@cannbot-plugin/cannbot-harness 0.0.0-stage → 0.1.4

package/assets/ops-direct-invoke/skills/ascendc-tiling-design/references/flashattention/subfamilies/base_design.md

@@ -0,0 +1,395 @@
+# FlashAttention FA / GQA / MHA / MLA 扩展契约
+
+> 本文档定义 FA / GQA(默认)、MHA(G=1 退化)及 MLA(kvHeadNum=1 + latent absorption 变体)形态的扩展契约。
+> **MLA 不是独立子族**——它是基础 FA 的一种 head / hidden-dim 变体(kvHeadNum=1 + latent 维压缩),与 GQA / MHA 共享同一 service 骨架,仅以变体分支承接 latent absorption 计算链(见 §11)。
+> **通用设计流程** → [`design/`](../design/_governance.md)(节点 G→N12);**扩展点框架** → [`extension_points.md`](../foundation/extension_points.md);**选型入口** → [`patterns.md`](../patterns.md)。
+
+---
+
+## §1 宏观决策特化
+
+### §1.1 Kernel 类型
+
+FA / GQA 标准选择:`__mix__(1, 2)`(1 AIC + 2 AIV)。
+
+**MHA 退化**:MHA 与 GQA 走同一 kernel,仅 `gMaxPerTask = 1`,无需独立 target。
+
+### §1.2 UB 模式
+
+GQA 默认走 streaming UB 模式(O_acc 不常驻 UB,见 design/shape.md §1.2)。
+
+### §1.3 Cube 分块层次
+
+GQA 的 Cube 分块层次与通用骨架一致(L0 K-axis / L1 M-axis / L1 N-axis),无特化。
+
+### §1.4 流水级数
+
+GQA 常见 **2 级流水**(C1+V1 配对 → C2+V2 延后)。参见 [`design/shape.md` §1.4](../design/shape.md)。
+
+---
+
+## §2 Roofline 特化
+
+### §2.1 GQA 的 mEff 公式
+
+FA 类 Mmad 的有效 m 维度不是 Bq 本身,而是:
+```
+mEff = Bq × curG
+```
+
+其中 curG 是同一 kvHead 下合并到一个 task 的 qHead 数(≤ G = Hq/Hkv)。
+
+- **Prefill**(Sq 较大):Bq 本身足够大,mEff 主要受 L0A 容量约束,curG 可能 < G
+- **Decode**(Sq=1):Bq=1,mEff = curG,应最大化 curG = G,此时 AI ∝ G
+
+### §2.2 AI 公式修正
+
+代入 GQA 的 mEff 后,主 Roofline 的 `AI_HBM = 2·mEff/sizeof(T) ∝ mEff`(见 [`roofline.md` §2.2](../foundation/roofline.md))保持不变,但 mEff 可行域受 curG ≤ G 约束:
+
+- Prefill:mEff_max 受 L0A 容量约束
+- Decode:mEff_max = G(受 Hq/Hkv 约束),故 `AI_HBM = 2G/sizeof(T)`
+
+### §2.3 Decode 场景的优化杠杆
+
+Decode(Sq=1)场景下 AI ∝ G,GQA group 合并是提升 AI 的**唯一杠杆**。若 G=1(MHA),AI 天花板较低,通常落在 HBM-bound 或 cross-core-bound,必须依赖流水隐藏延迟(见 [`roofline.md` §4](../foundation/roofline.md))。
+
+---
+
+## §3 多核特化
+
+### §3.1 任务维度构造
+
+GQA 默认 task 级并行下,任务空间沿 `(batch, kvHead, Sq 分块, G 分块)` 四个轴展开。**这四个轴是通用的;把它们映射到 taskIdx 有多种等价实现**——下面的闭式 decode 是一种常见构造,另一种是 metadata 驱动的 range-walker(为每个 axis 记 start/end,用 while 派发遍历),二者任务空间等价,选择取决于尾块处理与代码风格。
+
+一种常见闭式构造:
+```
+taskIdx → (batch, kvHead, gS1Block, gBlock)
+```
+
+其中(角色名,实现命名自定):
+- `batch`:batch 维索引
+- `kvHead`:kvHead 维索引(同一 kvHead 下的 G 个 qHead 在同一 task 内合并)
+- `gS1Block`:Sq 维分块索引(Bq 大小)
+- `gBlock`:G 维分块索引(curG 大小)
+
+该构造下任务总数:
+```
+totalTasks = B × Hkv × ceil(Sq/Bq) × ceil(G/curG)
+```
+
+无论用闭式还是 range-walker,I2(同 kvHead 同任务)与 I4(s2 不进任务维)都必须满足(见 §3.2)。
+
+### §3.2 I2 不变量校核
+
+GQA 的 task 维度构造必须让同一 kvHead 下的 G 个 qHead 在同一 task 内合并到 mEff。禁止把 G 个 qHead 拆到 G 个独立任务(违反 I2 → KV 重复搬运 G 次)。
