529 lines
62 KiB
HTML
529 lines
62 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 v1.5</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：v1.5，2026-08-31（<b>方案 B 广义化公平性修正</b>：去掉 v1.4 的"整除满载"强约束，允许尾轮核利用率 ≥80%——广义方案 B ≡ 修正首轮枚举 min $w \times T_{block}$；§2.5 补充枚举目标修正（跨轮次边界）；§7.2.3 三例公平重算：方案 B 真实损失 5.9%/11.1%/3.7%（v1.4 整除强约束的 89.6%/88.9%/6.8% 是不公平产物）；结论：A1b 恒不劣于广义方案 B（枚举空间包含），方案 B 价值在工程简洁）<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 Batch/M/K/N 判定流程）<br>历史：v1.0 首版（三策略两两对比与 Batch/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 $N_{blk} = \text{Batch} \cdot mCnt \cdot nCnt$ 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 或方案 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 与方案 B 理论时延严格相等（总计算量/C 守恒），A1b 搬移周长和恒 ≤ 方案 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，方案 B 严格优当且仅当 $\sqrt{\rho_{dv}} > n_{wave}/\sqrt{g} - (n_{wave}-1)$——<b>方案 B 反超的唯一通道是 dValue</b>：A1b 的尾轮 tile 缩放 $\sqrt{\rho}$ 恒狠于方案 B 的 $1/\sqrt{g}$（$\rho < 1/g$ 恒成立），卡死更深时方案 B 胜出，该区间窄且临界实测打平；</li>
|
||
<li>给出<b>基于 Batch/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>：方案 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与主流场景分析；</li>
|
||
<li><b>v1.3 修正时延模型</b>：$T_{MTE2}$ 分子 $k_{L1} \to K$（稳态流水下 $k_{L1}$ 约掉的完整证明——单块搬入总量 $K(sM+sN)dtype$ 与分次粒度无关）；<b>三维主导项判定</b>取代单一 $K^*$ 判据（MMAD vs MTE2 由 tile 决定、K 约掉；MMAD vs FIX 由 K 决定，临界 304）；按<b>主导项缩放类型</b>重新分类（面积型：MMAD/FIX ∝ 面积；周长型：MTE2 ∝ 周长）——<b>主流 prefill/decode case 恒为面积型 → B1 与 A1b 时延严格相等（零损失）</b>；decode 小 M 场景方案 B 因分解自由度不足常不可行 → A1b 是唯一可行重切方案；§2.5 方形结论严格证明（均值不等式，更正"L1 主导形状自由"的伪结论——那是 $k_{L1}$ 误置时延分子的建模残余）；v1.2 的"~30% 极端例损失"是 $k_{L1}$ 错误模型产物，修正后该例打平（<1%）；</li>
|
||
<li><b>v1.4 重写 §7.2.3</b>：方案 B 的"不可行"改述为<b>整除冗余代价</b>——给出方案 B 最优可达性能与 $\gcd(\text{Batch}, C)$ 分层定量；</li>
|
||
<li><b>v1.5 方案 B 广义化公平性修正</b>：v1.4 的"整除满载"约束（$N_{blk}' \equiv 0 \pmod C$）过强不公平——广义化允许尾轮核利用率 ≥80%、所有分块统一重切。广义方案 B ≡ 修正首轮枚举 min $w \times T_{block}$（§2.5 补充跨轮次边界修正）。三例公平重算：方案 B 真实损失 <b>5.9%（例 4）/ 11.1%（例 3）/ 3.7%（decode）</b>——v1.4 的 89.6%/88.9%/6.8% 是整除强约束的不公平产物。结论：<b>A1b 恒不劣于广义方案 B</b>（枚举空间包含），方案 B 价值在工程简洁（一套 tile、无尾轮分支）。</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 $N_{blk} = \text{Batch} \cdot mCnt \cdot nCnt$ 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 Batch、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*：$N_{blk} = \text{Batch} \cdot mCnt \cdot nCnt$（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。先推导搬入项——这是本文的修正重点。</p>
|
||
<p>**搬入时延的推导（为什么分子是 K 而不是 $k_{L1}$）**：块 $[sM, sN]$ 的输入为 A 行带 $[sM, K]$ 与 B 列带 $[K, sN]$，总搬入量</p>
|
||
<div class="math">$$
|
||
S_{blk} = K \cdot (sM + sN) \cdot dtype
|
||
$$</div>
|
||
<p>GM→L1 按 $k_{L1}$ 的 K 向粒度分 $K/k_{L1}$ 次搬入，每次搬 $k_{L1}(sM+sN) \cdot dtype$，与 MMAD 流水。稳态下总搬入时延 = 次数 × 单次时延：</p>
|
||
<div class="math">$$
|
||
T_{MTE2} = \frac{K}{k_{L1}} \cdot \frac{k_{L1}(sM+sN) \cdot dtype}{BW_{eff}} = \frac{K(sM+sN) \cdot dtype}{BW_{eff}}
|
||
$$</div>
|
||
<p>**$k_{L1}$ 在稳态流水中约掉**——搬入总时延只取决于总数据量与有效带宽，与分次粒度无关。$k_{L1}$ 的真实角色是<b>搬移效率约束</b>（§2.3）：$k_{L1} \cdot dtype \ge 256$B（dValue 下限）与单次搬移量 ≥ 16KB 决定是否触发带宽打折，不满足时体现为 $BW_{eff}$ 下降，而不是出现在时延分子中。</p>
|
||
<p>**有效带宽 $BW_{eff}$ 的分层**：尾轮分析执行时，主轮已把输入工作集读入 L2——工作集 ≤ L2（128MB）时尾轮小块的搬入全部 L2 命中，$BW_{eff} = BW_{L2}/C = 5.2\text{TB/s}/32 \approx 162.5$ GB/s；工作集超 L2 时部分回 GM，$BW_{eff}$ 介于 $BW_{pc} = 50$ GB/s（GM 直读下界）与 162.5 GB/s 之间。</p>
|
||
<p><b>三段时延汇总</b>：</p>
|
||
<div class="math">$$
|
||
T_{MMAD} = \frac{2 \cdot sM \cdot sN \cdot K}{Q_{16}},\qquad T_{MTE2} = \frac{K(sM+sN) \cdot dtype}{BW_{eff}},\qquad T_{FIX} = \frac{sM \cdot sN \cdot outB}{BW_{pc}}
|
||
$$</div>
|
||
<p>单块时延取主导项：$T_{block} = \max(T_{MMAD}, T_{MTE2}, T_{FIX})$。</p>
|
||
<p><b>三维主导项判定</b>（两两比值，取代此前单以 K 判定的不完整做法）：</p>
|
||
<table><tr><th>对比</th><th>比值</th><th>判据</th><th>决定因素</th></tr>
|
||
<tr><td>MMAD vs MTE2</td><td>$\dfrac{2 sM \cdot sN \cdot BW_{eff}}{(sM+sN) \cdot dtype \cdot Q_{16}}$</td><td>$\dfrac{sM \cdot sN}{sM+sN} \gtrless \dfrac{dtype \cdot Q_{16}}{2 BW_{eff}}$</td><td><b>tile 尺寸</b>（K 约掉）</td></tr>
