变更摘要

此 PR 主要更新了三个算子（deep_norm_grad、apply_adam_w_quant、dynamic_quant_update_scatter / dynamic_quant_update_scatter_v2）测试资产中的 golden 参考实现，使其适配新的测试框架接口（如额外的位置参数 *unused_outputs / *attr_values），同时调整了部分容差标准，并增强了 golden 函数对 PyTorch tensor 与 NumPy 混合输入场景的兼容性。

主要改动

• deep_norm_grad golden 新增纯 Torch 参考实现：新增 _deep_norm_grad_torch_reference 函数，提供基于原生 PyTorch 运算的完整参考实现；_DeepNormGradCompose.__call__ 改为调用该实现以替代原先的 deep_norm_grad_aclnn_golden；同时 deep_norm_grad_input 和 deep_norm_grad_aclnn_golden 签名新增 *unused_outputs 以兼容新测试框架传入的额外输出参数。

• apply_adam_w_quant golden 增强 tensor/numpy 互操作与属性传参：新增 _to_f32、_shape_of、_dtype_of、_cast_like 等辅助函数，统一处理 tensor 与 numpy 的转换；apply_adam_w_quant_golden 签名新增 *attr_values 以按位置接收超参（lr、beta1、beta2、weightDecay、eps、gnormScale、blockSize），并支持驼峰与下划线两种 key 名；customize_inputs 拆分为 tensor（in-place）和 numpy 两条路径；uint8 数据类型容差标准从 "binary_equal" 改为 "quant"。

• dynamic_quant_update_scatter golden 容差与参数处理调整：int8 的 kernel 容差标准从 "quant" 改为 "binary_equal"；_DynamicQuantUpdateScatterCompose.__call__ 中对 reduce 和 axis 的获取由 kwargs.get 改为 kwargs.pop，避免多余参数向下传递。

• dynamic_quant_update_scatter_v2 golden 修复 int4 检测与输出类型：_to_supported_torch_tensor 中 int4 dtype 判断从精确匹配 "int4" 扩展为 "int4" in str(arr.dtype) or arr.dtype.kind == "V"，兼容更多 dtype 表示形式；_DynamicQuantUpdateScatterV2Compose.__call__ 返回值中第一个输出保持为 NumPy 数组（np.asarray），其余输出仍通过 _to_supported_torch_tensor 转为 tensor。

代码审查

现在我已经完整阅读了所有 4 个变更文件及其上下文。让我逐一总结每个文件的审查结果。

文件 1: norm/deep_norm_grad/tests/assets/golden.py

变更内容：

• deep_norm_grad_input 和 deep_norm_grad_aclnn_golden 增加了 *unused_outputs 参数以吸收框架可能传入的额外输出张量
• 新增 _deep_norm_grad_torch_reference 函数——纯 Torch 实现的金色参考
• _DeepNormGradCompose.__call__ 从调用 deep_norm_grad_aclnn_golden（NumPy 路径）切换为调用 _deep_norm_grad_torch_reference（Torch 路径）

审查结论： 无问题。新函数 _deep_norm_grad_torch_reference 正确复刻了 deep_norm_grad_golden 的数学逻辑，使用了 Torch 原生算子（torch.sum、torch.where、torch.all），适合在 GPU 上运行。*unused_outputs 的加入是正确的兼容性改动，且 alpha/epsilon 在该签名中本来就有关键字参数的默认值，实际调用不受影响。kwargs.pop("alpha", self.alpha) 允许调用方覆盖 alpha 值，行为合理。

文件 2: optim/apply_adam_w_quant/tests/assets/golden.py

变更内容：

• 新增 import ml_dtypes 以支持 bfloat16 的 NumPy 注册
• uint8 的 tolerance standard 从 "binary_equal" 改为 "quant"（量化感知比较，更合理）
• _to_f32 和 _to_numpy_for_golden 增加了对 Torch 张量和 bfloat16 的支持
• 新增辅助函数 _shape_of、_dtype_of、_cast_like
• apply_adam_w_quant_golden 签名增加 *attr_values，支持灵活的属性名称映射（驼峰/下划线兼容）
• customize_inputs 重写为同时支持 Torch 和 NumPy 的就地修改路径

审查结论： 无问题。属性名映射通过 kwargs.setdefault 实现（关键词参数优先级高于位置参数），驼峰/下划线双兼容的 fallback 设计合理。customize_inputs 的就地修改方式与旧代码的重新赋值方式在 TTK 框架中行为等价。_cast_like 正确区分了 Torch/NumPy 两种输出类型。

文件 3: quant/dynamic_quant_update_scatter/tests/assets/golden.py

变更内容：

• _KERNEL_TOLERANCE 中 int8 的 standard 从 "quant" 改为 "binary_equal"（精确逐位比对）
• _DynamicQuantUpdateScatterCompose.__call__ 中 kwargs.get 改为 kwargs.pop，防止 reduce/axis 重复传入 golden 函数

审查结论： 无问题。kwargs.get → kwargs.pop 是正确的 bug 修复——旧代码在 **kwargs 中包含 reduce/axis 时会导致 TypeError: got multiple values for argument，因为 dynamic_quant_update_scatter_golden 已将这些作为显式参数。int8 tolerance 改为 binary_equal 是合理的（int8 量化输出应为逐位精确）。

文件 4: quant/dynamic_quant_update_scatter_v2/tests/assets/golden.py

变更内容：

• _to_supported_torch_tensor 的 dtype 检测从 arr.dtype.name == "int4" 改为 "int4" in str(arr.dtype) or arr.dtype.kind == "V"（更健壮的 int4 检测）
• _DynamicQuantUpdateScatterV2Compose.__call__ 的返回值从统一 _to_supported_torch_tensor 列表推导改为：第一个输出保持 np.asarray（int4），后两个用 _to_supported_torch_tensor 转为 Torch 张量

审查结论： 无问题。第一个输出（int4 打包的 var）保持为 NumPy 数组是合理的——int4 类型在 PyTorch 中没有良好支持，转为 int8 会丢失精度语义。"int4" in str(arr.dtype) 比 arr.dtype.name == "int4" 更健壮（兼容不同的 dtype 字符串表示），arr.dtype.kind == "V" 作为额外的防御性检查覆盖了自定义 void dtype 的情况。

关闭总结

总体风险判断：低。 四个文件的变更均为金色引用文件的维护性更新，包含：

1. 签名兼容性改动（*unused_outputs / *attr_values）以适配 TTK 框架的新参数传递方式；
2. 更健壮的 dtype 处理和 Torch/NumPy 双路径支持；
3. 一个 bug 修复（kwargs.get → kwargs.pop 防止重复参数错误）；
4. tolerance 策略调整。

所有变更逻辑一致，未发现正确性、安全性、可靠性或兼容性方面的问题。

💬 仅评论

Thanks for your pull-request.
The full list of commands accepted by me can be found at here。
You can get sig-info at here

PR Approval Progress

✅ Congratulations! All modules have met the lgtm and approve requirements.

Module Approval Details

💡 Tip:

• Committer can comment /approve or /lgtm
• Commenting /approve implies both code review (lgtm) and intent to merge (approve)

CLA Signature Pass

tianqiguang, thanks for your pull request. All authors of the commits have signed the CLA. 👍

compile

流水线任务触发成功
任务链接 [6396558c363b422daef52c1bf18daec6][流水线指导]

[2026-08-12 09:34:47]    CI执行结束

流水线任务触发成功
任务链接 [2a019ba676b440df88b9679db936be2c][流水线指导]

[2026-08-12 09:20:34]    CI执行结束

/lgtm
/approve

/lgtm
/approve