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

package/assets/ops-direct-invoke/skills/ascendc-ut-develop/references/ops-transformer/legacy-code-extraction.md

@@ -0,0 +1,325 @@
+# 从旧代码提取测试用例参数
+
+本文档提供从硬编码测试代码提取参数到 CSV 格式的通用方法。
+
+---
+
+## 旧代码结构识别
+
+旧格式的测试代码通常包含以下结构：
+
+```cpp
+TEST_F(OpTest, test_case_0) {
+    gert::InfershapeContextPara para(
+        "OpName",
+        {
+            // 输入 Tensor 列表
+            {{{4, 13, 16, 512}, {4, 13, 16, 512}}, ge::DT_FLOAT16, ge::FORMAT_ND},
+            {{{}, {}}, ge::DT_FLOAT16, ge::FORMAT_ND},  // 空 Tensor
+            // ... 更多输入
+        },
+        {
+            // 输出 Tensor 列表
+            {{{4, 13, 16, 512}, {4, 13, 16, 512}}, ge::DT_FLOAT16, ge::FORMAT_ND},
+            // ... 更多输出
+        },
+        {
+            // 属性列表
+            {"num_heads", Ops::Transformer::AnyValue::CreateFrom<int64_t>(16)},
+            {"scale", Ops::Transformer::AnyValue::CreateFrom<float>(0.04166f)},
+            {"input_layout", Ops::Transformer::AnyValue::CreateFrom<std::string>("BSND")},
+            {"softmax_lse_flag", Ops::Transformer::AnyValue::CreateFrom<bool>(false)},
+            // ... 更多属性
+        }
+    );
+    
+    std::vector<std::vector<int64_t>> expectOutputShape = {
+        {4, 13, 16, 512},
+        {0},
+    };
+    ExecuteTestCase(para, ge::GRAPH_SUCCESS, expectOutputShape);
+}
+```
+
+---
+
+## 提取参数通用方法
+
+### 方法一：Tensor 参数提取
+
+#### 旧代码格式
+
+```cpp
+{{{shape1, shape2, ...}, {shape1, shape2, ...}}, dtype, format}
+```
+
+#### 提取规则
+
+| 旧代码组成部分 | 提取方法 | CSV 格式 |
+|--------------|---------|---------|
+| **shape** | 从第一个花括号提取 | 空格连接：`4 13 16 512` |
+| **dtype** | 从 `ge::DT_XXX` 提取 | 去掉前缀：`DT_FLOAT16` → `FLOAT16` |
+| **format** | 从 `ge::FORMAT_XXX` 提取 | 去掉前缀：`FORMAT_ND` → `ND` |
+
+#### 不同状态的 Tensor 处理
+
+| Tensor 状态 | 旧代码特征 | CSV 处理规则 |
+|-----------|-----------|-------------|
+| **正常 Tensor** | `{{{4, 13, ...}, {...}}, dtype, format}` | 正常填写 shape/dtype/format |
+| **空 Tensor（Tiling）** | `{{{}, {}}, dtype, format}` | 三列都留空 |
+| **空 Tensor（InferShape）** | `{{{}, {}}, dtype, format}` | shape 填 `0`，dtype/format 正常填写 |
+| **空 Tensor（InferDataType）** | 不存在 shape 信息 | dtype 列留空 |
+
+#### 示例对比
+
+| 旧代码 | CSV（Tiling） | CSV（InferShape） |
+|--------|--------------|------------------|
+| `{{{4, 13, 16, 512}, {...}}, ge::DT_FLOAT16, ge::FORMAT_ND}` | `4 13 16 512,FLOAT16,ND` | `4 13 16 512,FLOAT16,ND` |