|
||
<tr><td>MMAD vs FIX</td><td>$\dfrac{2K \cdot BW_{pc}}{outB \cdot Q_{16}}$</td><td>$K \gtrless \dfrac{outB \cdot Q_{16}}{2 BW_{pc}}$</td><td><b>K</b>（BF16 输出临界 ≈304）</td></tr>
|
||
<tr><td>MTE2 vs FIX</td><td>由前两条推出</td><td>—</td><td>—</td></tr></table>
|
||
<p>两个临界值（BF16、L2 命中 $BW_{eff}$=162.5GB/s）：tile 临界 $\dfrac{sM \cdot sN}{sM+sN} \approx 93.5$（方形 $sM=sN$ 时 $s \approx 187$；GM 直读 $BW_{eff}$=50GB/s 时临界 304、方形 $s \approx 608$）；K 临界 304。</p>
|
||
<p><b>关键推论（缩放类型二分）</b>：三项中 MMAD 与 FIX 都 $\propto$ <b>面积</b> $sM \cdot sN$，MTE2 $\propto$ <b>周长</b> $(sM+sN)$。主导项的缩放类型决定尾轮分析的结构：</p>
|
||
<ul class="tight">
|
||
<li><b>面积型主导</b>（MMAD 或 FIX 最大）：tile 大（方形 $s \ge 187$）且（$K \ge 304$ 时 MMAD、$K < 304$ 时 FIX）——<b>主流 case 均属此类</b>；</li>
|
||
<li><b>周长型主导</b>（MTE2 最大）：tile 小（$s < 187$）或工作集超 L2（GM 直读、$s < 608$）——边角 case。</li>
|
||
</ul>
|
||
<p>注意：<b>"K 大计算 Bound"的准确含义是"K 大使 MMAD 超过 FIX"</b>（写出量与 K 无关）；MMAD 与 MTE2 的相对大小与 K 无关（两者都 $\propto K$）。此前版本以 $K^*$ 单一判据分类的做法混淆了这两个维度，本版更正。</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<b>每核带宽上限 = 聚合带宽/核数</b>。该假设对 GM 与 L2 两层同构：GM 层每核 $BW_{pc} = W_{GM}/C = 50$ GB/s；L2 层每核 $BW_{L2}/C = 5.2\text{TB/s}/32 \approx 162.5$ GB/s（§2.1 的 $BW_{eff}$ 按工作集是否驻留 L2 在两层间取值）。尾轮 $r$ 核的聚合带宽 = $r \times$ 单核份额 < 满载聚合——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（近方形的严格推导与证明）</h3>
|
||
<p>首轮切分 $(mCnt, nCnt, sM, sN)$ 的确定是尾轮分析的前提。本节给出完整推导链：<b>问题 → 建模 → 证明 → 离散修正 → 结论</b>。</p>
|
||
<p><b>问题</b>：$\text{Batch} < C$ 时须切分 M/N 填满 C 核。选什么样的 $(sM, sN)$ 使端到端时延最小？</p>
|
||
<p><b>建模</b>：由 §2.1，主导项中唯一随切分变化的是搬入（MMAD/FIX 只依赖全量 Batch/M/N/K）。单核搬入总量 = 每核块数 × 单块搬入量：</p>
|
||
<div class="math">$$
|
||
T_{MTE2}^{core} = \frac{B \cdot mCnt \cdot nCnt}{C} \cdot K(sM+sN) \cdot dtype
|
||
$$</div>
|
||
<p>代入 $mCnt = \lceil M/sM \rceil$、$nCnt = \lceil N/sN \rceil$（连续近似下取等号）：</p>
|
||
<div class="math">$$
|
||
T_{MTE2}^{core} = \frac{B \cdot M \cdot N \cdot K \cdot dtype}{C} \cdot \Big(\frac{1}{sM} + \frac{1}{sN}\Big)
|
||
$$</div>
|
||
<p><b>目标函数</b>：$\min\; (1/sM + 1/sN)$（$\text{Batch}, M, N, K, dtype, C$ 均为常数）。约束：①并行度 $mCnt \cdot nCnt \ge \lceil C/\text{Batch} \rceil \triangleq P$；②L1 容量 $2(sM+sN) k_{L1} \cdot dtype \le L1$；③搬移效率（dValue、min_TileSize，§2.3）；④$sM, sN$ 为 16 倍数且为 BaseM/N 整数倍。</p>
|
||
<p><b>证明（两步）</b>：</p>
|
||
<p>*第一步：块数最少原则*。目标函数展开为 $\dfrac{B \cdot K \cdot dtype}{C} \cdot \big(mCnt \cdot N + nCnt \cdot M\big)$——块数越多（$mCnt, nCnt$ 越大）搬入越多（重复读），故取<b>最少块数</b> $mCnt \cdot nCnt = P$（并行度下界取等）。此时单块面积固定：</p>
|
||
<div class="math">$$
|
||
sM \cdot sN = \frac{M \cdot N}{P} \triangleq A_0 \quad \text{（常数）}
|
||
$$</div>
|
||
<p>*第二步：面积固定 → 方形严格最优*。目标函数改写为周长形式：</p>
|
||
<div class="math">$$
|
||
\frac{1}{sM} + \frac{1}{sN} = \frac{sM + sN}{sM \cdot sN} = \frac{sM + sN}{A_0}
|
||
$$</div>
|
||
<p>面积 $A_0$ 固定时最小化周长 $sM + sN$。由均值不等式（或等周不等式——矩形面积固定时周长最小当且仅当方形）：</p>
|
||
<div class="math">$$
|
||
sM + sN \ge 2\sqrt{sM \cdot sN} = 2\sqrt{A_0}, \qquad \text{等号} \iff sM = sN
|
||
$$</div>
|
||
<p><b>严格成立</b>——无任何近似。物理本质：输出是面积、输入搬运是周长（A 行带 $sM \times K$ + B 列带 $K \times sN$），方形使"边界/面积比"最小，即单位输出的输入搬运最少。</p>
|
||
<p><b>离散修正</b>（连续最优 → 工程可行）：</p>
|
||
<ol class="tight">
|
||
<li><b>整数与对齐</b>：$sM = sN = \sqrt{A_0}$ 一般非 16 倍数，且 $mCnt = M/sM$ 须整数——在连续方形附近枚举满足约束 ④ 的整除组合，取目标函数最小者（枚举才是最终裁决者，方形是其连续极限的解析刻画）；</li>
|
||
<li><b>dValue 非对称</b>：B 非转置时 $sN \cdot dtype \ge 256$B 卡 $sN$ 下限（A 的 dValue 由 $k_{L1}$ 保证、不卡 $sM$）——极端长宽比时方形可能违反，取满足 dValue 的最近组合；</li>
|
||
<li>**$\text{Batch} \ge C$（P=1）退化**：不切分，$sM = M, sN = N$——tile 跟随 M/N（此时"方形"无意义，零重复读优先）。</li>
|
||
</ol>
|
||
<p><b>对前一版本表述的更正</b>：v1.2 及之前版本曾以"K 全载 regime 方形最优、L1 主导 regime 仅面积相关、形状自由"描述方形结论的适用范围——该说法源自把 $k_{L1}$ 误置时延分子的建模（$(1/sM+1/sN) \cdot k_{L1}$ 中 $k_{L1} = L1/(2(sM{+}sN)dtype)$ 恰好抵消周长）。§2.1 已证 $k_{L1}$ 在稳态流水中约掉，正确目标函数为 $(1/sM+1/sN) \cdot K$——<b>形状敏感性在两个 regime 下统一存在，方形恒为连续最优</b>；$k_{L1}$ 只通过 dValue/min_TileSize 约束（§2.3）影响可行性，不影响目标函数的排序。</p>
