您好，感谢反馈！

经过分析，问题属实：您报告的差异数据经与三仓 master 代码核验一致。其中 ops-cv 仓涉及的差异项均可从代码机制上解释，属整包注册方式固有行为、默认值显式写入或版本演进，本仓无需缺陷修复；类别二/类别三及值冲突等高风险项涉及 ops-math/ops-nn 仓算子，需在对应仓逐项确认。

问题分析

1. 整包算子数与类别一（打包属性差异）机制确认

ops-cv master 的 AICPU 算子共 6 个：CropAndResize、IMGWarpOffsets、NonMaxSuppressionV3、SpatialTransformer、AdjustSaturation、ScaleAndTranslate，与您比对的 aicpu_cv.json(6) 一致。kernelSo/opKernelLib/userDefined/workspaceSize 四项系统性差异源于整包统一注册配置 ApplyCvAicpuDefaultCfg（common/inc/aicpu/aicpu_op_def.h#L34）：全部算子统一注册为 libcv_aicpu_kernels.so 的 CUSTAICPUKernel 并写入 workspaceSize=100，属该注册方式的固有行为，与您"非缺陷"的判断一致。

2. 类别五中 ops-cv 四算子"整包版独有"字段的机制

ApplyCvAicpuDefaultCfg 会为所有算子显式写入 formatAgnostic=False、opsFlag=OPS_FLAG_CLOSE、subTypeOfInferShape=1 三项默认值，而安装版 json 对默认取值字段做了省略，由此产生字段级"整包版独有"差异：

• CropAndResize 的 subTypeOfInferShape=1（crop_and_resize_aicpu_def.cpp#L32）、IMGWarpOffsets 的 formatAgnostic=False 与 subTypeOfInferShape=1（image_warp_offsets_aicpu_def.cpp#L24）、NonMaxSuppressionV3 的 formatAgnostic=False（non_max_suppression_v3_aicpu_def.cpp#L24）均为默认值显式写入，与安装版省略默认值语义等价，无行为风险；
• SpatialTransformer 的 opsFlag 为整包版独有且取值 OPS_FLAG_OPEN（spatial_transformer_aicpu_def.cpp#L46）：该常量折叠支持系 9.2.0 安装基线之后合入 master 的演进内容（CropAndResize/IMGWarpOffsets 的同名配置在 9.2.0 中已存在，与您未将二者列为 opsFlag 差异一致），将在后续版本生效；
• NonMaxSuppressionV3 的 subTypeOfInferShape=4（non_max_suppression_v3_aicpu_def.cpp#L31）与 SpatialTransformer 的 formatAgnostic=True（spatial_transformer_aicpu_def.cpp#L47）为非默认显式配置，均未出现在您的差异清单中，即与安装版一致，与代码核验吻合。

3. 类别六（算子集合差异）

AdjustSaturation（adjust_saturation_aicpu_def.cpp#L20）、ScaleAndTranslate（scale_and_translate_aicpu_def.cpp#L20）确为 ops-cv master 的 AICPU 算子，按您的比对数据 9.2.0 安装版不含，属版本演进；"仅安装版有"的 61 个四仓同名 AICore 实现算子中 cv 侧 12 个（GridSampler2D/2DGrad/3DGrad、Resize 系列、UpsampleNearest3d(Grad)、RotatedNMS）确在本仓以 AICore 实现存在，与您的梳理一致。

4. 附带发现（manifest 写法不一致）属实

ops-cv 采用 if(NOT DEFINED) 保护命令行参数（aicpu_builtin_package_manifest.cmake#L17）；按您给出的 ops-math 基线核验，其 aicpu_builtin_package_manifest.cmake#L15 为无条件 set(AICPU_BUILTIN_PACKAGE_FORCE_ALL OFF)，确会覆盖 -DAICPU_BUILTIN_PACKAGE_FORCE_ALL=ON 命令行参数，与 ops-cv/ops-nn 的保护写法不一致。

5. 类别二/类别三的仓范围

端口结构差异 6 项（CaseCondition、Coordinates1DTo2D、SliceWrite、Conj、TopKPQDistanceV2 属 ops-math，IndexToAddr 属 ops-nn）与 dtype 集合差异 7 项（Asin、Cast、Expand、SelectV2、TopKV2D、TransData 属 ops-math，SparseToDense 属 ops-nn）涉及的算子均不在 ops-cv 仓，本仓无对应 AICPU 定义，无法在此定论，需在对应仓逐项确认。

