matmul-analysis/result_evaluate.csv at b0b48b90733d04d3c659dc466d452aedf4a4b02f

Files

admin b0b48b9073 Fix #36 : MergeBatch 合并搬移效率收益建模 (move_eff) + t_cmd_ns 置 0

用户澄清: MergeBatch vs IterBatch 的本质区别不只是 DMA 命令数 —— 合并 b0 个
batch 的左/右矩阵一起搬入 L1, 使单块 tile = nValue*dValue*dt 放大 b0 倍 (堆叠
方向视转置: A ND 非转置沿 M(nValue), B ND 非转置沿 N(dValue)), 搬移效率更高,
即便 T_cmd=0 也有效益。

- models.move_eff: 单命令搬移效率 eff = min(1, tile/min_TileSize) (16KB 饱和,
  与进入条件4效率下限语义同源); gm_move_time 按 A/B 两侧字节加权
  t = (V_A/eff_A + V_B/eff_B)/BW_gm; 只影响时间列, GM 字节量仍 = V_in
- IterBatch: l1_form 补驻留侧返回; move_tiles 分侧口径 (a/b 双侧整K, c 驻留侧
  整K+对侧k_l1, d 双侧k_l1), evaluate 接入效率加权
- MergeBatch: 合并 tile 放大 b0 倍接入效率加权; beats_iterbatch 净收益 =
  命令节省(cmds差×T_cmd) + 效率节省(t_data差) − drain惩罚, K截断且效率打平且
  T_cmd>0 时严格退化为 v1.1 §4.5 闭式; 退役 T_cmd<=0 策略特判
- router: 退役 "T_cmd<=0 策略优先 MergeBatch" 覆盖, 时延模型统一终审
- hardware: t_cmd_ns 50 -> 0 (未标定按 0; 合并收益不再依赖 T_cmd 估计值)
- 作用域: 仅切B 两分支接入 (逐命令 tile 小、效率差显著); ASW/StreamK 单命令
  tile 通常已饱和, 极端小 tile 走 issue#34 效率降级标注通道
- 用户 case 家族 B=128,M=1~16,N=128,K=512: m=1~8 -> MergeBatch (效率节省
  ~0.61us > drain), m=16 -> IterBatch (iter A tile 恰达 16KB 饱和, 效率打平,
  drain 决定); 分界与时延全家族一致
- demo: merge_demo_k_trunc 形状 (2048,32,32,256)->(2048,16,64,128) (原形状
  两侧 tile 均已 16KB 饱和, t_cmd=0 下无收益转 IterBatch; 新形状 iter A tile
  4KB eff=0.25 vs 合并 16KB eff=1.0, 保持 MergeBatch 胜出演示且仍 K截断)
- 测试: 74/74 (新增 TestIssue36 5 例: 效率曲线/字节不变/效率差胜出/家族;
  TestArbitration/TestZeroCmdHandling 按 t_cmd=0+效率语义重写; TestIssue35
  家族期望更新)
- 文档: 01_MergeBatch §4/§5 效率模型+泛化净收益; 02_IterBatch 口径注;
  00_总纲胜出条件; 01_软件架构 T_cmd 标定说明; 05 时间列效率口径注; README 要点
- 验证: examples 重生成可复现 0 diff; 压力 10000 例 0 崩溃/0 NaN/0 违规/
  0 GM<V_in, 七分支覆盖 (MergeBatch 386 例)

2026-09-07 21:09:49 +08:00

43 KiB

Raw Blame History

1	case_id	batch_a	batch_b	m	n	k	dtype_a	dtype_b	dtype_c	trans_a	trans_b	has_bias	out_nd	plan_case_id	plan_branch	plan_npu	plan_op	plan_used_core_num	plan_split_b	plan_m_cnt	plan_n_cnt	plan_grid_k	plan_core_map	plan_b_core	plan_merge_b0	plan_single_core_m	plan_single_core_n	plan_single_core_k	plan_k_l1	plan_b_l1	plan_l1_form	plan_base_m	plan_base_n	plan_base_k	plan_l2_policy_in	plan_l2_policy_out	plan_swizzle_w	plan_workspace_bytes	plan_tail_strategy	plan_tail_m_cnt	plan_tail_n_cnt	plan_tail_k_cnt	plan_tail_wave_num	plan_fixpipe_unitflag	plan_out_dtype_bytes	plan_note	gm_read_bytes	l2_read_bytes	t_mte2_gm	t_mte2_l2	t_mte2	dma_cmd_count	cube_flops	t_mmad	fixpipe_bytes	t_fixpipe	t_reduce	t_steady	t_drain	t_total	bottleneck	feasible	bound_type	advice
2	to_matmul_demo	1	1	2048	2048	2048	bf16	bf16	bf16	False	False	False	True	to_matmul_demo	转Matmul	Ascend950PR	batch_mat_mul_v3	32	1	0	0	1	折叠为 Matmul [2048,2048]x[2048,2048], 复用 Matmul 切分体系	0	1	0	0	2048	0	1		0	0	0			0	0	转Matmul后由 Matmul 体系决定	1	1	1	0	True	2	BatchB=1免费折叠: 左矩阵 [1,2048,2048] 视图折叠为 [2048,2048], 零重排零 split	16777216	0.0	1.048576e-05	0.0	1.048576e-05	0.0	17179869184.0	3.534952506995885e-05	8388608	1.6131938461538462e-06	0.0	3.534952506995885e-05	0.0	3.534952506995885e-05	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
3	special_k0_demo	128	128	256	256	0	bf16	bf16	bf16	False	False	False	True	special_k0_demo	特殊分支	Ascend950PR	batch_mat_mul_v3	64	1	1	1	1	AIV 核间按行均分 (无 Cube tile 概念)	0	1	0	0	0	0	1	UB驻留(AIV)	0	0	0	allocate	direct_gm	0	0	不涉及(AIV逐元素)	1	1	1	0	False	2	K=0纯写值: 无任何计算, C=bias 或 0, 纯 AIV 写值; 按行均分到 AIV 核	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	16777216	3.2263876923076923e-06	0.0	3.2263876923076923e-06	0.0	3.2263876923076923e-06	FIXPIPE	True	写出Bound(L2写口)	瓶颈在 Fixpipe 写出: 检查输出 dtype (fp16/fp8 可减半写出量), 或评估输出驻留 L2 异步回写策略