|
||
<p><b>小结</b>：</p>
|
||
<ol class="tight">
|
||
<li>首轮切分目标：$\min (1/sM + 1/sN)$（搬入时延最小化，唯一随切分变化的主导项）；</li>
|
||
<li>最少块数原则：$mCnt \cdot nCnt = P = \lceil C/\text{Batch} \rceil$（$\text{Batch} \ge C$ 时不切分）；</li>
|
||
<li><b>方形严格最优</b>（均值不等式，面积固定时周长最小）——离散修正仅来自 16 对齐/整数分解/dValue 非对称，由枚举裁决；</li>
|
||
<li>方形结论不依赖任何 regime 假设——$K$ 作为公共因子不进排序。</li>
|
||
</ol>
|
||
<p>*枚举目标修正（v1.5）*：上文约束 1（$mCnt \cdot nCnt \ge P$，填满 C 核）是"核必须填满"的启发式；严格目标应为**全局枚举 min $w \times T_{block}$**（$w = \lceil \text{Batch} \cdot mCnt \cdot nCnt / C \rceil$）——允许核不满载（如 88%）换取块数跨过轮次边界（$w$ 跳降）。例：Batch=7、M=1280、N=256：$(5,1)$（35 块、$w=2$、$T=335.6\mu s$）满足约束 1 但非全局最优；$(4,1)$（28 块、$w=1$、核利用 88%、$T=188.7\mu s$）跨边界更优——约束 1 排除了 $(4,1)$（$4 < P=5$），是启发式的局限。**周长型主导下（$T_{block}$ 随 tile 增大而增）跨边界收益显著；面积型主导下 $w$ 不变时 $T_{block}$ 不变，跨边界无额外收益**。</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>方案 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>方案 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、方案 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、面积型主导完整推导（$T_{MMAD}$ 或 $T_{FIX}$ 最大）</h2>
|
||
<p><b>本章适用条件</b>：主导项为面积型（$\propto sM \cdot sN$）——MMAD 主导（$K \ge 304$ 且 tile 判据满足，§2.1）或 FIX 主导（$K < 304$）。两子型缩放律相同（都 $\propto$ 面积），推导中以 $T_{MMAD}$ 为记号；FIX 主导时将 $T_{MMAD}$ 替换为 $T_{FIX}$ 结论不变。<b>主流 prefill/decode case 均属本章范畴</b>。</p>
|
||
<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>方案 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"（面积型主导项下时延与切分方式无关，只要轮轮满载）。</p>
|
||
<p>结构性差异在<b>搬入总量</b>。先交代符号（v1.3 补充，避免误读）：</p>
|
||
<ul class="tight">
|
||
<li>$s$：<b>首轮方形 tile 的边长</b>（$sM = sN = s$ 的基准，不是 $sM + sN$）；</li>
|
||
<li><b>周长和</b> $S \triangleq \sum_{\text{块}} (sM_{blk} + sN_{blk})$——所有块的周长之和。由 §2.1，单块搬入量 $= K(sM+sN) \cdot dtype$，故**总搬入量 $= K \cdot dtype \cdot S$**。同一 case 下 $K, dtype$ 是公共常数，**比较周长和 $S$ 即比较搬入总量**（$K$ 作为公共因子约掉，故 $S$ 的表达式中不含 $K$——不是没有 $K$，而是 $K$ 被提出约掉了）。</li>
|
||
</ul>
|
||
<p>两策略的周长和：</p>
|
||
<p><b>A1b</b>：主轮 $(n_{wave}-1)C$ 块保持大 tile（周长 $2s$）+ 尾轮 C 块小 tile（边长 $s\sqrt{\rho}$，周长 $2s\sqrt{\rho}$）：</p>
|
||
<div class="math">$$
|
||
S_{A1b} = 2sC\big(n_{wave} - 1\big) + 2s\sqrt{\rho} \cdot C = 2sC\big(n_{wave} - 1 + \sqrt{\rho}\big)
|
||
$$</div>
|
||
<p><b>方案 B</b>：$n_{wave} C$ 块均匀 tile，边长 $s_B = s\sqrt{N_{blk}/(n_{wave}C)}$（总面积守恒 $n_{wave} C \cdot s_B^2 = N_{blk} \cdot s^2$）：</p>
|
||
<div class="math">$$
|
||
S_B = n_{wave} C \cdot 2s_B = 2sC\sqrt{n_{wave}\Big(n_{wave} - 1 + \rho\Big)}
|
||
$$</div>
|
||
<p>比较（两边约去 $2sC$）：</p>
|
||
<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 ≤ 方案 B</b>（等号当 $\rho = 1$ 即无尾轮）。搬入总量少意味着 L2 重复读少、周长型项的掩盖余量更大。</p>
|
||
<p><b>结论（面积型主导）</b>：A1b 与方案 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 搬入总量恒 ≤ 方案 B（结构性）。<b>工程简洁选方案 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（MMAD 主导，$r > C/2$）*：Batch=1、M=N=1792、K=4096、BF16、C=32。首轮 $mCnt=nCnt=7$（$sM=sN=256$），$N_{blk}=49$、$n_{wave}=2$、$r=17$、$\rho=0.53$。单块 $T_{MMAD}=35.3\mu s$、$T_{MTE2}^{L2}=25.8\mu s$、$T_{FIX}=2.6\mu s$——MMAD 面积型主导 ✓。</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 32 块恰好凑满，$T_{A1b} = 35.3 + 19.3 = 54.6\mu s$；</li>
|
||
<li>方案 B：$N_{blk}'=64=8\times8$、$sM'=sN'=224$，$T_B = 54.1\mu s$。</li>
|
||
</ul>
|
||
<p>A1b 与方案 B 打平（54.6 vs 54.1，差 <1%，纯离散对齐的数值依赖）。<b>相对 A0 均省约 23%</b>。</p>
|
||
<p>*例 2（MMAD 主导，$r \mid C$ 完美点）*：M=1536、N=2048、K=4096、BF16。$N_{blk}=48$、$r=16$。A1a：$s^* = 2 = C/r$ 完美，$T_{A1a} = 53.0\mu s$；方案 B：$T_B = 53.0\mu s$。<b>A1a = 方案 B</b>（$1/s^* = r/C$），选 A1a（搬移增量小）。</p>
|
||
<p>*例 3（FIX 主导，$r$ 小、尾轮小块搬入翻出）*：M=N=1536、K=256、BF16。$mCnt=nCnt=6$、$N_{blk}=36$、$n_{wave}=2$、$r=4$、$\rho=0.125$。单块 $T_{FIX} = 2.62\mu s$、$T_{MMAD}=2.21\mu s$、$T_{MTE2}^{L2}=1.61\mu s$——<b>FIX 面积型主导</b>（$K=256 < 304$）。</p>
|
||
<ul class="tight">
|
||
<li>A0：$5.24\mu s$；A1a：$s^* = \min(8, 2) = 2$（dValue），$T_{A1a} = 2.62 + 2.62/2 = 3.93\mu s$；</li>
|
||
