问题背景

ops-math 的 Expand AICPU kernel 在广播过程中会先复制完整输入 Tensor，再按广播轴逐层生成中间 std::vector，最终再复制到输出。临时存储量随输出 shape 和 dtype 字节宽度增长，大 shape 下会产生不必要的堆内存占用和重复数据搬运。

以 INT64 [1,34,34] -> [32,34,34] 为例，单次 kernel 执行窗口内 C++ new/new[] 累计请求量为 626,816 B、93 次。

优化目标

1. 从原输入直接写入最终输出，删除完整输入副本和逐层广播中间结果。
2. 合并输入、输出相同的连续尾维，按连续块复制。
3. 广播维通过 stride 和坐标进位映射输入位置。
4. 将 dtype 分派由运行时 map<std::function> 改为 switch。
5. 在复制循环外完成 shape 乘法溢出和输出容量校验。
6. 保持 Expand 接口、广播语义、支持类型和数值位模式不变。

验收标准

• 覆盖 BOOL/FLOAT16/BFLOAT16/FLOAT/INT8/UINT8/INT32/INT64 和 INT32/INT64 shape。
• 覆盖 rank 0～8、-1、identity、标量、前/中/后轴广播、交替广播、连续尾块和大 shape。
• 内存统计证明临时存储不再随输出元素数增长。
• NPU AICPU 全量性能测试无确认回退。
• 原有 UT、专项边界 UT、ASAN 和 pre-commit 通过。

已完成验证

• 8 种 dtype × 5 档 shape 共 40 个内存场景，优化后均为 1,504 B、61 次申请。
• INT64 [1,34,34] -> [32,34,34]：626,816 B -> 1,504 B，减少 99.76%。
• 844 个 NPU 性能点全部完成，确认性能回退 0 个；全部点 speedup 中位数 3.119x。
• 256 MiB 大 shape 提升 8.17x～54.85x。
• AICPU 日志与 msprof 探针确认实际进入 Expand AICPU，三种计时中位数最大相对差 6.03%。

关联

• ops-math 实现 PR：https://gitcode.com/cann/ops-math/merge_requests/5664
• canndev 同步实现 PR：https://gitcode.com/cann/canndev/merge_requests/82408
• canndev 同步 Issue：https://gitcode.com/cann/canndev/issues/1901