4	special_k1_demo	128	128	256	256	1	bf16	bf16	bf16	False	False	False	True	special_k1_demo	特殊分支	Ascend950PR	batch_mat_mul_v3	64	1	1	1	1	AIV 核间按行均分 (无 Cube tile 概念)	0	1	0	0	1	0	1	UB驻留(AIV) UB乒乓	0	0	0	allocate	direct_gm	0	0	不涉及(AIV逐元素)	1	1	1	0	False	2	K=1逐元素乘: 退化为 C=A⊙B 无累加深度, Cube 16x16x16 粒度浪费 15/16; 走 AIV 通路 GM->UB->Mul->GM, UB乒乓 (B>=2*AIV 双batch乒乓流水)	131072	0.0	8.192e-08	0.0	8.192e-08	0.0	8388608.0	3.103030303030303e-07	16777216	3.2263876923076923e-06	0.0	3.2263876923076923e-06	0.0	3.2263876923076923e-06	FIXPIPE	True	写出Bound(L2写口)	瓶颈在 Fixpipe 写出: 检查输出 dtype (fp16/fp8 可减半写出量), 或评估输出驻留 L2 异步回写策略
5	merge_demo_k_trunc	2048	2048	16	64	128	bf16	bf16	bf16	False	False	False	True	merge_demo_k_trunc	MergeBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B均分(核间零重复读零依赖)	64	4	64	256	128	128	12	合并驻留	64	256	64	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	b0=4 (L0C上限5.7/算存比上限23.7/b_core=64); K截断; 合并后单次DMA搬入 A'[64,128]+B'[128,256]; 输出落点: L2驻留 (整case V_in+V_out=40.0MB vs L2=128MB)	41943040	0.0	2.62144e-05	0.0	2.62144e-05	16	2147483648.0	4.418690633744856e-06	4194304	8.065969230769231e-07	0.0	2.62144e-05	1.1945434884457107e-07	2.6333854348844573e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
6	merge_iter_arbitrate	128	128	64	64	512	bf16	bf16	bf16	False	False	False	True	merge_iter_arbitrate	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	4	1	64	64	512	512	2	b_双batch乒乓	64	64	256	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	双batch乒乓: 2(MK+KN)dtype=256KB <= L1; 输出落点: L2驻留	16777216	0.0	1.048576e-05	0.0	1.048576e-05	4	536870912.0	1.104672658436214e-06	1048576	2.0164923076923077e-07	0.0	1.048576e-05	3.265804723013612e-07	1.081234047230136e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
7	iter_demo_form_b	128	128	64	64	256	bf16	bf16	bf16	False	False	False	True	iter_demo_form_b	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	4	1	64	64	256	256	2	b_双batch乒乓	64	64	256	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	双batch乒乓: 2(MK+KN)dtype=128KB <= L1; 输出落点: L2驻留	8388608	0.0	5.24288e-06	0.0	5.24288e-06	4	268435456.0	5.52336329218107e-07	1048576	2.0164923076923077e-07	0.0	5.24288e-06	1.8849638999683443e-07	5.431376389996834e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
8	iter_demo_form_d	64	64	64	64	8192	bf16	bf16	bf16	False	False	False	True	iter_demo_form_d	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	2	1	64	64	8192	1024	1	d_两侧都切K	64	64	256	allocate(GM->L1随路驻留L2)	direct_gm(整case超L2: 输入优先驻留L2, 输出直写GM不占L2)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	两侧都切K: k_L1=1024, K段成对流水, batch边界天然无缝; dValueA=2048B/dValueB=128B; 输出落点: 直写GM	134217728	0.0	8.388608e-05	0.0	8.388608e-05	16	4294967296.0	8.837381267489712e-06	524288	3.2768e-07	0.0	8.421376e-05	7.16176329218107e-07	8.492993632921811e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
9	streamk_demo	4	4	128	128	10240	bf16	bf16	bf16	False	False	False	True	streamk_demo	StreamK	Ascend950PR	batch_mat_mul_v3	32	1	1	1	32	B/M/N切出4块, 每块32核切K归约 (归约组内核c负责K段[cK/32,(c+1)K/32))	1	1	128	128	320	256	1	K段标准分块流水	128	128	64	allocate(部分和驻留L2)	resident(部分和4B驻留L2, 防精度丢失不随C的fp16/fp8转换)	0	8388608	grid_K=32路切K+归约	1	1	32	0	True	4	P=1.00, grid_K=32, 部分和驻留L2按4B写出, AIV归约后按C dtype=2B写最终	20971520	0	1.31072e-05	0.0	1.31072e-05	0.0	1342177280.0	2.761681646090535e-06	0.0	0.0	3.4067453613053613e-06	1.31072e-05	3.4067453613053613e-06	1.651394536130536e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
10	asw_demo_full	2	2	8192	8192	1024	bf16	bf16	bf16	False	False	False	True	asw_demo_full	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	16	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	1024	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	16	True	2	tile枚举: P=16, 有界枚举最优 mCnt=16 x nCnt=16 (tile 512x512, 每batch搬入512.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=64.0MB, V_out=256.0MB, L2=128MB); 尾轮: r=0 无尾轮	67108864	1006632960	4.194304e-05	0.00019358326153846154	0.00023552630153846153	0.0	274877906944.0	0.0005655924011193416	268435456	0.00016777216	0.0	0.0005655924011193416	0.0	0.0005655924011193416	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
