背景

补齐 Ascend950 上 FP4/FP8 epilogue 量化 Matmul 的样例、CATLASS kernel 能力、optest 覆盖和 Python 调用入口。样例交付在 experimental/matmul/ 分类目录下；使用前按 README 将样例目录拷回 examples/ 并注册 CMake 目标。

交付范围

Ascend950 FP4 MX Quant Matmul

• 样例目录：experimental/matmul/ascend950_fp4_mx_quant_matmul/。
• 构建目标：ascend950_fp4_mx_quant_matmul。
• 测试件：上述目录内的 test_85_ascend950_fp4_mx_quant_matmul.py。
• A、B 为 float4_e2m1x2_t，MX scale 为 float8_e8m0_t，per-token/per-channel scale 为 float8_e4m3_t，输出为 FP32；独立样例中的 MX scale 固定为 1.0，torch 接口支持分组 MX scale。
• 在 FP4 MX Matmul 结果上应用 per-token/per-channel epilogue scale，提供数据生成、golden reference、JIT kernel、optest 和 torch_catlass API。

Ascend950 FP8 E4M3 Quant Matmul

• 样例目录：experimental/matmul/ascend950_fp8_e4m3_quant_matmul/。
• 构建目标：ascend950_fp8_e4m3_quant_matmul。
• 测试件：上述目录内的 test_86_ascend950_fp8_e4m3_quant_matmul.py。
• A、B 和 per-token/per-channel scale 使用 float8_e4m3_t，输出为 FP32，在 epilogue 阶段完成缩放。
• 提供数据生成、golden reference、JIT kernel、optest 和 torch_catlass API。

目录与编号约定

examples/CMakeLists.txt 不再默认注册这两个 experimental 样例，tests/test_example.py 中对应的常规样例测试入口已移除。迁移后的 optest 执行命令见各样例 README；文档链接按 experimental 实际位置解析，生成数据及独立样例执行路径按拷回后的 examples/<无编号名称>/ 解析。

框架能力与修复

• 提供 Ascend950 per-token/per-channel quant epilogue、GEMM kernel 和 pingpong preload TLA block MMAD 等所需能力。
• epilogue 文件：block_epilogue_per_token_dequant_fp8_regbase_l0c2ub.hpp、block_epilogue_per_token_dequant_fp8_regbase.hpp。
• 修复输入 storage offset、MX B scale 布局以及 FP8 单行/末尾单行 tile 同步问题，补充异常参数检查和失败返回码。

验收标准

• 两个样例按 README 拷回 examples 后均可构建、安装、生成数据并运行成功；迁移后的 optest 可执行，保留形状、scale、storage offset、空输入和单行回归覆盖。
• 仓内 optest 沿用现有 check_quant_result：abs(result - expected) <= (1 / 256) * max(abs(expected), 1)，同时检查形状、FP32 输出及有限值。
• 正式 ATK 精度按已确认的原生 mixed_tolerance_bm: {} 执行，每个算子不少于 200 个常规模型用例，无自定义精度阈值；每个算子 100 个不同形状×均匀/正态两种分布，范围 M≤4097、K≤2048、N≤4096。
• 内存每个算子不少于 20 例；验证适用的特殊值场景和确定性，保留测试证据及适用范围。
• 不残留失效的旧 examples 路径及旧 optest 文件路径；源码 PR 与 ATK 后续修正 PR 各保留一个 commit，源码 PR 当前提交流水线通过。

原各 100 例测试及其中 FP4 的逐位一致结果属于此前特定输入集的历史记录；当前 ATK 结论以各 200 例正式报告为准，不将旧输入集的 bit-exact 结果推广为全部场景保证。

当前验证结论

• 被测源码：2e05d8bb0e1dcebb970df0320b38a4290289e75f，分支 master_migrate，PR #791 保持一个 commit。
• 2026-09-11，A5 / Ascend950、CANN 9.1.0、ATK 26.9.8、torch 2.10.0、torch_npu 2.10.0：两个样例按 README 拷回后构建运行通过，迁移后的 226 项 optest、1 项单行专用回归和 4 项异常退出检查通过；226 项 optest 和单行回归无跳过。
• 为本提交重新构建并安装 torch_catlass wheel，FP4 200/200、FP8 200/200 ATK 默认精度通过。生成结果与固定快照逐字节一致，逐例核对正式报告及 CPU/NPU 保存输出。
• 既有内存各 20/20、确定性各 20 例×3 次、特殊值 FP4 14/14、FP8 12/12 通过。内存验证使用包含原 JIT C++ 模板的独立 ACL 驱动及 mssanitizer；本轮目录迁移未改数值实现，这些专项结果沿用源码 ba2d303a 的实测证据，本轮未重复执行。性能专项不涉及。
• 常规模型集外的历史长 K 场景有 20 例 ATK 默认超限；独立 AscendC Mmad、整数精确内积及逐组 FP32 参考核查未发现导致该批误差的 CATLASS 实现 bug，dev 等价不作为正确性依据。原始失败输入和诊断保留本地，不计入常规 200 例分母。
• 当前提交 2e05d8bb 的 PR-pipeline_catlass #3418 全部启用任务通过，包含编译、静态检查和 ARM/IR/lit 测试。
• ATK 用例已由 PR #83 合入；PR #89 仅修正 4 处源码路径说明，未新增 stress、reports、文档或专项 tools。两个 ATK 目录与本轮实测脚本内容一致。

关联 Pull Request

• CATLASS PR #791：源码和 experimental 样例，保留 Closes #283 及合入后自动关闭配置。
• ATK PR #83：已合入的两组 ATK 四件套。
• ATK 路径修正 PR #89：配套 experimental 迁移的来源说明修正。