Tiling 下沉（Tiling Sink）特性分析

1 特性背景

1.1 问题场景

在昇腾 AI 处理器上，AI Core 算子的执行需要经过 Tiling 阶段——根据输入张量的形状、数据类型等信息，将计算任务拆分为多个可并行执行的"块"，并确定每个块的执行参数（如 block_dim、tiling_key、workspace 大小等）。

传统的 Tiling 流程在 Host 侧完成：每次执行前，Host 需要读取输入 shape、调用 Tiling 函数、将 Tiling 结果下发到 Device，然后才能启动 AI Core 计算。对于静态 shape 图（执行期间 shape 不变），这种 Host 侧 Tiling 在每次推理时都会重复执行，引入不必要的 Host-Device 同步开销，成为性能瓶颈。

典型场景：

• 大模型推理部署：模型输入 shape 固定（如 batch=1, seq_len 固定），但某些算子的 Tiling 依赖输入数据（tiling_depend），无法在编译期确定 Tiling 参数。传统流程下每次推理都要回到 Host 做 Tiling，打断执行流水线
• 高性能推理：推理延迟敏感场景下，减少一次 Host-Device 往返就能节省数十微秒，对整体吞吐有显著影响

1.2 解决思路

Tiling 下沉的核心思想是：将 Tiling 计算从 Host 侧搬到 Device 侧的 AICPU 上执行。具体而言：

1. 编译期：不再在 Host 侧执行 Tiling，而是在任务流中插入一个 AICPU Tiling 任务
2. 运行期：AICPU Tiling 任务在 Device 侧完成 Tiling 计算，产出 tiling_key、block_dim 等参数
3. 通过 rtModelTaskUpdate 机制，将 Tiling 结果动态刷新到后续的 AI Core 计算任务中
4. 整个过程无需 Host 介入，避免了 Host-Device 同步开销

传统流程:
  Host(Tiling) → 下发参数 → Device(AI Core 执行)
                    ↑ Host-Device 同步开销

Tiling 下沉流程:
  Device(AICPU Tiling) → Device(AI Core 执行)   ← 全程在 Device 侧完成

1.3 适用范围

维度	要求
执行模式	静态 shape 图（kStaticOffloadExecute）
算子类型	带有 ATTR_NAME_DYNAMIC_TILING_DEPEND_OP 标记的算子（Tiling 依赖输入数据）
算子能力	算子注册时声明支持 TILING_ON_AICPU（AICPU 侧 Tiling）
硬件能力	设备支持 FEATURE_TYPE_MODEL_TASK_UPDATE（TSCPU 模块）
支持产品	Atlas A2 训练/推理、Atlas A3 训练/推理系列

2 对外接口

2.1 编译选项

选项名称：ge.tiling_schedule_optimize

选项值："0"（默认，关闭）或 "1"（开启）

设置方式：

• atc 离线编译：通过命令行参数 --tiling_schedule_optimize=1
  • 参考：api/atc/main_impl.cc
• aclgrphBuildModel 在线编译：通过 options map 传入
  • 参考：compiler/api/aclgrph/ge_ir_build.cc
• Session 配置：在创建 Session 时通过 ge::SessionOptions 设置

校验逻辑：选项值必须为空字符串、"0" 或 "1"，否则返回参数非法错误

• 参考：compiler/api/aclgrph/option_utils.cc 中的 CheckTilingScheduleOptimizeParamValid

2.2 算子注册接口

算子需要通过 DeviceOpImplRegister 声明支持 Tiling 下沉，具体通过注册 TILING_ON_AICPU 放置能力实现：

// 算子在注册时通过 OpDefFactory::OpTilingSinkRegister(opType) 注册到 g_ops_sink_list
// 系统通过 DataDependentInterpreter 查询 TILING_ON_AICPU 放置能力

• 参考：graph_metadef/ 中的 OpDefFactory、DataDependentInterpreter

2.3 约束与限制

• 开启 Tiling 下沉的算子不支持设置永不超时属性（op_exec_never_timeout）
• Tiling 下沉仅在静态 shape 图中生效，动态 shape 图不适用
• 对于 SuperKernel 复用二进制（SPK_REUSED_BINARY）场景，必须走 Tiling 下沉路径
• 离线编译场景下跳过设备能力检查，直接根据选项值判断

