附件下载链接：

• 失败用例集_aclnnFusedCrossEntropyLossWithMaxSum_aclnn_性能失败.csv
• 性能用例集_aclnnFusedCrossEntropyLossWithMaxSum_aclnn.csv
• 性能结果行_aclnnFusedCrossEntropyLossWithMaxSum.csv
• 单case失败用例集_aclnnFusedCrossEntropyLossWithMaxSum_aclnn.csv
• 单case失败结果行_aclnnFusedCrossEntropyLossWithMaxSum.csv

请说明环境使用的NPU型号/带宽 GPU型号/带宽

问题已修复，MR：https://gitcode.com/cann/ops-nn/pull/14270 （关联 cann/ops-nn#8653，根因/方案/验证数据的完整版见该 issue）

根因：49 条性能不达标用例全部为小 V 场景（V∈{1,2,3,4,7}，299 条中 200 条 V=1）。原实现按大 V 通路逐行广播（每行一次 DIST_BRC_B32），小 V 时每行仅 1~8 有效 lane，广播与 2-D 小搬运的固定开销占满流水，有效带宽退化约两个数量级。

方案（4 个提交）：

1. 小 V 多行平坦打包快路：vocab 整块 1-D 搬入，softmax 按 G 行打包 G*v lane 处理，Gather(l/V) 展开 max/invSum，V=1 免 Gather；b16 预 cast fp32；tiling 新增 aPerLoop。
2. 预取流水：消除 tile 内"搬入→计算→搬出"全串行，prologue 预取 + 循环内发本块 VEC/预取下一块/等输出，四队列深 2，MTE/VEC 重叠。提速 1.12~1.22x。
3. 裸 vdiv + b16 内联 cast：inv_sum 补偿除改裸 vdiv（次正规 sum 时补偿无效）；b16 vocab 加载时 DIST_UNPACK_B16 内联 cast 免整 tile 预转（bit 级等价）。再提速 1.04~1.99x。
4. 评审修复：标量队列声明深度与小V预取流水用法对齐；vocab 源缓冲增加一个 VL 的 padding，收敛 V=3/5/6/7（G*v<VL）满 tile 末组向量读的越界（越界 lane 本就掩码、不影响结果）。

验证：

• 49 条原不达标用例精度+性能 49/49 PASS；有效带宽 730~835 → 1164~1309 GB/s，追平 torch copy 实测上限（1230 GB/s）；相对基线累计约 25~45x。
• 全量 299 回归：性能 299/299、精度 298/299。唯一 FAIL（L1_296）与本次修改无关：同种子同输入下 baseline 与修复分支输出 bit 级完全一致（V=3789 不走小V快路）；该用例输入随机生成且构造数据踩 fp32 溢出区（logits_max∈(-1000,-10)、vocab 恒 6.1e-5），rmse 比值在阈值 2.0 两侧随机波动（复跑 9 次 7 次 PASS），属用例数据设计问题，建议后续调整该用例的数据范围或阈值。
• ophost UT 8/8 PASS（含新增 V=3 边界用例）；新增 V=3/5/6 满 tile 边界用例 3/3 PASS。