11	asw_demo_reduce_core	16	16	256	256	128	bf16	bf16	bf16	False	False	False	True	asw_demo_reduce_core	ASW_Basic_降核	Ascend950PR	batch_mat_mul_v3	16	1	1	1	1	降核: 只用16核, 每核一个L0C满载输出块, 其余核闲置	0	1	256	256	128	128	1	标准核内流水	256	256	64	allocate	resident(整case全驻留S_A)	0	0	不涉及(每核一块无尾轮)	1	1	1	0	True	2	P=16.00<C, 降核是理性选择 (强切则 tile 跌破搬移效率下限反而更慢)	2097152	0	2.62144e-06	0.0	2.62144e-06	0.0	268435456.0	1.104672658436214e-06	2097152	8.065969230769231e-07	0.0	2.62144e-06	0.0	2.62144e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
12	b4_m1_n128_k256	4	4	1	128	256	bf16	bf16	bf16	False	False	False	True	b4_m1_n128_k256	ASW_Basic_降核	Ascend950PR	batch_mat_mul_v3	1	1	1	1	1	降核: 只用1核, 每核一个L0C满载输出块, 其余核闲置	0	1	1	128	256	256	1	标准核内流水	1	128	128	allocate	resident(整case全驻留S_A)	0	0	不涉及(每核一块无尾轮)	1	1	1	0	True	2	P=0.01<C, 降核是理性选择 (强切则 tile 跌破搬移效率下限反而更慢)	264192	0	5.28384e-06	0.0	5.28384e-06	0.0	262144.0	1.7260510288065844e-08	1024	6.3015384615384615e-09	0.0	5.28384e-06	0.0	5.28384e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
13	b8_m2_n192_k128	8	8	2	192	128	bf16	bf16	bf16	False	False	False	True	b8_m2_n192_k128	ASW_Basic_降核	Ascend950PR	batch_mat_mul_v3	1	1	1	1	1	降核: 只用1核, 每核一个L0C满载输出块, 其余核闲置	0	1	2	192	128	128	1	标准核内流水	2	192	80	allocate	resident(整case全驻留S_A)	0	0	不涉及(每核一块无尾轮)	1	1	1	0	True	2	P=0.05<C, 降核是理性选择 (强切则 tile 跌破搬移效率下限反而更慢)	397312	0	7.94624e-06	0.0	7.94624e-06	0.0	786432.0	5.178153086419753e-08	6144	3.7809230769230766e-08	0.0	7.94624e-06	0.0	7.94624e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
14	b16_m4_n256_k192	16	16	4	256	192	bf16	bf16	bf16	False	False	False	True	b16_m4_n256_k192	ASW_Basic_降核	Ascend950PR	batch_mat_mul_v3	1	1	1	1	1	降核: 只用1核, 每核一个L0C满载输出块, 其余核闲置	0	1	4	256	192	192	1	标准核内流水	4	256	64	allocate	resident(整case全驻留S_A)	0	0	不涉及(每核一块无尾轮)	1	1	1	0	True	2	P=0.25<C, 降核是理性选择 (强切则 tile 跌破搬移效率下限反而更慢)	1597440	0	3.19488e-05	0.0	3.19488e-05	0.0	6291456.0	4.1425224691358024e-07	32768	2.0164923076923077e-07	0.0	3.19488e-05	0.0	3.19488e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
15	b32_m8_n128_k256	32	32	8	128	256	bf16	bf16	bf16	False	False	False	True	b32_m8_n128_k256	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	1	1	8	128	256	256	1	a_单batch全驻留	8	128	128	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	单batch全驻留: (MK+KN)*dtype=68KB <= L1; 输出落点: L2驻留	2228224	0.0	1.6384e-06	0.0	1.6384e-06	1	16777216.0	3.452102057613169e-08	65536	1.2603076923076923e-08	0.0	1.6384e-06	4.712409749920861e-08	1.6855240974992087e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
16	b64_m16_n256_k512	64	64	16	256	512	bf16	bf16	bf16	False	False	False	True	b64_m16_n256_k512	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	2	1	16	256	512	240	1	c_一侧驻留+对侧切K	16	256	64	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	一侧驻留(A)+对侧切K: A驻留16KB, 预算L1/2, k_L1=240, dValueA=480B/dValueB=512B; 输出落点: L2驻留	17825792	0.0	1.114112e-05	0.0	1.114112e-05	6	268435456.0	5.52336329218107e-07	524288	1.0082461538461538e-07	0.0	1.114112e-05	1.798661348528015e-07	1.1320986134852803e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
17	b128_m8_n192_k256	128	128	8	192	256	bf16	bf16	bf16	False	False	False	True	b128_m8_n192_k256	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	4	1	8	192	256	256	2	b_双batch乒乓	8	192	80	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	双batch乒乓: 2(MK+KN)dtype=200KB <= L1; 输出落点: L2驻留	13107200	0.0	9.17504e-06	0.0	9.17504e-06	4	100663296.0	2.0712612345679012e-07	393216	7.561846153846153e-08	0.0	9.17504e-06	7.068614624881291e-08	9.245726146248813e-06	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
