已开启

增加 Autofuse V2 Broadcast 性能建模 #235

高煜博创建于 8月11日

8月11日创建

简介

目的

本文档描述 Autofuse V2 Broadcast 的性能建模方案。目标是使 ATT 性能公式与实际生成的
BroadcastExtend 和独立 Duplicate 路径一致，并将
BroadcastExtend 内部 helper 完整下钻到实际执行的 Reg::*。

目标读者包括 Autofuse codegen、ATT、AscendC API 和测试开发人员。本文档只定义设计，不包含实现代码。

范围

本设计包含：

V2 普通 Tensor Broadcast 的 BroadcastExtend 性能模型。
常量、UB Scalar 和 Tensor Value 标量广播生成的独立 Duplicate 性能模型。
codegen 到 ATT 的最小原始参数透传链路。
broadcast_extend_impl.h、broadcast_3510_extend_impl.h 和
broadcast_gather_3510_extend_impl.h 中全部可达分支的 Reg 调用次数。
静态 shape 和动态 shape 分支表达式。
common、codegen、ATT UT，ATT ST 和 codegen E2E 验证。

本设计不包含：

修改 Broadcast 的 AscendC 实现或生成 kernel 行为。
猜测注册表中不存在的 Reg API 耗时。
修改 SuperKernel、Python/C++ 绑定、CMake 安装路径或打包布局。
为失败路径的 assert/log、纯类型声明或非函数标量赋值构造性能成本。成功数据路径上不可继续下钻且性能表
无对应项的实际函数调用统一使用 kPlaceholder。
将输入 Tensor 生产节点 ApiCall::PostProcess 生成且可能被多个输出/消费者共享的 UB scalar
同步、GetValue 或 Duplicate 成本重复归属到 Broadcast；这些调用属于生产节点执行边界。
旧 BroadcastApiCall 以 need_tmp_buf=true 生成的 B64 四参数 Duplicate 路径。V2
BroadcastRegApiCall 仅复用 BroadcastScalar(..., false)，不会进入仓内 DuplicateInt64 四参数实现；本任务
不为未注册到 V2 ATT 的旧 codegen 路径建模。
Vector Function 内生成的 MicroAPI::Duplicate 性能模型。VF 不进入 BroadcastRegApiCall 或
BroadcastExtend，继续使用既有 parser 类型和 VF 性能路径；本任务不修改 VF parser 或公共 VF 计数接口。

总体概述

软件概述

项目介绍

Broadcast 属于 Autofuse V2 向量计算节点。当前 V2 注册仍通过 GetPerfFunc(kBroadcast) 复用 V1
BroadcastApi，V1 公式主要按合并后的输入输出 shape 区分 1D 至 4D 场景，无法反映 V2 codegen 实际调用的
BroadcastExtend 及其 E2B、Gather、对齐、非对齐、64-bit 和 more-dim 分支。

源码依据如下：

codegen impl：autofuse/v35/ascir/generator/v2_ascir_codegen_impl.h:259-296
普通 codegen：autofuse/v35/codegen/reg_api_call/reg_broadcast_api_call.cpp:23-125
API 入口：autofuse/v35/ascendc/api_regbase/broadcast.h:16-22
tiling 和顶层分支：autofuse/v35/ascendc/api_regbase/broadcast_extend_impl.h:34-278
wrapper 和 leaf：autofuse/v35/ascendc/api_regbase/broadcast_3510_extend_impl.h:20-1324
Gather helper：autofuse/v35/ascendc/api_regbase/broadcast_gather_3510_extend_impl.h:19-482
当前 V2 注册：autofuse/v35/att/api_perf_register/ascir_api_perf_v2.cpp:512-514
参考实现：GitCode PR 1580，Where V2 参数透传和 Reg 性能建模。

产品环境介绍

本功能位于 Autofuse 编译期 ATT/codegen 链路，使用仓内 AscendC RegBase Broadcast 源码作为语义依据。
不新增 CANN Toolkit、runtime 或 Python 依赖，不修改外部接口。实际 Reg API latency/throughput 仅使用
PerfParamTableV2::GetVfInstructPerfTable() 中已有数据。

软件功能

从 codegen 透传 BroadcastExtend 的原始 dst_shape/src_shape 或独立 Duplicate 的原始 count。
在 ATT 内复现 Broadcast tiling、rank 合并、64-bit 扩维和 wrapper 选择。
将每个 wrapper/helper 继续下钻到实际执行的 Reg::* 或 MicroAPI::*。
按源码循环层级计算每个 Reg API 的调用次数。
对动态 shape 构造与源码条件一致的性能分支表达式。
对缺失性能数据的 API 使用可追溯的独立 kPlaceholder，不猜耗时。

设计约束

BroadcastExtend rank 必须位于 [1, 9]。
性能参数必须与实际 API 原始参数一致，不透传预计算 branch_id、repeat_time 或 Reg 次数。
不能保存 tpipe.tiler.Size(...) 或 ActualSize(...) 字符串，必须保存原始表达式配方。
所有含 Load 的实际 Reg API统一使用 kLoad；所有含 Store 的实际 Reg API统一使用 kStore。
性能表中不存在的实际函数必须按真实 API、方向/模式和 dtype 分开使用 kPlaceholder；包括但不限于
CreateMask、Arange、Gather、GatherB、PopStackBuffer、GetPhyAddr 和同步管理函数。
Div<int16/int32> 保留真实 kDiv 和真实 dtype；在获得权威性能数据前不得猜测或替换 dtype。
最终 cost 必须使用 VFHead + max_latency + sum(throughput * count)。
所有构建和测试命令并行度不超过 8。

