态 b，且要求 B > C。形态 a/c/d 的缺失意味着：

• B ≤ C 且 L1 放得下的 case（形态 a）由 AL1/BL1_FULL_LOAD 或 ASW 承接——合理，因为这些 case 的并行度不足，需要切 M/N
• L1 放不下双 batch 但放得下单侧驻留的 case（形态 c）落到 ASW——可能不是最优，因为 ASW 引入了 M/N 维的核间重复读，而形态 c 可以避免

---

2.4 StreamK

理论条件（v0.93 §七）：

1. P = B·MN·4B/L0C ≤ C/2
2. K/grid_K ≥ 256B/dtype，grid_K = ⌊C/⌈P⌉⌋
3. K > grid_K²/(grid_K-1)·θ_c，θ_c ≈ 12

源码条件（batch_matmul_v3_basic_streamk_tiling.cpp）：

bool IsCapable() {
    if (deterministicLevel > 1) return false;    // 确定性
    if (BatchA != BatchB) return false;           // batch 一致
    if (FP32 && K > 2000000) return false;        // FP32 精度

    // K 阈值：CeilAlign(K,256) ≥ max(8192, aicNum×256B/dtype)
    if (CeilAlign(K,256) < max(8192, 32×256/2)) return false;
    // 即 K ≥ 8192（BF16）

    // 并行缺口：batchC × mCnt × nCnt ≤ aicNum/2
    mCnt = ceil(M/256);  nCnt = ceil(N/256);    // 256B 粒度
    if (batchC * mCnt * nCnt > aicNum/2) return false;  // B·⌈M/256⌉·⌈N/256⌉ ≤ 16
    return true;
}

逐条对比：

理论条件	源码对应	差异分析
1. P ≤ C/2	B·⌈M/256⌉·⌈N/256⌉ ≤ C/2	粒度不同：理论用 L0C 满载粒度（M^t·N^t = L0C/4B = 65536 元素），源码用固定 256 元素粒度。理论粒度更粗（65536 vs 65536=256²），实际上一致——⌈M/256⌉·⌈N/256⌉ 就是 L0C 满载 tile 的个数
2. K/grid_K ≥ 128 元素	K ≥ 8192（固定阈值）	源码用固定 8192 = C×256 元素 = dValue 推荐值在最大 grid_K=C 下的保障。理论更精确（动态 grid_K），源码更保守（固定最大 grid_K）
3. K > grid_K²/(grid_K-1)·θ_c	无	源码不归约代价建模，直接用固定 K 阈值覆盖。θ_c≈12 时 grid_K=2 只需 K>49，远低于 8192——源码的条件 3 被条件 2 覆盖，过于保守
4. 确定性 ≤ 1	deterministicLevel > 1 排除	一致

关键差异：

1. grid_K 取值：理论 grid_K = ⌊C/⌈P⌉⌋（动态），源码用固定阈值隐式假设 grid_K = C（最大）。这导致源码的 K 阈值（8192）远大于理论阈值（grid_K=2 时 K>49）。
2. StreamK 优先级过高：源码中 StreamK 优先级（2）高于 MergeBatch（3）和 IterBatch（5）。虽然 StreamK 的 IsCapable 条件实际上排除了 B>C 的 case，但如果 B≤C 且 K≥8192 且 P≤C/2，源码会优先进入 StreamK 而非 ASW_Basic。这在理论上是正确的（P<C/2 时切 K 是唯一剩余的并行维度）。

结论：源码的 StreamK 实现基本合理但过于保守。固定 K≥8192 阈值排除了大量理论上可走 StreamK 的 case（K 在 49~8192 之间）。建议改为动态计算 grid_K 和 K 阈值。

---

2.5 ASW_Basic

理论条件（v0.93 §八）：

1. P = B·MN·4B/L0C ≥ C
2. 无 batch 结构限制（交叉广播均可）
3. 兜底：B ≥ C 但 IterBatch/MergeBatch 条件不满足

源码条件（batch_matmul_v3_asw_basic_tiling.cpp IsCapable）：

bool IsCapable() {
    if (A/B 非连续转置不匹配) return false;
    if (BatchA != BatchB) return false;
    if (batchBias > 1) return false;
    if (!FP16/BF16) return false;  // 类型限制
    return true;  // 无其他条件——兜底
}

对比：源码的 ASW_Basic 几乎没有进入条件——它是优先级最低的实质分支（priority 9），任何不被前面分支捕获的 case 都落入 ASW。这与理论的"兜底"定位一致。

