一、问题描述（必填）

Ascend 950 SquareSumAll 当前主线在两例原输入回放中未满足既定 cross_check L1。71 元素用例第二路 NPU 输出 27214880，A100 为 27214882，FP64 golden 为 27214881.318424225，RMSE 比为 1.9344；240669576 元素用例第二路 NPU 为 8022.78515625，A100 为 8022.78564453125，FP64 golden 为 8022.78545649552，RMSE 比为 1.5967。

真实 NPU 中间值确认：小归约在水平求和中丢失舍入残差；长归约的流式 FP32 FMA 累计在最终合并前已跨过正确舍入边界。已有末级补偿不足以覆盖这两个阶段。

二、环境信息（可选）

• 官方 master 基线：c47568d3b5d22b1570bfbaad40dc63681ff5ca30。
• Ascend950PR_9579；任务内独立 CANN Master/Revise，Toolkit+ops 9.3.0 weekly20260923。
• TTK e3fb50a977f89da24084e344c073d34834e659e3，显式 --pc=1。
• NVIDIA A100-PCIE-40GB，PyTorch 2.14.1+cu130；精度参考为原 FP32 torch.dot，golden 为 FP64 square+sum。

三、重现步骤（可选）

用例 SquareSumAll_L1_accuracy_perf_d_b_262：两个 FP32 ND 输入 shape=(71,)，范围分别为 [1,2]、[-1000,-10]。
用例 SquareSumAll_L1_accuracy_perf_d_b_019：两个 FP32 ND 输入 shape=(3,3,7,7,2,2,3,45478)，第一路为最小正次正规常量，第二路范围 [-0.01,0.01]。使用历史已冻结实际输入与对应 A100/FP64 参考，最新主线发布 binary 两例均稳定失败。

四、预期结果（可选）

保持原 L1（mare≤5、mere≤1.5、rmse≤1.5），不得修改 golden、GPU 标杆或放宽容差消除失败。修复版本通过 61/61 固定输入、122/122 输出，并保留特殊值语义；性能按本次同带宽折算 0.1 下限验收。

关联 PR：https://gitcode.com/cann/ops-math/merge_requests/7040

验证补充：固定输入 61/61 加精简 ST 19/19，全部 80/80 数值用例、160/160 输出通过原 L1。最终提交 fc9c6e6e54bc4a7c15cc4c0e5dfce52523b6e726，指定入口双平台本地 CI PASS；线上 CI 已启动，平台完成结果尚未确认。