假设和依赖关系

codegen 模板参数 constRank 等于 dst_shapes.size()，合法公开入口为 1..9；动态 shape 指 rank 固定、
shape 值运行时确定，不把公开入口不可达的 constRank=-1 当成动态 rank。
codegen 能从 Tiler::sizes/actual_sizes 和 Tensor 元数据构造与生成 C++ 实参、TensorActualSize、
TensorVectorizedSize 及 LocalTensor view 大小同源的 ge::Expression。
现有 TernaryOp 能表达比较、相等和 Mod(expr, divisor) == 0 条件。
ATT pipeline 继续负责 Broadcast 节点的外层调度循环；BroadcastRegApiCall::Generate 不产生 Where/Compare
类型的 CreateComputeNodeOuterFor，因此不新增 outer_call_count。
未注册 API 的 kPlaceholder 只保证调用次数可追溯，不代表绝对性能精度已闭环。
固定 rank 5-9 合并后调用 2D/3D/4D wrapper 时模板参数 W=-1，允许 unaligned 分支进入 dynamic
fallback；这与入口 constRank 固定不矛盾。
执行次数模型只覆盖可达性文档定义的正常域：所有传入 uint16_t wrapper/loop/stride 的值和合轴乘积
均不超过 65535；普通 Gather/GatherWrapper 最终 index 仅在 B8/B16 的 16-bit index consumer 中受 65535
限制，GatherB 与 B32/B64-effective 使用真实 32-bit index。所有源码 uint32_t size/乘积 consumer 均不得
超过 UINT32_MAX。限制按实际 consumer 应用：顶层 Copy 不消费 uint16_t wrapper 值，但其 uint32_t
srcSize/dstSize 乘积仍不得溢出，且 AlignUp(dstSize, ONE_BLK_SIZE/sizeof(T)) 的加法要求静态
dstSize <= UINT32_MAX - (ONE_BLK_SIZE/sizeof(T) - 1)。普通、BOOL 和 B64 三参数 Duplicate 最终匹配 CANN
int32_t count overload，因此 count 不超过 INT32_MAX；仓内 uint8/int8 overload 的第三参数为
uint32_t，但其下层 int32_t consumer 要求实际参与 size+1 的 uint8 dst_view_size 或 int8 count
不超过 INT32_MAX-1。对应有效下层 count 为 ceil_div(dst_view_size,2) 或 ceil_div(count,2)，允许 65536。
其余未进入 int32_t consumer 的原始 count/dst_view_size 只受 UINT32_MAX 限制。这里的 16-bit index-consumer 边界只适用于
B8/B16 ordinary Gather，不适用于 Duplicate。静态可证明某个实际 consumer 超界时返回失败；动态表达式以
正常域为调用前提，只为满足前提的实例生成公式，超界后的截断、回绕、除零或不终止行为没有有限有效性能
公式，也不构造伪造的非法分支成本。

需求分析与设计

整体介绍

采用“原始参数透传 + ATT 分层复现分支 + 逐 Reg 计数”的方案：

EnrichAscirGraphNodeParams
  -> 预注册 BroadcastNodeParams{monostate}
BroadcastRegApiCall::Generate
  -> 填 BroadcastExtendParams{dst_shapes, src_shapes}
  -> 或填 BroadcastDuplicateParams{count, dst_view_size, source_kind}
FillSpecificParams
  -> NodeInfo.broadcast_node_params
BroadcastApiV2
  -> NodeDetail.broadcast_node_params
  -> BuildBroadcastTilingModel
  -> SelectBroadcastKernelFamily
  -> AddBroadcastRegPerf
  -> VFHead + max_latency + sum(throughput * count)

Vector Function 不使用上述独立节点参数，也不经过本设计的 BroadcastApiV2 路径。其既有 parser 类型和
VF 性能行为保持不变。

功能需求

功能需求 1：最小原始参数透传

介绍

仅透传实际性能公式必需、且 ATT 不能从已有 NodeInfo 精确恢复的 API 原始参数。
输入
- BroadcastExtend<T, constRank>(dst, src, dst_shape, src_shape)。
- Duplicate(dst, scalar, count)。
处理
- 排除输入输出 Tensor 后，Extend 保存与生成 C++ 实参同源解析后的 dst_shape/src_shape。
- Duplicate 保存与 out.actual_size 同源解析后的 count、与传入 LocalTensor view 的 GetSize() 同源的
  dst_view_size，以及决定前置同步和取值调用的输入 source kind。
- 调用路径由嵌套 variant 类型表示，不新增 route 枚举。
- rank 由 shape 数组长度得到。
- Size(expr) 在 codegen 中按 tpipe.tiler.sizes 替换，ActualSize(expr) 先按
  tpipe.tiler.actual_sizes、再按 sizes 替换；ATT 参数必须保存替换后的 ge::Expression，不能只保存 role。
- Duplicate count 按 Tiler::TensorActualSize 的同一公式构造 ge::Expression，包括各非零 stride 轴的
  actual_size/size 选择、stride 乘积和最终 +1，不能使用只支持乘法的 ParamExprProduct。
- dst_view_size 按 TensorVectorizedSize(out) - TensorVectorizedOffset(current_axis, out) 的同源表达式构造，
  用于准确复现 uint8_t overload 中忽略 size、改读 dst.GetSize() 的行为。
输出

struct BroadcastExtendParams {
    std::vector<ge::Expression> dst_shapes;
    std::vector<ge::Expression> src_shapes;
};

enum class BroadcastScalarSourceKind {
    kConstant,
    kUbScalar,
    kTensorVecIn,
    kTensorVecCalc,
    kTensorOther,
};

struct BroadcastDuplicateParams {
    ge::Expression count;
    ge::Expression dst_view_size;
    BroadcastScalarSourceKind source_kind{BroadcastScalarSourceKind::kTensorOther};
};

using BroadcastCallParams =
    std::variant<std::monostate, BroadcastExtendParams, BroadcastDuplicateParams>;

struct BroadcastNodeParams {
    BroadcastCallParams call_params;
};

不透传 const_rank、srcSize/dstSize、stride、loopNum、Extend branch_id、repeat_time、Reg 次数或
outer_call_count。source_kind 不是 Extend 分支 ID，而是 BroadcastScalar 已确定且 ATT 无法从 API 参数恢复的
前置调用语义；dst_view_size 是传入 Tensor 参数在仓内 B8 overload 中实际读取的原始属性，不是派生次数。

功能需求 2：BroadcastExtend tiling 和顶层分支

介绍

ATT 按 GetBroadcastTilingInfoExtendImpl 复现 API 内部参数，不按经验重建。
输入

dst_shapes、src_shapes 和 NodeDetail 中的真实 dtype。
处理
- 计算 srcSize/dstSize。
- rank 大于 4 时合并连续广播轴和公共轴。
- 8B dtype 按源码转换为 uint32_t BrcType 并执行扩维或 loopNum 处理。
- 计算 dstStride/srcStride。
- 按 srcSize == dstSize、srcSize == 1 和 srcStride[dim-1] 选择顶层路径。
- 固定 rank4 非 B64 在 Last 或 NLast 路径满足 dstShape[0]==1 && oriSrcShape[0]==1 时，按源码跳过
  首轴并以 dstShape+1/srcStride+1 调用对应 3D wrapper；该判定位于 4D wrapper 前，不能按普通 4D 建模。
- 所有 rank 的轴类别由 src==1 && dst!=1（B）或 src==dst（E）决定。rank1-4 不合轴，但动态 shape
  仍需先枚举每轴 B/E 状态以构造 stride 并选择 Copy/Duplicate/Last/NLast。rank5-9 若条件为动态，必须在合轴前
  按源码判定顺序递归构造 B/E 条件分支；每个分支先得到确定的规范化 rank、shape 和 stride，再进入
  wrapper/leaf 选择，不能在单一可变长度容器上事后只为 leaf 条件补 ternary。
- 动态合轴最多枚举 rank9 的有限 B/E 状态；静态可判定条件立即折叠。相同符号 shape 取具体值后的每个
  分支必须与直接使用该静态 shape 构造的模型选择相同规范化结果和 leaf。
输出