18	b32_m16_n8192_k7168	32	32	16	8192	7168	bf16	bf16	bf16	False	False	False	True	b32_m16_n8192_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	1	8	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	16	1024	7168	112	1	双缓冲驻留当前tile输入	16	1024	16	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	8	True	2	tile枚举: 效率降级(放开约束4, dValue 按 128B 硬下限, 搬移效率低于模型假设, 时延可能低估): P=1, mCnt=1 x nCnt=8 (tile 16x1024, 每batch搬入113.8MB, r=0); Base tile 16x1024 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=3591.0MB, V_out=8.0MB, L2=128MB); 尾轮: r=0 无尾轮	3765436416	51380224	0.00235339776	9.880812307692307e-06	0.0023632785723076925	0.0	60129542144.0	0.00012372333774485596	8388608	5.24288e-06	0.0	0.0023685214523076923	0.0	0.0023685214523076923	MTE2	True	访存Bound(GM读写共享+L2重复读)	效率降级标注 (plan.note): 搬移效率下限不满足 —— 方案照常给出 (兜底), 但实际效率低于模型假设, 时延可能低估; 建议调整 dtype/布局 \| 瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
19	b4_m1_n8192_k8192	4	4	1	8192	8192	bf16	bf16	bf16	False	False	False	True	b4_m1_n8192_k8192	StreamK	Ascend950PR	batch_mat_mul_v3	32	1	1	1	32	B/M/N切出4块, 每块32核切K归约 (归约组内核c负责K段[cK/32,(c+1)K/32))	1	1	1	8192	256	256	1	K段标准分块流水	1	128	64	allocate(部分和驻留L2)	resident(部分和4B驻留L2, 防精度丢失不随C的fp16/fp8转换)	0	4194304	grid_K=32路切K+归约	1	1	32	0	True	4	P=0.50, grid_K=32, 部分和驻留L2按4B写出, AIV归约后按C dtype=2B写最终	536936448	0.0	0.00033558528	0.0	0.00033558528	0.0	536870912.0	1.104672658436214e-06	0.0	0.0	1.731729603729604e-06	0.00033558528	1.731729603729604e-06	0.0003373170096037296	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
20	b16_m2_n4096_k7168	16	16	2	4096	7168	bf16	bf16	bf16	False	False	False	True	b16_m2_n4096_k7168	StreamK	Ascend950PR	batch_mat_mul_v3	32	1	1	1	16	B/M/N切出16块, 每块16核切K归约 (归约组内核c负责K段[cK/16,(c+1)K/16))	1	1	2	4096	448	256	1	K段标准分块流水	2	128	64	allocate(部分和驻留L2)	resident(部分和4B驻留L2, 防精度丢失不随C的fp16/fp8转换)	0	8388608	grid_K=16路切K+归约	1	1	16	0	True	4	P=2.00, grid_K=16, 部分和驻留L2按4B写出, AIV归约后按C dtype=2B写最终	939982848	0	0.00058748928	0.0	0.00058748928	0.0	1879048192.0	3.866354304526749e-06	0.0	0.0	1.7726896037296038e-06	0.00058748928	1.7726896037296038e-06	0.0005892619696037297	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
21	b32_m64_n64_k7168	32	32	64	64	7168	bf16	bf16	bf16	False	False	False	True	b32_m64_n64_k7168	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	1	1	64	64	7168	1024	1	d_两侧都切K	64	64	256	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	两侧都切K: k_L1=1024, K段成对流水, batch边界天然无缝; dValueA=2048B/dValueB=128B; 输出落点: L2驻留	58720256	0.0	3.670016e-05	0.0	3.670016e-05	7	1879048192.0	3.866354304526749e-06	262144	5.041230769230769e-08	0.0	3.670016e-05	6.027486369104147e-07	3.730290863691042e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
22	b64_m1024_n1024_k7168	64	64	1024	1024	7168	bf16	bf16	bf16	False	False	False	True	b64_m1024_n1024_k7168	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	2	1	1024	1024	7168	64	1	d_两侧都切K	176	176	64	allocate(GM->L1随路驻留L2)	direct_gm(整case超L2: 输入优先驻留L2, 输出直写GM不占L2)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	两侧都切K: k_L1=64, K段成对流水, batch边界天然无缝; dValueA=128B/dValueB=2048B; 输出落点: 直写GM	1879048192	0.0	0.00117440512	0.0	0.00117440512	224	962072674304.0	0.0019795734039176954	134217728	8.388608e-05	0.0	0.0019795734039176954	5.078042126748971e-05	0.0020303538251851853	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
23	b128_m2048_n2048_k1536	128	128	2048	2048	1536	bf16	bf16	bf16	False	False	False	True	b128_m2048_n2048_k1536	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	4	4	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	1536	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	64	True	2	tile枚举: P=1, 有界枚举最优 mCnt=4 x nCnt=4 (tile 512x512, 每batch搬入48.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=1536.0MB, V_out=1024.0MB, L2=128MB); 尾轮: r=0 无尾轮	1610612736	4831838208	0.00100663296	0.0009291996553846154	0.0019358326153846154	0.0	1649267441664.0	0.0033935544067160493	1073741824	0.00067108864	0.0	0.0033935544067160493	0.0	0.0033935544067160493	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