<li>A1b：$s_t = 256\sqrt{0.125} = 90.5 \to 96$（16 对齐），尾轮 $\lceil 4 \times 256^2/96^2 \rceil = 29$ 块凑 29 核——但小块 $96^2$ 的搬入 $T_{MTE2} = 256 \times 192 \times 2/162.5\text{G} = 0.61\mu s$ <b>翻出为尾轮主导项</b>（$> T_{FIX,t} = 0.37\mu s$；tile 缩小使周长/面积比上升，见 §7.2.4），$T_{A1b} = 2.62 + 0.61 = 3.23\mu s$；</li>
|
||
<li>方案 B：$N_{blk}'=64=8\times8$、$sM'=sN'=192$，$T_{FIX}' = 1.47\mu s$ 仍主导（$T_{MTE2}' = 1.21\mu s$），$T_B = 2.95\mu s$。</li>
|
||
</ul>
|
||
<p><b>翻出效应下方案 B 微优 8.5%</b>——$r$ 小时 A1b 的尾轮 tile 缩得太小、搬入翻出，方案 B 的全局 tile 缩得温和（$1/\sqrt{g} = 0.75 > \sqrt{\rho} = 0.35$）不翻出。</p>
|
||
<p>*例 4（FIX 主导，$r$ 大、不翻出，打平）*：M=N=2304、K=256、BF16。$mCnt=nCnt=9$、$N_{blk}=81$、$n_{wave}=3$、$r=17$、$\rho=0.53$。单块 $T_{FIX}=2.62\mu s$ 主导。</p>
|
||
<ul class="tight">
|
||
<li>A0：$7.86\mu s$；</li>
|
||
<li>A1b：$s_t = 256\sqrt{0.53} = 186.6 \to 192$，尾轮 $\lceil 17 \times 256^2/192^2 \rceil = 31$ 块，小块 $T_{FIX,t} = 1.47\mu s$ 主导（$T_{MTE2,t} = 1.21\mu s$ 不翻出），$T_{A1b} = 2 \times 2.62 + 1.47 = 6.71\mu s$；</li>
|
||
<li>方案 B：$N_{blk}'=96$、分解 $(8,12)$（$sM'=288, sN'=192$），$T_{FIX}' = 2.21\mu s$，$T_B = 6.64\mu s$。</li>
|
||
</ul>
|
||
<p><b>打平</b>（6.71 vs 6.64，差 1%，离散对齐的数值依赖）——面积型主导且尾轮不翻出时 A1b 与方案 B 时延相等（总量守恒）的实证。</p>
|
||
<hr>
|
||
<h2>五、周长型主导完整推导（$T_{MTE2}$ 最大）</h2>
|
||
<p><b>本章适用条件</b>：主导项为周长型 $T_{MTE2}$（$\propto$ 周长 $(sM+sN)$）——小 tile（$sM \cdot sN/(sM+sN) < 93.5$，L2 命中）或工作集超 L2 的 GM 直读（$< 304$）场景。主导项 $T_{block} = T_{load} = K(sM + sN) \cdot dtype / BW_{eff}$（§2.1 修正后的 K 版；$K$ 在单 case 三策略比较中为公共因子，可约掉）。</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>方案 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；方案 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 恒不劣于方案 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 约束恒比方案 B 更严</b>。A1b 的尾轮 tile 缩放因子为 $\sqrt{\rho}$，方案 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 必须缩得比方案 B 的全局缩放更狠——所以 A1b 的尾轮 tile 更早跌破 dValue 下限。<b>这是方案 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 $1/g > \rho \ge \rho_{dv}$ 故方案 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、方案 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>方案 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；而方案 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）时方案 B 反超。</p>
|
||
<h3>5.4 数值实例</h3>
|
||
<p><b>访存 Bound 数值实例（周长型主导，v1.3 重新构造）</b>：</p>
|
||
<p>*例 3（工作集超 L2、GM 直读的周长型，广义方案 B 退回原切分）*：Batch=34、M=N=1024、K=2048、BF16，tile $sM=sN=512$。输入总量 $34 \times 2 \times 1024 \times 2048 \times 2 = 285$MB > L2 128MB——工作集超 L2，搬入部分回 GM 直读（$BW_{eff} \to BW_{pc}=50$GB/s）。单块：$T_{MMAD} = 70.7\mu s$、$T_{MTE2} = 2048 \times 1024 \times 2/50\text{G} = 83.9\mu s$（<b>周长型主导</b> ✓：tile 判据 $512^2/1024 = 256 < 304$）、$T_{FIX} = 10.5\mu s$。$N_{blk} = 34 \times 4 = 136$、$n_{wave}=5$、$r=8$、$\rho=0.25 \ge \rho_{dv}=0.0625$。</p>
|
||
<ul class="tight">
|
||
<li>A0：$5 \times 83.9 = 419.5\mu s$；</li>
|
||
<li>A1a：$s^* = \min(\lfloor 32/8 \rfloor, 512 \times 2/256\text{B}) = \min(4, 4) = 4$，$T_{A1a} = 4 \times 83.9 + 83.9 \times (1+1/4)/2 = 388\mu s$；</li>
|
||
<li>A1b：$s_t = 512\sqrt{0.25} = 256$（dValue $=512$B ✓），尾轮 8 块 $512^2$ 区域重切为 $8 \times 4 = 32$ 块 $256^2$ 恰好凑满，$T_{tail} = 2048 \times 512 \times 2/50\text{G} = 41.9\mu s$，$T_{A1b} = 4 \times 83.9 + 41.9 = 377.5\mu s$（<b>省 10%</b>）；</li>
|
||
<li>方案 B（v1.5 广义化——允许尾轮核利用 ≥80%，去掉整除强约束）：广义枚举 min $w \times T_{block}$，块数减少方向（$(1,1)$/$(1,2)$）均违反 dValue（$k_{L1}$ 跌破 128），增加方向 $(2,3)$/$(4,4)$ 周长和增大——**最优 = $(2,2)$ 原切分，419.4μs<b>（同 A0）。相对 A1b（377.5μs）</b>损失 11.1%**（v1.4 整除强约束的 88.9% 是不公平产物——强迫 $(4,4)$ 16 块/batch 使周长和 ×2）。</li>
|
||
</ul>
|
||
<p>*例 4（周长型、Batch=7、广义方案 B 跨边界最优）*：Batch=7、M=1280、N=256、K=8192、BF16。输入总量 $7 \times (1280 \times 8192 + 8192 \times 256) \times 2 = 176$MB > L2 128MB → GM 直读周长型（tile 判据 $128 < 304$ ✓）。</p>
|
||
<p>广义枚举（min $w \times T_{block}$，§2.5 v1.5 修正）：</p>
|
||
<table><tr><th>切分</th><th>$sM' \times sN'$</th><th>$N_{blk}$</th><th>$w$</th><th>核利用</th><th>$T_{block}$</th><th>总时延</th></tr>
|
||
<tr><td>$(5,1)$（旧 §2.5 最优）</td><td>$256 \times 256$</td><td>35</td><td>2</td><td>55%</td><td>167.8μs</td><td>335.6μs</td></tr>
