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

package/assets/ops-direct-invoke/skills/ascendc-api-best-practices/references/api-mrgsort.md

@@ -0,0 +1,636 @@
+# MrgSort API 使用指南
+
+> **适用场景**：使用排序/归并 API（Sort/Concat/MrgSort/Extract）时，正确选择 API、计算偏移、避免常见错误。
+
+---
+
+## 概述
+
+排序类 API 支持 tile 内排序和 4-way 外部归并：
+
+| API | 功能 | 910b 支持 | 使用场景 |
+|-----|------|----------|---------|
+| **Sort<T, true>** | tile 内排序 | ✓ | Phase 1 tile 排序 |
+| **Concat** | 合成 proposal | ✓ | Sort 前准备 |
+| **MrgSort<T, true>** | 4 路归并（高阶） | ✓ | Phase 2/3/4 归并 |
+| **MrgSort** | 4 路归并（基础） | ✓ | Phase 2/3/4 归并 |
+| **MrgSort4** | 4 路归并（基础） | ✗ | **禁止使用** |
+| **Extract** | 分离 proposal | ✓ | Phase 4 输出 |
+| **ArithProgression** | 索引初始化 | ✓ | Phase 1 索引生成 |
+
+**辅助 API（tmpBuffer 大小计算）**：
+
+| API | 功能 | 使用场景 |
+|-----|------|---------|
+| **GetSortTmpSize** | 计算 Sort tmpBuffer 大小 | Phase 1 UB 规划 |
+| **GetConcatTmpSize** | 计算 Concat tmpBuffer 大小 | Phase 1 UB 规划 |
+| **GetSortLen** | 根据 Sort 数据量获取 proposal 格式字节大小 | proposal 格式地址转换 |
+| **GetSortOffset** | 根据 Sort 数据索引获取 proposal 格式字节偏移量 | proposal 格式地址转换 |
+
+---
+
+## API 选择对照表
+
+| 平台 | 排序 API | 归并 API | 禁用 API |
+|------|---------|---------|---------|
+| **ascend910b (A2)** | `Sort<T, true>` | `MrgSort<T, true>` 或 `MrgSort` | `MrgSort4` |
+
+**关键约束**:
+- `MrgSort4` 基础 API 在 910b 上触发 VEC_ERROR
+- 归并 API 输入的 4 路数据必须**各自有序**
+
+---
+
+## 场景1：tile 内排序（Sort + Concat）
+
+### API 接口
+
+**Sort 高阶 API**:
+```cpp
+AscendC::Sort<T, true>(dstProposal, srcValue, srcIndex, tmpBuffer, repeatTimes);
+
+// 参数:
+//   dstProposal: 输出 LocalTensor（proposal 格式，排序结果）
+//   srcValue: 输入 value LocalTensor（proposal 格式，由 Concat 合成）
+//   srcIndex: 输入 index LocalTensor（uint32_t 类型索引数组）
+//   tmpBuffer: 临时 buffer
+//   repeatTimes: repeat 次数 = ceil(alignTileNum / TOPK_SORT_NUM)
+```
+
+**ArithProgression API**（索引初始化）：
+```cpp
+ArithProgression<T>(dst, startValue, stride, count);
+
+// 参数:
+//   dst: 输出 LocalTensor（存放生成的序列）
+//   startValue: 起始值
+//   stride: 步长（相邻元素的差值）
+//   count: 元素个数
+```
+
+**Concat API**:
+```cpp
+Concat(dst, srcValue, tmpBuffer, repeatTimes);
+
+// 参数:
+//   dst: 输出 LocalTensor（proposal 格式，每 2 个 float 组成 1 个 proposal）
+//   srcValue: 输入 value LocalTensor（float 类型）
+//   tmpBuffer: 临时 buffer
+//   repeatTimes: repeat 次数 = ceil(alignTileNum / TOPK_CONCAT_NUM)
+```
+
+### 完整示例
+
+```cpp
+// Phase 1: tile 排序完整流程
+
+// 1. DataCopyPad 输入数据
+DataCopyPad(inputLocal, inputValueGm_[offsetPerCore], copyParams, padParams);
+
+// 2. 类型转换（如 bf16 → float）
+uint32_t alignTileNum = (tileNum + TOPK_BLOCK_UB - 1) / TOPK_BLOCK_UB * TOPK_BLOCK_UB;
+Cast(inputValueTempLocal, inputLocal, AscendC::RoundMode::CAST_NONE, alignTileNum);
+
+// 3. 初始化索引（Sort 需要的 index buffer）
+LocalTensor<int32_t> tempIndexLocal = sortedValueIndexLocal.ReinterpretCast<int32_t>();