规范化 tiling 上下文和选中的 wrapper 类型。

功能需求 3：wrapper 分支覆盖

介绍

所有静态和动态 wrapper 条件必须与源码一致。
输入

规范化 shape、stride、BrcType、rank 和 loopNum。
处理

Last 分支：

wrapper	条件族	leaf
2D	`last == BLK && T != B8`	E2B
2D	`last < HALF_VL`	GatherOne/GatherTwo
2D	`HALF_VL <= last <= VL`	LessUnaligned
2D	`last > VL`	LargeAligned/LargeUnaligned/dynamic fallback
3D	E2B 完整条件	E2BSmall/E2BLarge
3D	`last < HALF_VL`	GatherWrapper
3D	`last <= VL`	LessAligned/LessUnaligned/fallback
3D	`last > VL`	LargeAligned/LargeUnaligned/fallback
4D	E2B 完整条件	E2B
4D	`last < HALF_VL && T != B8`	GatherWrapperForFourDim
4D	`last <= VL`	LessAligned/LessUnaligned/fallback
4D	`last > VL`	LargeAligned/LargeUnaligned/fallback
more-dim	`dim > 4` 或 wrapper 返回 true	dynamic Last 4D leaf

dynamic Last 不重新选择 E2B、Gather 或 aligned leaf，只按 last<=VL 进入 4D less unaligned，或进入
4D large unaligned。

3D E2B 条件保持为：

last == BLK && T != B8 && middle * last > HALF_VL &&
middle % DEFAULT_BLK_NUM == 0 && stride[1] != 0

4D E2B 条件保持为：

last == BLK && T != B8 && stride[2] != 0 &&
size[2] % DEFAULT_BLK_NUM == 0

NLast 分支：

wrapper	条件族	leaf
2D	`last < HALF_VL && last % BLK == 0`	GatherBOne/GatherBTwo
2D	`last < HALF_VL && last % BLK != 0`	GatherOne/GatherTwo
2D	`HALF_VL <= last <= VL`	LessUnaligned
2D	large aligned 且 `last % VL == 0 && size0 > DEFAULT_BLK_NUM`	AlignedWithVL
2D	其他 large aligned	AlignedWithBlock
2D	large unaligned	static leaf/dynamic fallback
3D	`last < HALF_VL`	GatherWrapper
3D	`last <= VL`	LessUnaligned
3D	large aligned	AlignedWithVL/AlignedWithBlock
3D	large unaligned	static leaf/dynamic fallback
4D	`last < HALF_VL && T != B8`	GatherWrapperForFourDim
4D	`last <= VL`	LessAligned/LessUnaligned/fallback
4D	large aligned	AlignedWithVL/AlignedWithBlock
4D	large unaligned	static leaf/dynamic fallback
64-bit constRank 4 扩维	`dim != constRank`	NLastWrapperForMoreDim
more-dim	`dim > 4` 或 wrapper 返回 true	dynamic NLast 4D leaf

dynamic NLast 的 large aligned 分支固定使用 WithBlock，不重新选择 WithVL。B64 原末轴 Broadcast 会追加公共
轴 2：固定 rank1 进入 NLast2，rank2/3 分别进入 NLast3/NLast4，rank4 固定进入 NLast more-dim 并逐次执行
Gather4；rank9 还需乘被移除原首轴形成的 loopNum。

输出

唯一 leaf 和 leaf 外层循环乘数。动态 shape 输出对应 TernaryOp，不默认选择任何分支。

功能需求 4：完整下钻到 Reg/MicroAPI

介绍

helper 只有在到达实际执行的 Reg::*、MicroAPI::* 或仓内无实现源码的基础 API 时才能停止。仓内有实现
的 helper 只计算展开后的终端调用，不能同时计算 helper 自身和内部调用。
输入

wrapper 选择结果和 leaf 参数。
处理

调用图闭合规则：

helper	必须继续下钻至
`E2bLoad`	`Reg::LoadAlign`
`BrcLoad`	`Reg::LoadAlign`
`GatherWrapper`	`GenGatherIndex -> VfGenIndex/VfGenIndexB8 -> Reg::` 和 `VfGatherBrc/VfGatherBrcB8 -> Reg::`
`GatherWrapperForFourDim`	`GenGatherIndexForFourDim -> VfGenIndexForFourDim -> Reg::` 和 `VfGatherBrcForFourDim -> Reg::`
`BrcNlastWrapperForMoreDim`	每次循环完整下钻 `GatherWrapperForFourDim`
dynamic more-dim wrapper	每次循环完整下钻选中的 4D leaf

不可继续下钻的成功路径函数边界同样必须计数：DataCopy、PopStackBuffer、LocalTensor::GetPhyAddr、
GetTPipePtr、FetchEventID、SetFlag 和 WaitFlag。其中 load/store 语义分别映射 kLoad/kStore，
其余性能表无项时使用互相独立、可追溯的 kPlaceholder。失败时才执行的 assert/log 不计。

以下声明不产生性能成本：

Reg::RegTensor<T> srcReg;
Reg::MaskReg pregCnt;
Reg::UnalignReg ureg0;

Reg::CreateMask 是实际函数调用，必须计数。

输出

按真实 API、方向、模式和 dtype 区分的终端调用次数集合。

功能需求 5：循环次数和统一 cost

介绍

每条 Reg API 的 count 等于其实际外围循环乘积，循环外初始化、复用 load 和 tail 调用单独计算。
输入

设 2D 为 (a,b)、3D 为 (a,b,c)、4D 为 (a,b,c,d)。
处理

独立 Duplicate：

路径	执行次数/终端调用
独立非 `uint8/int8` `Duplicate(dst, scalar, count)`	外部终端函数 `call_count=1`；`kDuplicate` 性能组件 `component_count=ceil_div(count,V_T)`；包括 `bool`
独立 `uint8_t` Duplicate	`ReinterpretCast<uint16_t>`、`GetSize`、下层外部 `Duplicate<uint16_t>` 的 `call_count` 各 1；下层参数 `n=ceil_div(dst_view_size,2)`，`kDuplicate<uint16>` 组件次数 `ceil_div(n,V_uint16)`
独立 `int8_t` Duplicate	`ReinterpretCast<uint16_t>`、下层外部 `Duplicate<uint16_t>` 的 `call_count` 各 1；下层参数 `n=ceil_div(count,2)`，`kDuplicate<uint16>` 组件次数 `ceil_div(n,V_uint16)`
独立 B64 三参数 Duplicate	不命中仓内四参数 overload；外部终端函数 `call_count=1`，`kDuplicate<int64/uint64>` 组件次数 `ceil_div(count,V_T)`
constant / UB scalar	无额外终端函数
Tensor Value VecIn	`GetTPipePtr=1`、`FetchEventID(MTE2_S)=1`、`SetFlag(MTE2_S)=1`、`WaitFlag(MTE2_S)=1`、`GetValue=1`
Tensor Value VecCalc	`GetTPipePtr=1`、`FetchEventID(V_S)=1`、`SetFlag(V_S)=1`、`WaitFlag(V_S)=1`、`GetValue=1`
其他 Tensor Value	`GetValue=1`