后续计划

• ops-cv 侧：本次核验未发现需要修复的缺陷，涉及本仓四算子的字段差异均有明确机制解释；SpatialTransformer 常量折叠属既定演进内容，将随后续版本发布。
• 类别二端口结构差异（含 TopKPQDistanceV2 输出编号错位）、类别三 TopKV2D/TransData dtype 差异与 TopKPQDistance dtype 串空格瑕疵、类别五值冲突 3 处（GreaterEqual/AvgPool1DAvgMatrix 的 formatAgnostic、SparseSegmentMean 的 subTypeOfInferShape）：属 ops-math/ops-nn 修复范围，我们将在对应仓跟进确认并走评审流程处理；您也可在对应仓分别提 issue 以便跟踪。
• ops-math manifest 的 if(NOT DEFINED) 保护对齐：属 ops-math 修复范围，将一并跟进。
• 类别三 dtype 扩展在发布说明中知悉的建议：我们会纳入评估。

类别二：端口定义结构差异明细（6 个，风险最高 ⚠️）

"端口"指 aicpu json 中算子的 input*/output*/dynamic_input* 接口声明（端口名 + dtype），图编译/运行时按其绑定张量。三种差异形态：

形态 1：安装版无任何端口定义（4 个） —— 安装版条目仅有 opInfo 调度信息（端口定义来自别处），整包版带完整端口：

形态 2：端口名不同（1 个）

• Conj [math]：整包版 input0=input / output0=output，安装版 input0=x / output0=y（dtype 均为 COMPLEX64/COMPLEX128，仅命名不同）

形态 3：端口编号错位（1 个，最危险）

• TopKPQDistanceV2 [math]：topk_index 整包版挂 output1，安装版挂 output2（output1 空缺）。运行时按序号绑定张量，覆盖后存在错绑风险

风险说明：整包算子以 CUSTAICPUKernel 注册后若覆盖内置 AICPUKernel 同名算子，端口表不一致会导致张量绑定/图编译行为变化，建议逐个确认哪边定义正确后对齐。

类别三：dtype 支持集合实质差异明细（7 个 + 1 个格式瑕疵）

方向均为整包版 ⊇ 安装版（能力增强，属版本演进），逐端口全量 dtype 对照：

Asin [math]

• x / y：整包=F16,F,F64，安装=F,F64（整包多 F16）

Cast [math]

• x：整包 15 种（含 COMPLEX64/128），安装 15 种（集合同）
• y：整包 16 种，安装 15 种 → 整包多 DT_HIFLOAT8

Expand [math]

• x / y：整包=BOOL,F,F16,I8,I32,I64,U8,BF16，安装=I8,I32,I64,U8,F,F16 → 整包多 BOOL、BF16

SelectV2 [math]

• then / else / result：整包 14 种，安装 13 种 → 整包多 DT_BOOL

SparseToDense [nn]

• values / default_value / y：整包 10 种，安装 9 种 → 整包多 DT_BOOL

TopKV2D [math]（差异幅度最大）

• x / values：整包 11 种（F16,F,F64,U8,I8,U16,I16,U32,I32,U64,I64），安装仅 DT_FLOAT16

TransData [math]

• src / dst：整包 13 种，安装 6 种（F,F16,I64,I32,I8,BF16）→ 整包多 BOOL/DOUBLE/I16/U16/U32/U64/U8 共 7 种

TopKPQDistance [math]（格式瑕疵，集合相同）

• dynamic_input1/2、output0：整包=F,F16，安装="F16, F"（安装版串内含空格）

类别四：仅 dtype 顺序差异明细（16 个，集合相同，无实质影响）

以下算子两端 dtype 集合完全一致，仅排列顺序不同（例：Sub input0 整包=F,F16,F64,... vs 安装=F,F64,F16,...）：

类别五：opInfo 元数据差异全量明细（47+10 个算子，3 处值冲突）

字段方向统计：formatAgnostic 整包独有 33 + 安装独有 5 + 值不同 2；subTypeOfInferShape 整包独有 28 + 安装独有 3 + 值不同 1；slicePattern 安装独有 24；opsFlag 整包独有 5 + 安装独有 3；implementType 安装独有 4；noTiling 安装独有 2。

