Background（背景信息）

当前 examples/05_simd_simt_hybrid/02_best_practices 下的混编样例覆盖了访存合并、gridDim配置、MTE任务队列、整数快速除法等场景，缺少行内规约类算子的调优样例。row-wise softmax是典型的行内规约算子：每行内部需要求max和sum两类规约，行与行之间彼此独立，且实际网络中大量出现最后一维不超过512的形状。

本需求新增 simd_simt_softmax 样例，展示行内规约场景下从朴素实现到编译期模板特化的完整调优路径：

• Case 0：SIMT VF直接读GM基线，一个Warp处理一行，行内max/sum通过Warp规约完成；
• Case 1：MTE搬入UB中转，双份tile缓冲区轮换，MTE2搬入、SIMT VF计算与MTE3搬出流水重叠；
• Case 2：按cols上界（64/128/256/384/512）生成编译期bucket模板kernel，定长数组中间值驻留寄存器，Host侧按shape动态选择线程数。

Origin（信息来源）

无

Benefit / Necessity （价值/作用）

1. 补齐混编样例在行内规约场景的空白，与已有访存、执行配置、指令优化类样例形成互补，覆盖“一个Warp处理一行”的典型线程组织方式。
2. 展示编译期维度特化（bucket模板）与运行时参数的权衡：规约维度较小时把维度上界固化到编译期，定长数组中间值可驻留寄存器，避免重复读输入和重复计算exp。
3. 展示Host侧按shape动态选择线程数与SIMT VF __launch_bounds__ 的配合，说明最大线程数与单线程可用寄存器数量的关系。
4. 样例含中英文README、上板实测性能数据（Case 0/1/2 Task Duration分别为16.516/14.670/10.491μs）与msOpProf性能调试说明，便于用户复现和学习。

Design（设计方案）

1. 样例目录为 examples/05_simd_simt_hybrid/02_best_practices/simd_simt_softmax，包含：

   • softmax_gm.h：Case 0，SIMT直接读GM基线实现；
   • softmax_ub.h：Case 1，UB中转与MTE双缓冲实现；
   • softmax_bucket.h：Case 2，编译期bucket模板主路径；
   • softmax_host.asc：Host侧运行入口，参照reduce_sum样例风格实现（CHECK_ACL宏、单一职责函数分解）；
   • scripts/gen_data.py、scripts/verify_result.py：数据生成与精度校验，精度阈值atol=rtol=1e-3。

2. 三个Case通过CMake编译选项 SCENARIO_NUM（0/1/2，默认2）选择，未选中的Case不参与编译。

3. kernel主体为 __global__ __vector__ 核函数：MTE流水负责GM与UB之间的数据搬运，asc_vf_call 调起SIMT VF完成行内计算，事件机制管理双缓冲生命周期。

4. Host侧根据数据量动态计算线程块数量（AIV核数与rows取小）与bucket路径线程数（512/1024/2048按shape选择，cols大于256时考虑寄存器压力收敛为1024）。

5. 同步更新 05_simd_simt_hybrid 上层README与 02_best_practices 样例索引（中英文）。