ReinterpretCast、GetSize 无性能表项，分别使用独立 kPlaceholder。外部 Duplicate 保留一次真实 API 调用；
其性能组件按公开 count 参数和向量宽度映射为 kDuplicate repeat，不把 repeat 误写成 API 调用次数。
独立 Duplicate 的 count 和 dst_view_size 均允许为动态表达式，并使用本节统一 cost 结构。

这里的执行边界从 BroadcastRegApiCall::Generate 实际生成的语句开始。UB scalar 的变量初始化由其生产节点
ApiCall::PostProcess 生成，同一生产节点多个 UB scalar 输出还共享一次同步，因此 Broadcast 只计算读取已准备
标量后的 Duplicate，不重复计算生产节点同步/GetValue；普通 Tensor Value 的同步/GetValue 由
BroadcastScalar 自身生成，仍归 Broadcast 计数。
本设计不修改生产节点 ATT 模型，也不宣称整图已包含 PostProcess 总成本；该排除只用于确定 Broadcast 的唯一
执行边界，避免把共享成本按消费者数量重复计入。

基础和 E2B：

leaf	Reg count
`BrcDuplicate(dstSize)`	`Load=1`；`UpdateMask=Store=ceil_div(dstSize,VL)`
`BrcLastE2B(a,b)`	`r=ceil_div(a,VL/b)`；`UpdateMask=Load=Store=r`
`BrcLastE2BLargerThanVL(a,b,c)`	`r=ceil_div(b,VL/c)`；三者为 `a*r`
`BrcLastE2BLessThanVL(a,b,c)`	`UpdateMask=1`；`Load=Store=a`
`BrcLastE2B(a,b,c,d)`	`r=ceil_div(c,VL/d)`；三者为 `abr`

Less 和 Large：

leaf	Reg count
Last Less Aligned 3D/4D	`UpdateMask=1`；`Load=Store=ab / ab*c`
NLast Less Aligned 4D	`UpdateMask=1`；`Load=Store=abc`
Last Less Unaligned 2D/3D/4D	`Load=StoreUnAlign=a / ab / ab*c`；`Post=1`
NLast Less Unaligned 2D	`UpdateMask=1, Load=1, Store=a, Post=1`
NLast Less Unaligned 3D/4D	`UpdateMask=1`；`LoadPre=Load=Store=ab / ab*c`；`Post=1`
Last Large Aligned 2D	`CreateMask=1`；`Load=a`；`UpdateMask=Store=a*r`
Last Large Aligned 3D	`CreateMask=1`；`Load=ab`；`UpdateMask=Store=ab*r`
Last Large Aligned 4D	`CreateMask=1`；`UpdateMask=acr`；`Load=Store=abc*r`
NLast Large Block 2D	`CreateMask=1`；`UpdateMask=Load=Store=a*r`
NLast Large Block 3D	`CreateMask=1`；`UpdateMask=ar`；`Load=Store=ab*r`
NLast Large Block 4D	`CreateMask=1`；`UpdateMask=br`；`Load=Store=abcr`
NLast Large VL 2D	`CreateMask=1`；`Load=r`；`Store=a*r`
NLast Large VL 3D/4D	`CreateMask=1`；`Load=Store=abr / abc*r`
Last Large Unaligned 2D/3D/4D	`Load=a / ab / abc`；`Store=LoadCount(q+1)`；`Post=1`
NLast Large Unaligned 2D	tail `Load=1`，main `Load=aq`；`Store=a(q+1)`；`Post=1`
NLast Large Unaligned 3D/4D	`LoadPre=ab / abc`；`Load=Store=outer(q+1)`；`Post=1`

普通 large 分支中 r=ceil_div(last,VL)，q=floor(last/VL)。E2B 使用其源码专属 repeat 公式。

Gather index 固定次数：

helper	Reg count
`GenLastGatherIndex`	`CreateMask=1, Duplicate=1, Arange=1, Div=1, Store=1`
`GenNlastGatherIndex`	上述基础增加 `Mul=1, Sub=1`
`VfGenIndex`	`CreateMask=1, Arange=1, Duplicate=6, Div=3, Mul=4, Sub=3, MulAddDst=2, Store=1`
`VfGenIndexB8`	`CreateMask=1, Arange=2, Duplicate=6, Div=6, Mul=8, Sub=6, MulAddDst=4, Store=2`
`VfGenIndexForFourDim`	`CreateMask=1, Arange=1, Duplicate=8, Div=4, Mul=5, Sub=4, MulAddDst=3, Store=1`

Gather 正文：

helper	Reg count
GatherOne 非 B8	`CreateMask=1, Load=1, UpdateMask=1, Gather=1, Store=1`
GatherOne B8	`CreateMask=1, Load=2, UpdateMask=1, Gather=2, DeInterleave=1, Store=1`
LastGatherTwo 非 B8	`CreateMask=1, Duplicate=1, Load=1, Muls=r, Add=r, Adds=1, Gather=r+1, Store=r+1, Post=1`
LastGatherTwo B8	`Load=2, Add=2r, Adds=2, Gather=2(r+1), DeInterleave=r+1`，其余同非 B8
NLastGatherTwo 非 B8	`CreateMask=1, Load=1, Gather=1, Store=r+1, Post=1`
NLastGatherTwo B8	`Load=2, Gather=2, DeInterleave=1`，其余同非 B8
NLastGatherBOne	`CreateMask=1, Load=1, GatherB=1, UpdateMask=1, Store=1`
NLastGatherBTwo	`CreateMask=1, Load=1, GatherB=1, UpdateMask=2, Store=r+1`

其中 r=ceil_div(size0,VL/size1)-1。

GatherWrapper 正文：

VfGatherBrc(m,n):
  CreateMask=1, Duplicate=2, Load=1
  Muls=Add=m*(n+2)
  Gather=Store=m*(n+1), Post=1

VfGatherBrcB8(m,n):
  CreateMask=1, Duplicate=2, Load=2
  Muls=m*(n+2), Add=2*m*(n+2)
  Gather=2*m*(n+1)
  DeInterleave=Store=m*(n+1), Post=1