24	b64_m1024_n8192_k2048	64	64	1024	8192	2048	bf16	bf16	bf16	False	False	False	True	b64_m1024_n8192_k2048	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	2	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	2048	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	64	True	2	tile枚举: P=1, 有界枚举最优 mCnt=2 x nCnt=16 (tile 512x512, 每batch搬入128.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=2304.0MB, V_out=1024.0MB, L2=128MB); 尾轮: r=0 无尾轮	2415919104	6174015488	0.00150994944	0.0011873106707692308	0.0026972601107692305	0.0	2199023255552.0	0.004524739208954733	1073741824	0.00067108864	0.0	0.004524739208954733	0.0	0.004524739208954733	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
25	b32_m1024_n1024_k512	32	32	1024	1024	512	bf16	bf16	bf16	False	False	False	True	b32_m1024_n1024_k512	IterBatch	Ascend950PR	batch_mat_mul_v3	32	32	1	1	1	切B轮转分配(核间零重复读零依赖)	1	1	1024	1024	512	64	1	d_两侧都切K	176	176	64	allocate(GM->L1随路驻留L2)	resident(整case输入+输出<=L2: 输出驻留L2异步回写, GM写=0)	0	0	不涉及(核内不切M/N)	1	1	1	0	True	2	两侧都切K: k_L1=64, K段成对流水, batch边界天然无缝; dValueA=128B/dValueB=2048B; 输出落点: L2驻留	67108864	0.0	4.194304e-05	0.0	4.194304e-05	8	34359738368.0	7.06990501399177e-05	67108864	1.290555076923077e-05	0.0	7.06990501399177e-05	2.1742932036720483e-05	9.244198217663819e-05	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
26	b128_m4096_n4096_k8192	128	128	4096	4096	8192	bf16	bf16	bf16	False	False	False	True	b128_m4096_n4096_k8192	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	8	8	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	8192	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	256	True	2	tile枚举: P=1, 有界枚举最优 mCnt=8 x nCnt=8 (tile 512x512, 每batch搬入1024.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=16384.0MB, V_out=4096.0MB, L2=128MB); 尾轮: r=0 无尾轮	17179869184	120259084288	0.01073741824	0.023126746978461538	0.033864165218461535	0.0	35184372088832.0	0.07239582734327572	4294967296	0.00268435456	0.0	0.07239582734327572	0.0	0.07239582734327572	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
27	b32_m8192_n4096_k7168	32	32	8192	4096	7168	bf16	bf16	bf16	False	False	False	True	b32_m8192_n4096_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	16	8	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	7168	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	128	True	2	tile枚举: P=1, 有界枚举最优 mCnt=16 x nCnt=8 (tile 512x512, 每batch搬入1792.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=5376.0MB, V_out=2048.0MB, L2=128MB); 尾轮: r=0 无尾轮	5637144576	54492397568	0.00352321536	0.010479307224615384	0.014002522584615384	0.0	15393162788864.0	0.031673174462683126	2147483648	0.00134217728	0.0	0.031673174462683126	0.0	0.031673174462683126	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
28	b32_m2048_n2048_k8192	32	32	2048	2048	8192	bf16	bf16	bf16	False	False	False	True	b32_m2048_n2048_k8192	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	4	4	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	8192	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	16	True	2	tile枚举: P=1, 有界枚举最优 mCnt=4 x nCnt=4 (tile 512x512, 每batch搬入256.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=2048.0MB, V_out=256.0MB, L2=128MB); 尾轮: r=0 无尾轮	2147483648	6442450944	0.00134217728	0.0012389328738461537	0.002581110153846154	0.0	2199023255552.0	0.004524739208954733	268435456	0.00016777216	0.0	0.004524739208954733	0.0	0.004524739208954733	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
29	b64_m4096_n2048_k128	64	64	4096	2048	128	bf16	bf16	bf16	False	False	False	True	b64_m4096_n2048_k128	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	8	4	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	128	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	64	True	2	tile枚举: P=1, 有界枚举最优 mCnt=8 x nCnt=4 (tile 512x512, 每batch搬入8.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=96.0MB, V_out=1024.0MB, L2=128MB); 尾轮: r=0 无尾轮	100663296	436207616	6.291456e-05	8.388608e-05	0.00014680063999999998	0.0	137438953472.0	0.0002827962005596708	1073741824	0.00067108864	0.0	0.00081788928	0.0	0.00081788928	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