+ArithProgression<int32_t>(tempIndexLocal, static_cast<int32_t>(offsetPerCore), 1, tileNum);
+
+// 4. Concat 合成 proposal（仅 value 部分）
+LocalTensor<float> concatTempLocal = concatTempBuf_.Get<float>();
+uint32_t concatRepeatTimes = (alignTileNum + TOPK_CONCAT_NUM - 1) / TOPK_CONCAT_NUM;
+LocalTensor<float> concatLocal;
+Concat(concatLocal, inputValueTempLocal, concatTempLocal, concatRepeatTimes);
+// 输出：concatLocal 中每 2 个 float 组成 1 个 proposal（value + 待填充的 index 位）
+
+// 5. Sort 排序（输出 value + index）
+LocalTensor<float> sortTempLocal = sortTempBuf_.Get<float>();
+uint32_t sortRepeatTimes = (alignTileNum + TOPK_SORT_NUM - 1) / TOPK_SORT_NUM;
+Sort<float, true>(sortedValueLocal, concatLocal, sortedValueIndexLocal,
+                  sortTempLocal, sortRepeatTimes);
+// 输出：降序排列的 sortedValueLocal（proposal 格式）和 sortedValueIndexLocal（index）
+
+// 6. CopyOut 到 workspace
+DataCopyPad(workspaceGm_[GetSortLen<float>(offsetPerCore)], sortedValueLocal, copyParams);
+```
+
+### tmpBuffer 大小计算
+
+**GetSortTmpSize**（计算 Sort tmpBuffer 大小）：
+```cpp
+uint32_t sortTmpSize = AscendC::GetSortTmpSize(platform, TILE_SIZE, 4);
+
+// 参数:
+//   platform: 平台信息（SocVersion）
+//   TILE_SIZE: 排序元素数
+//   4: proposal 大小因子（固定值）
+```
+
+**GetConcatTmpSize**（计算 Concat tmpBuffer 大小）：
+```cpp
+uint32_t concatTmpSize = AscendC::GetConcatTmpSize(platform, TILE_SIZE, 4);
+
+// 参数:
+//   platform: 平台信息（SocVersion）
+//   TILE_SIZE: 合并元素数
+//   4: proposal 大小因子（固定值）
+```
+
+**教训**：调用高阶 API 前，必须查阅 API 文档确认 tmp buffer 需求，使用文档提供的接口获取大小，并在 UB 空间分配中预留相应空间。
+
+---
+
+## 场景2：4 路归并（MrgSort）
+
+### 高阶 API vs 基础 API
+
+| API | 函数签名 | 消耗计数获取 | 推荐 |
+|-----|---------|-------------|------|
+| **MrgSort<T, true>** | 6 参数高阶 | `sortedNums[4]` 直接返回 | ⭐⭐⭐⭐⭐ |
+| **MrgSort** | 3 参数基础 | 需 `GetMrgSortResult` | ⭐⭐⭐ |
+| **MrgSort4** | 3 参数基础 | 需 `GetMrgSortResult` | **禁止** |
+
+**高阶 API 签名**:
+```cpp
+AscendC::MrgSort<T, true>(dst, srcList, elementCountList, sortedNums, validBitTail, exhaustion);
+
+// 参数:
+//   dst: 输出 LocalTensor（proposal 格式）
+//   srcList: 4 路输入源列表（MrgSortSrcList）
+//   elementCountList: 4 路长度数组（uint16_t[4]）
+//   sortedNums: 输出参数，有效路消耗计数（uint32_t[4]）
+//   validBitTail: 有效路掩码（uint8_t）
+//   exhaustion: exhaustion 模式（通常为 1）
+```
+
+### sortedNums 返回值说明
+
+**关键约束**: `sortedNums` 数组**仅填充有效路对应的元素**，按有效路顺序紧凑排列：
+
+| 活跃路数 | sortedNums 有效元素 | 索引访问方式 |
+|---------|-------------------|-------------|
+| 4 路 | `sortedNums[0..3]` 全部有效 | 按 validBitTail 顺序访问 |
+| 3 路 | `sortedNums[0..2]` 有效，`sortedNums[3]` 未填充 | 仅访问前 3 个 |
+| 2 路 | `sortedNums[0..1]` 有效 | 仅访问前 2 个 |
+| 1 路 | `sortedNums[0]` 有效 | 仅访问第 1 个 |
+
+**注意**: 无效路对应的 `sortedNums` 元素**不一定为 0**，不应直接用 `sortedNums[i]` 按 4 路索引访问，应配合有效路计数器 `j` 紧凑访问。
+
+### validBitTail 设置
+
+| 活跃路数 | validBitTail | MrgSortSrcList 构建 |
