一、背景信息 （必填）

cann-samples 的 simd_vf_story 已有 broadcast 逻辑模式样例，但缺少“计算范式”维度（逐元素 elemwise / 归约 reduce）的可运行教学样例与系统性能解释。开发者难以直观理解同一算法在 SIMD VF 内不同写法（baseline / 手写多累加器展开 / #pragma unroll / 二分折叠）的快慢差异与根因（throughput-bound vs latency-bound）。需补齐 elemwise、reduce 两类范式样例 + 一篇用 cannsim trace 量化对比的 README。

二、价值/作用 （必填）

• 提供可直接 cmake 构建、运行（自带 host golden 校验）、cannsim 打点复现的最小样例，覆盖 elemwise AXPY 与 reduce_max / reduce_sum 的 ar / ra 双轴。
• 用 trace 指标（VF count、PUSHQ VF cycles、MTE2/MTE3、RVECEX 关键指令）解释“为什么这么写更快”，沉淀 SIMD VF 优化方法论：throughput-bound 不必过度展开；latency-bound 串行步数减不掉用多累加器藏延迟、可结合（求和）则二分减步数。
• 应用场景：AscendC SIMD VF / MicroAPI 算子开发者的性能调优入门与范式参考。

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）

不涉及 Aclnn 直调 / PyTorch 训练等框架使能。样例为 standalone 可执行程序：.asc（COMPILE_LANGUAGE:ASC，--npu-arch + -O3）经 cmake 构建为单可执行文件，直接运行并由 host 侧 golden 校验，cannsim record 采集 trace。

3.2 总体设计

3.2.1 算子支持的数据类型

float（FP32）。统一形状 [D0,D1]=[78,250]，N=19500（见 include/vf_common.h）。

3.2.2 host侧设计

vf_common.h 统一：固定种子（mt19937 seed=0）随机输入 GenInput、绝对容差 VerifyAbs（max/elemwise）、相对容差 VerifyRel（sum，rtol=1e-3）、CHECK_ACL 错误检查宏；各 .asc 的 main 就地计算 golden 并打印 PASSED / FAILED。

3.2.3 kernel侧设计

MicroAPI 放在 simd_vf 函数，for 按 VL(64 lane) 推进、迭代变量 uint16_t、循环内禁分支，经 asc_vf_call 从 kernel 侧调起；三段式 CopyIn→Compute→CopyOut（TQue VECIN/VECOUT），单核单 tile、depth=1 不开 DoubleBuffer。

• elemwise：baseline / 手写 unroll×4 / #pragma unroll 4。
• reduce：reduce_max、reduce_sum 各 ar / ra 轴，写法 baseline / 多累加器 unroll / pragma；reduce_sum_ar 增加 binary 二分折叠。

3.3 支持硬件

NPU_ARCH=dav-3510（CMakeLists SUPPORTED_NPU_ARCHS）；profiling 平台 Ascend950（cannsim record -s Ascend950）。

3.4 算子约束限制

样例为定尺寸教学用例：固定 [78,250]、单核单 tile、不开 DoubleBuffer，改规格需改 vf_common.h 常量；仅 float。reduce 关键约定：跨块折叠（ar）必须 mask MERGING，ar 轴非对齐散出需 StoreUnAlign / StoreUnAlignPost 成对。

💡 备注（选填）
关联 PR：https://gitcode.com/cann/cann-samples/pull/314