一、背景信息 （必填）

weight_quant_preprocess 是伪量化 Matmul（weight_quant_batch_matmul_v2，wqbmmv2）的前置参数预处理算子，负责 weight 格式处理与 weightScale/weightOffset/bias 的参数同步，当前已支持 A8W4、A16S4、A16F4、A16MXF4 数据流。为支撑 x 为 FP16/BF16、weight 为 INT8 或 FP8（FLOAT8_E4M3FN/HIFLOAT8）的 A16W8 伪量化推理场景，需为该算子新增 A16W8 数据流支持。

二、价值/作用 （必填）

1. 覆盖 A16W8 全部 10 个子场景：A16INT8 per-tensor/per-channel/per-group × 转置/非转置（6 个）+ A16FP8HIF8 per-channel（E4M3FN/HIFLOAT8）× 转置/非转置（4 个）
2. 打通 aclnn 直调与 PyTorch 单算子（torch_npu.npu_weight_quant_preprocess）两条通路，支撑 A16W8 量化模型在 Ascend 950 系列部署
3. 全场景 ND 直拷透传，Host 侧改动为注册表纯增量插入，存量数据流（A8W4/A16S4/A16F4/A16MXF4）零改动

三、设计方案 （必填）

3.1 使能方式（涉及哪些框架：如Aclnn直调、Pytorch训练等）

Aclnn 直调（aclnnWeightQuantPreprocess）；PyTorch 单算子（torch_npu.npu_weight_quant_preprocess，op-plugin 侧配套 judge/prepare 注册表同步新增，另仓交付）。

3.2 总体设计

Host 侧沿用"数据流注册表"声明式架构（每个数据流 = 一个 DataFlowEntry{judge, checks, processes}，按序匹配），在 NpuArch::DAV_3510 注册表追加 4 个条目；process 全部为 ViewCopy ND 物理直拷 + scale/offset/bias 透传，无独立 kernel。

数据流枚举新增 4 个：MM_A16INT8_PERTENSOR(8)、MM_A16INT8_PERCHANNEL(9)、MM_A16INT8_PERGROUP(10)、MM_A16FP8HIF8_PERCHANNEL(11)。

3.2.1 算子支持的数据类型

• x：FP16 / BF16
• weight：INT8 / FLOAT8_E4M3FN / HIFLOAT8（2D）
• weightScale：FP16 / BF16；weightOffset：FP16 / BF16（可选）；bias：可选
• 输出 outWeight/outWeightScale/outWeightOffset/outBias：与对应输入 ND 直拷透传（格式/形状/数据类型一致）

3.2.2 host侧设计

• judge 按序匹配：weight dtype + x dtype ∈ {FP16,BF16} + weight 为 2D + weightScale dtype ∈ {FP16,BF16} + xScaleDtype == ACL_DT_UNDEFINED + 量化粒度（由 weightScale 形状隐式判定：{1}/{1,1}=per-tensor、{N}/{1,N}=per-channel、{G,N}(G>1)=per-group）
• checks 仅保留输出一致性检查（CheckOutWeightSameAsInput / CheckOutWeightScaleSameAsInput / CheckOutWeightOffsetOptionalSameAsInput / CheckOutBiasOptionalSameAsInput）；weight/scale/offset/bias 输入侧的 dtype/format/shape/kGroupSize 约束本算子不消费不处理，统一下放下游 wqbmmv2 拦截（与 A16S4 基线口径一致）
• processes：ProcessWeightDirectCopy / ProcessWeightScaleDirectCopy / ProcessWeightOffsetDirectCopy / ProcessBiasDirectCopy（FP8 流无 offset process）；转置 weight（strides [1,K] 视图）直拷天然保持视图语义，无需按转置拆分

3.2.3 kernel侧设计

无新增 kernel：复用 ViewCopy 做 ND 物理字节级直拷；INT8/FP8 均为 1 字节元素，无 A16W4 的 4-bit 打包语义。

3.3 支持硬件

Ascend 950PR / 950DT（NpuArch::DAV_3510）

3.4 算子约束限制

• 仅支持 outWeight 为 ND 格式（全 ND 直拷）；outWeight 传 NZ 等 judge 未命中场景报 161002（dataflow is UNKNOWN），不允许静默落入其它数据流
• A16W8 无 xScale 语义，xScaleDtype 必须为 ACL_DT_UNDEFINED
• FP8（E4M3FN/HIFLOAT8）流仅支持 per-channel 量化，且 weightOffset 无透传语义（约束下放下游 wqbmmv2 拦截）
• kGroupSize：per-tensor/per-channel 场景为 0，per-group 场景 >0 且等于 ceildiv(K, g)，粒度匹配校验下放下游
• 存量数据流（A8W4/A16S4/A16F4/A16MXF4）行为零改动

💡 备注（选填）

配套交付：docs/aclnnWeightQuantPreprocess.md（约束块与调用示例）、examples/arch35/test_aclnn_weight_quant_preprocess_a16w8.cpp（10 场景示例）、tests/ut/op_host/test_aclnn_weight_quant_preprocess_l2.cpp（A16W8 UT 用例）。实现 PR：!5301