VfGatherBrcForFourDim(m,n,p):
  CreateMask=1, Duplicate=3, Load=1
  Muls=Add=m + m*n + m*n*(p+1)
  Gather=Store=m*n*(p+1), Post=1

外围基础调用次数：

路径	终端基础调用次数
每次 BroadcastExtend	`CheckTensorPos=2`，顶层 `GetPhyAddr=2`
2D Gather/GatherTwo	`PopStackBuffer=1`；两个 base `GetPhyAddr` 使用不同 call_site 且各 1 次；offset call_site 1 次
3D/4D GatherWrapper	`PopStackBuffer=1`，`GetPhyAddr=2`
NLast GatherB	`PopStackBuffer=1`，`GetPhyAddr=1`，`GetTPipePtr=2`，`FetchEventID=2`，两组 `SetFlag/WaitFlag`

这些次数与对应 wrapper 的实际调用次数相乘。8 次 UB 标量 index 写入不是函数调用，不构造 Placeholder。

动态 more-dim 外层乘数：

outer = normalized_loopNum * product(dstShape[0 ... dim-5])

选中的 4D leaf 中每条实际 Reg count 分别乘 outer。BrcNlastWrapperForMoreDim 对 helper 内全部 Reg
count 乘 dstShape[0]。每次 BroadcastExtend 固定执行的 CheckTensorPos/GetPhyAddr prelude 独立于 leaf body，
始终只附加一次，不乘 wrapper、prefix、loopNum 或 dynamic outer。

输出

先生成独立于性能表的调用计数账本：

struct BroadcastPerfComponent {
    std::string perf_type;
    std::string perf_dtype;
    Expr component_count;
};

struct BroadcastApiParam {
    std::string role;
    Expr value;
};

struct BroadcastCallCount {
    std::string call_site;
    std::string real_api;
    std::string data_dtype;
    std::string index_dtype;
    std::string mode;
    std::vector<BroadcastApiParam> api_params;
    Expr call_count;
    std::vector<BroadcastPerfComponent> perf_components;
};

call_site 使用稳定的源码 helper + semantic slot 名识别调用位置，例如
VfGenIndexB8.ArangeLow/ArangeHigh，不能使用源码行号或对象地址。每个源码 slot 独立成行，禁止跨
call_site 合并；同一 slot 位于循环内时用 call_count 表达循环次数。api_params 只保存仓外高层终端中
用于派生 component count 的参数。仓内已下钻 Reg、地址、栈和同步 slot 不保存逐次 offset/scalar 参数序列。
账本验收执行位置、mode、dtype 和次数，不追踪循环中每次调用的完整实参轨迹。

Canonical role 按下表命名和排序，不允许实现自行使用同义名称：

终端 API	有序 roles	排除项
`DataCopy`	`copy_length`	dst/src Tensor
外部 `Duplicate`	`count`	dst Tensor、scalar value
所有仓内 Reg/地址/栈/同步终端	无	Tensor、offset、scalar、event id；差异由 call_site/mode/dtype 区分
其他已入账终端 API	无	除非本表显式列出，否则参数不进入数量账本

call_count 只表示真实终端函数调用次数；component_count 表示该函数映射到性能表后的内部处理次数，两者
禁止混用。data_dtype/index_dtype 保存真实模板语义；无 index 的调用将 index_dtype 留空。账本是执行数量
验收的唯一事实来源。随后逐组件调用 AddVfInstructPerf 生成成本；性能表存在函数但缺少 perf_dtype 时，
仍以真实 perf_type + perf_dtype 调用，允许既有查询返回零成本，但不得从账本删除、改 dtype
或改成 Placeholder。

动态分支先对所有静态分支的终端调用身份
(call_site,real_api,data_dtype,index_dtype,mode,api_params roles) 取并集。每个身份只保留一行，参数 value、call_count 和每个
component_count 用与源码保序分支相同的嵌套 TernaryOp 表达；该分支不存在此调用时取 0。动态表达式
特化后删除零 count 行，再与对应静态账本逐项比较。禁止只为最终总成本建 ternary 而丢失条件化账本。

条件化 union 账本只用于数量追踪和特化验收，不能直接逐行调用 AddVfInstructPerf，否则 count 为 0 的
分支独有 API 仍会污染 max_latency。成本计算必须在每个静态分支内独立得到
VFHead + branch_max_latency + branch_throughput，再按相同源码条件顺序用 TernaryOp 合并分支总成本。

Expr res = VfPerfUtils::GetVFHeadCost() + max_latency + all_vf_instruct_cost;
res.Simplify();
perf.pipe_res[PipeType::AIV_VEC] = res;

例如 4D E2B 的 L=size0*size1*repeatTimes，其成本为最大 latency 加三项分别乘 L 的 throughput，
而不是 L * max_latency。

功能需求 6：Reg API 映射

介绍

只使用已确认的 VF 表项；无表项时不猜耗时。
输入

下钻所得真实 Reg API、模式、方向和 dtype。
处理

真实 Reg API	perf 类型
顶层 `DataCopy`	一个 `real_api=DataCopy,call_count=1` 账本项并保存 `copy_length=AlignUp(dstSize,ONE_BLK_SIZE/sizeof(T))`；按用户规则附 `kLoad`、`kStore` 两个性能组件，各 `component_count=ceil_div(copy_length,V_T)`
所有包含 `Load` 的 API，包括 E2B 和 unaligned	`kLoad`
所有包含 `Store` 的 API，包括 unaligned 和 post	`kStore`
`Duplicate`	`kDuplicate`
`UpdateMask`	`kUpdateMask`
`Add/Adds/Sub/Mul/Muls/MulAddDst/Div/DeInterleave`	对应 `k*`
`CreateMask/Arange/Gather/GatherB`	按真实 API、模式和 dtype 分开的 `kPlaceholder`
`PopStackBuffer/GetPhyAddr/GetTPipePtr/FetchEventID`	每种真实函数独立 `kPlaceholder`
`SetFlag/WaitFlag`	按同步方向和真实函数独立 `kPlaceholder`
`LocalTensor::GetValue`	独立 `kPlaceholder`
`LocalTensor::ReinterpretCast/GetSize`	每个真实函数独立 `kPlaceholder`
`CheckTensorPos`	独立 `kPlaceholder`，每次 BroadcastExtend 固定 2 次