+
+> ⚠️ **UB/L0A 溢出时应缩小 curG,不是退到 gMaxPerTask=1**。合并整组(curG=G)可能使 mEff=Bq×G 溢出 UB 或 L0A。此时正确做法是**求解最大合法 curG**,而非把 curG 直接砍到 1(那等于放弃 I2,KV 被重搬 G 次)。联合可行域(两个约束同时满足):
+> - **UB 约束**:并发存活 buffer 峰值(含双缓冲系数)≤ UB 容量。UB 峰值 ∝ mEff = curBq × curG。
+> - **L0A 约束**:`mEff × K_BASE × sizeof(fm_dtype) ≤ L0A 容量`(见 [`design/resources.md` §1.4](../design/resources.md))。
+>
+> 解法:先按 §2.1 定 Bq(prefill 下 Bq 已较大),再取 `curG_max = min(G, ⌊UB 上限 / (Bq 相关项)⌋, ⌊L0A 上限 / (Bq×K_BASE×sizeof)⌋)`。若 curG_max ≥ 1 仍装不下,再考虑下调 Bq,**gMaxPerTask=1 仅当 curG_max=1 时才是被迫的合法退化**(等价 MHA,见 §1.1),不应作为回避求解的默认。
+
+### §3.3 Split-KV reduce 启用条件
+
+GQA 在 Sq=1 纯 decode 场景下,若 `totalTasks << usedCoreNum`,可启用 split-KV reduce(FlashDecoding 技术)。详见 design/shape.md §2。
+
+---
+
+## §4 内存特化
+
+### §4.1 L1 Q/K/V/P 端口分配
+
+| 张量 | L1 端口 | 理由 |
+|------|---------|------|
+| Q | A1 | 进 L0A 做 fm |
+| P | A1 | 进 L0A 做 fm |
+| K | B1 | 进 L0B 做 filter |
+| V | B1 | 进 L0B 做 filter |
+
+### §4.2 L1 rotation 深度
+
+GQA 推理默认:
+- QP:标准 task 级双缓冲(2 slot)
+- KV:标准 task 级双缓冲(2 slot)
+
+GQA prefill(高吞吐):KV 可选 +1 段预取(3 slot)。
+
+详见 [`extension_points.md` §1.2](../foundation/extension_points.md)。
+
+### §4.3 Workspace 段
+
+GQA 默认 task 级并行下:
+- **跨核握手段**:BMM1 中间矩阵(`[Bq, Bk]` S 矩阵)+ BMM1 中间矩阵(`[Bq, Bk]` P 矩阵)+ BMM2 中间矩阵(`[Bq, D]` PV 矩阵)
+- **跨 loop 自读自写段**:V2 跨 s2 块的 O_acc 落地段(streaming UB 模式下存 GM)
+- **跨 task 状态段**:softmax max / sum / exp(默认 task 级模式下 stateful 持有)
+
+> ⚠️ **中间矩阵写 workspace 的行 stride 必须按下游读回 API 的 dtype 对齐粒度取整,不能按逻辑块宽紧打包**。上述握手段(S/P/PV)由 Cube 写、Vector 读回。写侧(Fixpipe/DataCopy)的行 stride 若按逻辑块宽(如 curBk)紧打包,当块宽非下游读回 dtype 的对齐倍数时,读侧 DataCopy(UB↔GM 要求 32B 对齐的行偏移与元素数,fp32 即 8 元素、bf16 即 16 元素)会**逐行静默错位/污染**(编译过、结果错)。规则:行 stride 取 `ceil(块宽 / 读回对齐粒度) × 对齐粒度`(如 fp32 读回时按 8 元素对齐、bf16 按 16),尾块同理。块宽恰为对齐倍数时侥幸正确,故须按最坏尾块规划,不能靠主 case 整除侥幸通过。
+
+---
+
+## §5 编译宏特化
+
+### §5.1 GQA 常见编译宏分离
+
+| 维度 | 是否分离 | 理由 |
+|------|---------|------|
+| `dtype`(fp16/bf16)| ✅ 必须 | 影响 typedef 与 Mmad 模板参数同型链 |
+| `causal` on/off | ✅ 必须 | 影响 causal mask TBuf 是否声明 |
+| `G` 值(GQA group 大小)| ❌ 通常不分离 | 通过 Tiling 决策的 `gMaxPerTask` 运行时适配 |
+| `Sq` 值(prefill/decode)| ❌ 通常不分离 | 通过 chunkRows 运行时自适应 |
+
+### §5.2 constexpr 级联链
+
+GQA 常见 constexpr 级联(角色名,实际变量名自定;完整框架见 [`design/execution.md` §2](../design/execution.md)):
+```
+tilingKey → layout(BSND/BNSD)→ 输入 dtype → 累加/中间 dtype → BMM2 输出位置 → 是否 split-D
+```
+
+---
+
+## §6 流水线特化
+
+### §6.1 GQA 流水 stage 编排
+
+**2 级流水(生产常见)**:
+```
+loop body:
+  C1(本轮) + V1(本轮)      # 同轮次配对
+  C2(loop-PRELOAD_N 轮) + V2(loop-PRELOAD_N 轮)  # 延后轮次
+```
+
+**3 级流水(可选)**:
+```
+loop body:
+  C1(本轮)
