【合入来源】

• issue/工单：https://gitcode.com/Ascend/pytorch/issues/4351

• 重构优化

【修改方案】

1. TorchBench 的 --npu-backend 新增 triton_experimental，并显式维护命令行选项到 TORCHINDUCTOR_NPU_BACKEND 的映射；原 triton 继续映射到默认 Triton 后端。
2. 修复 nvidia_deeprecommender 在 NPU 训练和推理模式下的初始化。上游构造器先在 CPU 完成状态初始化，再将模型和输入迁移到真实 NPU，并为训练模型重新绑定 optimizer/scheduler，避免 optimizer 引用旧模型参数。
3. NPU profiler 启用时，在外层采集开始前完成 Inductor 首次编译和 Triton autotune，避免 autotune profiler 与外层 profiler 嵌套造成 CANN trace 缺少 TASK 表。
4. 保留训练 shape 的 32 对齐兼容处理（197951 -> 197952），并补充 README 使用示例。

【资料变更】

涉及。更新 benchmarks/torchbench/README.md，补充 triton_experimental 后端说明和 DeepRecommender 动态 shape 示例。

【接口变更】

TorchBench CLI 的 --npu-backend 新增可选值 triton_experimental；已有选项行为保持兼容。

【功能验证】

验证环境：

• 芯片：Ascend 910B2
• torch：2.13.0+cpu
• torch_npu：2.13.0+git4d712d1
• triton-ascend：3.2.2+git814cf49a
• Python：/root/miniconda3/envs/ly_inductor/bin/python3
• TorchBench：9910b31cc17d175a781412fd9ca6f18a4ee04610

验证命令：

ASCEND_RT_VISIBLE_DEVICES=1 \
TORCH_DEVICE_BACKEND_AUTOLOAD=0 \
/root/miniconda3/envs/ly_inductor/bin/python3 -u torchbench.py \
  --accuracy --cold-start-latency --train --float32 \
  --backend inductor \
  --npu-backend triton_experimental \
  --iterations 50 \
  --disable-aclgraph \
  --dynamic-shapes \
  --enable-profiler \
  --only nvidia_deeprecommender

验证结果：

• 精度：pass_accuracy
• eager 平均耗时（第 16-40 步）：23.04 ms
• compile 平均耗时（第 16-40 步）：21.14 ms
• 性能：compile 相比 eager 无劣化
• eager/compile profile 均成功生成；ascend_pytorch_profiler.db 包含 TASK 表，step_trace_time.csv 均包含 40 条 step 数据
• 未再出现 Failed to get acl to npu flow events 或 SQLite Error: no such table: TASK
• 后端映射验证通过：triton -> default、triton_experimental -> triton_experimental、mlir -> mlir、dvm -> dvm
• git diff --check 和 Python py_compile 通过

【CheckList】

• 代码注释完备，正确记录错误日志
• 代码实现进行了返回值、空指针等校验
• PR 标题正确使用类型标签，如：feat、fix、refactor、docs、test 等
• 本地相关静态检查和 NPU 功能验证通过；PR 持续集成结果以流水线为准