3 整体架构

3.1 端到端流程

flowchart TB
    subgraph "编译期 Compiler"
        A[图分区 DynamicShapePartition] --> B{算子是否支持 Tiling 下沉?}
        B -->|支持| C[标记 _tiling_sink_op=true]
        B -->|不支持| D[标记 ATTR_NAME_FORCE_UNKNOWN_SHAPE=true<br/>强制走动态图]
        C --> E[FE CalcRunningParam<br/>计算 Workspace 等运行参数]
        E --> F[FE GenerateTask<br/>生成任务序列]
        F --> G["tiling → wait → nops → aicore → refresh → record"]
    end

    subgraph "运行期 Runtime"
        G --> H[AICPU Tiling Task<br/>在 Device 侧执行 Tiling]
        H --> I[Event Wait 同步]
        I --> J[NOP 硬件预取延迟]
        J --> K[AI Core Kernel<br/>以占位参数启动]
        K --> L["UpdatePC Task<br/>rtModelTaskUpdate 刷新 tiling_key/block_dim"]
        L --> M[Event Record 完成]
    end

3.2 核心数据结构

结构体	文件位置	用途
TilingSinkTaskInfo	runtime/v1/.../args_format/args_format_utils.h	存储已下发 AI Core 任务的 task_id、stream、FFTS handle，供 UpdatePC 任务回查
TilingContextAddr	runtime/v1/.../args_format/args_format_utils.h	Device 侧 Tiling 上下文各部分的设备地址（tiling_context、tiling_data、tiling_key、block_dim、op_type）
ParamDef	compiler/engines/nn_engine/utils/common/fe_gentask_utils.h	AICPU Tiling 任务的参数定义（so 路径、kernel 名称、是否自定义算子等）

TilingSinkTaskInfo 和 TilingContextAddr 通过 OpDesc 的扩展属性（ExtAttr）在任务之间传递：

• kTilingSinkTaskInfo = "_tiling_sink_task_info"：由 AI Core 任务设置，UpdatePC 任务读取
• kTilingContextAddrs = "_tiling_context_addr"：由 ArgsFormatUtils::SinkTilingContext 设置，多个任务共享

3.3 关键常量

• kTilingSinkBlockDim = 0xFFFFFFFF：占位 block_dim 值，表示运行时由 Tiling 结果决定。运行期 UpdatePC 任务会将真实 block_dim 刷新到此地址
  • 参考：runtime/v1/.../davinci_model.cc

4 编译期实现

4.1 阶段一：图分区——判断与标记

在动态 shape 分区（DynamicShapePartition）阶段，系统对每个带有 ATTR_NAME_DYNAMIC_TILING_DEPEND_OP 标记的算子进行判定。

判定函数：IsSupportTilingSink()（compiler/graph/partition/dynamic_shape_partition.cc）

执行三重门控检查：

flowchart TD
    A[开始检查] --> B{ge.tiling_schedule_optimize == '1'?}
    B -->|否| Z[不支持]
    B -->|是| C{在线编译?}
    C -->|是| D{设备支持 FEATURE_TYPE_MODEL_TASK_UPDATE?}
    D -->|否| Z
    D -->|是| E
    C -->|否 离线编译| E{算子支持 TILING_ON_AICPU?}
    E -->|否| Z
    E -->|是| F[支持 Tiling 下沉]

1. 选项门控：检查 ge.tiling_schedule_optimize 是否为 "1"
2. 设备能力门控（仅在线编译）：通过 rtGetDeviceCapability 检查设备 TSCPU 模块是否支持 FEATURE_TYPE_MODEL_TASK_UPDATE
3. 算子能力门控：通过 DataDependentInterpreter::IsSupportTilingDependPlacement(TILING_ON_AICPU) 检查算子是否注册了 AICPU 侧 Tiling 能力

标记函数：JudgeUnknownShapeForTilingDependNode()（同文件）

对于通过了三重检查的算子：

• 设置 _tiling_sink_op = true 属性，作为后续 FE 阶段的判断依据
• 将 is_dynamic 设为 false，阻止该算子被强制划入动态 shape 分区——这是 Tiling 下沉的核心收益：让原本需要走动态图的算子留在静态图中

对于未通过检查的 Tiling 依赖算子：

• 设置 ATTR_NAME_FORCE_UNKNOWN_SHAPE = true，强制走动态执行路径

4.2 阶段二：FE 计算运行参数

在 FE（Fusion Engine）的 CalcExtOpRunningParam 阶段，系统对标记了 Tiling 下沉的算子进行参数计算。

入口：AICoreOpsKernelBuilder::CalcTilingSinkRunningParam()