dtype 必须来自 impl 中每个终端调用的真实模板实例，不能统一使用节点输入 dtype：

调用类别	dtype 来源
普通 B8/B16/B32 Extend 数据调用	`ExtractUnsignedTypeBySize<sizeof(T)>` 对应 `uint8/uint16/uint32`
所有 Extend 顶层 Copy	未进入 `BrcType` 数据路径，`kLoad/kStore` 均使用节点原始 dtype
B64 Extend 非 Copy 数据调用	API 内拆分后的有效 `BrcType=uint32`
B64 Extend 前置调用	`CheckTensorPos<T>` 和顶层 `GetPhyAddr` 保持原始 `int64/uint64`，不随 BrcType 改写
Gather index 生成	`data_dtype` 使用 `VfGenIndex`/`GenIndex` 的真实 signed `int16/int32`，`index_dtype` 为空
普通 Gather index consumer	B8/B16 使用真实 unsigned `uint16`，B32/B64-effective 使用 `uint32`
GatherB index consumer	所有数据 dtype 均使用真实 `uint32` index
Gather 数据调用	`data_dtype` 保存真实 source 数据 dtype，`index_dtype` 保存 `uint16/uint32` consumer；`perf_dtype` 使用实际指令主寄存器 dtype。B8 `Gather` 明确为 `data_dtype=uint8,index_dtype=uint16,perf_dtype=uint16`；B8 中间 index 运算以 `uint16` 记录，DeInterleave/Store 以 `uint8` 记录
独立非 `uint8/int8` Duplicate	生成的 Duplicate impl 模板 dtype，即节点真实输出 dtype；`bool` 保持 `bool`
独立 B8 Duplicate	仓内 overload 下钻后的 `uint16` Duplicate；外层 Reinterpret/GetSize 注释保留原 B8 路径
地址、栈、同步等无数据模板调用	使用与其所属调用图一致的 impl 数据 dtype，并靠注释区分真实 API/模式
B8 2D Last/NLast/GatherB 栈/index 地址	`PopStackBuffer<T>` 和 `LocalTensor<T>` owner dtype 为 `uint8`；GatherB consumer index 仍为 `uint32`
B8 3D GatherWrapper 栈/index 地址	`PopStackBuffer<BrcIndexType>` 和 index Tensor owner dtype 为 `BrcIndexType=uint16`；数据 Tensor 地址按对应 owner dtype
B8 4D GatherWrapper	从 BroadcastExtend 不可达，不生成任何账本行

Div<int16/int32> 使用 kDiv 和真实 dtype。任何性能表已有函数但缺少该 dtype 的场景，包括 B64
kDuplicate，仍调用真实 k* 和 perf dtype；不改成 kPlaceholder、不替换 dtype、不补猜测性能表数据。
这种缺项可能使最终成本项为 0，但真实 API、dtype 和执行次数必须保留在 BroadcastCallCount 中并由 UT 验证。

输出

每个 AddVfInstructPerf 均可追溯到唯一源码 call_site。账本和成本层都禁止跨 call_site 合并；即使 perf
类型、方向、模式、dtype 和 count 相同，也逐 slot 调用。Placeholder 同样禁止跨真实 API、方向/模式、
dtype 或 call_site 汇总。

非功能需求

可维护性

Broadcast perf 放在独立 broadcast_regbase_perf.cpp/.h，不继续扩大现有
ascendc_regbase_perf.cpp。
分支选择和 leaf 计数分层，避免逐行复制 AscendC 实现。
helper 名称和注释使用真实 AscendC 函数名，便于源码变更后对照。
不重构其他算子或公共性能模型。

可测试性

分支选择器和 leaf 计数器提供可直接构造静态表达式的测试入口。
每个 leaf 至少有一个分支选择 UT 和一个 Reg count UT。
动态条件验证 TernaryOp，不只验证静态 shape。
参数链路分别覆盖预注册、Generate 填充、parser 提取和 perf 使用。

可移植性

不硬编码芯片型号。实现继续由现有 V2/RegBase 注册和平台能力选择进入。性能数据来自当前 V2 表，未注册
API 不引入平台推测。

可靠性

rank、shape 数量、shape 合法性、除数和固定整数转换均校验。
失败时返回错误，不生成无效分支表达式。
不新增资源申请和 runtime 生命周期。
静态和动态分支均保持确定性。

特性交叉影响

场景	适用性	分析说明
SuperKernel Python 接口	不适用	不影响 Python 包、选项或 wheel
SuperKernel C++/AOT 接口	不适用	不影响 `libascendsk.so` 或 ABI/API
Autofuse 图优化	不适用	不修改图、pass 或边关系
Autofuse Codegen/Backend	适用	增加 Broadcast 元数据填充，不改变生成 kernel 文本或 VF parser 行为
AscendC API / Runtime 交互	适用	读取现有 AscendC 语义，不新增调用或资源
Python/C++ 混合绑定	不适用	无绑定变化
构建与打包	适用	新 `.cpp` 由 glob 收集，无安装布局变化
测试与覆盖率	适用	新增 common、codegen、ATT UT 和 ATT ST
性能与日志	适用	改变 ATT 评分；kernel 执行行为不变
兼容性	适用	V2 tiling 选择可能变化；外部 API/ABI 不变

性能

编译时长

每个 Broadcast 增加最多 9 维 shape 解析和有限分支表达式构造。静态 shape 复杂度为
O(rank + Reg API 类型数)；rank5-9 动态轴类别最坏产生 2^rank 个 B/E 状态，rank 上限为 9，静态条件
即时折叠。不新增全图遍历；测试需关注模型生成时长和表达式规模，但首期不引入缓存。

执行性能

不改变 kernel 代码、runtime 调度或内存拷贝。ATT 公式变化可能改变 tiling 候选评分，这是需求预期行为。
含 Placeholder 的分支只保证结构和次数正确，不能宣称绝对性能误差已闭环。
BOOL 的 kDuplicate/kLoad/kStore/kPlaceholder 当前均缺性能表 dtype，按用户约束保留 bool 的真实账本项，
最终成本允许为 0；这是性能数据残余边界，不影响执行次数和分支验收，但不宣称 BOOL 绝对成本闭环。

内存和产物大小

每个 Broadcast 最多保存两组 9 维表达式，或 count/dst_view_size/source_kind。调用计数账本仅存在于一次
性能公式计算中。新增独立 perf 源文件，不改变动态库、run 包、wheel 和安装路径布局。

接口设计

新增/修改接口描述

新增 ascir_param::BroadcastExtendParams。
新增 ascir_param::BroadcastDuplicateParams。
新增 ascir_param::BroadcastNodeParams。
NodeInfo 和 NodeDetail 新增 broadcast_node_params 内部字段。
新增内部函数 ascendcperf_v2::BroadcastPerf。
V2 Broadcast 注册从 V1 BroadcastApi 切换到 BroadcastApiV2。