+  V2(上两轮)              # 提前执行保护 softmax state
+  V1(上一轮) + C2(上一轮)
+```
+
+详见 [`design/execution.md` §3.1](../design/execution.md)。
+
+### §6.2 GQA slot 分类
+
+> ⚠️ **下表为某 2 级流水实例的槽数配置,非规范值**。槽数(DB / PRELOAD_N+1 / CACHE_SIZE)由各自的并行度需求推导,随流水级数、AIC↔AIV 延迟、UB/GM 余量变化——决策方法与可选值(PRELOAD_N=1/2/3 的权衡)见 [`design/execution.md` §3.1](../design/execution.md)。此处固定值仅示意**计数器与取模常量如何绑定到 slot 语义**(§7.4 的分离原则),不表示这些数字是唯一正确取值。常量命名由实现自定。
+
+| 槽语义 | 槽数(示例)| 取模计数器 | 取模常量(示例)|
+|---|---|---|---|
+| 跨 stage 握手槽 | 2 | loop 计数器 | DB=2 |
+| 跨 task 状态槽 | 3 | mloop | PRELOAD_N+1=3 |
+| 跨 loop 自读自写槽 | 3 | loop | PRELOAD_N+1=3 |
+| L1 rotation 槽 | 2 | — | 变体特定 |
+| task 环形缓冲区槽 | 4 | loop | CACHE_SIZE=4 |
+
+---
+
+## §7 Host Tiling 特化
+
+> **命名约定**:本节所有字段名(`gMaxPerTask` / `curG` / `gIdx` / `gOff` 等)为方法论**角色名**,承 [`fundamentals.md` §0](../foundation/fundamentals.md);它们承载"该字段决策什么",**实际变量名由实现自定**(经典实现可能作 `gSize` / `gS1O` 等)。字段的**职责类别**是通用契约,命名不是。
+
+### §7.1 ConstInfo 字段扩展
+
+GQA 形态特定的 ConstInfo 字段:
+- `gMaxPerTask`:每个 task 合并的 qHead 数上限(≤ G)
+- `curG`:实际合并的 qHead 数(运行时由 Tiling 函数决定)
+
+### §7.2 RunInfo 字段扩展
+
+GQA 的 RunInfo 字段(在通用结构基础上):
+- `gIdx`:当前 task 在 G 维的索引
+- `gOff`:当前 task 对应的 qHead 起始偏移
+- `curBq`:当前 task 的实际 Sq 维处理量(尾块可能 < Bq)
+- `curG`:当前 task 实际合并的 qHead 数(尾块可能 < gMaxPerTask)
+
+### §7.3 TilingData 字段扩展
+
+GQA 的 TilingData 字段(在通用结构基础上):
+- `gMaxPerTask`:每个 task 合并的 qHead 数上限
+- `s1Blocks`:Sq 维分块数 = ceil(Sq / Bq)
+- `gBlocks`:G 维分块数 = ceil(G / gMaxPerTask)
+- `oAccInUb`(**结构决策字段**):O_acc 是否常驻 UB(1)还是 GM streaming(0)。由 Host Tiling 按 [`design/resources.md` §1.2](../design/resources.md) 的推荐条件(`mPad × D_align × sizeof > UB 余量` → streaming)定死并写入;kernel **必须**读此字段选择 O_acc 布局,不得自行硬编码。设计期定死的**结构**决策(非 `chunkRows` 一类数值标定项)都遵此纪律——落成字段、被 kernel 读取。
+
+---
+
+## §8 dtype 路径
+
+### §8.1 fp16(标准路径)
+
+- Mmad 模板:`Mmad<float, half, half>`(fp16 × fp16 → fp32 accumulator)
+- V1 / V2 输出到 GM 的中间段与 KV_T 同型 = half
+- 所有 Cast 仅在 UB 上执行
+
+### §8.2 bf16(Cube 直通 bf16)
+
+**关键契约**:bf16 路径**与 fp16 路径同型**——V 全程 bf16,**无任何 Cast / pre-cast / Reinterpret 中转**。
+
+- **V 全程 bf16**:GM(bf16)→ Nd2Nz → L1(bf16)→ `LoadDataWithTranspose`(L1→L0B,bf16 转置)→ L0B(bf16)→ `Mmad<float, bfloat16_t, bfloat16_t>`
+- **V1 输出到 GM 的中间段 dtype = bf16**(与 KV_T 同型):V1 末尾 P 经 `Cast<bf16, float>` 写回 GM
+- **Mmad 模板同型约束**:fm / filter 均 bf16,fp32 accumulator
+- **Fixpipe L0C(fp32)→ Cube↔Vector 中间段(fp32)**,V2 末块 `Cast<bf16, float>` → outGm
+
+#### 禁止反模式
+
+- **AIV pre-cast 到 half workspace**:增加 AIV Cast 开销 + 额外 GM workspace + cross-core sync 一次,无任何收益
+- **L1 内 Cast<half, bfloat16_t>**:Cast 仅在 UB 上执行
+- **Host CPU bf16 → half 预转换**:违反 `development-guide §1.4`