文件：compiler/engines/nn_engine/optimizer/ops_kernel_builder/aicore_ops_kernel_builder.cc

前置判断：CheckTilingSink()（compiler/engines/nn_engine/utils/common/fe_gentask_utils.cc）

CheckTilingSink 检查三个条件：

1. 执行模式为 kStaticOffloadExecute（静态 shape 图）
2. 算子具有 _tiling_sink_op = true 属性
3. 算子具有非空的 compile_info_json（Tiling 编译信息）

三个条件全部满足才走 Tiling 下沉路径。

参数计算包含两个步骤：

1. SetTilingSinkCalcResources：设置附属流（Attached Stream）信息和同步资源

   • 创建名为 "tiling" 的附属流，其 depend_value_input_indices 指向算子 Tiling 依赖的输入索引
   • 创建名为 "tiling" 的 Event 同步资源，用于 Tiling 任务与 AI Core 任务之间的同步

2. CalculateTilingSinkWorkspace：在 Host 侧执行一次 Tiling 计算，确定 Workspace 大小

   • 调用 TilingForOneNode() 在 Host 侧执行 Tiling，获取 workspace_bytes
   • 对于自定义算子，额外追加 20KB（CUSTOM_TILING_OP_DUMP_SIZE）的 workspace 用于日志 dump
   • 将 workspace 信息设置到 ExeResGenerationContext

4.3 阶段三：FE 生成任务序列

在 GenerateExtTask 阶段，系统为 Tiling 下沉算子生成特殊的任务序列。

入口：GenerateOpExtTask()（fe_gentask_utils.cc）

当 CheckTilingSink 返回 true 时，调用 GenerateTaskForTilingSink()。

任务序列生成：GenerateTaskForSinkOp()（fe_gentask_utils.cc）

生成的任务序列为：

tiling → wait → [nops × N] → [原有 AI Core 任务] → refresh → record

任务类型	创建函数	说明
RT_MODEL_TASK_PREPROCESS_KERNEL	CreateTilingTask	AICPU Tiling 任务，kernel 名称为 "RunAicpuRpcSrvLaunch"。Args format 包含 TILING_CONTEXT、OP_TYPE、PLACEHOLDER，自定义算子还追加 WORKSPACE
RT_MODEL_TASK_EVENT_WAIT	CreateWaitTask	在主流上等待 Tiling 任务完成的事件
RT_MODEL_TASK_NOP × N	CreateNopTask	硬件预取延迟补偿，910B 插入 8 个 NOP，310P 插入 5 个
RT_MODEL_TASK_KERNEL / RT_MODEL_TASK_ALL_KERNEL	原有任务	AI Core 计算任务，以占位参数（block_dim=0xFFFFFFFF）启动
RT_MODEL_TASK_UPDATE	CreateRefreshTask	通过 rtModelTaskUpdate 刷新 AI Core 任务的 tiling_key 和 block_dim。Args format 包含 TILING_KEY 和 BLOCK_DIM
RT_MODEL_TASK_EVENT_RECORD	CreateRecordTask	记录事件完成

NOP 延迟补偿的设计考量：硬件预取机制会在收到任务后提前取指令，而 AICPU Tiling 结果通过 event notify 通知 AI Core 流。从 event 触发到 AI Core 实际感知存在时间差，插入 NOP 任务是为了"填满"这个时间窗口，确保 AI Core 开始执行时 Tiling 结果已经就绪。NOP 数量根据芯片型号不同而不同（910B 为 8、310P 为 5），来源于平台信息的 prefetch_num 字段。

4.4 SuperKernel 场景

对于 SuperKernel（融合内核）场景，Tiling 下沉有特殊处理：

文件：fe_gentask_utils.cc 中的 GenerateTaskSuperKernel()

• Tiling 任务的 Args format 额外包含 EVENT_ADDR，用于在 AICPU Tiling 任务中获取 event 地址
• AI Core 任务的 Args format 会被修改：在 WORKSPACE 后插入 TILING_DATA、TILING_KEY、BLOCK_DIM、EVENT_ADDR
• 硬性约束：SuperKernel 使用复用二进制（SPK_REUSED_BINARY）时，必须走 Tiling 下沉路径，否则编译报错
  • 参考：compiler/engines/nn_engine/optimizer/graph_optimizer/task_builder/superkernel_task_builder.cc 中的 CheckTilingSinkForSK()