⚠️ 值冲突 3 处（建议对照算子代码定论）：

• GreaterEqual [math].formatAgnostic：整包=False，安装=True
• AvgPool1DAvgMatrix [nn].formatAgnostic：整包=False，安装=True
• SparseSegmentMean [nn].subTypeOfInferShape：整包=1，安装=2

逐算子明细（"安装独有/整包独有"指该字段仅在该版本存在）：

• Acos/Acosh/Asinh/Atan/Atanh/Cosh/Round/Square/Tan/TanhGrad [math]：slicePattern=安装独有(elemwise)
• Equal/Less/NotEqual/SquaredDifference [math]：slicePattern=安装独有(elemwiseBroadcast)
• Add/Mul [math]：implementType=安装独有(1)；slicePattern=安装独有
• AdaptiveMaxPool2d [nn]：subTypeOfInferShape=整包独有(1)
• CalcBucketsLimitAndOffset [math]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• CaseCondition [math]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• Cast [math]：formatAgnostic=整包独有(False)；implementType=安装独有(1)；slicePattern=安装独有(elemwise)；subTypeOfInferShape=整包独有(1)
• Ceil [math]：slicePattern=安装独有(elemwise)；subTypeOfInferShape=整包独有(1)
• ClipByValueV2/GetDynamicDims/LinSpace/Log/ReduceMean/SearchSorted [math]：formatAgnostic=整包独有(False)
• ConcatV2/Cumsum/Greater/SplitV [math]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• Coordinates1DTo2D [math]：formatAgnostic=整包独有(True)；subTypeOfInferShape=整包独有(1)
• CropAndResize [cv]：subTypeOfInferShape=整包独有(1)
• Elu [nn]：formatAgnostic=整包独有(False)
• Expand [math]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• GatherV2 [nn]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• IMGWarpOffsets [cv]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• Identity [math]：formatAgnostic=安装独有(True)；opsFlag=安装独有(OPS_FLAG_OPEN)；subTypeOfInferShape=安装独有(1)
• IndexToAddr [nn]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• LogSoftmaxV2 [nn]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• Neg [math]：formatAgnostic=整包独有(False)；slicePattern=安装独有(elemwise)；subTypeOfInferShape=整包独有(1)
• NonMaxSuppressionV3 [cv]：formatAgnostic=整包独有(False)
• NonZeroWithValueShape/V2 [nn]：formatAgnostic=整包独有(False)；opsFlag=整包独有(OPS_FLAG_OPEN)；noTiling=安装独有(True)
• OnesLike [math]：formatAgnostic=整包独有(True)；subTypeOfInferShape=整包独有(1)
• Pow [math]：formatAgnostic=安装独有(False)；opsFlag=安装独有(OPS_FLAG_CLOSE)；subTypeOfInferShape=安装独有(1)
• RealDiv [math]：slicePattern=安装独有(elemwiseBroadcast)；subTypeOfInferShape=整包独有(1)
• ReverseSequence [nn] / SqrtGrad [math]：subTypeOfInferShape=整包独有(1)
• Rsqrt [math] / Sqrt [math]：formatAgnostic=安装独有(True)；slicePattern=安装独有(elemwise)
• ScatterElements [nn]：formatAgnostic=整包独有(False)；opsFlag=整包独有(OPS_FLAG_OPEN)；subTypeOfInferShape=整包独有(1)
• SliceWrite [math]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• SparseToDense [nn]：formatAgnostic=整包独有(False)；subTypeOfInferShape=整包独有(1)
• SpatialTransformer [cv]：opsFlag=整包独有(OPS_FLAG_OPEN)；subTypeOfInferShape=整包独有(1)
• Sub [math]：formatAgnostic=整包独有(False)；implementType=安装独有(1)；slicePattern=安装独有(elemwiseBroadcast)；subTypeOfInferShape=整包独有(1)
• Tile [math]：formatAgnostic=安装独有(False)；opsFlag=安装独有(OPS_FLAG_OPEN)；subTypeOfInferShape=安装独有(1)
• TileWithAxis [math]：formatAgnostic=整包独有(False)；opsFlag=整包独有(OPS_FLAG_OPEN)
• TopK [math] / TopKV2D [math] / TransData [math]：formatAgnostic=整包独有(False)；（TopK/TopKV2D 另有 subTypeOfInferShape=整包独有(1)）