+- **Kernel 内逐 s2 块 bf16 → half Cast + 额外 workspace 轮转**:触发 BSND flat DataCopy 不感知 stride 的 race
+- **V1 末尾把 P Cast 到 half 让中间段走 half**:V1 输出中间段必须与 KV_T 同型 = bf16
+
+#### dtype 编译错诊断
+
+`P_T = half` + `KV_T = bf16` 或 `P_T = bf16` + `KV_T = half` 同型约束未满足直接喂 Mmad → 编译失败。**真根因**:Mmad 模板参数同型约束未满足,改 fm/filter 为同 dtype 即可。
+
+### §8.3 GQA BSND 输出写回特化
+
+**GQA 输出 BSND 写回必须逐行 DataCopy**:
+
+Q / Out BSND layout `[B, Sq, Hq, D]` 中同 qHead 内相邻 Sq 行间隔 `Hq × D`,**Bq 行不连续**。
+
+**禁止**:批量 `DataCopy(GM, UB, curBq × D)` 会破坏邻 qHead 输出。
+
+**正确做法**:按 (g, i) 二维循环,每行单独 `DataCopyPad(outGm[gOff + i × qRowStride], outUb[(g × Bq + i) × D_align], {1, D, ...})`。
+
+### §8.4 GQA mEff 行排布约定(Bq-major)
+
+`row(g, i) = g × Bq + i`,即按 qHead 外、Sq 内排布。
+
+**理由**:
+- Causal mask 模板可一份 + 整体平移 curG 次,不同 g 之间 mask 模式相同
+- Q 的 Nd2Nz BSND→NZ 自然连续
+- V2 输出按 (g, i) 二维循环逐行写回
+
+---
+
+## §9 优化策略特化
+
+### §9.1 gMaxPerTask 选择
+
+回答:**每个 task 合并的 qHead 数怎么选?**
+
+**决策依据**:
+- `mEff = curBq × curG`:mEff 越大 Mmad m 维利用率越高,但 L0A 压力增大
+- Prefill(Sq 大):mEff 上限受 L0A 容量约束,curG 可能 < G
+- Decode(Sq=1):mEff = curG,应最大化 curG = G
+
+**产出**:gMaxPerTask 选择策略(prefill / decode 是否不同)。
+
+### §9.2 mPad > 16 + 多 s2 块组合验证
+
+GQA 维度首次打开(`mPad > 16` 即 `mEff > 16`)时,必须额外验证三类用例:
+- (a) 单 s2 块 + mPad > 16
+- (b) 多 s2 块 + mPad = 16
+- (c) 两者同时打开
+
+实测教训:(a)(b) PASS 不等价于 (c) PASS;(c) 路径在 P·V GEMM 上易出现精度漂移,需单独验证。
+
+---
+
+## §10 Self-Check 清单
+
+### §10.1 继承通用清单(design/ 各节点 + implementation_ref.md)
+
+- [ ] 清单 1(streaming UB 容量)
+- [ ] 清单 2(slot 语义)
+- [ ] 清单 3(cross-core sync 时序)([`implementation_ref.md` §5](../implementation_ref.md))
+- [ ] 清单 9(长 Sk workspace 槽轮转)
+- [ ] 清单 9b(workspace 外层乘子 = min(totalTasks, usedCoreNum))
+
+### §10.2 GQA 特有清单
+
+- [ ] **清单 4(M 轴尾块 padding 行)**:padding 行 mask / softmax 处理已明确;`SoftMaxShapeInfo.srcM = mEff`;mEff 行排布 Bq-major;padding 行输出最终清零
+- [ ] **清单 5(causal mask 边界)**:`Duplicate` 起址 32B 对齐;尾块 padding 行 mask 处理;GQA group 复制(curG 份 mask 模式相同 + 整体平移);**mask 值用大有限负数(非 −∞)**;**完全屏蔽 tile 跳 C1 时 V1 同步跳过**(见 design/execution.md §1 mask 值陷阱)
+- [ ] **清单 5b(online softmax 首块 / 除零)**:首块 O_acc 清零、rescale 因子等价 1(首块走跳过 rescale 分支)、末块 ÷sum 有下限保护(见 design/execution.md §1 首块初始化契约)
+- [ ] **清单 6(bf16 V Cube 直通)**:V 全程 bf16,无任何 Cast / pre-cast / Reinterpret / 额外 half workspace 中转;V1 输出中间段 dtype = bf16;Mmad 模板 fm/filter 同型 = bf16;**未引入** 额外 half workspace / AIV pre-cast / kernel 内逐 s2 bf16↔half Cast 等反模式
+- [ ] **清单 7(输出写回 BSND)**:按 (g, i) 二维循环逐行 `DataCopyPad`,不做批量 `DataCopy(GM, UB, curBq × D)`
+- [ ] **清单 8(mPad > 16 + 多 s2 块)**:三类用例(a/b/c)已在精度回归中覆盖
