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

Backgroud（背景信息）

需要为 Regbase 平台上的 aclnnUnique / aclnnUnique2 提供 values-only 全局去重能力：调用方仅获取去重后的值，不要求返回逆索引和出现次数。面向这类场景，设计专用 AI Core 计算路径，避免完整索引跟踪和多算子组合带来的额外搬运、中间存储及调度开销。

功能要求：

• 对输入所有元素执行全局去重，多维输入按展平语义处理，输出为一维去重值序列，长度由实际计算结果决定。
• aclnnUnique 的目标场景为 returnInverse=false；aclnnUnique2 的目标场景为 returnInverse=false && returnCounts=false。
• 支持 float32、float16、bfloat16、int8/uint8、int16/uint16、int32/uint32、int64/uint64。目标平台为 Regbase，覆盖 Ascend 950
• sorted=true 输出升序去重结果；sorted=false 不承诺保留输入顺序，允许复用排序去重流程。
• 保持既有接口签名及非目标场景的调用语义。逆索引、计数和 GE 图模式 AI Core 动态输出不纳入本需求的交付范围。

Origin（信息来源）

内存优化

Benefit / Necessity （价值/作用）

• 满足集合处理、特征去重等仅消费去重值的业务场景。
• 省去不需要的原始索引跟踪及搬运，降低大规模输入的内存访问和中间存储开销。
• 将排序与相邻去重组织为一次 Kernel 调用，减少调度开销，并按阶段复用 UB 和 workspace。
• 分别为小规模输入与大规模输入选择合适的算法和分核策略。收益需通过精度与性能验收确认，不预设加速比。

Design（设计方案）

1. 总体计算方案

采用“全局升序排序 + 相邻去重”的两阶段融合方案。排序后相同数值相邻，去重阶段为每段相同数值输出一个代表值，并根据实际去重数量回传输出 shape。

输入（按展平语义处理）
  -> 按 dtype、N 和 UB 容量选择排序策略
  -> 各核完成排序并进行全局同步
  -> 复用 UB，执行单核或多核相邻去重
  -> 输出有效 values，并写回实际输出长度

Host 负责准入校验、排序路由、分核、UB 切分和 workspace 规划；Kernel 按 tiling 协议执行，不在设备端重新推导策略。

2. Tiling 设计

2.1 输入约束与规划输入

• 规划输入包括总元素数 N、dtype/元素字节数、可用 AIV 核数、UB 容量和搬运对齐粒度。
• 专用路径处理非空输入，不以 2^30 作为统一输入上限。radix 的计数位宽按 N 选择：N < 2^30 使用 uint32，N >= 2^30 使用 int64，以容纳 lookback 状态和累计计数；位宽选择与输入 dtype 无关。空输入交由接口层的空张量流程处理。
• 大输入仍受可用内存、workspace、tile ID 和 tiling 字段范围约束。总 tile 数需为 uint32 的核步进循环预留余量，每核清零元素数需可用 uint32 表示；地址区间计算需先校验 N × 元素字节数 是否溢出。
• 输入连续化后进入计算；专用路径要求输入输出为连续、零偏移存储，输入 storage 与 N 一致，输出至少具有 N 个元素的容量。已知输入输出地址时校验其 N 元素区间不重叠。
• dtype、属性或存储条件不满足时由接口层选择既有计算路径，不把未命中优化路径等同于非法参数。

2.2 排序路由与多核切分

以 N=65536 作为 compact radix 的初始分界；小于该值使用通用排序规划。分界需结合各 dtype 的实测结果校准。有效核数不得超过实际任务数，尾核和尾 tile 需单独记录有效长度，避免空任务参与计数和同步协议。

2.3 去重分核与 UB 切分

• 去重阶段独立判断单核/多核策略，不直接沿用排序算法的单核/多核结论。
• 初始单核判定为 N <= 8192 且完整单核缓冲预算不超过可用 UB；其余输入采用多核分段去重。
• 多核按连续区间切分，使用向上取整得到每核处理长度，并显式计算最后一核有效长度。非末核需向后多读一个元素，以相邻比较处理跨核重复值；核内非末 tile 同样预留一个向后比较元素。
• 单核预算包括两份 values 缓冲、去重辅助缓冲和动态 shape 缓冲；多核预算先扣除核间计数、前缀偏移、边界信息和 shape 等固定空间，再推导流式处理 tile。
• 需要 SIMT 的排序路径预留 32 KiB UB；Host 的可用容量计算与 runtime local-memory limit 应一致。所有缓冲按实际字节宽度、数量和搬运粒度对齐，禁止把字节数再次乘元素大小。

2.4 Workspace 布局与阶段复用

系统 workspace
排序 values 区（按 512 字节对齐）
阶段复用区：max(排序临时索引 + 排序 scratch, 去重核间辅助区)

