在提交新问题之前，请确保您已经在社区中搜索过相关问题，并使用了社区中提供的资源/工具后，仍未找到满意的解决方式。

⚠️ 安全信息提醒：请仔细检查提供的文本内容，确保其不包含敏感数据信息，包括但不限于：

• API 令牌或密钥
• 密码或身份验证凭证
• 私有网址或接口地址
• 个人或机密数据
• ...

在分享配置信息或代码示例时，请将敏感信息脱敏处理，或使用 <TOKEN> 等占位符替代原有内容。

环境信息

例如：
- 操作系统
- 昇腾硬件信息
- CANN软件版本
- 安装的对应软件版本

• torch_npu：master（triton_experimental 后端）
• 模型：torchbench huggingface AllenaiLongformerBase（allenai/longformer-base-4096）
• 命令：huggingface.py --accuracy --cold-start-latency --train --float32 --backend inductor --npu-backend triton

🐛 问题描述

问题现象

AllenaiLongformerBase 训练 accuracy check 失败（指标 33.22，远超容差）。逐步定位排除 Longformer 数学逻辑、BMM、optimizer 后，确认错误源头在 backward index_put 的索引张量 producer：

arange(1179648, dtype=int64)
    .as_strided((12, 4, 768, 64), (98304, 16384, 64, 1))
    .contiguous()
    .view(-1)

最小复现（NPU，triton_experimental 后端）：

[torch.int32] bad=0,       max_abs=0,      out_max=1179647   ← 不触发 downcast，正确
[torch.int64] bad=2260992, max_abs=589824, out_max=589823    ← 2359296 个元素中 96% 错误

错误索引经 scatter 放大到 value.weight.grad max_abs=0.0043，12 层累计放大后表现为最终精度失败。

根因分析

NPU 向量核不支持 int64/float64，triton_experimental 在 kernel 参数边界做降档（boundary downcast）：codegen 把 *i64 签名改写为 *i32，launcher 侧运行时 Tensor.to(torch.int32) 转换数据。

问题出在 Tensor.to() 对非 non-overlapping-and-dense 布局会静默塌缩为 contiguous：

1. 该 as_strided 视图是重叠视图（stride (98304,16384,64,1) 下相邻元素重叠，view numel 2359296 > storage 1179648），非 dense；
2. .to(torch.int32) 无法零拷贝，按逻辑值重新填充 → 结果天然是 contiguous 布局（stride 从 (98304,16384,64,1) 变为 (196608,49152,64,1)）；
3. 但 Triton kernel 的 load 公式是按编译期记录的旧 stride 编译的（x0 + 16384*x1 + 98304*x2），套在 materialize 后的缓冲上寻址含义完全改变 → 读错位置。

eager 模拟逐位复现实测数字（bad=2260992），确认机制。同类风险覆盖所有非 dense 布局（重叠视图、gapped slice、broadcast/expand）的 i64/fp64 kernel 参数；输出侧 empty_like 与回写 tmp.to(src_dt) 也存在同根因的布局塌缩/多余物化。

期望行为

boundary downcast 的转换缓冲必须保持参数的原始 stride（成为编译期寻址公式的合法替身），而非静默塌缩为 contiguous。

复现步骤

import torch, torch_npu

def fn(a):
    return a.as_strided((12, 4, 768, 64), (98304, 16384, 64, 1)).contiguous().view(-1)

x = torch.arange(1179648, dtype=torch.int64, device="npu")
out = torch.compile(fn, options={"npu_backend": "triton_experimental"})(x)
ref = x.as_strided((12, 4, 768, 64), (98304, 16384, 64, 1)).contiguous().view(-1)
print((out != ref).sum().item())   # 期望 0，实际 2260992


欢迎加入社区，感谢您对社区的贡献 🎉!