+- [ ] **清单 10(设计即最优,承接 design/_governance.md §2 门禁 / resources.md §2)**:`curG` 取 §2.1 / §9.1 求解的 `curG_max`(非 1,除非 `curG_max=1` 硬件被迫);流水启用 double buffer / 软流水重叠(非逐 KV 块 `PipeBarrier<PIPE_ALL>`);`mEff` / `K_BASE` 取 Roofline + L0A/L0B 容量最优点;每一处低于最优的取值都标注了绑定的硬件 / 容量约束;无脚手架残留、无 "S5 / 后续迭代" 式性能推迟
+
+### §10.3 MHA 退化说明
+
+MHA(G = 1)作为 GQA 的退化特例:
+- 数学差异:`Hq = Hkv`,即 GQA 的 G=1
+- 实现契约:走 GQA 骨架,仅 `gMaxPerTask = 1`,无需独立 service 类
+- 选型说明:
+  - 仅支持 MHA 形态 → 仍走 GQA 骨架(GQA 实现已自然兼容 G=1)
+  - 既支持 MHA 又支持 GQA → 同一份代码(GQA 路径),通过 Tiling 决策的 `gMaxPerTask` 区分
+
+---
+
+## §11 MLA 变体分支(kvHeadNum=1 + latent absorption)
+
+> MLA(Multi-head Latent Attention)在 GQA 骨架上引入 latent absorption 计算链。**MLA 属基础 FA 的 head / hidden-dim 变体,不单开子族**:它与 GQA / MHA 共享 §1-§10 的 service 骨架,仅在本节列出 kvHeadNum=1 + latent absorption 带来的变体分支特化。凡与本骨架一致处不再重复,只标注差异。
+>
+> ⚠️ **状态:未经算子验证**。截至本版本**尚无 MLA 算子落地**,本节的 latent absorption 计算链、int32 中间段、L1 rotation 加深等特化,是**从 GQA 骨架外推的前瞻性设计假设**,尚未经真实 MLA 算子回归验证。**设计 MLA 算子时应把本节当起点提示**;凡与实测(尤其 latent absorption 的数值精度、int32 段必要性、L1 深度)冲突,以实测为准并按蒸馏纪律回写(见 [`patterns.md` §6 架构约束](../patterns.md) 第 5 条"新变体落地后回写")。凡标注"由实现定义/由实现层定义"处,均为待落地时确定的开放项。
+
+### §11.1 宏观决策差异
+
+- **Kernel 类型**:`__mix__(1, 2)`,与 GQA 一致。
+- **UB 模式**:默认 streaming UB 模式,与 GQA 一致。
+- **Cube 分块层次**:与 GQA 一致,无特化。
+- **流水级数**:与 GQA 一致(2 级或 3 级)。latent absorption 两步链插入在 V1 之后,不影响流水骨架(见 §11.6)。
+
+### §11.2 Roofline 差异
+
+**kvHeadNum = 1 强制**:MLA 强制 `kvHeadNum = 1`,所有 KV 压缩为 1 个 latent vector。AI 公式(见 [`roofline.md` §2.2](../foundation/roofline.md))中 Hkv=1,但 `mEff = Bq × curG` 不变(G 在 MLA 中通常 = Hq)。
+
+**Latent absorption 对 AI 的影响**:latent absorption 两步链在 V1 之后执行,增加 Vector 端计算量。AI 公式不变(latent absorption 是逐元素操作,FLOPs 可忽略),但 Vector 端负载增加,可能需要调整 AIC:AIV 比例。
+
+### §11.3 多核差异
+
+**任务维度构造**:由于 `kvHeadNum = 1`,task 维度中 kvHead 维退化为常量 0:
+```
+taskIdx → (batch, kvHead=0, gS1Block, gBlock)
+totalTasks = B × 1 × ceil(Sq/Bq) × ceil(Hq/curG)
+```
+
+**I2 不变量校核**:MLA 的 I2 继承 GQA——同一 kvHead 下(此处仅 1 个 kvHead)的 Hq 个 qHead 必须在同一 task 内合并处理(见 §3.2)。
+
+### §11.4 内存差异
+
+- **ConstInfo 加字段**:latent 维度相关字段(字段名由实现定义)、K_compressed 维度、V_compressed 维度。
+- **Cube 端 L1 rotation 加深**:latent absorption 需保留更长 K_compressed 历史以做多轮 Mmad,L1 rotation 深度比 GQA 深(QP / KV 均较深)。依据见 [`extension_points.md` §1.2](../foundation/extension_points.md)。
+- **Workspace 加 int32 段**:latent absorption fp32 精度不足,需 **int32 中间段**(段名由实现定义)。
+
+### §11.5 编译宏差异
+
+MLA 通常需要独立编译 target(latent absorption 链引入额外 TBuf 成员):
+
+| 维度 | 是否分离 | 理由 |
+|------|---------|------|
+| MLA vs GQA | ✅ 必须 | latent absorption TBuf 不同 |
+| MLA 内部 dtype | ✅ 同 GQA 规则 | fp16/bf16 影响 typedef |
