环境信息

• 目标分支：master（PyTorch 2.13 适配）
• 目标硬件：Ascend 950
• 参考验证硬件：Ascend 910B4（A2-140，仅用于编译和功能参考）

问题描述

FlexAttention 的 mask_mod 或 score_mod 捕获动态张量 shape 时，捕获张量可能只贡献符号尺寸，并不作为 Triton kernel 的位置参数参与实际读取。

当前 lowering 将原始捕获列表继续传给 autotune benchmark，可能导致 benchmark 输入数量、顺序与模板实际 input_nodes 不一致。在 A2 参考环境中，该问题表现为：

launcher() got multiple values for argument 'stream'

同时，编译阶段读取并缓存 eager BlockMask 内容会引入数据相关的元数据特化；模板选择结果若未记录实际执行子图的输入、输出，也可能丢失动态 shape 的自由符号依赖。

复现方式

使用动态窗口大小构造 BlockMask，并让 mask_mod 捕获 window_source.shape[0]：

def window_mask(_b, _h, q_idx, kv_idx):
    return (q_idx - kv_idx).abs() <= window_source.shape[0]

compiled = torch.compile(fn, backend="inductor", dynamic=True, fullgraph=True)
for window_size in (32, 48):
    window_source = torch.randn(window_size, device="npu")
    torch._dynamo.mark_dynamic(window_source, 0)
    block_mask = create_block_mask(window_mask, B=1, H=1,
                                   Q_LEN=128, KV_LEN=128, device="npu")
    compiled(q, k, v, block_mask, window_source)

预期行为

• 编译期间不读取或缓存数据相关的 eager BlockMask 内容。
• autotune benchmark 输入与模板实际 kernel 参数保持一致。
• 仅用于 shape 的符号捕获作为图依赖保留，不占用 tensor 位置参数。
• 动态窗口大小复用同一张编译图，并保持结果正确。

建议方案与验收标准

1. 根据候选模板的 input_nodes 对齐 autotune tensor 输入，并排除 SymPy 标量。
2. 在模板选择结果上记录实际执行子图的输入、输出，保留自由符号依赖。
3. 移除 eager BlockMask 元数据分析与缓存，复用 master 已有的运行时精确稀疏容量逻辑。
4. 增加动态 mask_mod shape 的回归测试。
5. 不为 A2/910B 单独收缩生产 tile；A2 的 UB 或运行限制仅作为参考，最终策略面向 Ascend 950。