所有接口均为仓内编译期内部接口，不导出 C/C++ ABI，不改变 Python API。

接口检查项

检查项	子检查项	是否涉及	说明
接口说明	是否需要接口评审	否	仓内内部结构和函数
接口说明	是否需要补充文档	是	本设计文档记录参数语义
接口兼容	行为是否兼容	是	V2 性能评分预期变化，kernel 行为不变
接口兼容	ABI/API 是否兼容	是	无对外 ABI/API 变化
接口约束	约束不满足时是否清晰报错	是	rank、shape 和参数状态返回错误
接口测试	是否需要独立接口用例	是	参数 variant、parser 和注册 UT

软件设计

关键数据结构

BroadcastNodeParams 使用嵌套 variant 表示 Extend、Duplicate 或未填充状态。其生命周期与 ASCIR 节点扩展属性
一致，由 codegen 前预注册、Generate 填充、ATT parser 复制，不持有外部资源。

内部 tiling 上下文保存解析后的 rank、shape、stride、size、loopNum 和 BrcType，只存在于一次性能公式计算中。

关键技术/算法

复现 GetBroadcastTilingInfoExtendImpl，包括 rank 大于 4 合并和 64-bit 扩维。
复现 BroadcastComputeExtend 的 copy、duplicate、last/nlast 和 dynamic fallback。
保持入口 constRank=C 与 wrapper 模板参数 W 的区别，覆盖固定 rank 5-9 的动态 fallback。
按 wrapper 条件选择 leaf。
leaf 计数逐条计算外围循环乘积，区分循环外初始化、复用 load 和 tail。
动态 shape 使用 ternary 条件，不做常见分支近似。

流程设计

正常流程：预注册参数、codegen 填充、parser 提取、V2 perf 解析、分支选择、Reg count、cost 汇总。

兼容流程：仅历史或直接构造的 NodeInfo 缺少参数时使用 V1 公式并记录 debug 日志。新 codegen 已进入但载荷
无效时返回失败，禁止静默回退。

异常流程：shape/rank/表达式无效立即返回错误，不产生部分性能公式。

对子模块的修改

文件	修改内容
`autofuse/common/ascir_node_param/ascir_node_param.h`	新增 Broadcast 参数结构并加入 variant
`autofuse/common/ascir_node_param/ascir_param_builder.cpp`	为 Broadcast 预注册空参数
`autofuse/v35/codegen/reg_api_call/reg_broadcast_api_call.cpp`	与生成实参同源填充 Extend/Duplicate 参数
`autofuse/att/gen_model_info/parser/specific_params_builder.cpp`	提取 Broadcast 参数
`autofuse/att/gen_model_info/parser/tuning_space.h`	`NodeInfo` 新增字段
`autofuse/att/gen_model_info/api_perf_register/api_perf.h`	`NodeDetail` 新增字段
`autofuse/v35/att/api_perf_register/ascir_api_perf_v2.cpp`	新增 V2 入口和注册
`autofuse/v35/att/api_perf_register/broadcast_regbase_perf.h`	新增 perf 声明
`autofuse/v35/att/api_perf_register/broadcast_regbase_perf.cpp`	新增 tiling、branch 和 Reg count 模型

autofuse/v35/att/CMakeLists.txt 已使用递归 glob，无需修改。

错误处理

系统错误

不新增内存、文件、runtime 或动态库资源。表达式或对象创建失败沿现有错误码返回。

接口错误

参数结构错误、rank 越界、shape 数量不一致或同源解析表达式无效返回 af::FAILED。
不支持的动态条件返回错误，不生成零成本结果。
缺失独立 Duplicate dtype 性能数据时仍保留真实 API/dtype；允许性能表按既有行为产生零成本，但账本项不得消失，
不阻塞执行次数模型验收。

安全检查

不硬编码 Token、账号、公网地址、芯片、框架或性能数据。
shape 作为索引、循环次数和除数前校验范围与非零。
shape 乘积使用符号表达式；固定整数转换检查溢出和反转。
不新增资源申请或异常释放路径。
不修改图，不影响数据边、控制边和图确定性。
不新增 runtime/aclrt 调用。
不新增高频默认日志。

兼容性检查

外部 C/C++、Python、脚本和配置接口不变。
安装目录、动态库名称、wheel/run 包内容不变。
生成的 Broadcast kernel 文本和运行行为不变。
V2 ATT 评分变化可能改变 tiling 选择，属于预期改进。
旧的直接 perf 调用缺少参数时保留明确 V1 fallback；新链路无效载荷不回退。

测试设计

测试边界

参数入口：AscirNodeParams 和 BroadcastRegApiCall::Generate。
性能入口：BroadcastApiV2 和 BroadcastPerf。
验证出口：参数内容、branch leaf、每类 Reg count、最终表达式和 ternary。
不 mock AscendC 执行；计数依据直接来自仓内源码。