类别六：算子集合差异明细

A. 仅整包有（9 个，安装版 9.2.0 无）

• math 7 个：AddN、Div、Reshape、Sinh、SplitD、Unpack、UnfoldGrad
• cv 2 个：AdjustSaturation、ScaleAndTranslate

B. 仅安装版有（168 个），按归属分两类：

B1. 四仓有同名 AICore 注册（61 个）——同名算子在仓里以 AICore 形态提供，安装版走 AICPU：

• cv 12 个：GridSampler2D、GridSampler2DGrad、GridSampler3DGrad、Resize、ResizeBilinearV2、ResizeBilinearV2Grad、ResizeGrad、ResizeNearestNeighborV2、ResizeTrilinear、RotatedNMS、UpsampleNearest3d、UpsampleNearest3dGrad
• math 28 个：Addcdiv、Addcmul、DataCompare、Fills、Floor、Histogram、IsClose、IsFinite、LeftShift、MaskedFill、MirrorPad、Pad、PadV3、PadV3Grad、RandomChoiceWithMask、RandomStandardNormal、RandomUniform、STFT、StatelessBernoulli、StatelessDropOutGenMask、StatelessRandomUniformV2、StatelessRandperm、TensorEqual、TopKV2、Trace、Tril、Triu、ViewCopy
• math+nn 2 个：Pack、Sort
• nn 17 个：AvgPoolV2、BatchMatMulV2、CTCLossV2、CTCLossV2Grad、GatherElements、Index、IndexPutV2、InplaceIndexAdd、MaskedScatter、MaskedSelect、NLLLoss、NLLLossGrad、NonZero、ScatterNdAdd、Sigmoid、UniqueConsecutive、UniqueWithCountsAndSorting
• transformer 2 个：AttentionWorkerScheduler、FfnWorkerScheduler

B2. 四仓均无注册（107 个）——CANN 内部/私有算子：
ActiveRotatedFilter、ActiveRotatedFilterGrad、AdaptiveAvgPool2dAssistMatrix、AdaptiveAvgPoolAssistMatrix、AffineGrid、AicpuPathwayVerification、AssistHelp、BatchDilatePolys、BatchEnqueue、CTCGreedyDecoder、CTCLoss、CacheSwapHashmap、CacheSwapTable、CacheUpdate、CacheVerification、Combinations、Crypto、Cummax、Cummin、DecodeJpegPre、DeinitEmbeddingHashmapV2、DenseLightningIndexerKLLossGradMetadata、DenseLightningIndexerSoftmaxLseV2Metadata、Dequeue、DropOutGenMask、EditDistance、EmbeddingHashmapSize、EmbeddingLookup、EndOfSequence、Exponential、FaultInjection、FillDiagonal、FlashAttnMetadata、FrequencyRegulator、GatherD、GenericBlockSparseAttentionGradMetadata、GenericBlockSparseAttentionMetadata、Geometric、GetNext、GridSampler3D、HcclAicpuOp、IndexPut、IndexPutV3、InitData、InitEmbeddingHashmapV2、LDPCDecode、LightningIndexerV2Metadata、Meshgrid、MinAreaPolygons、MirrorPadGrad、MixedQuantSparseFlashMlaMetadata、MultinomialAliasDraw、MultinomialAliasSetup、MultinomialWithReplacement、Normal、OCRDetectionPostHandle、OCRDetectionPreHandle、OCRFindContours、OCRIdentifyPreHandle、OCRRecognitionPreHandle、ObfuscationCalculate、ObfuscationSetup、PSAMask、PSAMaskGrad、PeekData、Pinverse、Poisson、Print、PyPto、QuantFlashAttnMetadata、QuantLightningIndexerV2Metadata、QuantSparseFlashMlaMetadata、RNNTLoss、Random、RandomCategorical、Randperm、ResizeAndClipPolys、ResizeV2、RoiPoolingWithArgMax、ScatterAddWithAxis、SearchCacheIdx、ShmemSdmaStarsQuery、SilentCheck、SilentCheckV2、SilentCheckV3、SparseFlashMlaGradMetadata、SparseFlashMlaMetadata、SparseFlashMlaSoftmaxL1NormMetadata、SparseLightningIndexerKLLossGradMetadata、StandardLaplace、StandardNormal、StringNormalizer、TableToResourceV2、TfIdfVectorizer、ThreeNN、Uniform、UniqueWithCountsExt2、UniqueWithPad、UpdateCache、UpsampleNearest1d、UpsampleNearest1dGrad、UpsampleTrilinear3d、UpsampleTrilinear3dGrad、VoltageRegulator、Voxelization、WarpAffine、WarpAffineV2