|
||
<tr><td>**$(4,1)$（全局最优）**</td><td>$320 \times 256$</td><td>28</td><td><b>1</b></td><td>88%</td><td>188.7μs</td><td><b>188.7μs</b></td></tr>
|
||
<tr><td>$(3,1)$</td><td>$432 \times 256$</td><td>21</td><td>1</td><td>66%</td><td>225.4μs</td><td>225.4μs</td></tr>
|
||
<tr><td>$(2,2)$</td><td>$640 \times 128$</td><td>28</td><td>1</td><td>88%</td><td>251.7μs</td><td>251.7μs</td></tr></table>
|
||
<ul class="tight">
|
||
<li>A0（首轮 $(5,1)$）：335.6μs；</li>
|
||
<li>**广义方案 B（首轮 $(4,1)$ 全局最优）**：188.7μs——块数跨边界 $w: 2 \to 1$，比 A0 省 44%；</li>
|
||
<li>A1b（首轮 $(4,1)$ + 尾轮 28 块凑 32 核，tile $(320,224)$）：$8192 \times 544 \times 2/50\text{G} = 178.3\mu s$。</li>
|
||
</ul>
|
||
<p><b>A1b 最优（178.3μs），广义方案 B（188.7μs）损失 5.9%</b>——公平对比（允许核利用 88%）下方案 B 的真实损失。v1.4 的"方案 B 最优 477.1μs、损失 89.6%"是整除强约束（$\gcd(7,32)=1$ 强迫 $(16,2)$ 32 块/batch）的不公平产物。</p>
|
||
<p><b>周长型场景的规律</b>：工作集超 L2 的 case 通常 Batch 大或形状大 → $N_{blk}$ 大 → $n_{wave}$ 大 → 尾轮占比小（$\rho$ 小或 $w$ 大），损失/收益天然被稀释；广义方案 B（v1.5，允许尾轮核利用 ≥80%）在此类场景<b>退回原切分</b>（块数减少方向常违反 dValue）或<b>跨边界反超</b>（例 4：$w: 2 \to 1$）——真实损失 5.9%~11.1%（A1b 恒不劣，因枚举空间包含尾轮凑满）。</p>
|
||
<hr>
|
||
<h2>六、决策总表与基于 Batch/M/K/N 的判定流程</h2>
|
||
<h3>6.1 决策总表</h3>
|
||
<p>主导项判定（§2.1 三维判据）：<b>面积型主导</b> = $T_{MMAD}$ 或 $T_{FIX}$ 最大（tile 判据 $\frac{sM \cdot sN}{sM+sN} \ge 93.5$（L2 命中）且 MMAD/FIX 间由 $K \gtrless 304$ 分）；<b>周长型主导</b> = $T_{MTE2}$ 最大（小 tile 或工作集超 L2 的 GM 直读）。</p>
|
||
<table><tr><th>场景</th><th>A0 vs A1</th><th>A0 vs 方案 B</th><th>A1 vs 方案 B</th><th>最优策略</th></tr>
|
||
<tr><td>面积型主导，$r \le C/2$ 且 $r \mid C$</td><td>A1a 优</td><td>方案 B 优</td><td>A1a = 方案 B（选 A1a，搬移少）</td><td>A1a</td></tr>
|
||
<tr><td>面积型主导，$r \le C/2$ 且 $r \nmid C$</td><td>A1a 优</td><td>方案 B 优</td><td>方案 B 略优（取整损失）</td><td>A1a/方案 B 皆可</td></tr>
|
||
<tr><td>面积型主导，$r > C/2$</td><td>A1b 优（不退化）</td><td>方案 B 优</td><td><b>时延严格相等</b>（总量守恒），离散打平</td><td>A1b 或方案 B（工程简洁选方案 B，搬移下限选 A1b）</td></tr>
|
||
<tr><td>面积型主导 + $r$ 小（$\rho < (187/s)^2$，尾轮翻出）</td><td>A1b 优但尾轮翻出</td><td>方案 B 优</td><td>方案 B 微优（~6-8%，翻出效应 §7.2.4）</td><td>方案 B</td></tr>
|
||
<tr><td>周长型主导，$\rho \ge \rho_{dv}$ 且方案 B 可行</td><td>A1b 优</td><td>方案 B 优</td><td><b>A1b 恒优</b>（均值不等式）</td><td>A1b</td></tr>
|
||
<tr><td>周长型主导，$\rho < \rho_{dv}$ 且分界公式成立且方案 B 可行</td><td>A1b 部分凑满</td><td>方案 B 优</td><td><b>方案 B 严格优</b></td><td>方案 B</td></tr>
|
||
<tr><td>周长型主导，$\rho < \rho_{dv}$ 且分界公式不成立</td><td>A1b 部分凑满</td><td>方案 B 优</td><td>打平</td><td>A1b/方案 B 皆可</td></tr>
|
||
<tr><td>周长型主导</td><td>A1b 优</td><td>广义方案 B 损失 5.9%~11.1%（枚举空间被 A1b 包含）</td><td>A1b</td><td>A1b</td></tr>
|
||
<tr><td>dValue 全面卡死（A1b 也不可凑满）</td><td>A1a（$s^* \ge 2$）或 A0</td><td>方案 B 整除代价更大</td><td>—</td><td>A1a/A0</td></tr></table>
|
||
<h3>6.2 基于 Batch/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 §2.5 搬入时延最小化枚举得 $mCnt, nCnt, sM, sN, k_{L1}$；</li>
|
||
<li><b>尾轮参数</b>：$N_{blk} = \text{Batch} \cdot mCnt \cdot nCnt$，$n_{wave} = \lceil N_{blk}/C \rceil$，$r = N_{blk} \bmod C$，$\rho = r/C$；</li>
|
||
<li><b>主导项判定</b>（§2.1 三维判据）：算 $T_{MMAD}, T_{MTE2}, T_{FIX}$ 取最大；注意 $BW_{eff}$ 依工作集是否超 L2 取 162.5GB/s（命中）或 50GB/s（GM 直读）；</li>
|
||
<li><b>dValue 可行性</b>：$\rho_{dv} = (256\text{B}/(sN \cdot dtype))^2$；$g = n_{wave}C/N_{blk}$；$g_{dv} = (sN \cdot dtype/256\text{B})^2$；<b>广义方案 B 枚举</b>：min $w' \times T_{block}'$（允许核利用 ≥80%，去掉整除强约束）——结果与 A1b 比较（A1b 恒不劣）；</li>
|
||
<li><b>单块主导项</b>：$T_{block} = \max(T_{MMAD}, T_{MTE2}, T_{FIX})$。</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>面积型主导，$0 < r \le C/2$，无翻出</td><td>A1a，$s^* = \lfloor C/r \rfloor$</td><td>$T_{block}(n_{wave} - 1 + 1/s^*)$</td></tr>
|
||
<tr><td>3</td><td>面积型主导，$r > C/2$，无翻出</td><td>A1b 或方案 B——时延严格相等</td><td>$T_{block}(n_{wave} - 1 + \rho)$</td></tr>
|
||
<tr><td>4</td><td>面积型主导，$\rho < (187/s)^2$（翻出）</td><td>方案 B（翻出时 A1b 尾轮变周长型）</td><td>$T_{block} \cdot n_{wave}/g$（近似）</td></tr>
|
||
<tr><td>5</td><td>周长型主导，$\rho \ge \rho_{dv}$，方案 B 可行</td><td>A1b</td><td>$T_{load}(n_{wave} - 1 + \sqrt{\rho})$</td></tr>
