Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

一、背景信息 （必填）

新增FusedMulAddNL2loss算子ascend950实现

二、价值/作用 （必填）

新增FusedMulAddNL2loss算子ascend950实现

三、设计方案 （必填）

3.1 使能方式（涉及哪些框架：如Aclnn直调、Pytorch训练等）

geir 图模式

3.2 总体设计

3.2.1 算子支持的数据类型

fp16/fp3

3.2.2 host侧设计

• OpDef 与 Proto 注册: 新增 fused_mul_add_nl2loss_def.cpp 以 OpDef 注册 ascend950 AICore 配置（支持动态 shape/rank、fp16/fp32、ND 格式），并指定 ExtendCfgInfo 关联 kernel 二进制；新增 fused_mul_add_nl2loss_proto.h 以 REG_OP 定义三输入（x1/x2/x3）两输出（y1/y2）的算子原型。

• Infershape 与 InferDataType: 新增 fused_mul_add_nl2loss_infershape.cpp 将 y1 shape 设为与 x1 一致、y2 设为 0 维标量；新增 fused_mul_add_nl2loss_graph_infer.cpp 使 y1/y2 的 dtype 与 x1 保持一致。

• Arch35 Tiling: 新增 fused_mul_add_nl2loss_tiling_arch35.cpp/h，将输入展平为一维并按核均分，计算 UB tile 大小（64 对齐），通过 FusedMulAddNL2lossTilingData 结构体传递 totalElements / coreElements / tailCoreElements / ubTileSize 四个字段；不使用 workspace，y2 归约直接走 GM 原子加或 core0 串行。

3.2.3 kernel侧设计

Arch35 Kernel: 新增 fused_mul_add_nl2loss.h，模板类 FusedMulAddNL2lossKernel 实现双缓冲流水线：fp32 路径 ComputeY1AndPartialFp32 + ReduceY2Atomic（core0 清零 → SyncAll → 各核 AtomicAdd）；fp16 路径 ComputeY1Fp16 + ReduceY2Serial（core0 只读 x1 串行累加后单次写回）。新增 fused_mul_add_nl2loss_apt.cpp 入口以 DTYPE_X1 编译期分发半精度/单精度。

3.3 支持硬件

ascend950

3.4 算子约束限制

• x1、x2 的 shape 必须一致（tiling 强校验）。
• x1/x2/x3/y1/y2 数据类型必须一致，仅支持 FLOAT、FLOAT16。
• x3 为单元素标量张量，实现上仅取 x3[0]，不校验其元素个数。
• y2 为 0 维标量输出（空 dims）。
• FLOAT16 数据类型下，y2 结果超过 65504 时溢出（与 910b 内置实现一致，为数据类型固有限制）。
• 该算子不提供 aclnn 接口，仅支持图模式调用。

💡 备注（选填）