风险说明：B1 类若整包 AICore 版本与安装版 AICPU 版本同名共存，算子选择策略需明确优先级；B2 类不涉及公开仓，无冲突风险。

补充独立复核结果：配置差异确实存在，但当前扫描的分类、去重计数和部分风险推断需要修订，建议不要直接按全部差异批量对齐代码。

复核基线与方法

源码先 fetch 后固定为 2026-10-19 上午（UTC+8）的 master 快照：ops-cv 4fd6eae0、ops-nn 0c33f6373c、ops-math 0ea82828d、ops-transformer e714fd3a2。参与三仓 JSON 生成的 8 / 25 / 78 个文件分别与本 Issue 指定提交逐字节相同，以下主要分类问题不能归因于最近几天的源码更新。

重新下载并校验了官方最新 CANN 9.2.0 正式版 Toolkit 和 910B/aarch64 Ops 包，实际安装 Toolkit，组件构建时间为 20261015_201912253。用真实头文件、库及 op_build --aicpu 重建 JSON，并与各仓原生解析、合并脚本核对：cv=6、nn=23、math=76，合计 105，互不重叠。

本次是 JSON 真实生成及源码审视；Ops 比较输入来自官方包解出的配置。未执行完整 build.sh --pkg、NPU 运行或端到端图编译，因此以下静态风险不等于已复现故障。

1. 最新正式包的集合统计已变化，应单独标记版本差异

新版包含 UnfoldGrad；其生成侧 input1.type 为三个重复的 DT_INT64，安装侧为一个，按 dtype 集合等价。与原“仅安装”明细相比，新版少了 Pad，未增加其他名字。仅生成侧现为 AddN、Div、Reshape、Sinh、SplitD、Unpack、AdjustSaturation、ScaleAndTranslate。

这部分应作为版本差异记录，不能反推作者旧包的数据一定错误。建议补充原始安装 JSON 的构建时间、SHA256 和扫描脚本，明确比较对象。本次使用的官方 Ops 包中，aicpu_kernel.json 的 SHA256 为：

e54346e96289aa98aeffcbeb9ab7ef0c152f9b1c20ab6a64616dbf57c2c40ce7

2. B2“107 个公开四仓均无注册、属内部/私有算子”存在明确漏检

至少 16 个名字在 Issue 发布前的公开代码中已有同名注册：

• 14 个 Metadata 算子在 ops-transformer 的 op_kernel_aicpu/*.json 中注册为 CUSTAICPUKernel。例如 FlashAttnMetadata。这里已同时核实早于 Issue 创建时间的历史快照，排除了发布后新增的可能。
• RoiPoolingWithArgMax 和 Cummin 有 AICore OpDef；这两项针对 ascend950，证明的是“公开存在注册”，不代表扫描所用 ascend910b 可用。

14 个 Metadata 名称为：DenseLightningIndexerKLLossGradMetadata、DenseLightningIndexerSoftmaxLseV2Metadata、FlashAttnMetadata、GenericBlockSparseAttentionGradMetadata、GenericBlockSparseAttentionMetadata、LightningIndexerV2Metadata、MixedQuantSparseFlashMlaMetadata、QuantFlashAttnMetadata、QuantLightningIndexerV2Metadata、QuantSparseFlashMlaMetadata、SparseFlashMlaGradMetadata、SparseFlashMlaMetadata、SparseFlashMlaSoftmaxL1NormMetadata、SparseLightningIndexerKLLossGradMetadata。两项在 experimental 下有副本，按名字去重后仍是 14 个。

其余未检出的条目也只能写“未定位同名注册”，不能仅凭搜索未命中推断为私有实现，或据此断言无冲突风险。

3. B1“61 个同名 AICore 注册”包含后端误分类

AttentionWorkerScheduler 和 FfnWorkerScheduler 实际调用 ApplyTransformerAicpuDefaultCfg，走 AICPU，不能归入该 AICore 清单。

