matmul-analysis/result_evaluate.csv at b9e07edc1d3a58476744407a7cf6249d7653ef9d

Files

admin b9e07edc1d Fix #27-#30: dtype感知算力(Cube/AIV速率表) / GM首读下限与整芯片字节列口径+设计文档 / Fixpipe输出落点R4(整case驻留L2否则直写GM) / MergeBatch Cube公式复核注释

- docs/05_L2驻留GM读写与dtype算力口径_设计分析.md: R1-R6公理、S_A/S_B/S_C场景、输出落点R4、dtype速率表(白皮书出处+待标定假设)、逐分支GM/L2归属表 (issue#29/#30 先文档后代码)
- hardware: CUBE_DTYPE_FACTOR(f16/bf16=1, fp8=2x, fp4=4x, fp32=1/2假设) + AIV_DTYPE_FACTOR + q_cube/aiv_elem_rate (issue#28)
- 全分支 t_mmad/t_comp/drain/尾轮主导项/θ_c/R16 语义按输入dtype取算力; 混精度取慢侧; StreamK归约保持fp32(AIV fp32部分和)
- Fixpipe输出落点R4: to_l2 <=> V_in+V_out(+workspace)<=L2; 否则直写GM计入共享总线; ASW场景改S_A整case全驻留(原单batch驻留判定漏计整case输出累积逐出)
- 字节列统一整芯片口径(gm/l2/fix/cube_flops), dma_cmd_count注明单核; GM>=V_in不变量入测试; MergeBatch每步flops=2(b0M)(b0N)K公式注释显式化(#27复核与CSV一致无数值改动)
- tests 39->49 全过; 双压力seed7/6000+seed2024/4000: 0违规/0占位/0NaN/0GM<输入; examples三件套重生成且可复现0diff

