本 Issue 已从 sparse_flash_attention_grad 更正为 sparse_flash_mla_grad，以下结果均为更正后的算子。

背景

• 目标算子：sparse_flash_mla_grad（用例 op_name=sparse_flash_mla_grad）。
• 参考输入：GLM-5.xlsx 的 DSA sheet（18 个输入 shape + 图片说明）。
• 用例文件：glm5_dsa_mla_grad_cases.xlsx（Sheet1，114 列，12 行 = 6 个序列长度 × det/nondet）。
• 本次执行：12/12 全部 Success，执行设备 device 0。

关键指标

• 平均劣化：146.78%
• 最高劣化：166.66%（32K;CP8）
• 最低劣化：123.91%（512K;CP128）
• 严重劣化（>10%）：6/6

用例构建

• 表头完全仿照 sparse_flash_mla_grad_network_9582.xlsx（114 列，Sheet1）。
• 关键字段：op_name=sparse_flash_mla_grad，B=1,N1=64,N2=1,S1=L,S2=s,D=512，kv_input_mode=ori，ori_sparse_size=2048，ori_sparse_mode=full，ori_topk_mode=no，sinks=randn，ori_mask_mode=4，ori_win_left=127，layout_q/layout_kv=TND，seqlens_list_q=[L]，seqlens_list_ori_kv=[s]。
• GLM-5 shape 映射：

• 适配说明：
  • MLA grad 不需要 --sep_backward=True。
  • 运行时必须加 --sheetname=Sheet1。
  • ori_sparse_size=2048；GLM-5 的 2051=2048+3 尾部 中 3 个尾部值未建模。
  • kv_input_mode=ori，不使用 cmp 分支。

执行环境与步骤

• 执行机：<EXEC_HOST>（<SOC>，本次使用 device 0）。
• 工作目录：<WORKDIR>；框架目录：<WORKDIR>/TuringBigKernel/FusionOp_Test。
• 环境：

  export PATH=<CONDA_BIN>:$PATH
  source activate <CONDA_ENV>
  source <CANN_TOOLKIT>/set_env.sh
  

• 用例：<CASE_DIR>/glm5_dsa_mla_grad_cases.xlsx。
• 执行全部 12 条：

  cd <WORKDIR>/TuringBigKernel/FusionOp_Test
  python3 dailyauto_fusion_david_fast.py \
    --timeout=1800 \
    --casefile=<CASE_DIR>/glm5_dsa_mla_grad_cases.xlsx \
    --runtype=2 --deviceid=<DEVICE_ID> --need_lock_freq=False \
    --sheetname=Sheet1 --ti=0-12
  

• 只跑 32K 一对：把 --ti=0-12 改为 --ti=0-2。
• 结果文件：<CASE_DIR>/glm5_dsa_mla_grad_cases_sparse_flash_mla_grad_Result_<ts>_<SOC>.xlsx。
• 指标：Actual_backward_kernel_time；劣化% = (det - nondet) / |nondet| × 100。
• 注意：1M/CP128 的 S2=1,048,576，显存约 5.7GB，已成功执行。

结果表（12 条）

中间结果明细

分析报告

1. 整体劣化显著：6 个场景全部 Success，平均劣化 146.78%，范围 123.91% ~ 166.66%。
2. 趋势：随 S2 增大，相对劣化从 32K 的 166.66% 降到 512K 的 123.91%；1M 反弹到 131.30%。
3. 绝对耗时：det 从 32K 的 6,740.66 增至 1M 的 15,271.25；nondet 从 2,527.77 增至 6,602.22。
4. 显存：det 从 1,964.01MB 增至 5,740.01MB；nondet 从 972.01MB 增至 4,748.01MB。
5. 确定性检查：12/12 deterministic_check=Pass。
6. 限制与建议：ori_sparse_size=2048（2051 的 3 个尾部值未建模）；kv_input_mode=ori（无 cmp 分支）；当前 runner 不支持 block_table/cu_seqlens/seqused/topk_length/metadata。若需严格 GLM-5 DSA 语义，需补充这些输入；当前结果可作为 MLA grad 确定性性能基线。

附件

• 用例文件（114 列）：glm5_dsa_mla_grad_cases.xlsx
• 分析报告：glm5_dsa_mla_grad_analysis.xlsx
• 原始结果（12/12）：glm5_dsa_mla_grad_cases_sparse_flash_mla_grad_Result_20261112202500_Ascend950DT_9582.xlsx
• 仓库路径：reports/、reports/results/

备注/限制

• 本次为 12/12 全量执行，设备为 device 0。
• 指标为 profiler 采集的 Actual_backward_kernel_time。
• 路径使用占位符，避免暴露机器目录。