此外，BatchMatMulV2、Histogram、LeftShift、MaskedSelect、RandomChoiceWithMask、RandomStandardNormal、RandomUniform、Resize、ResizeTrilinear、RotatedNMS 这 10 个名字，本次只定位到图原型声明，未定位同名直接 AICore OpDef。REG_OP 不能单独证明存在同名 AICore 实现；若存在转换或复用实现，需要补相应证据。本次直接确认了原清单中 49 个名字的 .AICore() 注册，不能据此断言另外 10 个绝无实现。

4. “77 个实质差异”混入了顺序差异和默认值等价项

按 Issue 自己的分类明细，Bucketize、ConjugateTranspose、ProdEnvMatACalcRij、ReduceSum、ScatterNdMax、ScatterNdMin、SoftmaxV2、SparseSegmentSum 至少这 8 个只有 dtype 顺序差异，不能同时称为“实质差异”。

公开 GE 的普通 dtype 支持检查按集合处理；formatAgnostic 缺省 False、subTypeOfInferShape 缺省 1、noTiling 缺省 False。按这些已确认规则作有限归一化，最新版 78 个原始差异条目中，30 个不再有字段差异，48 个仍需核查。48 不是已证明缺陷数；也没有将所有缺失字段一律等价，例如 opsFlag 缺失不能直接当成 CLOSE。默认值处理源码

对 ops-cv 自身，CropAndResize、IMGWarpOffsets、NonMaxSuppressionV3 所列元数据差异可按上述默认值归一化；SpatialTransformer 的 opsFlag 差异仍需保留核查，不能将四项统一认定为行为缺陷。

5. 元数据计数和 Cast 明细需更正

类别五正文写 47，评论标题写“47+10”，但评论展开并去重后实际列出 64 个名字。最新原件实算为 65 个，明细漏列了 Asin 的 slicePattern。各字段方向次数则与 Issue 一致：formatAgnostic 为 33/5/2，subTypeOfInferShape 为 28/3/1，slicePattern 为 24，opsFlag 为 5/3，implementType 为 4，noTiling 为 2；不能把字段次数与去重算子数混用。

Cast 正文与补充评论也不一致。最新官方包输入为 13 种 dtype，生成侧 15 种，确实新增 COMPLEX64/COMPLEX128；输出另新增 HIFLOAT8。因此正文的输入复数扩展在当前基线成立，补充评论“输入两边均 15 种、集合同”不适用于当前正式包；旧包情况仍需原件确认。

6. 六个端口差异属实，但不能由 output 编号直接推导运行时错绑

最新版确认了四项从无端口到补齐端口、Conj 端口名不同，以及 TopKPQDistanceV2 的 output1/output2 差异。Conj 的新名称与同仓图原型一致；TopKPQDistanceV2 新的 topk_index=output1 与第二输出及 kernel 下标 1一致，不能为了对齐旧 JSON 改成 output2。

公开 GE 将真实端口名映射到 inputN/outputN 键用于 dtype 查询；构造 AICPU NodeDef 时则按 OpDesc 输出序号遍历，不读取该 JSON 后缀来重排张量。因此“编号错位导致输出错绑、风险最高”缺充分依据，应改成需要验证的配置兼容性问题。dtype 检查、NodeDef 输出构建

7. 两项被过滤或低估的疑点

• Identity 的 kernelSo 异常：ops-math identity.json 实际指向 libnn_aicpu_kernels.so，生成结果亦如此。其 kernel 源码及构建接线在 math，不能一概作为“切换为本仓 so”的正常打包差异过滤。应核对包内符号及加载行为，目前未复现运行失败。
• TopKPQDistance 的 dtype 空格：官方原件确实有 DT_FLOAT16, DT_FLOAT。公开 GE SplitSequence/GetDataType 不 trim， DT_FLOAT 不会被精确识别为 DT_FLOAT。不能由扫描脚本 trim 后直接判为无害；具体动态端口执行路径仍需验证。

确认可继续保留的核查项：7 个 dtype 集合扩展、6 个端口配置差异本身均可复算；GreaterEqual/AvgPool1DAvgMatrix 的 formatAgnostic 值冲突及 SparseSegmentMean 的 subtype 值冲突均属实。FORCE_ALL 问题也已用 CMake 实测：命令行传 ON，cv/nn 保持 ON，math 被无条件赋值为 OFF。

建议先修订注册归属、去重计数、Cast 评论和“实质差异/错绑”表述，再针对 Identity、空格解析、三项值冲突和 FORCE_ALL 分别确认责任及修复方式。

需求已梳理清楚，该issue关闭。