+
+### §11.6 流水线差异
+
+**Stage 编排**:4-stage(C1/V1/C2/V2)骨架不变,在 V1 之后插入 latent absorption 两步链(函数名由实现定义):
+```
+C1 → V1 → latent_absorption_step1 → latent_absorption_step2 → C2 → V2
+```
+
+**Slot 分类**:与 GQA 类似(见 §6.2),但 L1 rotation 槽数更深。
+
+### §11.7 Host Tiling 差异
+
+- **ConstInfo**:在通用基础上加 latent 维度相关字段(字段名由实现定义)。
+- **RunInfo**:复用 GQA 的 RunInfo 通用结构,加 latent 维元数据字段。
+- **TilingData**:与 GQA 类似,但 kvHeadNum 固定为 1。
+
+### §11.8 dtype 路径
+
+MLA 的 dtype 路径与 GQA 一致(fp16 / bf16 同型规则)。详见 §8。
+
+### §11.9 优化策略差异
+
+- **Latent absorption 流水**:两步链在 V1 之后、C2 之前执行;Vector 端负载增加,可能需调整 AIC:AIV 比例;两步链与 V1 的 softmax 可融合(若平台 API 支持)。
+- **K_compressed 历史保留**:MLA 的 L1 需保留更长 K_compressed 历史,可能影响 L1 rotation 深度的优化选择。
+
+### §11.10 MLA 变体 Self-Check 清单
+
+MLA 继承通用清单(清单 1/2/3/9/9b)与 GQA 基础清单(清单 4-8,见 §10.2),另加 MLA 变体特有清单:
+
+- [ ] **清单 M1(kvHeadNum=1)**:kvHeadNum 强制为 1,所有 KV 压缩为 latent
+- [ ] **清单 M2(latent absorption 数值校验)**:latent absorption 两步链的数值正确性已验证(具体由实现层定义)
+- [ ] **清单 M3(int32 中间段)**:latent absorption 的 fp32 精度不足已通过 int32 中间段解决
+- [ ] **清单 M4(latent absorption 变体分支承接)**:latent absorption 计算链在 **base FA service 内以变体分支承接**,不单开独立 service 类(MLA 属基础 FA 的 head / hidden-dim 变体,与 GQA / MHA 共享 service 骨架)
+- [ ] **清单 M5(L1 rotation 加深)**:L1 QP / KV 槽数按 MLA 变体特定深度设置
+- [ ] **清单 M6(softmax 广播 flag)**:SoftmaxFlashV2 已启用广播相关 flag 配合 latent 维度

package/assets/ops-direct-invoke/skills/ascendc-tiling-design/references/flashattention/subfamilies/quantization_design.md

@@ -0,0 +1,233 @@
+# FlashAttention 量化 FA 扩展契约
+
+> 本文档定义量化 trait(MXFP8 / INT8 / AntiQuant)的扩展契约。量化与基础 FA 形态(GQA / MHA / MLA)及稀疏 trait 正交,可叠加。
+> **通用设计流程** → [`design/`](../design/_governance.md)(节点 G→N12);**扩展点框架** → [`extension_points.md`](../foundation/extension_points.md);**组合规则** → [`composition.md`](../foundation/composition.md) §2.1。
+
+---
+
+## §1 宏观决策特化
+
+### §1.1 Kernel 类型
+
+量化 FA 与基础形态一致(典型 `__mix__(1, 2)`)。量化路径不改变 kernel 类型选择。
+
+### §1.2 UB 模式
+
+量化 FA 默认走 streaming UB 模式,与基础形态一致。
+
+### §1.3 Cube 分块层次(量化特化)
+
+量化路径的 Cube 分块层次有额外约束:
+- **MX Mmad**:MXFP8 路径使用 `MmadMx`(ISASI)或高阶 `MxMatmul`,fp8 类型为 `fp8_e4m3fn_t`(kernel 侧 C++ 类型;高阶 Tiling 侧亦作 `float8_e4m3_t`,对应 dtype 枚举 `DT_FLOAT8_E4M3FN`),与标准 `Mmad` 不同
+- **Load2DMX**:加载数据 + scale 的专用 API(参数结构体 `LoadData2DMxParams`),具体字段单位与对齐约束见 `/ascendc-api-best-practices`
+- **K_BASE 约束**:K_BASE 必须与所选 LoadData API 的 yStep 单位整除
+
+### §1.4 流水级数
+
+量化 FA 的流水级数与基础形态一致,但 BMM1 阶段可能引入 c1v1Loop 子循环(见 §6.1),影响流水编排细节。
+
+---
+
+## §2 Roofline 特化
+
+### §2.1 AI 修正(量化)
+
+量化 dtype 下 K/V 的 HBM 流量按量化字节宽计,主 Roofline 的 `AI_HBM = 2·mEff / sizeof(quant_T)`(见 [`roofline.md` §5](../foundation/roofline.md)):