+| `{{{}, {}}, ge::DT_FLOAT16, ge::FORMAT_ND}` | `,,` | `0,FLOAT16,ND` |
+| `{{{32, 4096, 128}, {...}}, ge::DT_INT8, ge::FORMAT_ND}` | `32 4096 128,INT8,ND` | `32 4096 128,INT8,ND` |
+
+---
+
+### 方法二：属性值提取
+
+#### 旧代码格式
+
+```cpp
+{"attr_name", Ops::Transformer::AnyValue::CreateFrom<type>(value)}
+```
+
+#### 提取规则
+
+| 属性类型 | 旧代码特征 | CSV 写法 |
+|---------|-----------|---------|
+| **Int** | `CreateFrom<int64_t>(16)` | `16` |
+| **Float** | `CreateFrom<float>(0.04166f)` | `0.04166`（去掉 f 后缀） |
+| **String** | `CreateFrom<std::string>("BSND")` | `BSND`（去掉引号） |
+| **Bool** | `CreateFrom<bool>(false)` | `0` 或 `1` |
+
+#### 类型转换表
+
+| C++ 类型 | CSV 写法 | 读取方法 |
+|---------|---------|---------|
+| `int64_t` | 数字 | `std::stoll` |
+| `float` | 数字（可带小数） | `std::stof` |
+| `std::string` | 字符串 | `ReadMap` |
+| `bool` | `0` 或 `1` | `std::stoi` |
+
+---
+
+### 方法三：期望结果提取
+
+#### 期望执行结果
+
+| 旧代码 | CSV 写法 |
+|-------|---------|
+| `ge::GRAPH_SUCCESS` | `SUCCESS` |
+| `ge::GRAPH_FAILED` | `FAILED` |
+
+#### 期望输出 Shape（InferShape）
+
+旧代码中通过 `expectOutputShape` 定义：
+
+```cpp
+std::vector<std::vector<int64_t>> expectOutputShape = {
+    {4, 13, 16, 512},
+    {0},  // 空 Tensor
+};
+```
+
+转换为 CSV：
+- 第一个输出：`4 13 16 512`（写入 `output0_shape` 列）
+- 第二个输出：`0`（写入 `output1_shape` 列）
+
+#### 期望 Tiling Key/DataHash（Tiling）
+
+旧代码可能不显式定义，需要在重构后：
+1. 先运行一次测试获取实际值
+2. 或从已有测试结果中提取
+
+---
+
+## 完整转换示例
+
+### 旧代码（InferShape）
+
+```cpp
+TEST_F(FusedInferAttentionScoreProto, infershape_0)
+{
+    gert::InfershapeContextPara para(
+        "FusedInferAttentionScore",
+        {
+            {{{4, 13, 16, 512}, {4, 13, 16, 512}}, ge::DT_FLOAT16, ge::FORMAT_ND}, // query
+            {{{4, 10347, 1, 512}, {4, 10347, 1, 512}}, ge::DT_FLOAT16, ge::FORMAT_ND}, // key
+            {{{}, {}}, ge::DT_FLOAT16, ge::FORMAT_ND}, // pse_shift (空)
+            {{{4, 13, 10347}, {4, 13, 10347}}, ge::DT_INT8, ge::FORMAT_ND}, // atten_mask
+        },
+        {
+            {{{4, 13, 16, 512}, {4, 13, 16, 512}}, ge::DT_FLOAT16, ge::FORMAT_ND}, // attention_out
+            {{{}, {}}, ge::DT_FLOAT, ge::FORMAT_ND}, // softmax_lse (空)
+        },
+        {
+            {"num_heads", Ops::Transformer::AnyValue::CreateFrom<int64_t>(16)},
+            {"scale", Ops::Transformer::AnyValue::CreateFrom<float>(0.04166666666666666f)},
+            {"input_layout", Ops::Transformer::AnyValue::CreateFrom<std::string>("BSND")},
