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

一、背景信息 （必填）

argmax算子在 950DT中，出现了同带宽性能不如910B和H800的情况，主要围绕bank冲突，小shape逻辑，NDDMA带宽无提升（相比950PR）几个问题展开，具体方案如下

二、价值/作用 （必填）

性能提升

三、设计方案 （必填）

变更摘要

此 PR 主要对 arg_max_with_value 算子的 tiling 策略和 kernel 实现进行了多方面优化：引入动态核数机制（按每 4KB 数据分配一核）、新增 originCoreNum_ 以保持 GROUP_REDUCE 全核同步的自洽、移除过时的 ARA MODE5/105 和 MODE6/106 分支并统一到 MODE4、为 ARA_CUT_A_AND_NEXT_A 新增 flat-copy 快速路径、替换 ArgMaxRaInt64/ArgMaxAraInt64 为支持非对齐源/目标步长的 ArgMaxAraUnAlignInt64/ArgMaxAraUnAlign 系列新 kernel 原语，以及增加 AR_GATHER 的 bank 冲突规避逻辑。此外包含大量代码风格统一（缩进、指针格式、花括号位置）。

主要改动

1. 动态核数与 originCoreNum_ 分离

在 ArgCommonBaseTiling 中新增 originCoreNum_ 保存物理核数，SetShapeInfo() 按每 4KB 输入数据动态计算 coreNum_（MAX_SIZE_USING_SINGLE_CORE）；GROUP_REDUCE 的核数判断、分核及 workspace 大小计算全链路使用 originCoreNum_，确保 SyncAll 同步自洽。

2. 移除过时的 ARA MODE5/105 和 MODE6/106

在 CalcSplitInfoForArA() 中删除 MODE5（切 nextA）和 MODE6（保底 R 轴动态切分）分支，统一由 MODE4 的 CalcCutRA() 处理；kernel 侧 arg_max_with_value_ara.h 同步移除对应的 ProcessWithCutR()、ProcessWithCutNextA() 及相关辅助函数和常量。

3. ARA_CUT_A_AND_NEXT_A 新增 flat-copy 快速路径

在 CalcSplitInfoForArACutAAndNextA() 中优先尝试 flat 路径——当 nextA 对齐后整个 UB 需求在可用 UB 范围内时，调用新增的 CalcSplitInfoForArACutAAndNextAFlat() 设置 useFlatPath_=1；kernel 侧 arg_max_with_value_ara_cut_a_and_next_a.h 新增 ProcessFlat() 和 CopyInXFlat()，整块搬入后一次 ComputeVF 完成。

4. 新 kernel 原语 ArgMaxAraUnAlign 系列

在 arg_max_with_value_base.h 中新增 ArgMaxAraUnAlign、ArgMaxAraUnAlignCompact 和 ArgMaxAraUnAlignInt64 三个模板函数，支持独立的源/目标 dimA1 步长（dimA1Src/dimA1Dst）；其中 ArgMaxAraUnAlignCompact 在 dimR ≥ 2 且 dimA1Src × 2 ≤ VL 时通过两行打包合并和寄存器 Gather 实现紧凑比较。arg_max_with_value_ra.h、arg_max_with_value_ara_gather.h、arg_max_with_value_group_reduce.h 中的 int64 路径统一切换至新原语。

5. AR_GATHER bank 冲突规避与阈值调整

在 SetShapeInfoHighPerf() 中为 AR_GATHER 增加条件 (R × eleBytes) % BLOCK_SIZE != 0，排除步长 32B 对齐导致 UB bank 冲突的场景；同时放宽 ARA_CUT_A_AND_NEXT_A 中 nextA 不切核时的最小字节门槛至 64B（int64 除外），并调整 CalcSplitInfoForArA() 中 MODE1/MODE2 的 MAX_NEXTA_SIZE 阈值为 2 倍。