+```
+Bytes_HBM ≈ 2 × Sk × D × sizeof(quant_T)
+```
+
+**fp16(2B)→ MXFP8(1B)**:sizeof 减半 → **AI_HBM 翻倍(≈ +100%)**。
+
+> ⚠️ 早期文档曾给出"AI 提升约 48%"——那是把片上握手混进 AI 分母的旧混合模型 artifact。clean HBM 口径下 dtype 减半即 AI 翻倍。详见 [`roofline.md` §1/§5](../foundation/roofline.md)。
+
+### §2.2 跨核片上吞吐修正
+
+量化后 S/P/PV 跨核握手段若也走量化 dtype(例如 P 在 V1 末块量化为 fp8),片上握手 movement 减少,缓解 cross-core-bound(见 [`roofline.md` §2.3](../foundation/roofline.md))。但 P-scale(e8m0)需要额外的 L1 staging,须计入片上预算。
+
+---
+
+## §3 多核特化
+
+量化 FA 的任务维度构造与基础形态一致。量化路径不改变 task 维度选择。
+
+**c1v1Loop 对 task 的影响**:c1v1Loop 是在 BMM1 阶段内部的子循环,按 K 维切片(典型 256),不改变 task 维度构造。
+
+---
+
+## §4 内存特化
+
+### §4.1 Workspace scale staging 段
+
+量化 FA 可能新增 **scale staging 段**:
+- Q / K / V 的 scale 需要从 GM 加载到 L1 供 MX Mmad(MmadMx / MxMatmul)消费
+- P 在 V1 末块量化后的 P-scale(e8m0)需要从 AIV 写回 L1P 段供 AIC BMM2 读取
+
+容量公式:**按运行时 Sk 动态分配**,不静态预留 Sk_max。
+
+### §4.2 L1 Scale 布局
+
+Scale 在 L1 的布局取决于量化 dtype:
+- MXFP8:scale 是 E8M0,块大小 32 元素,沿 K-mmad 轴
+- 数据载体 vs scale 载体的 multi-head head offset 公式**必须独立推导**(公式系数可能不同)
+
+### §4.3 BMM2 Buffer 策略
+
+量化 FA 的 BMM2 跨核传递因数据量减半,可从双缓冲改为**单缓冲**:
+```
+非量化:BMM2 UB 中间段用双缓冲(数据量大,隐藏搬运延迟);落 GM 时用三缓冲
+MXFP8:  BMM2 数据量减半 → UB 中间段可退回单缓冲,省一半 buffer
+```
+(缓冲深度是 buffer 规划决策,不绑定任何实现的封装类名)
+
+---
+
+## §5 编译宏特化
+
+### §5.1 量化 dtype 编译宏
+
+| 维度 | 是否分离 | 理由 |
+|------|---------|------|
+| 量化 dtype 类型(MXFP8/INT8/AntiQ)| ✅ 必须 | 影响 typedef 与 Matmul 模板参数 |
+| 量化 vs 非量化 | ✅ 必须 | 影响 c1v1Loop / scale staging TBuf |
+
+### §5.2 constexpr 级联链
+
+量化 FA 的 constexpr 链在非量化基础上扩展:
+```
+tilingKey → ... → isMxFp8 → c1v1LoopEnabled → pScaleEnabled
+```
+
+---
+
+## §6 流水线特化
+
+### §6.1 c1v1Loop 子循环
+
+> `c1v1Loop` / `L1P` 是本节为描述方便使用的**概念标签**(K 维子循环 / 存放 P 的 L1 段),非公开 API 名;实际命名由实现自定。
+
+MXFP8 量化路径在 BMM1 阶段引入 **K 维子循环**(此处记为 c1v1Loop):
+- 按 K 维(典型 S2 方向)切片,每段 ≤ 256 列(切片粒度以目标量化 Mmad 的 K 维限制为准)
+- 子循环次数:`CeilDiv(actS2, 切片粒度)`
+- 子循环内 L1 双缓冲:当前子循环计算与下一子循环数据加载重叠(用双 slot 轮转的加载 API 实现,具体接口以目标版本为准)
+
+### §6.2 P-scale 回传机制
+
+MXFP8 的 V1 末块对 P 做量化后:
+1. AIV 将 P 数据(fp8)写回 L1P 段(原 S 段复用)
+2. AIV 将 P-scale(e8m0)写回 L1P 段的 scale 区
+3. AIC BMM2 读取 P 数据 + P-scale,走 MX Mmad(MmadMx / MxMatmul)
+
+### §6.3 Slot 分类
+
+量化 FA 的 slot 分类与基础形态一致,但 BMM2 buffer 可能从双缓冲改为单缓冲(见 §4.3)。
+
+---
+
+## §7 Host Tiling 特化
+
+### §7.1 ConstInfo 字段扩展
+
+量化 trait 特定的 ConstInfo 字段:
+- 各 scale 张量(Q / K / V / P)的量化轴与 layout
+- scale dtype(典型 MXFP8 用 E8M0)
+- scale 相关 Tiling 派生字段
+
+### §7.2 RunInfo 字段扩展
+
+量化 FA 的 RunInfo 与基础形态一致。c1v1Loop 的子循环索引在 kernel 内部维护,不透传到 RunInfo。
+
+### §7.3 TilingData 字段扩展
+
+量化 FA 的 TilingData 在基础形态基础上扩展:
+- c1v1Loop 切片大小
+- P-scale staging 段尺寸
+
+---
+
+## §8 dtype 路径
+
+### §8.1 MXFP8 路径
+
+- **MX Mmad**:`MmadMx`(ISASI)/ `MxMatmul`(高阶),fp8 类型 `fp8_e4m3fn_t`(枚举 `DT_FLOAT8_E4M3FN`)
+- **数据 dtype**:E4M3(fp8)
+- **Scale dtype**:E8M0(块大小 32 元素)
+- **累加器**:fp32
+
+### §8.2 I5 不变量落地校核
+
+MX 类 scale **必须沿被消费 matmul 的 K-mmad 轴量化**:
+
+| 张量 | 被消费 matmul | K-mmad 轴 | scale 量化轴 |
+|------|------------|---------|-----------|
+| Q | Q·K^T | D | D |
+| K | Q·K^T | D | D |
+| P | P·V | S_k | S_k |
+| V | P·V | S_k | **S_k**(不是 BSND innermost 的 D)|
+
+**反直觉陷阱**:V 在 BSND 布局下 D 是 innermost,但 V scale 必须沿 S_k。详见 [`fundamentals.md` §3.5](../foundation/fundamentals.md)。
+
+### §8.3 V2 末块量化链
+
+V2 末块的 O 在写回前需要做 fp32 → 量化 dtype cast + scale 生成:
+- **步骤 1**:ReduceMax → amax(每行最大值)
+- **步骤 2**:scale = amax / quant_dtype_max
+- **步骤 3**:Cast<quant_dtype, float>(O / scale)
+
+**禁止反模式**:cast 数值公式必须保证 amax / scale 不超量化 dtype max(典型踩坑:cast 溢出 → RINT 产出 NaN)。
+
+### §8.4 量化 dtype 禁止反模式汇总
+
+- scale 张量内存连续轴未对齐 K-mmad → Mmad 产出 NaN/inf
+- cast 数值公式溢出 → RINT 产出 NaN
+- LoadData 字段单位与 dtype 不匹配(典型:照搬 fp16 路径的 CUBE_BLOCK 单位)
+- 数据载体 vs scale 载体的 head offset 公式混用同一系数
+
+---
+
+## §9 优化策略特化
+
+### §9.1 子循环分解
+
+量化 Mmad 的 K 维限制需要子循环:
+- 子循环粒度:典型 256(MXFP8;以目标量化 Mmad 的 K 维限制为准)
+- 子循环内 L1 双缓冲:双 slot 轮转,当前子循环计算与下一子循环加载重叠
+
+### §9.2 Buffer 缩减
+
+量化类型元素宽度小,buffer 可缩减:
+- BMM1 结果 buffer:fp16 2B → MXFP8 1B,减半
+- BMM2 跨核传递:从双缓冲改为单缓冲
+
+### §9.3 L1 mask 位开销
+
+P 矩阵的 1-bit mask 元数据需要计入 L1 预算(量化场景下 L1 更紧张)。
+
+### §9.4 Stride 访问
+
+量化 tensor 可能非连续布局,stride 信息需要通过 TilingData 传递。
+
+---
+
+## §10 Self-Check 清单
+
+### §10.1 继承通用清单
+
+- [ ] 清单 1(streaming UB 容量)
+- [ ] 清单 2(slot 语义)
+- [ ] 清单 3(cross-core sync 时序)([`implementation_ref.md` §5](../implementation_ref.md))
+- [ ] 清单 9(长 Sk workspace 槽轮转)
+- [ ] 清单 9b(workspace 外层乘子 = min(totalTasks, usedCoreNum))
+- [ ] 继承基础形态的所有清单(GQA:4-8;MLA:M1-M6;稀疏:S1-S5)
+
+### §10.2 量化 FA 特有清单
+
+- [ ] **清单 Q1(I5 落地校核)**:所有 scale 张量的内存连续轴是否对齐其消费 matmul 的 K-mmad 方向?V scale 沿 S_k 还是沿 D 已显式声明?
+- [ ] **清单 Q2(数据载体 vs scale 载体公式分离)**:数据载体的 L1 head offset 公式与 scale 载体的 L1 head offset 公式是否分别独立推导?两者公式系数是否可能不同?
+- [ ] **清单 Q3(V2 末块量化路径对齐链)**:V2 末块量化路径中各 API(DataCopy 类 / Reduce 类 / Cast 类)的对齐要求是否被显式校核?
+- [ ] **清单 Q4(cast 数值不溢出)**:V2 末块 cast 数值公式是否能保证 amax / scale 不会超量化 dtype max?
+- [ ] **清单 Q5(LoadData 字段单位匹配 dtype)**:Load2DMX 系列 API(`LoadData2DMxParams`)的 kStep / kStartPosition 等字段单位是否与所选量化 dtype 匹配?
+
+### §10.3 蒸馏纪律
+
+本骨架基于首个量化 FA 算子(GQA × mxfp8 推理,A5 平台)落地形成。具体阈值、API 数值参数、cast 实现细节 → 各算子自己的 DESIGN.md。等第 2、第 3 个量化 FA 落地后,如果在 5 扩展点上出现稳定共性,可考虑把骨架升级为完整契约。