• values-only radix 不保存原始元素索引；排序所需的局部排序位置仍作为内部计算数据处理。
• radix 拟缓存字节 key、每 tile 的 histogram 和 prefix，避免 scatter 阶段重复计算。全局 histogram/lookback 缓冲按所选 32/64 位 counter 计算 UB 和 workspace，局部 tile histogram/prefix 保持 uint16；两类数据的宽度不得混用。
• compact radix 的固定 UB 预算为 256 × (3 × counterBytes + 2 × sizeof(uint16_t))；扣除固定缓冲和 SIMT 预留后，按 256 元素粒度试算 tile，并同时满足排序临时空间与完整 value tile 的容量要求。
• 去重前最终输出尚未产生，可借用 valueOut 的 N 元素容量作为排序临时空间。需要 int32 临时索引的排序分支，只有输出字节容量足够时才可借用，否则分配独立索引区。
• 排序 scratch 与去重核间辅助区按生命周期复用，必须在排序全核同步完成后切换用途。

2.5 Host/Kernel 协议

tiling key 联合编码排序 schedule 和 useInt64Counters，只有多核 radix 选择 64 位计数实例，其余分支使用默认实例。传递排序路由、核数、tile 长度/数量、尾块长度、归并窗口、各 workspace 区域大小，以及去重单多核标志和各队列容量。复用字段需逐分支注明含义，明确元素数、字节数和核数单位。写回前校验容量、整数范围及非零除数。

3. Kernel 设计

3.1 排序阶段

• 通过 tiling key 静态选择对应排序模板，按 Host 下发的区间进行 CopyIn、排序及 CopyOut。
• compact radix 按字节轮次进行 key 提取、局部桶统计、全局位置计算和 scatter；通过编译期参数关闭 values-only 场景的原始索引加载、存储和双缓冲切换。
• 多核 radix 使用 lookback/prefix 协议确定各 tile 的桶起始位置；按 tiling 选择 uint32/int64 的全局计数、histogram 和 scatter 位置。GM 偏移及乘积在运算前提升至 64 位，lookback 回溯使用有符号 64 位索引，避免先发生 32 位截断再赋值。各轮保证生产者数据可见后再供消费者读取。
• 对有符号整数和浮点数采用与数值顺序一致的 key 编码。浮点 +0/-0 必须按数值相等关系合并，radix 路径设计为恢复输入中首个零的符号；NaN、Inf 的行为需单独对齐接口语义并验收。

3.2 阶段切换与同步

排序完成后所有参与核执行全局同步，保证完整有序序列可见；再重置 pipeline/UB 分配，将排序缓冲让给去重阶段。单核去重时，其他核只能在该同步点之后退出；多核去重时所有有效核继续参与计数与输出偏移计算。不得在读写未完成时复用 scratch 或 UB。

3.3 相邻去重阶段

• 单核：读取有序输入，比较相邻元素，压缩保留有效值并累计输出长度。
• 多核采用两遍扫描：第一遍比较当前元素与后继元素，统计相邻变化点数；非末核/非末 tile 向后多读一个元素，最后一个有效元素由末核尾块处理，避免跨区间重复计数。
• 各核将计数写入 workspace 并同步，累加前面各核的计数得到输出偏移；第二遍重新扫描并压缩写回有效值，末核根据累计数量回传输出 shape。
• 每核长度、全局偏移和去重循环次数保留 64 位，循环轮数用 64 位除法与余数求上整，避免调用 uint32 参数的上整辅助函数而截断大输入。
• 复用 UniqueConsecutive 的单核/多核计算能力，关闭 inverse/counts 的有效数据生成；按实际 dtype 比较，避免窄化转换改变大整数去重结果。

3.4 动态输出与接口衔接

• 输出先按 N 元素上界分配容量，Kernel 只定义前 K 个有效 values，其中 K 为去重数量；执行结束后回传一维 shape [K]。
• ACLNN/L0 规划独立 shape buffer，通过计算依赖 shape 回传机制更新输出。shape 存储按 values/inverse/counts 三份记录预留，每份包含 rank 和最多八维信息，共 27 个 int64。
• inverse/counts 使用内部占位张量，不向调用方禁用输出写入有效 payload 或修改其 shape。
• GE 图模式的计算依赖输出分配不在本需求内，应保持原有图通路选择，不能仅因新增 AI Core 注册而切入尚未支持的路径。

4. 验收要求

• 精度：覆盖全部目标 dtype、重复/全相等/全不等输入、多维展平、sorted 两种取值、正负零、Inf/NaN 及大整数；同时检查有效 values 与动态输出长度。
• 分支：覆盖 N=1、小轴排序、单核/多核切换、8192 附近、65536 附近、2^30 前后的 counter 切换、非对齐尾块，以及 UB 容量临界点。大规模规划需覆盖 tile 数、清零长度和偏移字段的可表示边界；设备资源不足时应区分 Host 边界验证与大输入实跑，不能混称通过。
• 兼容性：验证 inverse/counts、非目标 dtype、非连续输入和不满足存储准入条件时的既有路径；确认调用方禁用输出不被改写。复用公共排序和去重能力时补充 KthValue、UniqueConsecutive 的回归验证。
• 稳定性：检查跨核边界重复值、尾 tile、同步、workspace/UB 越界及动态 shape 回传。
• 性能：对小/中/大规模和不同重复率分别采集耗时与 workspace 占用，与既有路径对比，依据实测确定路由阈值及优化收益。