Tiling 实现对比：

维度	理论	源码
核间切分	切 B → 切 M → 切 N → 混合切	MatMulV3TilingHelper::ResetBase 统一计算
swizzle	ASW 滑窗蛇形（W=4 for C=32）	GetRebalanceBlock + CalL1Tiling
L2 切分	场景 A/B/C 分场景决策	由 MatMulV3TilingHelper 内部处理
L1 buffer	双缓冲/4-buffer 按容量决定	l1BufferNum = 4 if fits else 2

结论：ASW_Basic 作为兜底分支，源码实现合理。理论和源码在"兜底"定位上一致。差异主要在 tiling 参数的具体计算方法——源码用统一的 Helper 函数，理论给出了更细粒度的 swizzle/L2 切分策略。

---

2.6 ASW L1 全载特化

理论（v0.93 §八.5）：单边无 batch 且该侧矩阵小（M ≤ 256、MK·dtype·2 ≤ L1、对侧每核循环 ≥ 4 轮）时小侧整个常驻 L1。

源码（batch_matmul_v3_asw_al1_full_load_basic_tiling.cpp IsCapable）：

bool IsCapable() {
    if (非连续转置) return false;
    if (!FP16/BF16) return false;
    if (batchA > 1) return false;          // A 无 batch
    if (M > 256) return false;             // M ≤ 256
    if (batchBias > 1) return false;
    if (A数据量×2 > L1) return false;       // A 放得下 L1/2
    // B 数据量足够：每核至少 4 轮
    if (B总数据量 < L1×aicNum && B轮数 < 4×aicNum) return false;
    return true;
}

对比：理论与源码高度一致——M ≤ 256、batchA=1、A 驻留 L1、B 每核 ≥ 4 轮。这是理论和源码最吻合的分支。

---

2.7 降核 ASW

理论（v0.93 §八.3/6）：P < C 且不满足 StreamK → 只用 ⌈P⌉ 核，其余核闲置。

源码：无独立的降核分支。ASW_Basic 的 GetNumBlocks() 返回 aicNum（固定 32 核），不降核。

差异：理论上 P < C 时应该降核（只用 ⌈P⌉ 核），但源码始终用全部 32 核。对于 P < C 的 case，部分核分到的输出块为空（idle），但仍参与调度。这可能引入不必要的调度开销。

建议：源码应在 ASW_Basic 中加入降核逻辑——当 P < C 时 usedCoreNum = ⌈P⌉。

---

三、总体结论

源码实现评价

维度	评价
分支覆盖完备性	✓ 7 个分支覆盖所有 case，无空洞
分支选择正确性	⚠️ 优先级有序匹配基本合理，但 StreamK 优先级偏高（实际不影响）
MergeBatch 条件	⚠️ 偏宽——缺少搬移量/tile/算存比约束
IterBatch 形态覆盖	⚠️ 只覆盖形态 b，缺少 a/c/d
StreamK K 阈值	⚠️ 固定 8192 过于保守
降核 ASW	✗ 未实现
L1 全载特化	✓ 与理论高度一致
特殊分支	✓ 与理论一致

理论最优方案评价

理论分析的 7 大分支体系在逻辑上完备（15 种切分组合 → 按代价排序 → 6+1 分支），进入条件全部为 B/M/N/K 闭式表达式。与源码对比后确认：

1. 理论分支体系是最优的候选集——源码的 10 个 tiling 模板可以映射到理论的 7 大分支上，无遗漏；
2. 理论条件更精确——MergeBatch 的 5 条件、StreamK 的 3 条件都比源码更严格/精确；
3. 理论缺的工程细节——源码中的负载均衡检查（balanceRate ≥ 0.8）、格式限制（NZ/ND）、bias 限制等在理论中未建模。

源码改进建议（按优先级）

1. MergeBatch 补条件 3/4/5（搬移量/tile/算存比），避免不应进入的 case 被误捕获；
2. IterBatch 补形态 c/d（一侧驻留/两侧切 K），覆盖 L1 放不下双 batch 的 case；
3. StreamK 改动态 grid_K：grid_K = ⌊C/⌈P⌉⌋，K 阈值随 grid_K 变化而非固定 8192；
4. ASW_Basic 加降核逻辑：P < C 时 usedCoreNum = ⌈P⌉；
5. 补转Matmul 分支：BatchA=1 ∨ BatchB=1 时折叠为 Matmul，避免走 BMM 的冗余路径。