+|---------|-------------|-------------------|
+| 4 路 | `0b1111` | `MrgSortSrcList(src0, src1, src2, src3)` |
+| 3 路 | `0b0111` | `MrgSortSrcList(src0, src1, src2, src0)` |
+| 2 路 | `0b0011` | `MrgSortSrcList(src0, src1, src0, src0)` |
+| 1 路 | `0b0001` | `MrgSortSrcList(src0, src0, src0, src0)` |
+
+### 状态更新
+
+```cpp
+// 每次 MrgSort 后，更新 offsets_ 和剩余计数
+curLoopSortedNum_ = 0;
+for (int64_t i = 0, j = 0; i < 4; i++) {
+    if (dealLengths_[i] > 0) {
+        offsets_[i] += GetSortOffset<float>(sortedNums[j]);  // 累加偏移
+        listRemainElements_[i] -= sortedNums[j];              // 扣减剩余
+        allRemainElements_ -= sortedNums[j];                  // 总量扣减
+        curLoopSortedNum_ += sortedNums[j];
+        j++;
+    }
+}
+```
+
+### 完整归并循环示例
+
+以下为多路归并的通用循环结构，适用于 Phase 2/3/4 中每个 group 的归并过程。
+
+#### 核心循环结构
+
+```cpp
+// 每轮归并中，遍历所有 group，每个 group 执行多批次归并
+uint32_t totalGroups = (listNum_ + TOPK_LIST_MAX - 1) / TOPK_LIST_MAX;
+for (uint32_t g = 0; g < totalGroups; g++) {
+
+    // ─── 步骤 1：初始化当前 group ───
+    InitGroup(g, /* context-specific params */);
+    // 设置: offsets_[0..3], listRemainElements_[0..3], allRemainElements_
+    // allRemainElements_ = 该 group 4 路输入的总 proposal 数
+
+    // ─── 步骤 2：批次归并循环 ───
+    int64_t stopThreshold = allRemainElements_ - kVal_;
+    for (; allRemainElements_ > stopThreshold;) {
+        CopyInMultiCore();      // 从 workspace 搬入 UB（每路最多 onceMaxElements_）
+        UpdateMrgParam();       // 设置 validBitTail_ + 清零无效路
+        DealingMergeSort();     // 执行 MrgSort 或单路 DataCopy
+        UpdateSortInfo();       // ★ 必须调用：更新 offsets_ / remain / allRemain
+        CopyOutMultiCore();     // 搬出归并结果到 workspace
+    }
+
+    // ─── 步骤 3：清理当前 group 状态 ───
+    ClearCache();
+}
+```
+
+**循环退出条件**：`allRemainElements_ > stopThreshold`，即当剩余输入总量降至 stopThreshold 以下时退出。这意味着该 group 的归并输出大于 K 个元素后停止归并。
+
+#### 截断归并变体
+
+当需要严格限制输出不超过 K 时，增加 `outputCount` 控制：
+
+```cpp
+// 截断归并：输出量受 outputCount 限制
+InitGroup(g, baseOffset);
+int64_t outputCount = 0;
+// 退出条件：无剩余元素 OR 已输出 ≥ K
+for (; allRemainElements_ > 0 && outputCount < static_cast<int64_t>(kVal_);) {
+    CopyInMultiCore();
+    UpdateMrgParam();
+    DealingMergeSort();
+    UpdateSortInfo();
+    CopyOutMultiCore();
+    outputCount += curLoopSortedNum_;  // 累加本轮输出
+}
+ClearCache();
+```
+
+#### 关键子函数详解
+
+**1. InitGroup — 设置当前 group 的读取偏移和长度**
+
+```cpp
+// 通用 Init 逻辑（Phase 2 核内版本）：
+// 根据 truncationFlag_（上一轮是否截断）决定本轮有效读取长度
+__aicore__ inline void InitGroup(uint32_t groupIdx, int64_t baseOffset)
+{
+    // effectiveLength: 上一轮输出正常 → 读完整 currentElements_
+    //                  上一轮已截断   → 读 min(currentElements_, K)
+    int64_t effectiveLength = truncationFlag_
+        ? min(currentElements_, static_cast<int64_t>(kVal_))
+        : currentElements_;