30	b16_m1024_n1024_k8192	16	16	1024	1024	8192	bf16	bf16	bf16	False	False	False	True	b16_m1024_n1024_k8192	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	2	2	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	8192	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	2	True	2	tile枚举: P=2, 有界枚举最优 mCnt=2 x nCnt=2 (tile 512x512, 每batch搬入64.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=512.0MB, V_out=32.0MB, L2=128MB); 尾轮: r=0 无尾轮	536870912	536870912	0.00033554432	0.00010324440615384615	0.0004387887261538461	0.0	274877906944.0	0.0005655924011193416	33554432	2.097152e-05	0.0	0.0005655924011193416	0.0	0.0005655924011193416	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
31	b4_m32768_n128_k128	4	4	32768	128	128	bf16	bf16	bf16	False	False	False	True	b4_m32768_n128_k128	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	64	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	128	128	128	1	双缓冲驻留当前tile输入	512	128	32	allocate(输入驻留L2吸收重复读)	resident(整case全驻留S_A: 输出驻留L2异步回写, GM写=0)	4	0	A0	1	1	1	8	True	2	tile枚举: P=8, 有界枚举最优 mCnt=64 x nCnt=1 (tile 512x128, 每batch搬入10.0MB, r=0); Base tile 512x128 (L0C 单缓冲方形用满); L2场景: A_整case全驻留(输入+输出<=L2) (V_in=32.1MB, V_out=32.0MB, L2=128MB); 尾轮: r=0 无尾轮	33685504	8257536	2.105344e-05	1.5879876923076922e-06	2.2641427692307692e-05	0.0	4294967296.0	8.837381267489712e-06	33554432	6.452775384615385e-06	0.0	2.2641427692307692e-05	0.0	2.2641427692307692e-05	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
32	b8_m32768_n2048_k512	8	8	32768	2048	512	bf16	bf16	bf16	False	False	False	True	b8_m32768_n2048_k512	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	64	4	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	512	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	64	True	2	tile枚举: P=4, 有界枚举最优 mCnt=64 x nCnt=4 (tile 512x512, 每batch搬入256.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=272.0MB, V_out=1024.0MB, L2=128MB); 尾轮: r=0 无尾轮	285212672	1862270976	0.00017825792	0.00035812903384615385	0.0005363869538461539	0.0	549755813888.0	0.0011311848022386832	1073741824	0.00067108864	0.0	0.0012074755938461538	0.0	0.0012074755938461538	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
33	b4_m131072_n128_k128	4	4	131072	128	128	bf16	bf16	bf16	False	False	False	True	b4_m131072_n128_k128	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	256	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	128	128	128	1	双缓冲驻留当前tile输入	512	128	32	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	32	True	2	tile枚举: P=8, 有界枚举最优 mCnt=256 x nCnt=1 (tile 512x128, 每batch搬入40.0MB, r=0); Base tile 512x128 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=128.1MB, V_out=128.0MB, L2=128MB); 尾轮: r=0 无尾轮	134348800	33423360	8.3968e-05	6.427569230769231e-06	9.039556923076924e-05	0.0	17179869184.0	3.534952506995885e-05	134217728	8.388608e-05	0.0	0.00017428164923076922	0.0	0.00017428164923076922	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
34	b8_m131072_n1024_k256	8	8	131072	1024	256	bf16	bf16	bf16	False	False	False	True	b8_m131072_n1024_k256	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	256	2	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	256	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	128	True	2	tile枚举: P=4, 有界枚举最优 mCnt=256 x nCnt=2 (tile 512x512, 每batch搬入256.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=516.0MB, V_out=2048.0MB, L2=128MB); 尾轮: r=0 无尾轮	541065216	1606418432	0.00033816576	0.00030892662153846154	0.0006470923815384616	0.0	549755813888.0	0.0011311848022386832	2147483648	0.00134217728	0.0	0.0019892696615384617	0.0	0.0019892696615384617	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