+            {"softmax_lse_flag", Ops::Transformer::AnyValue::CreateFrom<bool>(false)},
+        });
+    
+    std::vector<std::vector<int64_t>> expectOutputShape = {
+        {4, 13, 16, 512},
+        {0},
+    };
+    ExecuteTestCase(para, ge::GRAPH_SUCCESS, expectOutputShape);
+}
+```
+
+### 转换为 CSV
+
+```csv
+case_name,expectResult,query_shape,query_dtype,query_format,key_shape,key_dtype,key_format,pse_shift_shape,pse_shift_dtype,pse_shift_format,atten_mask_shape,atten_mask_dtype,atten_mask_format,attention_out_shape,attention_out_dtype,attention_out_format,softmax_lse_shape,softmax_lse_dtype,softmax_lse_format,num_heads,scale,input_layout,softmax_lse_flag,case_annotation
+infershape_0,SUCCESS,4 13 16 512,FLOAT16,ND,4 10347 1 512,FLOAT16,ND,0,FLOAT16,ND,4 13 10347,INT8,ND,4 13 16 512,FLOAT16,ND,0,FLOAT,ND,16,0.04166666666666666,BSND,0,基础场景
+```
+
+---
+
+## 大量 Tensor 的处理建议
+
+当输入/输出 Tensor 数量 > 10 时，建议使用自动化方法：
+
+### 建议 1：使用脚本生成 CSV 列名
+
+```bash
+python scripts/generate_csv_template.py {算子名}_def.cpp
+```
+
+脚本会自动：
+- 解析输入/输出 Tensor 列表
+- 解析属性列表
+- 生成 CSV 列名行
+- 生成参数结构体框架代码
+
+### 建议 2：手动提取时按功能分组
+
+将 Tensor 按功能分组排列，便于理解和填写：
+
+```
+基础输入组：query, key, value
+量化组：dequant_scale1, quant_scale1
+PagedAttention组：block_table, kv_padding_size
+Optional组：pse_shift, antiquant_scale
+```
+
+### 建议 3：在注释中标注关键信息
+
+```csv
+case_annotation
+基础场景：query + key + value
+量化场景：启用 antiquant_scale + antiquant_offset
+PagedAttention：启用 block_table
+```
+
+---
+
+## 验证转换结果
+
+转换完成后，需要验证：
+
+1. **编译验证**
+   ```bash
+   bash build.sh -u --ops={算子名}
+   ```
+
+2. **用例数量验证**
+   - 新旧用例数量应该一致
+   - 每个旧用例都应该对应一行 CSV
+
+3. **参数正确性验证**
+   - 运行结果与旧代码一致
+   - 期望结果匹配
+
+---
+
+## 常见问题处理
+
+### Q1: 旧代码中有多个 TEST_F，如何映射到 CSV？
+
+**A:** 每个 `TEST_F` 对应一行 CSV，`case_name` 使用测试名称。
+
+示例：
+```cpp
+TEST_F(OpTest, test_case_0) { ... }
+TEST_F(OpTest, test_case_1) { ... }
+```
+
+转换为：
+```csv
+case_name,...
+test_case_0,...
+test_case_1,...
+```
+
+### Q2: 旧代码中有复杂的逻辑判断，如何处理？
+
+**A:** 将逻辑判断的结果作为参数写入 CSV。
+
+示例：
+```cpp
+if (condition) {
+    shape = {4, 13, 512};
+} else {
+    shape = {1, 1};
+}
+```
+
+转换时，根据 condition 的值，将对应 shape 写入 CSV。
+
+### Q3: 旧代码中有循环生成的多个用例，如何处理？
+
+**A:** 每个循环迭代对应一行 CSV。
+
+示例：
+```cpp
+for (int i = 0; i < 3; i++) {
+    TEST_F(OpTest, test_i) { ... }
+}
+```
+
+转换为：
+```csv
+case_name,...
+test_0,...
+test_1,...
+test_2,...