2026-09-04 16:26:10 +08:00

42 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_m_main	plan_tail_n_main	plan_tail_block_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	t_dma_cmd	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	0	0	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	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	0	0	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	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	0	0	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	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	32	32	256	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	128	128	256	256	8	合并驻留	128	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	0	0	0	True	2	b0=4 (L0C上限5.7/算存比上限19.0/b_core=64); K截断; 合并后单次DMA搬入 A'[128,256]+B'[256,128]; 输出落点: L2驻留 (整case V_in+V_out=64.0MB vs L2=128MB)	67108864	0.0	4.194304e-05	0.0	4.2743039999999997e-05	16.0	8.000000000000001e-07	4294967296.0	8.837381267489712e-06	4194304	8.065969230769231e-07	0.0	4.2743039999999997e-05	1.8849638999683443e-07	4.293153638999683e-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	0	0	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	1.0685759999999999e-05	4	2.0000000000000002e-07	536870912.0	1.104672658436214e-06	1048576	2.0164923076923077e-07	0.0	1.0685759999999999e-05	3.265804723013612e-07	1.101234047230136e-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	0	0	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	5.4428799999999995e-06	4	2.0000000000000002e-07	268435456.0	5.52336329218107e-07	1048576	2.0164923076923077e-07	0.0	5.4428799999999995e-06	1.8849638999683443e-07	5.631376389996834e-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	0	0	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	8.468608e-05	16	8.000000000000001e-07	4294967296.0	8.837381267489712e-06	524288	3.2768e-07	0.0	8.501376e-05	7.16176329218107e-07	8.572993632921812e-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	0	0	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	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	47	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	1024	256	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	52	52	1	52	52	2	139	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=64.0MB, V_out=256.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: 周长型主导, rho=0.06<rho_dv=0.53, A1b被dValue卡死, 方案B反超	67108864.0	3087007744	4.194304e-05	0.0005936553353846154	0.0006355983753846153	0.0	0.0	274877906944.0	0.0005655924011193416	268435456	0.00016777216	0.0	0.0008033705353846154	0.0	0.0008033705353846154	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
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	0	0	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	0	2.62144e-06	0.0	2.62144e-06	0.0	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	0	0	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	0	5.28384e-06	0.0	5.28384e-06	0.0	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	0	0	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	0	7.94624e-06	0.0	7.94624e-06	0.0	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	0	0	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	0	3.19488e-05	0.0	3.19488e-05	0.0	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	0	0	0	True	2	单batch全驻留: (MK+KN)*dtype=68KB <= L1; 输出落点: L2驻留	2228224	0.0	1.39264e-06	0.0	1.44264e-06	1	5.0000000000000004e-08	16777216.0	3.452102057613169e-08	65536	1.2603076923076923e-08	0.0	1.44264e-06	4.712409749920861e-08	1.4897640974992086e-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	0	0	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	25067520	0.0	1.56672e-05	0.0	1.5967200000000002e-05	6	3.0000000000000004e-07	268435456.0	5.52336329218107e-07	524288	1.0082461538461538e-07	0.0	1.5967200000000002e-05	1.798661348528015e-07	1.6147066134852802e-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	0	0	0	True	2	双batch乒乓: 2(MK+KN)dtype=200KB <= L1; 输出落点: L2驻留	13107200	0.0	8.192e-06	0.0	8.392e-06	4	2.0000000000000002e-07	100663296.0	2.0712612345679012e-07	393216	7.561846153846153e-08	0.0	8.392e-06	7.068614624881291e-08	8.462686146248813e-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	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	47	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=3591.0MB, V_out=8.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	3765436416.0	337641472	0.00235339776	6.493105230769231e-05	0.0024183288123076924	0.0	0.0	60129542144.0	0.00012372333774485596	8388608	5.24288e-06	0.0	0.0024235716923076923	0.0	0.0024235716923076923	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
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	0	0	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	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	0	0	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	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	0	0	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	3.6700159999999995e-05	0.0	3.705016e-05	7	3.5000000000000004e-07	1879048192.0	3.866354304526749e-06	262144	5.041230769230769e-08	0.0	3.705016e-05	6.027486369104147e-07	3.7652908636910414e-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	0	0	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	0.0011744051199999998	0.0	0.00118560512	224	1.1200000000000001e-05	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	12	12	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	1536	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	576	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=1536.0MB, V_out=1024.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	1610612736.0	17716740096	0.00100663296	0.003407065403076923	0.004413698363076923	0.0	0.0	1649267441664.0	0.0033935544067160493	1073741824	0.00067108864	0.0	0.005084787003076923	0.0	0.005084787003076923	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
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	6	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	2048	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	564	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=2304.0MB, V_out=1024.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	2415919104.0	23085449216	0.00150994944	0.004439509464615385	0.005949458904615385	0.0	0.0	2199023255552.0	0.004524739208954733	1073741824	0.00067108864	0.0	0.006620547544615385	0.0	0.006620547544615385	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
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	0	0	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	4.234304e-05	8	4.0000000000000003e-07	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	24	24	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	8192	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	2304	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=16384.0MB, V_out=4096.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	17179869184.0	395136991232	0.01073741824	0.07598788292923077	0.08672530116923077	0.0	0.0	35184372088832.0	0.07239582734327572	4294967296	0.00268435456	0.0	0.08940965572923076	0.0	0.08940965572923076	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
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	47	24	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	1128	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=5376.0MB, V_out=2048.0MB, L2=128MB), GM首读倍率=1.33; 尾轮: r=0 无尾轮	7516192768.0	0.0	0.00469762048	0.0	0.00469762048	0.0	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	12	12	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	8192	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	144	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=2048.0MB, V_out=256.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	2147483648.0	23622320128	0.00134217728	0.004542753870769231	0.005884931150769231	0.0	0.0	2199023255552.0	0.004524739208954733	268435456	0.00016777216	0.0	0.006052703310769231	0.0	0.006052703310769231	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