测试用例设计

测试类别	关键测试项	测试方法	用例类型
功能	Extend、独立 Duplicate	参数链路和公式断言	UT
功能	顶层 DataCopy	API call_count=1，不同静态/动态 copy_length 对应正确 load/store component_count，并覆盖 AlignUp 最大安全值及下一值	UT
功能	独立 Duplicate 五类 source kind	同步方向、GetValue、Placeholder 和外部终端调用次数断言	UT
功能	UB scalar 成本所有权	Broadcast 不重复计算生产节点 PostProcess 的共享同步/GetValue	UT
功能	独立 B8 Duplicate overload	`dst_view_size/count` 分流、Reinterpret/GetSize 和下层 uint16 Duplicate 次数	UT
功能	uint8 非零 view offset	`dst_view_size=TensorVectorizedSize-offset`，下层 Duplicate 次数不使用完整 tensor size	UT
功能	独立 BOOL Duplicate	仓外 `Duplicate<bool>` 调用 1 次、dtype 保持 bool、缺项账本不消失	UT
功能	Last/NLast 2D/3D/4D 全 leaf	表驱动 branch 和 Reg count	UT
功能	固定 rank4 非 B64 首轴退化	Last/NLast 静态和动态 shape 均跳过首轴进入 3D wrapper	UT
功能	B64 rank1 NLast2、2->3、3->4、rank4 NMore、rank9 loopNum	规范化 tiling和分支断言	UT
功能	B64 全可达矩阵	穷举 `C=1..9 × 合法原始 B/E pattern × B64 扩维结果`，覆盖 T-COPY、N2-、N3-、N4-、固定 NMore->CG-GW4、DN- 全 terminal family，并逐项验证完整账本	UT
功能	非 Gather 全 leaf call_site	每个 leaf 的循环内/外、main/tail、复用 load 逐 slot 断言，不只断言聚合总数	UT
功能	B64 前置与数据 dtype	CheckTensorPos/GetPhyAddr 保持 64-bit，进入 BrcType 后的数据终端为 uint32	UT
功能	B8 双 Gather 和 DeInterleave	API 类型和次数断言	UT
功能	more-dim dynamic	外层乘数和 4D leaf 次数断言	UT
功能	栈、地址和同步等基础函数	独立 Placeholder 类型和次数断言	UT
功能	全部 large aligned leaf	`CreateMask=1` 及 dynamic outer 乘数断言	UT
异常	缺参、rank 越界、shape 不一致、除 0	状态码断言	UT
异常	窄化正常域边界	wrapper/loop/stride 的 65535/65536；仅 B8/B16 ordinary Gather index consumer 限 16-bit，GatherB/B32/B64-effective 测 32-bit；Copy 不受 uint16 限制，但受 uint32 AlignUp 加法安全上限约束；Duplicate 有效下层 count 65535/65536 均成功	UT
异常	整数正常域边界	`srcSize/dstSize`、Gather 乘积和未进入 int32 consumer 的 Duplicate 参数覆盖 `UINT32_MAX`；普通/BOOL/B64 Duplicate count 覆盖 `INT32_MAX`；B8 size+1 consumer 覆盖 `INT32_MAX-1`；各自下一值失败，动态未知保留	UT
动态	HALF_VL、VL、BLK/VL 整除条件	ternary 表达式断言	UT/ST
动态	`Size`、`ActualSize` 和 `TensorActualSize`	生成实参与 ATT 参数逐项相等	UT
动态	rank5-9 轴类别切换	正常域内动态模型实例化后，与对应静态模型逐项比较完整调用账本	UT/ST
动态	rank1-4 顶层切换	逐 rank、dtype、合法 B/E pattern 穷举 Copy/Duplicate/Last/NLast，含 B64 扩维/不扩维，并与静态完整账本比较	UT/ST
类型	B8/B16/B32/B64 数据和 index dtype	逐调用断言 signed generator、unsigned consumer、数据 dtype；GatherB index 固定 uint32	UT
类型	各原始 dtype Copy 与非 Copy	所有 Copy 保持原始 dtype；B64 非 Copy 使用有效 B32	UT
性能	E2B 4D 三项均乘 `size0size1repeatTimes`	逐 Reg count 断言	UT
兼容性	V1 fallback 和 V2 注册	直接 perf/注册测试	UT/ST
特性交叉	生成 C++ 文本不变	codegen E2E	E2E ST

计划修改或新增测试文件：

autofuse/tests/ut/common/test_ascir_node_params.cpp
autofuse/tests/v35/ut/codegen/reg_api_call/test_codegen_broadcast_reg_api_call.cpp
autofuse/tests/ut/att/testcase/gen_model_info/expr_gen/test_pipe_perf_expr.cpp
autofuse/tests/v35/ut/att/gen_model_info/api_perf_register/test_broadcast_api_perf_v2.cpp
autofuse/tests/v35/st/att/gen_model_info/test_ascir_perf_v2.cpp

测试命令

实现阶段执行：

bash scripts/test/run_autofuse_test.sh -u -m common -j 8
bash scripts/test/run_autofuse_test.sh -u -m codegen -j 8
bash scripts/test/run_autofuse_test.sh -u -m att -j 8
bash scripts/test/run_autofuse_test.sh -s -m att -j 8
sh build.sh -s --module=autofuse_e2e -j 8

预期结果：编译无错误、全部测试通过、无新增 warning、无超时或死循环。

验收标准

BroadcastExtend 和独立 Duplicate 两类路径均可追溯到实际 codegen。
dst_shapes/src_shapes/count/dst_view_size/source_kind 是唯一新增性能参数，不透传派生次数或 Extend branch id。
Extend shape 与 Duplicate count 均由 codegen 按 Size/ActualSize/TensorActualSize 同源解析，动态尾块实参与
ATT 参数逐项一致。
所有仓内可展开 helper 均下钻至终端函数；Reg 类型、变量声明和非函数标量赋值不计成本。
每条 Reg count 可追溯到准确外围循环，循环外、复用 load 和 tail 分开计算。
仓内 helper 下钻后的每个 Reg 终端行，其 call_count 等于源码真实调用次数；只有仓外高层终端允许
call_count=1 而组件 repeat 大于 1。
每个终端调用均先进入包含真实 API、data/index dtype、mode、call_count 和性能组件列表的独立账本；性能表 dtype 缺项
不得导致执行次数记录消失。
E2B 4D 的 UpdateMask/Load/Store 均为 size0*size1*repeatTimes。
Last/NLast、2D/3D/4D/more-dim、B8、64-bit、aligned/unaligned、Gather/E2B 和动态分支均有 UT。
独立 Duplicate 各 source kind 的同步/GetValue 调用均有静态、动态 UT。
五类 source kind 以接口契约方式覆盖：codegen UT 逐类验证 Tensor -> Generate payload，ATT UT 使用相同
payload 字段值逐类验证 parser -> ledger；不要求 codegen UT 链接 ATT 库。
独立 B8 Duplicate 完整下钻 Reinterpret/GetSize/uint16 Duplicate，且 uint8 使用 dst_view_size、int8 使用
count；所有顶层 Copy 保持节点原始 dtype。
固定 rank4 非 B64 首轴同时为 1 的 Last/NLast 路径均按源码进入 3D wrapper，并覆盖静态与动态 shape。
动态 shape 替换为任一正常域具体值后，完整账本的 API、data/index dtype、mode、call_count 及每个组件的
perf type/dtype/component_count
均与直接构造的同 shape 静态模型逐项一致。
所有 large aligned leaf 的 CreateMask=1 均被计数，dynamic leaf 按实际 outer 相乘。
所有含 Load 的 Reg API 使用 kLoad，所有含 Store 的 Reg API 使用 kStore。
所有性能表缺项函数按真实 API、方向/模式和 dtype 使用可追溯的独立 Placeholder。
所有真实 API 在性能表缺少 perf dtype 时仍保留真实调用项及组件的 k*/perf dtype，不猜性能数据。
最终 cost 使用 VFHead + max_latency + sum(throughput * count)。
common、codegen、ATT UT，ATT ST 和 codegen E2E 全部通过。
无外部 API/ABI、打包、图结构或 kernel 运行行为变化。

设计文档检查结果

跨特性交叉影响：已按 cross_feature_check.md 检查 Autofuse codegen/backend、AscendC、构建交付、接口和测试场景。
编码红线：已检查 shape、除 0、溢出、API/ABI、图确定性、runtime 生命周期和日志约束。
测试设计：已覆盖参数链路、全部 wrapper leaf、逐 Reg 次数、动态 shape、UT/ST/E2E，并验证 VF parser 行为不变。
性能评估：已评估 ATT 编译期表达式、执行期零行为变化、内存和日志影响。
贡献规范：实现阶段按 CONTRIBUTING.md、.clang-format 和 .pre-commit-config.yaml 验证。