一、背景信息 （必填）

weight_quant_preprocess 是伪量化 Matmul 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(MX)、A16S4、A16F4、A16MXF4、A16INT8、A16FP8HIF8 数据流。为支撑 QuantBatchMatmulV4 在 Ascend 950 上的 T-CG 伪量化场景（x 为 FLOAT8_E4M3FN、weight 为 FLOAT4_E2M1 紧凑 4-bit、per-group 量化），需为该算子新增 A8W4(F8F4) T-CG 数据流支持。

二、价值/作用 （必填）

1. 覆盖 MM_A8F4_TCG 2 个子场景：weight 转置（ND 直拷透传）+ weight 非转置（ND→FRACTAL_NZ_C0_32 分形转换）
2. 打通 aclnn 直调与 PyTorch 单算子（torch_npu.npu_weight_quant_preprocess）两条通路，支撑 F8F4 T-CG 量化模型在 Ascend 950 系列部署
3. Host 侧改动为注册表纯增量插入，存量数据流（A8W4/A16S4/A16F4/A16MXF4/A16INT8/A16FP8HIF8）行为零改动

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 侧配套适配，另仓交付）。图模式不在本期范围。

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 2 个条目：转置条目为 ViewCopy ND 物理直拷 + scale/offset/bias 透传；非转置条目复用 MX 的 TransData FLOAT4_E2M1 ND→FRACTAL_NZ_C0_32 注册（纯字节级 permutation），无新增 kernel。

数据流枚举新增 1 个：MM_A8F4_TCG(15)。

3.2.1 算子支持的数据类型

• x：FLOAT8_E4M3FN
• weight：FLOAT4_E2M1（紧凑 4-bit，每字节打包 2 个值，2-D {K, N}）
• weightScale：FP16 / BF16，per-group 2-D {ceildiv(K, kGroupSize), N} 且分组数大于 1；weightOffset：可选透传；bias：可选透传
• outWeight：转置场景为 ND（直拷透传，与输入 weight 同 view shape/strides）；非转置场景为 FRACTAL_NZ_C0_32，storage shape {ceildiv(N, 32), ceildiv(K, 16), 16, 32}（N 块在前，区别于 MX A8W4 转置 NZ 的 K 块在前）
• outWeightScale/outWeightOffset/outBias：与对应输入直拷透传（格式/形状/数据类型一致）

3.2.2 host侧设计

• judge 按转置拆 2 个（IsMMA8F4TcgTransDataFlow / IsMMA8F4TcgNonTransDataFlow，与 A16MXF4 同机制）：FP4_E2M1 weight + FP16/BF16 per-group scale（{ceildiv(K,32),N}，G>1）+ x 为 FP8_E4M3FN + xScaleDtype == ACL_DT_UNDEFINED，与 MX（scale=E8M0）、A16（x=F16/BF16）按 dtype 互斥
• checks 全部复用既有组件，TCG 零新增：转置条目为「输入侧非空/ND/4-bit 打包视图校验 + 输出四项 SameAsInput 一致性」；非转置条目复用 INPUT_4BIT_BASE_CHECKS（含打包维 N 偶数校验）+ 输出 NZ 校验模板 CheckOutWeightNz<NZ_C0_32, FORMAT_FRACTAL_NZ_C0_32, NON_TRANS_WEIGHT> + 输出一致性尾部
• processes：转置 ProcessWeightDirectCopy；非转置 ProcessWeightNd2Nz<IDX_0, NON_TRANS_WEIGHT>（既有模板实例化）；scale/offset/bias 均 DirectCopy 透传

3.2.3 kernel侧设计

无新增 kernel：转置复用 ViewCopy ND 物理字节级直拷；非转置复用既有 FLOAT4_E2M1 ND→FRACTAL_NZ_C0_32 TransData 注册（非转置喂入使 c0 轴落在 N），仅输出重标签 format。

3.3 支持硬件

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

3.4 算子约束限制

• kGroupSize 须为 32：取值及与 weightScale 量化粒度的匹配约束由下游 QuantBatchMatmulV4 校验，本算子不拦截
• 紧凑 4-bit 打包维须为偶数：非转置时 N 为偶数（本算子拦截）；转置时 K 为偶数（由下游 QuantBatchMatmulV4 校验）
• offset 仅透传，语义约束由下游 QuantBatchMatmulV4 校验（下游 T-CG 场景当前不支持非空 offset，建议传 nullptr）
• xScaleDtype 必须为 ACL_DT_UNDEFINED（T-CG 无独立 xScale 入参）
• judge 未命中（如 dtype 组合不支持）报 161002（dataflow is UNKNOWN），不允许静默落入其它数据流；非转置场景 outWeight format/storage 不满足 C0_32 约束由 checks 拦截报错
• 存量数据流（A8W4/A16S4/A16F4/A16MXF4/A16INT8/A16FP8HIF8）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_f8f4_tcg.cpp（2 场景示例）、tests/ut/op_host/test_aclnn_weight_quant_preprocess_l2.cpp（UT 用例）。实现 PR：!6068