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	24	12	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	128	128	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	576	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=96.0MB, V_out=1024.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	100663296.0	1509949440	6.291456e-05	0.0002903748923076923	0.0003532894523076923	0.0	0.0	137438953472.0	0.0002827962005596708	1073741824	0.00067108864	0.0	0.0010243780923076921	0.0	0.0010243780923076921	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	6	6	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	8192	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	18	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=512.0MB, V_out=32.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	536870912.0	2684354560	0.00033554432	0.0005162220307692308	0.0008517663507692308	0.0	0.0	274877906944.0	0.0005655924011193416	33554432	2.097152e-05	0.0	0.0008727378707692308	0.0	0.0008727378707692308	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
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	187	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	128	128	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	205	1	1	205	1	12	24	True	2	L2场景: A_整case全驻留(输入+输出<=L2) (V_in=32.1MB, V_out=32.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: 面积型主导, A1b与方案B严格打平(T=28.96us), 选方案B工程简洁 (一套tile)	33685504.0	24379392	2.105344e-05	4.688344615384615e-06	2.5741784615384616e-05	0.0	0.0	4294967296.0	8.837381267489712e-06	33554432	6.452775384615385e-06	0.0	2.5741784615384616e-05	0.0	2.5741784615384616e-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	187	12	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	512	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	561	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=272.0MB, V_out=1024.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	285212672.0	6073352192	0.00017825792	0.0011679523446153847	0.0013462102646153848	0.0	0.0	549755813888.0	0.0011311848022386832	1073741824	0.00067108864	0.0	0.0020172989046153846	0.0	0.0020172989046153846	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	745	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	128	128	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	820	1	1	820	1	4	94	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=128.1MB, V_out=128.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: 面积型主导, A1b与方案B严格打平(T=115.39us), 选方案B工程简洁 (一套tile)	134348800.0	97517568	8.3968e-05	1.875337846153846e-05	0.00010272137846153847	0.0	0.0	17179869184.0	3.534952506995885e-05	134217728	8.388608e-05	0.0	0.00018660745846153846	0.0	0.00018660745846153846	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	745	6	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	256	256	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	820	7	1	820	7	16	1118	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=516.0MB, V_out=2048.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: 面积型主导, A1b与方案B严格打平(T=1384.63us), 选方案B工程简洁 (一套tile)	541065216.0	5804916736	0.00033816576	0.0011163301415384615	0.0014544959015384616	0.0	0.0	549755813888.0	0.0011311848022386832	2147483648	0.00134217728	0.0	0.0027966731815384617	0.0	0.0027966731815384617	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	187	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	205	52	1	205	52	16	4395	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=8960.0MB, V_out=8192.0MB, L2=128MB), GM首读倍率=3.20; 尾轮: 周长型主导, rho=0.50<rho_dv=0.53, A1b被dValue卡死, 方案B反超	30064771072.0	0.0	0.01879048192	0.0	0.01879048192	0.0	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	187	1	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	8192	256	1	双缓冲驻留当前tile输入	176	176	80	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	方案B	205	1	1	205	1	12	24	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=2056.0MB, V_out=32.0MB, L2=128MB), GM首读倍率=1.03; 尾轮: 周长型主导, rho=0.38<rho_dv=0.53, A1b被dValue卡死, 方案B反超	2222981120.0	0.0	0.0013893632	0.0	0.0013893632	0.0	0.0	274877906944.0	0.0005655924011193416	33554432	2.097152e-05	0.0	0.00141033472	0.0	0.00141033472	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	745	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	128	128	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	35015	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=1088.0MB, V_out=65536.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	1140850688.0	99321118720	0.00071303168	0.019100215138461538	0.019813246818461538	0.0	0.0	8796093022208.0	0.01809895683581893	68719476736	0.04294967296	0.0	0.06276291977846153	0.0	0.06276291977846153	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	187	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	1536	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	17578	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=7680.0MB, V_out=32768.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	8053063680.0	595926712320	0.0050331648	0.11460129083076923	0.11963445563076923	0.0	0.0	52776558133248.0	0.10859374101491358	34359738368	0.02147483648	0.0	0.14110929211076922	0.0	0.14110929211076922	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
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	745	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	8192	256	1	双缓冲驻留当前tile输入	176	176	80	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	A1b	2	2	1	2	2	24	8754	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=17408.0MB, V_out=16384.0MB, L2=128MB), GM首读倍率=4.76; 尾轮: 周长型主导, rho=0.75>=rho_dv=0.53, A1b恒优 (尾轮tile缩√rho=0.87倍凑满核)	86973087744.0	0.0	0.05435817984	0.0	0.05435817984	0.0	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	0	0	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	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	6	41	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	492	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=7168.0MB, V_out=896.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	7516192768.0	70464307200	0.00469762048	0.013550828307692308	0.018248448787692308	0.0	0.0	6734508720128.0	0.013857013827423869	939524096	0.00058720256	0.0	0.018835651347692307	0.0	0.018835651347692307	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
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	47	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	2209	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=7168.0MB, V_out=4096.0MB, L2=128MB), GM首读倍率=2.00; 尾轮: r=0 无尾轮	15032385536.0	0.0	0.00939524096	0.0	0.00939524096	0.0	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	24	24	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	128	128	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	144	True	2	L2场景: B_单batch输入驻留(整case超L2, 输出直写GM) (V_in=16.0MB, V_out=256.0MB, L2=128MB), GM首读倍率=1.00; 尾轮: r=0 无尾轮	16777216.0	385875968	1.048576e-05	7.420691692307692e-05	8.469267692307693e-05	0.0	0.0	34359738368.0	7.06990501399177e-05	268435456	0.00016777216	0.0	0.0002524648369230769	0.0	0.0002524648369230769	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	47	47	1	B->M->N线性映射+ASW滑窗蛇形(W=4)	0	1	176	176	7168	256	1	双缓冲驻留当前tile输入	176	176	80	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	0	0	0	8836	True	2	L2场景: C_单batch输入超L2分组执行(组间落空回GM) (V_in=28672.0MB, V_out=16384.0MB, L2=128MB), GM首读倍率=2.00; 尾轮: r=0 无尾轮	60129542144.0	0.0	0.03758096384	0.0	0.03758096384	0.0	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	0	0	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	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

42 KiB Raw Blame History

42 KiB

Raw Blame History