+    int64_t effectiveTailLength = truncationFlag_
+        ? min(currentTailElements_, static_cast<int64_t>(kVal_))
+        : currentTailElements_;
+
+    for (int64_t i = 0; i < TOPK_LIST_MAX; i++) {
+        uint32_t blockNum = groupIdx * TOPK_LIST_MAX + i;
+        if (blockNum < listNum_ - 1) {
+            // 非尾块：使用 effectiveLength
+            listRemainElements_[i] = effectiveLength;
+            offsets_[i] = baseOffset
+                + GetSortOffset<float>(blockNum * currentElements_);
+        } else if (blockNum == listNum_ - 1) {
+            // 尾块：使用 effectiveTailLength（可能 < effectiveLength）
+            listRemainElements_[i] = effectiveTailLength;
+            offsets_[i] = baseOffset
+                + GetSortOffset<float>(blockNum * currentElements_);
+        } else {
+            listRemainElements_[i] = 0;  // 无效路
+        }
+    }
+}
+```
+
+**2. CopyInMultiCore — 从 workspace 搬入 UB**
+
+```cpp
+// 将 1-4 路数据从 workspace 搬入 copyInQueue_
+// 关键变量:
+//   onceMaxElements_: 单路单次最大搬入量（UB 容量决定）
+//   dealLengths_[i]:   本路本次实际搬入量 = min(onceMaxElements_, listRemainElements_[i])
+//   elementCountList_: 紧凑索引（j）填充，仅有效路被填充
+//   remainListNum_:    实际有效路数（1-4）
+__aicore__ inline void CopyInMultiCore()
+{
+    LocalTensor<float> ubInput = copyInQueue_.AllocTensor<float>();
+    remainListNum_ = 0;
+    for (int64_t i = 0, j = 0; i < TOPK_LIST_MAX; i++) {
+        dealLengths_[i] = (onceMaxElements_ > listRemainElements_[i])
+                          ? listRemainElements_[i] : onceMaxElements_;
+        if (dealLengths_[i] > 0) {
+            // 从 workspace 读取，无需 padding
+            DataCopyPad(ubInput[GetSortLen<float>(onceMaxElements_) * i],
+                        workspaceInput_[offsets_[i]], copyParams, padParams);
+            elementCountList_[j] = static_cast<uint16_t>(dealLengths_[i]);
+            remainListNum_++;
+            j++;  // 紧凑索引：仅有效路递增
+        }
+    }
+    copyInQueue_.EnQue(ubInput);
+}
+```
+
+**3. UpdateMrgParam — 设置 validBitTail_ + 清零无效路**
+
+```cpp
+// 根据 remainListNum_（1-4）设置 validBitTail_ 并清零无效路的 elementCountList_
+// validBitTail_ 告诉 MrgSort API 哪些路是有效的
+__aicore__ inline void UpdateMrgParam()
+{
+    if (remainListNum_ == 4) {
+        validBitTail_ = 0b1111;
+    } else if (remainListNum_ == 3) {
+        elementCountList_[3] = 0;
+        validBitTail_ = 0b0111;
+    } else if (remainListNum_ == 2) {
+        elementCountList_[2] = 0;
+        elementCountList_[3] = 0;
+        validBitTail_ = 0b0011;
+    } else { // remainListNum_ == 1
+        elementCountList_[1] = 0;
+        elementCountList_[2] = 0;
+        elementCountList_[3] = 0;
+        validBitTail_ = 0b0001;
+    }
+}
+```
+
+**4. DealingMergeSort — 执行 MrgSort 或单路 DataCopy**
+
+```cpp
+// remainListNum_ == 1 时无需归并，直接 DataCopy
