一、背景信息 （必填）

Transpose（permute）算子当前仅注册 ascend310p / ascend910_93 / ascend910b / ascend950 / mc62 / ascend350
等芯片，且 x 的数据类型支持列表不包含 4bit（HIF4/FP4）类型。新平台 ascend960dt、ascend960pr 需要接入
Transpose 算子，并在其架构（arch92）下新增对 4bit 数据类型的支持。

二、价值/作用 （必填）

• 使 Transpose 算子在 ascend960dt / ascend960pr 平台上可用（图模式 op 注册 + aclnn 直调 + 二进制编译配置齐备）。
• 新增 4bit 数据类型（DT_FLOAT4_E2M1 / DT_FLOAT4_E1M2 及 HIFLOAT4 / HIFLOAT4_SCALE）支持，满足低比特
  量化场景下转置的数据搬运需求。
• 针对 4bit 尾轴转置场景补充专用 tiling/kernel 模板，并对 NDDMA 类模板在新架构下启用双 buffer，改善大 shape 搬运性能。

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）

• 图模式：operator 定义（op_host/transpose_def.cpp）新增芯片配置。
• Aclnn 直调：aclnnPermute / TransposeV2 的 dtype 校验按架构分支扩展。
• 二进制化：op_host/config/{ascend960dt,ascend960pr}/ 下新增 binary.json 与 simplified_key.ini，
  并在 scripts/kernel/binary_config/ascendc_config.json 中登记 compute_units 与编译选项。

3.2 总体设计

3.2.1 算子支持的数据类型

• x / y（ascend960dt、ascend960pr，arch92）新增：DT_FLOAT4_E2M1、DT_FLOAT4_E1M2，以及自定义
  DT_HIFLOAT4 = 42、DT_HIFLOAT4_SCALE = 43；原有基础类型（int8/uint8/int16/uint16/int32/uint32/
  int64/uint64/float/float16/bf16/bool/hifloat8/float8_e5m2/float8_e4m3fn 等）保持一致。
• perm 索引类型：DT_INT32 / DT_INT64。
• 通过 CombineDataTypes 对 x 与 perm 的 dtype 做笛卡尔组合，生成 x/perm 的 DataType 列表，避免手工枚举。
• Aclnn 侧按架构分支：在 NpuArch::DAV_9201 / DAV_9202 下使用 ARCH92_DTYPE_SUPPORT_LIST
  （aclnn_permute）/ ARCH92_AICORE_DTYPE_SUPPORT_LIST（transpose），其余架构沿用原列表。

3.2.2 host侧设计

• transpose_def.cpp：新增 buildConfig() 统一构造 OpAICoreConfig；新增
  AddConfig("ascend960dt", config92)、AddConfig("ascend960pr", config92)。
• CMakeLists.txt：COMPUTE_UNIT 增加 ascend960dt、ascend960pr，TILING_DIR 均指向 arch35。
• scripts/kernel/binary_config/ascendc_config.json：Transpose 的 compute_units 增加 ascend960dt/
  ascend960pr，compile_options 增加 -mllvm -cce-aicore-dcci-before-kernel-end=false。
• 新增 4bit 双切分 tiling：transpose_tiling_b4_dual_cut_arch35.{h,cpp}，新增
  SplitMode::B4_DOUBLE_SPLIT = 10009；触发条件为 4bit 且尾轴转置。
• transpose_tiling_arch35：新增 CheckB4Tiling()/TryB4Tiling()/AdjustShapeForB4()/CheckB4ShapeInfo()；
  4bit 非尾轴转置按 int8 view 处理（尾轴折算）；4bit 尾轴转置走 B4 模板；校验 4bit 输入/输出尾轴必须为偶数。
• 缓冲策略：新增 tiling 字段 bigDimBufferNum；NDDMA 缓冲数在 DAV_9201/DAV_9202 下取双缓冲；
  BIG_DIM 场景支持超大函数拆分后的缓冲回退（双缓冲不适用时回退单缓冲）。

3.2.3 kernel侧设计

• 新增 op_kernel/arch35/transpose_b4.h：TransposeHIF4 双切分模板。UB 内流程为
  CopyIn（Compact，HIF4 原始字节）→ Cast fp4→bf16 → 在 bf16 域转置 → Cast bf16→fp4 → CopyOut；
  UB buffer 采用双缓冲。
• transpose_apt.cpp：新增 TilingKey B4_DUAL_CUT = 10009 分支及 TransposeHIF4DualCutProcess；
  4bit 场景下 TENSOR_MOVE/SMALL_SHAPE/CUT_ONE_AXIS/CUT_TWO_AXIS/BIG_DIM/N_LAST/GATHER 等模板按 int8_t 实例化处理。
• NDDMA 相关模板（big_dim / cut_one_axis / cut_two_axis / tensor_move / n_last / transdata_5hd /
  transdata_5hd_021 / with_gather）在 __DAV_920R1__ 下使用带额外参数的 DataCopy/DataCopyPad 接口，
  base.h 新增 NDDMA_BUFFER_NUM（920R1 为 2，其余为 1），并将 UB buffer 按缓冲数切分。

3.3 支持硬件

• 新增：ascend960dt、ascend960pr（arch92 / DAV_9201、DAV_9202）。
• 保持：ascend310p、ascend910_93、ascend910b、ascend950、mc62、ascend350。

3.4 算子约束限制

• 4bit 类型：x 与 y 的尾轴长度必须能被 2 整除（否则 tiling 报错）。
• B4 双切分模板（TilingKey 10009）仅在 4bit 且尾轴转置场景命中；非尾轴 4bit 转置按 int8 view 处理。
• 4bit 专用路径与 NDDMA 双缓冲仅针对 arch92（DAV_9201/DAV_9202）生效。
• UB 内 move_align 限制内轴数（DUAL_CUT_UB_LEN = 4）。

💡 备注（选填）