+```
+
+### Q4: 如何处理精度损失？
+
+**A:** 浮点属性建议使用旧代码中的精确值，避免转换过程中的精度损失。
+
+示例：
+```cpp
+CreateFrom<float>(0.04166666666666666f)  // 精确值
+```
+
+CSV：
+```
+0.04166666666666666  // 保留完整精度
+```
+
+---
+
+## 迁移检查清单
+
+完成迁移后，检查以下事项：
+
+- [ ] 所有旧用例都已转换为 CSV 行
+- [ ] case_name 与旧测试名称一致
+- [ ] Tensor 参数（shape/dtype/format）正确
+- [ ] 属性值正确（类型匹配）
+- [ ] 期望结果正确（SUCCESS/FAILED）
+- [ ] Optional Tensor 处理正确（按测试类型）
+- [ ] 空 Tensor 处理正确
+- [ ] 编译成功
+- [ ] 所有用例通过
+- [ ] 运行结果与旧代码一致

package/assets/ops-direct-invoke/skills/ascendc-ut-develop/references/ops-transformer/ops-transformer.md

@@ -0,0 +1,75 @@
+# ops-transformer 算子仓特性
+
+## CSV 格式输入用例
+
+transformer 仓在现有 UT 框架的基础上，封装了一层 CSV 导入工具。
+
+使用 csv 格式输入的优势：
+- 数据与代码分离，用例框架编译完成后，仅修改用例表格时无需重复编译
+- 避免重复代码，对于多参数算子，可大幅缩减用例长度，缩小模型上下文
+
+**对于 transformer 仓的算子，优先使用 CSV 格式创建用例。**
+
+### 触发条件
+
+- `repo_type` 为 **"ops-transformer"**
+- 用户提及 **"CSV"**、**"CSV整改"**、**"CSV格式"**、**"CSV化"**
+
+### 模板文件
+
+模板文件位于 [assets/csv-refactor/](../../assets/csv-refactor/)：
+
+| 文件 | 用途 |
+|-----|------|
+| `template_param.h` | 参数结构体模板 |
+| `template_tiling.cpp` | Tiling 测试模板 |
+| `template_tiling.csv` | Tiling CSV 示例 |
+| `template_infershape.cpp` | InferShape 测试模板 |
+| `template_infershape.csv` | InferShape CSV 示例 |
+| `template_inferdtype.cpp` | InferDataType 测试模板 |
+| `template_inferdtype.csv` | InferDataType CSV 示例 |
+| `template_cmake.txt` | CMakeLists.txt 模板 |
+
+### 自动化工具
+
+```bash
+python scripts/generate_csv_template.py {op_name}_def.cpp
+```
+
+### 详细文档
+
+- [CSV 重构流程详解](./csv-refactor-workflow.md)
+- [CSV 格式规范](./csv-format-spec.md)
+- [从旧代码提取参数](./legacy-code-extraction.md)
+
+## 多架构支持
+
+ops-transformer 仓支持多种芯片架构，需要特别注意：
+
+### SoC 与架构对应关系
+
+| SoC 参数 | 架构 | 编译示例 |
+|---------|------|---------|
+| `ascend910b` | arch32 | `--soc=ascend910b` |
+| `ascend950` | arch35 | `--soc=ascend950` |
+
+### 编译注意事项
+
+**重要**：编译时必须指定 `--soc` 参数，否则对应架构的代码不会被编译！
+
+```bash
+# 编译 arch35 用例
+bash build.sh --ophost_test --noexec --ops=<op_name> --soc=ascend950
+
+# 编译 arch32 用例
+bash build.sh --ophost_test --noexec --ops=<op_name> --soc=ascend910b
+```
+
+### 运行注意事项
+
+运行测试时需要设置 `BUILD_PATH` 环境变量：
+
+```bash
+export BUILD_PATH=/path/to/ops-transformer/build
+./build/tests/ut/framework_normal/op_host/transformer_op_host_ut --gtest_filter="*Arch35*"
+```

package/assets/ops-direct-invoke/skills/ascendc-ut-develop/references/ut-guide/build_ut.md