4.5 FFTS+ 场景

FFTS+（混合 AIC+AIV）算子同样支持 Tiling 下沉：

• 在 fftsplus_ops_kernel_builder.cc 中，通过 CheckTilingSink 判断后走相同的 Tiling 下沉路径
• 运行时 FFTS+ 任务分发后，TilingSinkTaskInfo 中的 ffts_task_handle 指向实际的 FFTS+ 任务句柄（而非 nullptr），UpdatePC 任务据此识别任务类型

5 运行期实现

5.1 Device 侧 Tiling 上下文构建

核心函数：ArgsFormatUtils::SinkTilingContext()

文件：runtime/v1/graph/load/model_manager/task_info/args_format/args_format_utils.cc

该函数在 Device 侧分配并初始化 Tiling 上下文内存，是 Tiling 下沉运行时的关键准备工作。

内存布局：

|--- tiling_data (含 TilingData 头) ---|--- workspace addrs ---|--- tiling_context ---|--- compute_node_info ---|

构建步骤：

1. 计算各段大小：

   • device_tiling_size：通过 DeviceTilingContextBuilder::CalcTotalTiledSize 计算
   • aligned_max_tiling_size：Tiling 数据最大空间（从 kMaxTilingSize 属性获取，默认 kMaxTilingDataSize）
   • workspace_addr_size：workspace 地址数组空间（kMaxWorkspaceCount 项）
   • compute_node_info_size：计算节点信息空间

2. 分配 Device 内存：通过 davinci_model.MallocDynamicMemory(total_plain_size, RT_MEMORY_TS) 分配

3. 初始化 Host 端各段：

   • 创建 TilingData cap，设置 Tiling 数据区
   • 如果启用了 args_exception（DFX 调试），在 Tiling 数据末尾写入 atomic_index
   • 创建 ContinuousVector 用于 workspace 地址数组
   • 通过 bg::CreateComputeNodeInfo 创建计算节点扩展信息

4. 构建 Device 侧 Tiling 上下文：通过 DeviceTilingContextBuilder 链式设置：

   • PlatformInfo：平台信息（对于自定义算子，通过 LoadCustPlatformInfos 加载；对于内置算子，通过 LaunchPlatformInfos 加载）
   • TilingData：Tiling 数据区地址
   • Deterministic / DeterministicLevel：确定性计算标志
   • Workspace：workspace 地址区
   • AddrRefreshedInputTensor：Tiling 依赖的输入张量（地址可刷新）
   • TiledHolder：Tiling 上下文和计算节点信息

5. Host 到 Device 拷贝：将整个 buffer 通过 aclrtMemcpy 拷贝到 Device

6. 存储地址信息：创建 TilingContextAddr 结构体，记录各部分的 Device 地址，存为 OpDesc 的 ExtAttr

5.2 AI Core 任务分发

文件：runtime/v1/graph/load/model_manager/task_info/fe/kernel_task_info.cc

AI Core 任务（KernelTaskInfo）分发时涉及 Tiling 下沉的关键处理：

1. 解析 Args Format（ParseArgsFormat）：

   • 遇到 TILING_CONTEXT 类型且子类型为 TILING_DATA 时，保存 arg_descs 到 davinci_model.tiling_sink_task_arg_descs_list_，供后续 AICPU Tiling 任务使用
   • 遇到 TILING_CONTEXT 类型且子类型为 TILING_CONTEXT 时，通过 IsTilingInputDataDependency 确定哪些输入具有 Tiling 数据依赖，记录到 tiling_depends_input_idx

2. 组装 Tiling Sink 张量（AssembleTilingSinkTensors）：

   • 为每个 Tiling 依赖的输入创建 gert::AddrRefreshedTensor
   • device_addr 指向任务 args buffer 中的对应位置
   • host_tensor 在 io_addrs_ 中创建，其数据地址指向实际的输入数据地址
   • 这些张量使 AICPU Tiling 任务能够读取输入张量数据

3. 组装 Tiling 上下文参数（AssembleTilingContextArgs）：

   • TILING_CONTEXT：调用 ArgsFormatUtils::SinkTilingContext 构建并初始化 Device 侧 Tiling 上下文
   • TILING_DATA：追加 Tiling 数据区地址
   • TILING_KEY：追加 Tiling Key 地址
   • BLOCK_DIM：追加 Block Dim 地址