+// 无效路用第 0 路填充 MrgSortSrcList（MrgSort 要求固定 4 路输入）
+__aicore__ inline void DealingMergeSort()
+{
+    LocalTensor<float> sortBuffer = sortedQueue_.AllocTensor<float>();
+    LocalTensor<float> ubInput = copyInQueue_.DeQue<float>();
+
+    // 按紧凑索引 j 组织有效路
+    LocalTensor<float> tmpUbInputs[4];
+    for (int64_t i = 0, j = 0; i < TOPK_LIST_MAX; i++) {
+        if (dealLengths_[i] > 0) {
+            tmpUbInputs[j] = ubInput[GetSortLen<float>(onceMaxElements_) * i];
+            j++;
+        }
+    }
+
+    if (remainListNum_ == 4) {
+        MrgSortSrcList<float> sl(tmpUbInputs[0], tmpUbInputs[1],
+                                  tmpUbInputs[2], tmpUbInputs[3]);
+        MrgSort<float, true>(sortBuffer, sl, elementCountList_,
+                              listSortedNums_, validBitTail_, 1);
+    } else if (remainListNum_ == 3) {
+        MrgSortSrcList<float> sl(tmpUbInputs[0], tmpUbInputs[1],
+                                  tmpUbInputs[2], tmpUbInputs[0]);
+        MrgSort<float, true>(sortBuffer, sl, elementCountList_,
+                              listSortedNums_, validBitTail_, 1);
+    } else if (remainListNum_ == 2) {
+        MrgSortSrcList<float> sl(tmpUbInputs[0], tmpUbInputs[1],
+                                  tmpUbInputs[0], tmpUbInputs[0]);
+        MrgSort<float, true>(sortBuffer, sl, elementCountList_,
+                              listSortedNums_, validBitTail_, 1);
+    } else {
+        // remainListNum_ == 1: 无归并操作，直接拷贝
+        DataCopy(sortBuffer, tmpUbInputs[0],
+                  static_cast<uint32_t>(TopkAlign(
+                      GetSortLen<float>(elementCountList_[0]), sizeof(float))));
+        listSortedNums_[0] = elementCountList_[0];  // 手动设置消耗计数
+    }
+
+    sortedQueue_.EnQue(sortBuffer);
+    copyInQueue_.FreeTensor(ubInput);
+}
+```
+
+**5. UpdateSortInfo — 更新偏移和剩余计数（★ 必须调用）**
+
+```cpp
+// ★ 关键：每个归并循环都必须调用，否则 allRemainElements_ 不更新 → 死循环
+// sortedNums 按紧凑索引 j 访问，仅有效路有值
+__aicore__ inline void UpdateSortInfo()
+{
+    curLoopSortedNum_ = 0;
+    for (int64_t i = 0, j = 0; i < TOPK_LIST_MAX; i++) {
+        if (dealLengths_[i] > 0) {
+            listRemainElements_[i] -= listSortedNums_[j];  // 扣减该路剩余
+            allRemainElements_    -= listSortedNums_[j];   // 扣减总量
+            offsets_[i] += GetSortOffset<float>(listSortedNums_[j]); // 推进读取偏移
+            curLoopSortedNum_    += listSortedNums_[j];   // 累计本轮输出
+            j++;
+        }
+    }
+}
+```
+
+**6. CopyOutMultiCore — 搬出归并结果到 workspace**
+
+```cpp
+// 将 sortedQueue_ 中的归并结果搬出到 workspace 当前 group 的输出位置
+__aicore__ inline void CopyOutMultiCore()
+{
+    LocalTensor<float> sortBuffer = sortedQueue_.DeQue<float>();
+    DataCopyExtParams copyParams;
+    copyParams.blockCount = 1;
