描述

基于已有 broadcast 逻辑模式样例，新增 elemwise（逐元素 AXPY）与 reduce（max/sum，ar/ra 双轴）两类 SIMD VF 计算范式样例，并补齐一篇覆盖 broadcast / elemwise / reduce 三类范式的性能调优 README（1155 行），用 cannsim trace 数据解释“同一算法不同写法的快慢与根因”。同时重构 simd_vf_story/CMakeLists.txt：由“每个 case 一个子 CMakeLists”改为顶层按 */src 目录自动发现 case、逐 .asc 文件生成可执行 target，并删除已无用的 broadcast/CMakeLists.txt。

改动原因

simd_vf_story 此前只有 broadcast 逻辑模式样例，缺少“计算范式”维度（逐元素 / 归约）的可运行样例与系统化性能解释。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）。

改动方法

• include/vf_common.h：抽出 16 个 .asc 共用的统一规格 [D0,D1]=[78,250]（N=19500）、固定种子随机输入 GenInput、绝对/相对容差比对 VerifyAbs/VerifyRel、CHECK_ACL 宏。
• elemwise（AXPY z=a*x+y）：baseline / 手写 unroll×4 / #pragma unroll 4 三种写法；结论为 throughput-bound，baseline 已最优，展开几乎无差异（约 −2%~−3%）。
• reduce：reduce_max 与 reduce_sum 各覆盖 ar（行内归约）/ ra（跨行归约）双轴，写法含 baseline / 多累加器 unroll / #pragma unroll，reduce_sum_ar 额外提供 binary 二分折叠；结论为 latency-bound，多累加器藏延迟最高 +51.9%、二分约 2×（+51.5%）。
• CMakeLists.txt：函数 add_simd_vf_story_case 改为按 /src/*.asc GLOB，顶层按 */src 自动发现 case，保留 build/...// 输出布局；删除 broadcast/CMakeLists.txt。
• 新增 README.md（1155 行）及 elemwise/reduce 的 SVG 配图。

关联的Issue

• #208 https://gitcode.com/cann/cann-samples/issues/208

测试

• 每个样例自带 host 侧 golden 校验：reduce_sum 用 double 累加 + 相对容差 |got-ref| ≤ 1e-3·(|ref|+1)、输入 [-1,1)；reduce_max / elemwise 用绝对容差；运行末行打印 PASSED / FAILED。
• 构建：cmake -S . -B build -DNPU_ARCH=dav-3510，支持单文件 target / 单 case target / 全量 simd_vf_story target。
• 性能：cannsim record ... -s Ascend950 --gen-report 采集 trace，对比 VF count、PUSHQ VF cycles、MTE2/MTE3 sum_cycles、RVECEX 关键指令。

文档更新

• 新增 simd_vf_story/README.md（1155 行，三部分：broadcast / elemwise / reduce）。
• 新增 elemwise/images/elemwise.svg 与 reduce/images/{ar_vs_ra,binary_fold,dep_chain,latency_hiding}.svg。

类型标签

• Bug修复
• 新特性
• 性能优化
• 文档更新
• 其他，请描述：