|
||
<tr><td>6</td><td>周长型主导，$\rho < \rho_{dv}$ 且 $\sqrt{\rho_{dv}} > n_{wave}/\sqrt{g} - (n_{wave}-1)$ 且方案 B 可行</td><td>方案 B</td><td>$T_{load} \cdot n_{wave}/\sqrt{g}$</td></tr>
|
||
<tr><td>7</td><td>周长型主导，广义方案 B 损失 > 0</td><td>A1b（恒不劣于方案 B）</td><td>广义枚举 min w×T_block</td></tr></table>
|
||
<p><b>判定流程图</b>：</p>
|
||
<pre><code>[Batch, M, K, N, dtype]
|
||
│
|
||
▼
|
||
<首轮枚举（§2.5）→ mCnt, nCnt, sM, sN>
|
||
│
|
||
▼
|
||
<N_blk, n_wave, r, ρ = r/C>
|
||
│
|
||
├─ r = 0 ────────────────────▶ A0（无尾轮）
|
||
▼
|
||
<三维主导项判定（§2.1）>
|
||
│
|
||
├─ 面积型（MMAD 或 FIX 最大）
|
||
│ │
|
||
│ ├─ ρ < (187/s)²（尾轮翻出）? ── 是 ─▶ 方案 B
|
||
│ │ 否 ── r ≤ C/2 ? ── 是 ─▶ A1a（s* = ⌊C/r⌋）
|
||
│ │ 否 ─▶ A1b 或方案 B（时延严格相等）
|
||
│ │ （工程简洁选方案 B）
|
||
│
|
||
└─ 周长型（MTE2 最大）
|
||
│
|
||
├─ 广义方案 B 枚举（min w×T_block，核利用≥80%）
|
||
│ 损失 > 0（A1b 恒不劣）─▶ A1b / A1a / A0
|
||
│
|
||
└─ 可行 ── ρ ≥ ρ_dv ? ── 是 ─▶ A1b（周长和恒 ≤ 方案 B）
|
||
└─ 否 ─▶ 分界公式判定：
|
||
√ρ_dv > n_wave/√g −(n_wave−1) ? ── 是 ─▶ 方案 B
|
||
└─ 否 ─▶ A1b/方案 B 打平</code></pre>
|
||
<hr>
|
||
<h2>七、方案 B 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能否给方案 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/方案 B 分界）？②若完全采用方案 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（完整版方案 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 而非方案 B）；</li>
|
||
<li><b>B1（无脑版方案 B）</b>：不做 A1b/方案 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 已证方案 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 Batch/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（v1.3 按修正模型重写）</h3>
|
||
<p>B0/B1 相对 A1b 的"损失"定义为 $T_B/T_{A1b} - 1$（方案 B 更慢为正）。按 §2.1 的主导项缩放类型分两类讨论——**v1.3 修正模型（$T_{MTE2}$ 用全量 K、三维主导项判定）下，结论与 v1.2 有实质差异**。</p>
|
||
<h4>7.2.1 面积型主导：损失严格为 0（总量守恒）</h4>
|
||
<p>面积型主导项（MMAD 或 FIX）的时延 $\propto$ 块面积。设主导项单块时延 $T_{block} = c \cdot sM \cdot sN$（$c$ 为与 tile 无关的系数：MMAD 时 $c = 2K/Q_{16}$，FIX 时 $c = outB/BW_{pc}$）。总量守恒：所有块的面积之和 = 总输出 $\text{Batch} \cdot M \cdot N$，与切分方式无关。轮轮满载时：</p>
|
||
<div class="math">$$
|
||
T = \frac{\text{主导项总量}}{C} = \frac{c \cdot \text{Batch} \cdot M \cdot N}{C}
|
||
$$</div>
|
||
<p>A1b（主轮整块 + 尾轮凑满）与方案 B（全局均匀重切）都做到轮轮满载 → <b>时延严格相等，损失恒为 0</b>。</p>
|
||
<p>*证明*：$T_{A1b} = (n_{wave}-1) \cdot c \cdot A + \rho \cdot c \cdot A = cA(n_{wave}-1+\rho)$（尾轮凑满时尾轮小块面积 $= \rho A$、时延 $\rho \cdot cA$）；$T_B = n_{wave} \cdot c \cdot A/g = cA(n_{wave}-1+\rho)$（$n_{wave}/g = N_{blk}/C = n_{wave}-1+\rho$）。<b>严格相等</b>。</p>
|
||
<p>离散 16 对齐后互有胜负（<3%，数值依赖、无系统性方向）。<b>面积型主导下 B1 零损失</b>——这是 v1.3 相对 v1.2 最重要的修正（v1.2 用 $k_{L1}$ 版错误模型把大量面积型 case 误标为"访存 Bound"并算出 5.4%~30% 的虚假损失）。</p>
|
||
<h4>7.2.2 周长型主导：损失公式的逐步推导</h4>
|
||
<p>周长型主导（MTE2 最大：小 tile 或工作集超 L2 的 GM 直读）时，时延 $\propto$ 周长和。分四步：</p>
|
||
<p><b>第一步：两策略时延表达式</b>。A1b 主轮整块 + 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>方案 B：$N_{blk}' = n_{wave} C$ 块均匀重切、单块搬移缩 $\sqrt{g}$ 倍（$g = n_{wave} C/N_{blk}$）：</p>
|
||
<div class="math">$$
|
||
T_B = \frac{n_{wave}}{\sqrt{g}} \cdot T_{load}
|
||
$$</div>
|
||
<p><b>第二步：消元</b>。$N_{blk}/C = n_{wave}-1+\rho$ 代入 $1/\sqrt{g} = \sqrt{N_{blk}/(n_{wave} C)}$：</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</b>。</p>
|
||
<div class="math">$$
|
||
f(\rho, n_{wave}) \triangleq \frac{T_B}{T_{A1b}} = \frac{\sqrt{n_{wave}\big(n_{wave}-1+\rho\big)}}{n_{wave} - 1 + \sqrt{\rho}},\qquad \text{损失} = f - 1
|
||
$$</div>
|
||
<p><b>第四步：最大值定位</b>。$f$ 对 $\rho$ 单调减、对 $n_{wave}$ 单调减（$\rho \to 1$ 或 $n_{wave} \to \infty$ 时 $f \to 1$），最大损失在 $\rho = \rho_{min} = \max(1/C, \rho_{dv})$、$n_{wave} = 2$ 处：</p>
|
||
<table><tr><th>$sN$（BF16）</th><th>$\rho_{dv}$</th><th>$f_{max}-1$（理论，方形近似）</th></tr>
|
||
<tr><td>256</td><td>0.25（r=8）</td><td><b>5.4%</b></td></tr>
|
||
<tr><td>512</td><td>0.0625（r=2）</td><td><b>16.6%</b></td></tr></table>
|
||
<p>数值核验（$sN=256$、$r=8$、$n_{wave}=2$、$N_{blk}=40$、$g=1.6$）：$T_B = 2/\sqrt{1.6} = 1.581\,T_{load}$ vs $T_{A1b} = (1+\sqrt{0.25})\,T_{load} = 1.5\,T_{load}$ → $f = 1.054$ ✓。</p>
|
||
<h4>7.2.3 理论公式的可靠性：三个近似与方案 B 的可行性约束</h4>