@@ -0,0 +1,65 @@
+# UT 编译运行指南
+
+## 编译运行所有模块
+
+```bash
+bash build.sh -u --ops=$op_name --cov
+```
+
+## 编译部分模块
+
+```bash
+bash build.sh -u --opapi --ops=$op_name --cov
+bash build.sh -u --ophost --ops=$op_name --cov
+bash build.sh -u --opkernel --ops=$op_name --cov
+```
+
+## 查看编译帮助
+
+```bash
+bash build.sh -h
+```
+
+## 常用参数说明
+
+| 参数 | 说明 |
+|------|------|
+| `-u` | 编译UT |
+| `--ops=<op_name>` | 指定算子名称 |
+| `--soc=<soc_version>` | 指定SOC版本 |
+| `--cov` | 生成覆盖率报告 |
+| `--opapi` | 仅编译op_api层 |
+| `--ophost` | 仅编译op_host层 |
+| `--opkernel` | 仅编译op_kernel层 |
+
+## 环境变量
+
+在 UT 运行前，设置环境变量`export ASCEND_SLOG_PRINT_TO_STDOUT=1`，将 UT 运行的 LOG 重定向到标准输出，方便定位问题
+
+较难定位时，可以开启更低的 LOG 等级，输出更详细的信息：
+
+| 等级 | 数值 |
+|------|------|
+| DEBUG | 0 |
+| INFO | 1 |
+| WARNING | 2 |
+| ERROR（默认） | 3 |
+
+`export ASCEND_GLOBAL_LOG_LEVEL=${数值}`
+
+## 覆盖率报告位置
+
+编译完成后，覆盖率报告位于：
+```
+<repo>/build/tests/ut/cov_report/cpp_utest/ops.info_filtered
+```
+
+## 查看覆盖率
+
+```bash
+# 查看摘要
+lcov --summary <repo>/build/tests/ut/cov_report/cpp_utest/ops.info_filtered
+
+# 查看未覆盖代码
+lcov --list <repo>/build/tests/ut/cov_report/cpp_utest/ops.info_filtered | grep ":0"
+```

package/assets/ops-direct-invoke/skills/ascendc-ut-develop/references/ut-guide/op-api-ut-guide.md

@@ -0,0 +1,237 @@
+# OP_API UT 详细指南
+
+## 概述
+
+测试 ACLNN 算子接口的正确性：
+- GetWorkspaceSize 返回值
+- 输入参数校验（dtype、shape、format、nullptr）
+- 输出结果正确性
+
+---
+
+## 目录结构
+
+```
+<repo>/<category>/<op>/tests/ut/op_api/
+├── CMakeLists.txt
+├── test_aclnn_<op>.cpp          # 主接口测试
+├── test_aclnn_<op>_out.cpp      # out变体测试（如有）
+└── test_aclnn_<op>_inplace.cpp  # inplace变体测试（如有）
+```
+
+---
+
+## 核心组件
+
+### TensorDesc
+
+```cpp
+// 基本构造
+auto tensor = TensorDesc({3, 3, 3}, ACL_FLOAT, ACL_FORMAT_ND);
+
+// 链式调用
+auto tensor = TensorDesc({3, 3}, ACL_FLOAT, ACL_FORMAT_ND)
+              .ValueRange(-2.0, 2.0)
+              .Precision(0.0001, 0.0001);
+
+// 非连续内存
+auto tensor = TensorDesc({5, 4}, ACL_FLOAT, ACL_FORMAT_ND, {1, 5}, 0, {4, 5});
+```
+
+### ScalarDesc
+
+```cpp
+auto alpha = ScalarDesc(1.0f);           // float
+auto value = ScalarDesc(42);             // int
+auto flag = ScalarDesc(true);            // bool
+```
+
+### OP_API_UT 宏
+
+```cpp
+// 单输入单输出
+auto ut = OP_API_UT(aclnnAbs, INPUT(self), OUTPUT(out));
+
+// 多输入带Scalar
+auto ut = OP_API_UT(aclnnAdd, INPUT(self, other, alpha), OUTPUT(out));
