描述

背景

Sort 算子在排序轴长度较小（small axis）时，原有大核策略（radix sort / merge sort）存在并行度不足、资源利用率低的问题，导致小轴场景性能退化。

主要变更

新增 3 个 Kernel：

• SortAxisOneCopy：axis=1 快路径，直接 DataCopy 搬运，跳过排序流程
• SortSmallAxisInsertion：SIMT 256 线程并行插入排序，适合几十以内的小轴
• SortSmallAxisTwoStage：两阶段排序（radix → rank-inverse/二次排序），batch 级并发，适合几十到几百的中等轴

已有 Kernel 优化：

• MergeSort：新增 Sort32 编译期优化（Sort32 API + Extract repeatTimes=1 硬件快速路径）
• MergeSortBigSize：支持多行并行，新增每行独立 workspace 分区（rowIdx/rowDataOffset），blockIdx 替换为 rowCoreIdx
• RadixSortMoreCore：排序后 8bit 值通过 Queue 传递，ScatterKeysGlobal 直接使用 sortedValueLocal，优化UB访问
• RadixSortOneCore：新增双缓冲支持（bufferNum 从 tiling 动态配置）

重命名 Kernel：

• SortMergeBigBatch → SortMergeIntraCore（体现 core 内 block merge 真实语义）

Tiling 路由重构：

• 新增 schId 5-8 及对应 tiling key selector（INSERTION / TWO_STAGE / AXIS_ONE_COPY）
• schId 0 与 schId 8 合并路由，通过 isSort32SmallAxis 标志控制 Sort32 优化
• 增加 uint64 溢出保护，标准化 CeilDiv/CeilDivMul 为 Ops::Base 版本
• ONE_CORE_DATA_SIZE 从 1024 调整为 2048
• IsSortMergeMultiCore 扩展支持 unsortDimNum > 1 多行场景

关联的Issue

https://gitcode.com/cann/ops-math/issues/1684

测试

1. 新增117用例覆盖边界场景和性能采集，精度通过，性能达标
2. 原始155用例精度验证通过，性能提升或者持平
3. 二级冒烟通过

文档更新

不涉及

类型标签

• Bug修复
• 新特性
• 性能优化
• 文档更新
• 其他，请描述：