4. 记录任务信息：分发完成后，将 task_id、stream、ffts_task_handle 封装为 TilingSinkTaskInfo，存为 OpDesc 的 ExtAttr

5.3 UpdatePC 任务分发

文件：runtime/v1/graph/load/model_manager/task_info/fe/update_pc_task_info.cc

UpdatePCTaskInfo 是 Tiling 下沉运行时的"点睛之笔"——它将 AICPU Tiling 产出的参数动态刷新到已下发的 AI Core 任务中。

分发流程：

1. 从 OpDesc 的 ExtAttr 获取 TilingSinkTaskInfo（包含目标任务的 task_id 和 stream）
2. 从 OpDesc 的 ExtAttr 获取 TilingContextAddr（包含 tiling_key 和 block_dim 的 Device 地址）
3. 获取 AI Core 算子的二进制 handle
4. 调用 rtModelTaskUpdate(sink_task_info->stream, sink_task_info->task_id, stream_, &update_info)

update_info 包含：

• hdl：AI Core 算子的二进制 handle
• fftsPlusTaskInfo：FFTS+ 任务句柄（非 FFTS+ 场景为 nullptr）
• blockDimAddr：指向 Device 侧 block_dim 存储位置的指针
• tilingKeyAddr：指向 Device 侧 tiling_key 存储位置的指针

rtModelTaskUpdate 的底层机制是修改已下发任务的 SQE（Submission Queue Entry）中的 PC（Program Counter）和关键参数，使其在下发后、执行前被"热更新"。这避免了重新下发任务的开销。

5.4 Block Dim 占位与刷新

文件：runtime/v1/graph/load/model_manager/davinci_model.cc

在 GetBlockDim() 中，对于标记了 ATTR_NAME_DYNAMIC_TILING_DEPEND_OP 的 AI Core 算子：

• 返回占位值 kTilingSinkBlockDim = 0xFFFFFFFF
• 真实的 block_dim 由 AICPU Tiling 任务计算后写入 TilingContextAddr.block_dim_addr 所指的 Device 内存
• UpdatePC 任务通过 rtModelTaskUpdate 刷新到 AI Core 任务

5.5 FFTS+ 任务分发

文件：runtime/v1/graph/load/model_manager/task_info/ffts_plus/ffts_plus_task_info.cc

FFTS+ 任务分发完成后，同样创建 TilingSinkTaskInfo 并存为 ExtAttr。与普通 AI Core 任务的区别在于 ffts_task_handle 字段指向实际的 FFTS+ 任务句柄，UpdatePC 任务据此判断需要更新的任务类型。

5.6 SuperKernel 任务分发

文件：runtime/v1/graph/load/model_manager/task_info/fe/super_kernel_task_info.cc

SuperKernel 的 AssembleTilingSinkTensors 和 AssembleTilingContextArgs 逻辑与 KernelTaskInfo 相同，但需要按子节点（sub_node_op_index_list_）逐一处理，使用各自对应的 args_format_holder。

5.7 Runtime V2 实现

文件：runtime/v2/engine/aicore/converter/aicore_compile_results.cc

Runtime V2 采用了不同的执行模型，Tiling 结果通过 bg::ValueHolder 在编译期就编入执行图，而非运行时通过 rtModelTaskUpdate 动态刷新。

• SinkBinForFFTS：将 FFTS 二进制数据和 tiling_key 输出通过 ValueHolder::CreateSingleDataOutput("GetFFTSAICorePcAndPref", sink_inputs) 下沉到执行图
• SinkBinForMixAiCore：根据静态/动态分支，分别通过 OpRunInfo 直接获取 tiling_key 或通过 TilingContext 输出获取

Runtime V2 不引用 tiling_schedule_optimize 选项，Tiling 下沉能力内建在执行图生成过程中。

6 用户使用场景

6.1 场景一：静态 shape 图推理加速

用户部署一个输入 shape 固定的推理模型，其中包含 Tiling 依赖输入数据的算子（如某些自定义算子）。开启 Tiling 下沉后：

• 编译期：系统自动识别支持 Tiling 下沉的算子，在任务流中插入 AICPU Tiling 任务
• 运行期：推理时无需回到 Host 执行 Tiling，整个执行流水线在 Device 内闭环
• 收益：消除 Host-Device 同步开销，降低推理延迟