+
+// nullptr测试
+auto ut = OP_API_UT(aclnnAbs, INPUT((aclTensor*)nullptr), OUTPUT(out));
+```
+
+---
+
+## 测试用例示例
+
+### 异常用例（最先编写）
+
+```cpp
+TEST_F(l2_abs_test, case_anullptr_input) {
+    auto out = TensorDesc({2, 2, 3}, ACL_FLOAT, ACL_FORMAT_ND);
+    auto ut = OP_API_UT(aclnnAbs, INPUT((aclTensor*)nullptr), OUTPUT(out));
+    uint64_t workspace_size = 0;
+    EXPECT_EQ(ut.TestGetWorkspaceSize(&workspace_size), ACLNN_ERR_PARAM_NULLPTR);
+}
+
+TEST_F(l2_abs_test, case_invalid_dtype) {
+    auto self = TensorDesc({3, 3, 3}, ACL_DOUBLE, ACL_FORMAT_ND);
+    auto out = TensorDesc(self);
+    auto ut = OP_API_UT(aclnnAbs, INPUT(self), OUTPUT(out));
+    uint64_t workspace_size = 0;
+    EXPECT_EQ(ut.TestGetWorkspaceSize(&workspace_size), ACLNN_ERR_PARAM_INVALID);
+}
+```
+
+### 正常用例
+
+```cpp
+TEST_F(l2_abs_test, case_abs_for_float_type) {
+    auto self = TensorDesc({3, 3, 3}, ACL_FLOAT, ACL_FORMAT_ND).ValueRange(-2.0, 2.0);
+    auto out = TensorDesc(self).Precision(0.0001, 0.0001);
+    auto ut = OP_API_UT(aclnnAbs, INPUT(self), OUTPUT(out));
+    uint64_t workspace_size = 0;
+    EXPECT_EQ(ut.TestGetWorkspaceSize(&workspace_size), ACL_SUCCESS);
+}
+```
+
+---
+
+## CMakeLists.txt
+
+```cmake
+if(UT_TEST_ALL OR OP_API_UT)
+    add_modules_ut_sources(UT_NAME ${OP_API_MODULE_NAME} MODE PRIVATE DIR ${CMAKE_CURRENT_SOURCE_DIR})
+endif()
+```
+
+---
+
+## 常见返回值
+
+| 返回值 | 说明 |
+|-------|------|
+| `ACL_SUCCESS` | 成功 |
+| `ACLNN_ERR_PARAM_NULLPTR` | 参数为空指针 |
+| `ACLNN_ERR_PARAM_INVALID` | 参数无效 |
+
+---
+
+## 编译命令
+
+```bash
+# 编译 op_api UT
+bash build.sh -u --opapi --ops='<op_name>' --soc='<soc_version>'
+
+# 编译并生成覆盖率
+bash build.sh -u --opapi --ops='<op_name>' --soc='<soc_version>' --cov
+```
+
+---
+
+## 测试用例编写顺序（TDD）
+
+1. **异常用例**：nullptr 测试、无效 dtype 测试、shape 不匹配测试、超过 8 维测试
+2. **正常用例**：所有支持的 dtype、所有支持的 format
+3. **边界用例**：空 tensor、0 维 tensor
+
+---
+
+## Dtype 排列组合校验
+
+### 概述
+
+从算子定义文件（`xxx_def.cpp`）中提取输入 Tensor 支持的 dtype 列表，自动生成所有合法的 dtype 排列组合测试用例，确保：
+
+- 所有支持的 dtype 组合都被覆盖
+- 不支持的 dtype 组合被识别为异常用例
+- 提升算子 dtype 分支的覆盖率
+
+### 前置步骤
+
+**1. 定位算子定义文件**
+
+```bash
+# 在算子目录下查找 def 文件
+find ${op_path}/op_host -name "*_def.cpp"
+```
+
+**2. 提取 dtype 信息**
+
+### Dtype 排列组合校验
+
+#### DataType 形式
+
+| 形式 | 语法 | 组合数 |
+|------|------|--------|
+| 数组 | `.DataType({...})` | 数组长度 |
+| 固定 | `.DataTypeList({...})` | 不计入 |