35	b16_m32768_n8192_k7168	16	16	32768	8192	7168	bf16	bf16	bf16	False	False	False	True	b16_m32768_n8192_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	64	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	7168	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	512	True	2	tile枚举: P=2, 有界枚举最优 mCnt=64 x nCnt=16 (tile 512x512, 每batch搬入14336.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=8960.0MB, V_out=8192.0MB, L2=128MB); 尾轮: r=0 无尾轮	9395240960	231122927616	0.0058720256	0.044446716849230766	0.05031874244923076	0.0	61572651155456.0	0.1266926978507325	8589934592	0.00536870912	0.0	0.1266926978507325	0.0	0.1266926978507325	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
36	b4_m32768_n128_k8192	4	4	32768	128	8192	bf16	bf16	bf16	False	False	False	True	b4_m32768_n128_k8192	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	64	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	128	8192	192	1	双缓冲驻留当前tile输入	512	128	32	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	8	True	2	tile枚举: P=8, 有界枚举最优 mCnt=64 x nCnt=1 (tile 512x128, 每batch搬入640.0MB, r=0); Base tile 512x128 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=2056.0MB, V_out=32.0MB, L2=128MB); 尾轮: r=0 无尾轮	2155872256	528482304	0.00134742016	0.0001016312123076923	0.0014490513723076923	0.0	274877906944.0	0.0005655924011193416	33554432	2.097152e-05	0.0	0.0014700228923076922	0.0	0.0014700228923076922	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
37	b32_m131072_n8192_k128	32	32	131072	8192	128	bf16	bf16	bf16	False	False	False	True	b32_m131072_n8192_k128	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	256	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	128	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	4096	True	2	tile枚举: P=1, 有界枚举最优 mCnt=256 x nCnt=16 (tile 512x512, 每batch搬入1024.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=1088.0MB, V_out=65536.0MB, L2=128MB); 尾轮: r=0 无尾轮	1140850688	33218887680	0.00071303168	0.006388247630769231	0.007101279310769231	0.0	8796093022208.0	0.01809895683581893	68719476736	0.04294967296	0.0	0.05005095227076922	0.0	0.05005095227076922	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
38	b64_m32768_n8192_k1536	64	64	32768	8192	1536	bf16	bf16	bf16	False	False	False	True	b64_m32768_n8192_k1536	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	64	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	1536	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	2048	True	2	tile枚举: P=1, 有界枚举最优 mCnt=64 x nCnt=16 (tile 512x512, 每batch搬入3072.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=7680.0MB, V_out=32768.0MB, L2=128MB); 尾轮: r=0 无尾轮	8053063680	198105366528	0.0050331648	0.03809718587076923	0.04313035067076923	0.0	52776558133248.0	0.10859374101491358	34359738368	0.02147483648	0.0	0.10859374101491358	0.0	0.10859374101491358	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
39	b8_m131072_n8192_k8192	8	8	131072	8192	8192	bf16	bf16	bf16	False	False	False	True	b8_m131072_n8192_k8192	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	256	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	8192	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	1024	True	2	tile枚举: P=4, 有界枚举最优 mCnt=256 x nCnt=16 (tile 512x512, 每batch搬入65536.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: C_双侧超L2: 最小替换2D分组(组间落空GM, 窗口L2) (V_in=17408.0MB, V_out=16384.0MB, L2=128MB); 最小替换分组 m_grp=8x n_grp=8 (GM倍率3.76, 窗口L2/batch=57344.0MB); 尾轮: r=0 无尾轮	68719476736	481036337152	0.04294967296	0.09250698791384615	0.13545666087384614	0.0	140737488355328.0	0.2895833093731029	17179869184	0.01073741824	0.0	0.2895833093731029	0.0	0.2895833093731029	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
40	b8_m16_n7168_k1536	8	8	16	7168	1536	bf16	bf16	bf16	False	False	False	True	b8_m16_n7168_k1536	StreamK	Ascend950PR	batch_mat_mul_v3	32	1	1	2	2	B/M/N切出16块, 每块2核切K归约 (归约组内核c负责K段[cK/2,(c+1)K/2))	1	1	16	3584	768	256	1	K段标准分块流水	16	128	64	allocate(部分和驻留L2)	resident(部分和4B驻留L2, 防精度丢失不随C的fp16/fp8转换)	0	3670016	grid_K=2路切K+归约	1	1	2	0	True	4	P=14.00, grid_K=2, 部分和驻留L2按4B写出, AIV归约后按C dtype=2B写最终	176553984	393216	0.00011034624	7.561846153846153e-08	0.00011042185846153846	0.0	2818572288.0	5.799531456790123e-06	0.0	0.0	2.566079254079254e-07	0.00011042185846153846	2.566079254079254e-07	0.00011067846638694638	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