6.2 场景二：SuperKernel 复用二进制

对于使用复用二进制（SPK_REUSED_BINARY）的 SuperKernel 算子，Tiling 下沉是强制要求。多个算子复用同一份编译产物，通过不同的 tiling_key 区分执行参数，需要运行时动态确定 tiling_key。

6.3 场景三：离线模型编译

用户使用 atc 工具离线编译模型时，通过 --tiling_schedule_optimize=1 开启特性。离线场景跳过设备能力检查，直接根据选项值决定是否启用 Tiling 下沉。

7 设计要点总结

7.1 核心设计决策

设计决策	动机
将 Tiling 搬到 AICPU 执行	AICPU 与 AI Core 在同一 Device 上，避免 Host-Device 往返
使用 rtModelTaskUpdate 动态刷新	避免重新下发任务的额外开销，直接修改已下发任务的参数
占位 block_dim + Event 同步	AI Core 任务先以占位参数启动，Tiling 完成后刷新，实现 Tiling 与计算的最大并行度
NOP 延迟补偿	弥补硬件预取机制与 event notify 之间的时间差，确保数据一致性
三重门控检查	确保只在选项、设备、算子三方都支持时才启用，避免运行时异常

7.2 数据流总结

sequenceDiagram
    participant Host as Host (编译期)
    participant AICPU as Device AICPU (运行期)
    participant AICore as Device AI Core (运行期)
    participant UpdatePC as Device UpdatePC (运行期)

    Host->>Host: 识别 Tiling 下沉算子
    Host->>Host: 生成任务序列: tiling → wait → nops → aicore → refresh → record
    Host->>Host: 在 Host 侧预执行一次 Tiling，获取 workspace 大小

    Note over AICPU,AICore: 运行期开始
    AICPU->>AICPU: 执行 Tiling 计算<br/>读取输入数据、计算 tiling_key 和 block_dim
    AICPU->>AICore: Event Wait 通知 Tiling 完成
    Note over AICore: NOP 延迟补偿
    AICore->>AICore: 以占位参数执行 AI Core 算子
    UpdatePC->>UpdatePC: rtModelTaskUpdate 刷新 tiling_key 和 block_dim
    UpdatePC->>AICore: Event Record 记录完成

7.3 关键文件索引

模块	文件路径	核心内容
选项定义	inc/graph_metadef/external/ge_common/ge_api_types.h	TILING_SCHEDULE_OPTIMIZE 常量
选项校验	compiler/api/aclgrph/option_utils.cc	CheckTilingScheduleOptimizeParamValid
atc 入口	api/atc/main_impl.cc	命令行参数解析
图分区标记	compiler/graph/partition/dynamic_shape_partition.cc	IsSupportTilingSink、JudgeUnknownShapeForTilingDependNode
参数计算	compiler/engines/nn_engine/optimizer/ops_kernel_builder/aicore_ops_kernel_builder.cc	CalcTilingSinkRunningParam、SetTilingSinkCalcResources、CalculateTilingSinkWorkspace
任务生成	compiler/engines/nn_engine/utils/common/fe_gentask_utils.cc	CheckTilingSink、GenerateTaskForSinkOp、任务创建函数
数据结构	runtime/v1/.../args_format/args_format_utils.h	TilingSinkTaskInfo、TilingContextAddr
Tiling 上下文构建	runtime/v1/.../args_format/args_format_utils.cc	SinkTilingContext
AI Core 任务	runtime/v1/.../task_info/fe/kernel_task_info.cc	AssembleTilingSinkTensors、AssembleTilingContextArgs
UpdatePC 任务	runtime/v1/.../task_info/fe/update_pc_task_info.cc	UpdatePCTaskInfo::Distribute
FFTS+ 任务	runtime/v1/.../task_info/ffts_plus/ffts_plus_task_info.cc	FFTS+ 场景 Tiling 下沉适配
SuperKernel 任务	runtime/v1/.../task_info/fe/super_kernel_task_info.cc	SuperKernel 场景 Tiling 下沉适配
Block Dim 占位	runtime/v1/.../davinci_model.cc	GetBlockDim 中返回 kTilingSinkBlockDim
Runtime V2	runtime/v2/engine/aicore/converter/aicore_compile_results.cc	编译期 Tiling 下沉（ValueHolder 模式）
约束文档	docs/graph_engine_api/属性名列表.md	Tiling 下沉与永不超时属性的互斥约束