+
+**约束**：数组形式参数长度必须相同。
+
+#### 校验流程
+
+| 步骤 | 操作 | 命令/方法 | 通过条件 |
+|------|------|---------|---------|
+| 1 | 脚本提取 | `python scripts/extract_dtype_combinations.py ${def_file}` | 组合数 N > 0 |
+| 2 | 补充用例 | 按模板补充 N 个 dtype 用例 | UT 文件用例数 M ≥ N |
+| 3 | 覆盖率分析 | `lcov --list ops.info_filtered \| grep "dtype" \| grep ":0"` | 无未覆盖分支 |
+| 4 | 实际测试 | `bash build.sh -u --opapi --ops=${op_name} --soc=${soc}` | N 个组合全部 PASS |
+| 5 | 异常校验 | 构造 3 种非法 dtype 组合 | 返回 ACLNN_ERR_PARAM_INVALID |
+
+**判定**：5 步全部通过 → dtype 校验完整。
+
+**脚本输出**：
+- `/tmp/${op_name}_dtype_combinations.json` - dtype 组合数据
+- 测试用例模板（屏幕输出）- 直接补充到 UT 文件
+
+#### 异常组合构造
+
+| 异常类型 | 构造方法 | 预期结果 |
+|---------|---------|---------|
+| 跨位置组合 | query 用 DataType[0]，key 用 DataType[1] | ACLNN_ERR_PARAM_INVALID |
+| 未定义 dtype | 使用 def 文件中未出现的 dtype（如 DOUBLE） | ACLNN_ERR_PARAM_INVALID |
+| dtype 不一致 | 同一位置不同 Tensor 使用不同 dtype | ACLNN_ERR_PARAM_INVALID |
+
+**示例**：
+
+```cpp
+// 跨位置组合
+TEST_F(l2_flash_attention_test, case_invalid_cross_position) {
+    auto query = TensorDesc({4, 13, 8192}, ACL_FLOAT16, ACL_FORMAT_ND);  // 位置 0
+    auto key = TensorDesc({4, 13, 1024}, ACL_BF16, ACL_FORMAT_ND);       // 位置 1
+    EXPECT_EQ(ut.TestGetWorkspaceSize(&workspace_size), ACLNN_ERR_PARAM_INVALID);
+}
+
+// 未定义 dtype
+TEST_F(l2_flash_attention_test, case_invalid_unknown_dtype) {
+    auto query = TensorDesc({4, 13, 8192}, ACL_DOUBLE, ACL_FORMAT_ND);  // DOUBLE 未定义
+    EXPECT_EQ(ut.TestGetWorkspaceSize(&workspace_size), ACLNN_ERR_PARAM_INVALID);
+}
+```
+
+#### 异常处理
+
+| 异常情况 | 原因 | 处理 |
+|---------|------|------|
+| lcov 有 `:0` | 代码存在 def 未定义的 dtype 分支 | 分析代码补充用例 |
+| 测试有 FAIL | def 定义了不支持的 dtype | 删除组合或修正 def |
+| 异常组合未返回错误码 | 算子校验逻辑缺失 | 修复算子代码 |
+
+---
+
+### Dtype 映射表
+
+| ge::DataType | aclDataType | CSV 写法 |
+|--------------|-------------|----------|
+| `ge::DT_FLOAT` | `ACL_FLOAT` | `FLOAT` |
+| `ge::DT_FLOAT16` | `ACL_FLOAT16` | `FLOAT16` |
+| `ge::DT_BF16` | `ACL_BF16` | `BF16` |
+| `ge::DT_INT8` | `ACL_INT8` | `INT8` |
+| `ge::DT_INT32` | `ACL_INT32` | `INT32` |
+| `ge::DT_INT64` | `ACL_INT64` | `INT64` |
+| `ge::DT_BOOL` | `ACL_BOOL` | `BOOL` |
+
+**补充查找**：若所需 dtype 未在表中列出，可查看 CANN 安装路径下的枚举源文件获取完整定义：
+- `ge::DataType` / `AscendC::DataType`：`${ASCEND_HOME_PATH}/asc/include/basic_api/kernel_type.h`
+- `aclDataType`：`${ASCEND_HOME_PATH}/include/acl/acl_base_rt.h`
+