41	b64_m1024_n7168_k7168	64	64	1024	7168	7168	bf16	bf16	bf16	False	False	False	True	b64_m1024_n7168_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	2	14	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	7168	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	56	True	2	tile枚举: P=1, 有界枚举最优 mCnt=2 x nCnt=14 (tile 512x512, 每batch搬入392.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=7168.0MB, V_out=896.0MB, L2=128MB); 尾轮: r=0 无尾轮	7516192768	18790481920	0.00469762048	0.0036135542153846152	0.008311174695384616	0.0	6734508720128.0	0.013857013827423869	939524096	0.00058720256	0.0	0.013857013827423869	0.0	0.013857013827423869	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
42	b32_m8192_n8192_k7168	32	32	8192	8192	7168	bf16	bf16	bf16	False	False	False	True	b32_m8192_n8192_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	16	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	7168	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	256	True	2	tile枚举: P=1, 有界枚举最优 mCnt=16 x nCnt=16 (tile 512x512, 每batch搬入3584.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=7168.0MB, V_out=4096.0MB, L2=128MB); 尾轮: r=0 无尾轮	7516192768	112742891520	0.00469762048	0.021681325292307693	0.026378945772307694	0.0	30786325577728.0	0.06334634892536625	4294967296	0.00268435456	0.0	0.06334634892536625	0.0	0.06334634892536625	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
43	b8_m4096_n4096_k128	8	8	4096	4096	128	bf16	bf16	bf16	False	False	False	True	b8_m4096_n4096_k128	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	8	8	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	128	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	16	True	2	tile枚举: P=4, 有界枚举最优 mCnt=8 x nCnt=8 (tile 512x512, 每batch搬入16.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=16.0MB, V_out=256.0MB, L2=128MB); 尾轮: r=0 无尾轮	16777216	117440512	1.048576e-05	2.2584713846153845e-05	3.307047384615384e-05	0.0	34359738368.0	7.06990501399177e-05	268435456	0.00016777216	0.0	0.00020084263384615383	0.0	0.00020084263384615383	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争
44	b128_m8192_n8192_k7168	128	128	8192	8192	7168	bf16	bf16	bf16	False	False	False	True	b128_m8192_n8192_k7168	ASW_Basic	Ascend950PR	batch_mat_mul_v3	32	1	16	16	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	512	512	7168	128	1	双缓冲驻留当前tile输入	256	256	64	allocate(输入驻留L2吸收重复读)	direct_gm(输出直写GM, 输入优先驻留L2)	4	0	A0	1	1	1	1024	True	2	tile枚举: P=1, 有界枚举最优 mCnt=16 x nCnt=16 (tile 512x512, 每batch搬入3584.0MB, r=0); Base tile 256x256 (L0C 单缓冲方形用满); L2场景: B_单batch可驻留(全驻留或单侧驻留+对侧滑窗) (V_in=28672.0MB, V_out=16384.0MB, L2=128MB); 尾轮: r=0 无尾轮	30064771072	450971566080	0.01879048192	0.08672530116923077	0.10551578308923078	0.0	123145302310912.0	0.253385395701465	17179869184	0.01073741824	0.0	0.253385395701465	0.0	0.253385395701465	MMAD	True	计算Bound	瓶颈在 Cube 计算: 已接近理论算力上限, 检查是否有冗余计算 (MergeBatch 交叉项) 可消除
45	special_k1_b64	64	64	8192	512	1	bf16	bf16	bf16	False	False	False	True	special_k1_b64	特殊分支	Ascend950PR	batch_mat_mul_v3	64	1	1	1	1	AIV 核间按行均分 (无 Cube tile 概念)	0	1	0	0	1	0	1	UB驻留(AIV) AIV单缓冲	0	0	0	allocate	direct_gm	0	0	不涉及(AIV逐元素)	1	1	1	0	False	2	K=1逐元素乘: 退化为 C=A⊙B 无累加深度, Cube 16x16x16 粒度浪费 15/16; 走 AIV 通路 GM->UB->Mul->GM, AIV单缓冲 (B<2*AIV 逐batch单缓冲串行)	1114112	0.0	6.9632e-07	0.0	6.9632e-07	0.0	268435456.0	9.92969696969697e-06	536870912	0.00033554432	0.0	0.00033624063999999996	0.0	0.00033624063999999996	MTE2	True	访存Bound(GM读写共享+L2重复读)	瓶颈在 MTE2 搬移链 (GM 读写共享总线 + L2 重复读): 可增大 tile 提升 dValue/单核搬移量、利用 L2 驻留吸收重复读 (ASW swizzle/分组方向), 或评估输出驻留 L2 以减少 GM 直写与读竞争

43 KiB Raw Blame History

43 KiB

Raw Blame History