|
||
<p>损失公式建立在三个近似上，逐一审视：</p>
|
||
<p><b>（1）方形近似与非方形惩罚</b>。$N_{blk}'$ 的整数分解偏离方形比例时周长和上升，惩罚因子 $p(\lambda) = (\sqrt{\lambda} + 1/\sqrt{\lambda})/2 \ge 1$（$\lambda$ 为分解长宽比）。修正后：</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>非方形惩罚同时作用于 $p_B$（方案 B 全局分解）与 $p_t$（A1b 尾轮分解）——<b>损失方向由均值不等式的结构保持</b>（两策略在同一基准形状上缩放），但<b>大小偏离理论值</b>：$p_B > p_t$ 时放大、$p_B < p_t$ 时缩小甚至反超。理论值应视为<b>损失下界</b>。</p>
|
||
<p>**（2）$k_{L1}$ 的角色更正**（v1.3 修正）。$k_{L1}$ 不进时延分子（§2.1 已证稳态约掉），其影响通过 dValue/min_TileSize 约束体现：重切使周长缩小 → $k_{L1}$ 的 L1 容量上限放松，但 dValue 下限 $sN' \cdot dtype \ge 256$B 不变——**约束检查的对象是 tile 尺寸本身，$k_{L1}$ 不产生额外的时延放大**。v1.2 中"$k_{L1}$ 跨 regime 使搬移反升"的解释是 $k_{L1}$ 版错误建模的残余，本版删除。</p>
|
||
<p><b>（3）方案 B 的整除冗余代价（v1.5 重写——广义化方案 B，取代 v1.4 的"整除满载"强约束）</b>。v1.4 要求方案 B 满足 $N_{blk}' \equiv 0 \pmod C$（每轮每核满载），这是<b>过强且不公平的约束</b>——真实方案 B 允许尾轮核利用率 < 100%（如 ≥80%），只需所有分块统一重切为新 tile（一套 SingleCoreM/SingleCoreN）。广义化定义：</p>
|
||
<p>*广义方案 B*：枚举所有可行 $(mCnt', nCnt')$（16 对齐、dValue、覆盖），统一重切 tile $(sM', sN')$，<b>不要求整除满载</b>，允许尾轮核利用率 $\ge \eta_{min}$（如 80%）。最优性能：</p>
|
||
<div class="math">$$
|
||
T_B^* = \min_{(mCnt',\, nCnt')} \; w' \cdot T_{block}', \qquad w' = \left\lceil \frac{\text{Batch} \cdot mCnt' \cdot nCnt'}{C} \right\rceil
|
||
$$</div>
|
||
<p><b>广义方案 B ≡ 修正的首轮切分枚举</b>（min $w \times T_{block}$ 全局枚举，允许核不满载跨轮次边界）——这正是 §2.5 枚举目标的正确形式（见 §2.5 末尾 v1.5 修正）。</p>
|
||
<p>*与 A1b 的关系*：A1b = 首轮（修正枚举）+ 尾轮区域重切凑满核。A1b 的枚举空间 ⊇ 广义方案 B（A1b 可退化为"全局统一 tile + 不凑满"），故 <b>A1b 恒不劣于广义方案 B</b>；差距 = 尾轮凑满的收益（尾轮 r 块区域重切更小 tile 多凑 $(C-r)$ 核）。</p>
|
||
<p>*三个实例的公平对比（v1.5 重算）*：</p>
|
||
<table><tr><th>Case</th><th>广义方案 B 最优</th><th>A1b</th><th>方案 B 损失</th></tr>
|
||
<tr><td>例 4（Batch=7、互素）</td><td>$(4,1)$ tile $(320,256)$、28 块、$w=1$、核利用 88%、<b>188.7μs</b></td><td>首轮 $(4,1)$ + 尾轮 28 块凑 32（tile $(320,224)$）、<b>178.3μs</b></td><td><b>+5.9%</b></td></tr>
|
||
<tr><td>例 3（Batch=34、gcd=2）</td><td>$(2,2)$ tile $512^2$（= 原切分，块数减少方向均违反 dValue）、136 块、$w=5$、<b>419.4μs</b></td><td>377.5μs</td><td><b>+11.1%</b></td></tr>
|
||
<tr><td>decode（Batch=100、gcd=4）</td><td>$(1,4)$ tile $(64,832)$（= 原切分，$mCnt=1$ 锁死、块数减少方向违反 dValue）、400 块、$w=13$、<b>73.4μs</b></td><td>70.8μs</td><td><b>+3.7%</b></td></tr></table>
|
||
<p>*例 4 的完整推导*（Batch=7、M=1280、N=256、K=8192、GM 直读周长型）：广义枚举（min $w \times T_{block}$）结果——</p>
|
||
<ul class="tight">
|
||
<li>$(5,1)$：$N_{blk}=35$、$w=2$、$T=2 \times 167.8 = 335.6\mu s$（旧 §2.5 约束 1 的"最优"——填核启发式错过更优解）；</li>
|
||
<li>**$(4,1)$：$sM'=320$、$N_{blk}=28$、$w=1$、核利用 88%、$T = 1 \times 188.7 = 188.7\mu s$（全局最优——块数跨过轮次边界 $2 \to 1$）**；</li>
|
||
<li>$(3,1)$：21 块、$w=1$、$T=225.4\mu s$（tile 更大、周长和增）；</li>
|
||
<li>$(2,2)$：28 块、$w=1$、$T=251.7\mu s$（非方形惩罚）。</li>
|
||
</ul>
|
||
<p>广义方案 B 最优 $(4,1)$ = 188.7μs。A1b 首轮同为 $(4,1)$（修正枚举），尾轮 28 块（$w=1$ 全为尾轮）重切 tile $(320, 224)$ 凑满 32 核（$28 \times 256/224 = 32$ ✓）：$T_{A1b} = 8192 \times 544 \times 2/50\text{G} = 178.3\mu s$。<b>A1b 优 5.9%——这是公平对比下方案 B 的真实损失，远小于 v1.4 整除强约束的 89.6%</b>。</p>
|
||
<p>*v1.4 的 89.6% 损失根源*：整除强约束（$g=\gcd(7,32)=1$ → $mCnt' \cdot nCnt' \equiv 0 \pmod{32}$）迫使方案 B 用 $(16,2)$ 32 块/batch——这不是方案 B 的合理设计。广义化后方案 B 用 $(4,1)$ 28 块（88% 核利用）→ 188.7μs，接近 A1b。</p>
|
||
<p>*结论*：公平对比下（广义方案 B），方案 B 损失 3.7%~11.1%（均劣于 A1b，因 A1b 枚举空间更大、含尾轮凑满）。<b>方案 B 的价值不在时延最优，而在工程简洁（一套 tile、无尾轮分支）</b>——损失 <12% 换实现简化是合理的工程权衡。</p>
|
||
<h4>7.2.4 尾轮小块的主导项翻转（面积型场景的边界修正）</h4>
|
||
<p>面积型主导下 A1b 的尾轮 tile 缩到 $s_t = s\sqrt{\rho}$；tile 缩小使周长/面积比上升，$s_t$ 跌破搬入临界（$s_t \lesssim 187$，L2 命中）时<b>尾轮小块的主导项从面积型翻转为周长型</b>（搬入翻出），尾轮时延高于面积型公式 $\rho \cdot T_{block}$。翻转条件：</p>
|
||
<div class="math">$$
|
||
s\sqrt{\rho} < 187 \iff \rho < \Big(\frac{187}{s}\Big)^2
|
||
$$</div>
|
||
<p>$s=256$ 时 $\rho < 0.533$（$r < 17$）即翻出。此时 A1b 尾轮时延按周长型计算（$T_{tail} = T_{load}(s_t)$），方案 B 的全局 tile $s/\sqrt{g}$ 缩得更温和（$1/\sqrt{g} > \sqrt{\rho}$ 恒成立）更不易翻出——**$r$ 小的面积型 case 中方案 B 可微优（例：M=N=1536、K=256 的 FIX 主导 case，方案 B 微优约 6%）**。</p>
|
||
<h4>7.2.5 主流 prefill/decode 场景的实际损失</h4>
|
||
