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

一、问题描述 （必填）

ReduceStdV2Update 的 Arch35 kernel 存在两类确定性精度错误：

1. 多轮 mask 计数被重复递减

AscendC::Reg::UpdateMask(remaining) 会通过引用自动更新 remaining。当前 kernel 在调用 UpdateMask 后又手工递减一次，导致剩余元素数被重复扣减。

当处理元素数超过单轮 FP32 mask 容量 64 时，后续数据可能被直接跳过。例如输入包含 128 个元素时，后半部分数据没有参与计算，造成方差和标准差结果错误。

2. FP16/BF16 group tail-A 路径源步长计算错误

UB 中 tail-A 的 padding 按输入 dtype 的 32B 对齐生成，但 Phase1OutputToWorkspace 按 FP32 计算 cache 源步长。

对于 FP16/BF16，实际对齐宽度应为 16 个元素，错误实现按 8 个元素计算，导致 workspace 搬运读取 padding 区域，部分输出错误变为 0。

问题用例中可观察到输出索引 2、3、6、7 异常为 0。

该问题属于 kernel 实现的确定性精度错误，会影响：

• 输入或中间数据需要超过 64 个 FP32 lane 的多轮寄存器计算路径。
• FP16/BF16 的 group tail-A 分组归约路径。

二、环境信息 （可选）

• 昇腾硬件型号：Ascend950DT_9582
• CANN版本：CANN 9.2.0
• 操作系统：Ubuntu 20.04.6 LTS，x86_64
• Python版本：Python 3.11.9
• ops-test-kit版本：e559b7f1f550
• 算子：ReduceStdV2Update，Arch35 Ascend C kernel

三、重现步骤 （可选）

场景一：多轮 mask 问题

1. 使用未修复版本编译并安装 ReduceStdV2Update。
2. 构造 FP32 输入 shape=[8,16]，共 128 个元素。
3. 设置 dim=[1]、correction=1，分别测试：
   • if_std=false、keepdim=false；
   • if_std=true、keepdim=true。
4. 通过 GEIR 运行并与 CPU Golden 逐元素比较。
5. 可观察到前半部分输出正确，后半部分输出错误。

场景二：FP16/BF16 group tail-A 问题

运行以下用例：

• wb_reduce_std_v2_update_0165

  • dtype=bfloat16
  • shape=(2,256,2,256,2)
  • dim=[1,3]
  • keepdim=false

• wb_reduce_std_v2_update_0201

  • dtype=float16
  • shape=(2,256,2,256,2)
  • dim=[1,3]
  • keepdim=true

与 CPU Golden 比较时，可观察到部分输出错误变为 0。

四、预期结果 （可选）

• UpdateMask 多轮循环应完整处理所有元素，不应重复递减 remaining。
• FP16/BF16 group tail-A 路径应按照输入 dtype 的实际 UB padding 计算源步长。
• ReduceStdV2Update 的所有输出应与 CPU Golden 一致。
• 精度检查和内存越界检查均应通过。

💡 备注（选填）