Checklist

• 1. 我已经搜索过相关问题，但没有得到预期的帮助.
• 2. 最新版本中该错误尚未修复.
• 3. 请注意，如果您提交的Bug描述缺少相应的环境信息和最小可复现的demo，我们将很难复现和解决该问题，从而降低收到反馈的可能性，甚至该问题将被关闭.

🐞 问题详细描述

问题现象

Ascend 310P 的 ChunkGatedDeltaRule 在 Qwen3.5-4B 典型 GQA 输入下产生 NaN/Inf，主要集中在偶数 value head。

最小复现规格

• dtype：FP16
• batch：1
• T=64
• Hqk=16
• Hv=32
• Dk=Dv=128
• chunk_size=64
• initial_state 全零
• 固定随机种子 42

output, final_state = lite_ops.chunk_gated_delta_rule(
    query.half(),
    key.half(),
    value.half(),
    beta.half(),
    torch.zeros(1, 32, 128, 128, device="npu", dtype=torch.float16),
    actual_seq_lengths,
    g=g,
    scale_value=1.0 / (128 ** 0.5),
)

assert torch.isfinite(output).all()
assert torch.isfinite(final_state).all()

原版 Kernel 直调结果：

output_finite=False
final_state_finite=False
output_nan_total=124504
final_state_nan_total=230577
output_inf_total=2472
final_state_inf_total=23375

NaN 集中在 value head 0、2、4……30，奇数 head 无 NaN。

详细的环境信息描述

• 硬件：Ascend 310P3
• CANN：8.5.0（V100R001C25SPC001B232）
• 操作系统：Linux aarch64
• Python：3.10.21
• PyTorch：2.9
• torch_npu：2.9
• LiteBoost：0.2.0
• MindSpore Lite：master（83527bcc）

其他辅助信息

根因位于：

tools/custom_kernels/ascend_ops/src/ascend_300iduo/chunk_gated_delta_rule/op_kernel/chunk_gated_delta_rule.h

LoadChunkCoefficients 加载 beta 时，使用 chunkVFp32 的同地址 FP16 视图作为 Cast 输入，再将 FP16 扩宽写回同一地址。写出的 FP32 会覆盖尚未读取的 FP16 数据，导致 beta 损坏。

修复方案是使用当前阶段空闲且容量相同的 chunkAttnOutFp32 暂存 FP16 beta，使 Cast 的源、目标 UB 完全分离。

修复后相同规格下 output 和 final_state 均无 NaN/Inf，并与 CPU recurrence 对齐：

• output cosine：0.999999881
• output NRMSE：0.000462
• final state cosine：0.999999940
• final state NRMSE：0.000339
• 完整测试：20 passed，13 skipped，0 failed

版本信息

受影响版本：当前 master 中 Ascend 310P ChunkGatedDeltaRule 实现。

复现环境为 CANN 8.5.0。修复不改变算子接口、tiling data ABI、属性含义或输出布局。

Thanks for contributing 🎉!