<p>大模型推理 BMM 典型形状：prefill Batch∈[2,128]、M∈[4k,128k]、K/N∈[128,10240]；decode Batch∈[2,128]、M∈[1,128]、K/N∈[128,10240]。</p>
|
||
<p>**（1）prefill（M 大）：面积型主导 + 大 $n_{wave}$ → 损失 0**</p>
|
||
<ul class="tight">
|
||
<li>$M, N$ 为 256 倍数（主流模型维度 4096/8192/14336 均是）：$mCnt = M/256$、$nCnt = N/256$ 含充足 2 的幂因子，$N_{blk} = \text{Batch} \cdot mCnt \cdot nCnt$ 对 $\text{Batch} \ge 2$ 几乎恒为 32 倍数 → **$r=0$ 无尾轮，损失 0**；</li>
|
||
<li>$M$ 奇异（seq_len 非 256 倍数，如 M=4224）：$N_{blk}$ 大、$n_{wave} \ge 9$ → 即使触发尾轮，面积型主导下 A1b 与方案 B 严格打平 → <b>损失 0</b>；</li>
|
||
<li>tile 判据：$sM=sN=256$、$sM \cdot sN/(sM+sN) = 128 > 93.5$（L2 命中临界）→ 搬入不主导；K 任意时 MMAD（$K \ge 304$）或 FIX（$K < 304$）主导——<b>恒面积型</b>。</li>
|
||
</ul>
|
||
<p>**（2）decode（M ≤ 128 小）：周长型主导，广义方案 B 退回原切分（$mCnt=1$ 锁死）→ A1b 主力**</p>
|
||
<ul class="tight">
|
||
<li>$M$ 小 → tile 面积小（$sM = M$）→ tile 判据 $M \cdot sN/(M+sN)$ 小（如 M=64、sN=256：$51.2 < 93.5$）→ <b>周长型主导</b>；</li>
|
||
<li>$mCnt=1$ 固定 → 广义方案 B 只能沿 N 调整块数，块数减少方向（$nCnt'<4$）违反 dValue（$k_{L1}$ 跌破 128）→ <b>广义方案 B 退回原切分（= A0）</b>（例：Batch=100、M=64、N=3328：方案 B 73.4μs vs A1b 70.8μs，损失 3.7%，§7.2.3 完整推导）；</li>
|
||
<li>A1b 尾轮局部重切（tile $(M, sN_t)$ 只缩 N 向）不受此限 → <b>decode 场景 A1b 为主力（恒不劣于广义方案 B）</b>；</li>
|
||
<li>$w=1$（$N_{blk} < C$，如 Batch=8、N=512）：核填不满，属降核/并行度不足场景，不在尾轮讨论范围。</li>
|
||
</ul>
|
||
<p><b>（3）主流场景损失结论</b></p>
|
||
<table><tr><th>场景</th><th>主导项类型</th><th>方案 B 可行性</th><th>B0/B1 相对 A1b 损失</th></tr>
|
||
<tr><td>prefill，$M,N$ 为 256 倍数</td><td>—</td><td>—</td><td>**0（$r=0$ 无尾轮）**</td></tr>
|
||
<tr><td>prefill，$M$ 奇异</td><td>面积型</td><td>可行</td><td><b>0（严格打平；离散 <3% 互有胜负）</b></td></tr>
|
||
<tr><td>decode，$M \le 128$</td><td>周长型</td><td>广义方案 B 退回原切分</td><td>损失 ~3.7%</td></tr>
|
||
<tr><td>工作集超 L2 的大 Batch case</td><td>周长型</td><td>广义方案 B 退回原切分或跨边界</td><td>损失 5.9%~11.1%</td></tr>
|
||
<tr><td>周长型 + 方案 B 可行 + $\rho \ge \rho_{dv}$ + $n_{wave}=2$</td><td>周长型</td><td>可行</td><td>≤ <b>5.4%</b>（$sN=256$）/ 16.6%（$sN=512$，理论下界）</td></tr>
|
||
<tr><td>面积型 + $r$ 小（$\rho < 0.53$）</td><td>面积型（尾轮翻出周长型）</td><td>可行</td><td>≤ 0（方案 B 微优 ~6%，翻出效应）</td></tr></table>
|
||
<p>**v1.2 的"~30% 极端例损失"是 $k_{L1}$ 错误模型的产物<b>——正确模型（K 版 + 三维主导项）下该例（M=16896、N=512、K=140）为 FIX 面积型主导，A1b 与方案 B 打平（差异 <1%）。</b>主流 prefill/decode case 中 B1 零损失（面积型）或按 gcd 评估整除代价（周长型，代价大时 A1b 承接）——B1 在主流场景是安全的工程选择。**</p>
|
||
<h3>7.3 损失汇总与工程建议</h3>
|
||
<table><tr><th>场景（修正模型：K 版 $T_{MTE2}$ + 三维主导项）</th><th>B0/B1 相对 A1b 的损失</th><th>说明</th></tr>
|
||
<tr><td>面积型主导（MMAD：$K \ge 304$；FIX：$K < 304$ 且 tile 大）</td><td><b>0</b>（严格打平，总量守恒）</td><td>主流 prefill/decode 均属此类；离散对齐 <3% 互有胜负</td></tr>
|
||
<tr><td>面积型主导 + $r$ 小（$\rho < (187/s)^2$，尾轮翻出）</td><td>≤ 0（方案 B 微优 ~6-8%）</td><td>翻出效应（§7.2.4），A1b 尾轮 tile 太小</td></tr>
|
||
<tr><td>周长型主导（MTE2），方案 B 可行，$\rho \ge \rho_{dv}$，$n_{wave}=2$</td><td>≤ <b>5.4%</b>（$sN=256$）/ 16.6%（$sN=512$，理论下界）</td><td>$f(\rho)-1$ 公式；实际 case 罕见</td></tr>
|
||
<tr><td>周长型主导</td><td>广义方案 B 损失 5.9%~11.1%（恒劣于 A1b，枚举空间被包含）</td><td>v1.5 公平对比</td></tr>
|
||
<tr><td>周长型主导，$\rho < \rho_{dv}$（A1b dValue 卡死）且方案 B 可行</td><td>≤ 0（方案 B 反超）或打平</td><td>分界公式 §5.3(iii)</td></tr>
|
||
<tr><td>主流 prefill/decode case</td><td><b>0 ~ 2.5%</b></td><td>§7.2.5</td></tr></table>
|
||
<p><b>工程建议</b>（v1.3 刷新）：</p>
|
||
<ol class="tight">
|
||
<li><b>B1（无脑整数轮满核切）在主流场景是安全的</b>：面积型主导下与 A1b 时延严格相等（零损失）；prefill 大 M/N 场景 $r=0$ 居多（256 倍数）；</li>
|
||
<li><b>decode 小 M / 大 Batch 超 L2 场景广义方案 B 退回原切分</b>（dValue 边界块数不可减）——A1b 恒不劣于广义方案 B（枚举空间包含），方案 B 价值在工程简洁（一套 tile），损失 <12% 换实现简化；</li>
|
||
<li>**周长型 + 方案 B 可行 + $n_{wave}=2$ + $\rho=\rho_{dv}$ 的边角 case**损失理论 5.4%~16.6%（下界），此类 case 应落到 A1b 或按 §5.3 分界公式精确判定（B0）；</li>
|
||
<li>v1.2 的"~30% 极端例损失"是 $k_{L1}$ 错误模型产物，修正模型下该例打平（<1%）——<b>不存在 30% 量级的真实损失场景</b>；</li>
|
||
<li>B1 门限闭式（§7.1），host 端零成本。</li>
|
||
</ol>
|
||
<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/方案 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>**Batch 不整除 $N_{blk}'$**：$\text{Batch} \nmid N_{blk}'$ 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> |