+    copyParams.blockLen = GetSortLen<float>(curLoopSortedNum_) * sizeof(float);
+    copyParams.srcStride = 0;
+    copyParams.dstStride = 0;
+    copyParams.rsv = 0;
+    DataCopyPad(workspaceOutput_[wsOutOffset_], sortBuffer, copyParams);
+    wsOutOffset_ += GetSortLen<float>(curLoopSortedNum_);
+    sortedQueue_.FreeTensor(sortBuffer);
+}
+```
+
+**7. ClearCache — 归并组结束后状态重置**
+
+```cpp
+// 每个 group 归并完成后调用，为下一个 group 准备干净状态
+__aicore__ inline void ClearCache()
+{
+    allRemainElements_ = 0;
+    wsOutOffset_ = 0;
+    gmOutOffset_ = 0;
+    remainListNum_ = 0;
+    for (int64_t i = 0; i < TOPK_LIST_MAX; i++) {
+        offsets_[i] = 0;
+        listRemainElements_[i] = 0;
+        elementCountList_[i] = 0;
+    }
+}
+```
+
+#### 调用顺序约束
+
+```
+InitGroup → （循环）{CopyInMultiCore → UpdateMrgParam → DealingMergeSort
+         → UpdateSortInfo → CopyOutMultiCore}
+         → ClearCache
+```
+
+**必须严格按此顺序调用**，跳步或乱序将导致：
+| 错误 | 后果 |
+|------|------|
+| 缺少 `UpdateSortInfo()` | `allRemainElements_` 不更新 → **死循环** |
+| 缺少 `ClearCache()` | 状态残留 → 下一 group offset 错误 → **越界** |
+| `UpdateMrgParam` 在 `CopyIn` 之前 | `elementCountList_` 未初始化 → MrgSort 入参错误 |
+| `DealingMergeSort` 在 `UpdateMrgParam` 之前 | `validBitTail_` 未设置 → 归并结果异常 |
+
+---
+
+## 场景3：proposal 分离（Extract）
+
+```cpp
+// Extract: 从 proposal 格式分离 value 和 index
+LocalTensor<float> castValue = castValueQueue_.AllocTensor<float>();
+LocalTensor<uint32_t> castIndex = castIndexQueue_.AllocTensor<uint32_t>();
+LocalTensor<float> sortTempBuffer = sortedQueue_.DeQue<float>();
+
+uint32_t extractRepeatTimes = (curLoopSortedNum_ + 32 - 1) / 32;
+Extract(castValue, castIndex, sortTempBuffer, extractRepeatTimes);
+
+// Cast 回原类型（如 float → bf16）
+Cast(ubOutput1, castValue, AscendC::RoundMode::CAST_RINT, sortedValueAlign);
+
+// CopyOut 到 GM
+DataCopyPad(outValueGm_[outOffset_], ubOutput1, copyParamsValue);
+DataCopyPad(outIndexGm_[outOffset_], ubOutput2, copyParamsIndex);
+```
+
+---
+
+## proposal 格式详解
+
+### 格式结构
+
+**proposal 格式**: 每个 proposal 占 **8 字节**
+
+```
+| 字段 | 偏移 | 大小 |
+|------|------|------|
+| value (float) | +0 | 4B |
+| index (uint32) | +4 | 4B |
+```
+
+### GetSortLen / GetSortOffset 单位
+
+| 函数 | 返回值单位 | 用途 |
+|------|-----------|------|
+| `GetSortLen<T>(n)` | **float 数** = n × 2 | proposal 数量转为 float 索引 |
+| `GetSortOffset<T>(n)` | **float 数** = n × 2 | proposal 偏移转为 float 索引 |
+
+### 正确使用
+
+```cpp
+// ✅ 正确：使用 GetSortOffset
+int64_t floatOffset = GetSortOffset<float>(proposalIdx);  // = proposalIdx × 2
+
+// ✅ 正确：直接 × 2
+int64_t floatOffset = proposalIdx * 2;
+```
+
+---
+
+## 排序稳定性说明
+
+| 实现 | 稳定性 | 索引行为 |
+|------|--------|---------|
+| AscendC `Sort<T, true>` | **稳定排序** | 相同 value 时保留原始索引顺序 |
+| AscendC `MrgSort<T, true>` | **稳定排序** | 归并排序天然是稳定排序 |
+| PyTorch `torch.topk` | **非稳定排序** | 相等元素索引顺序不确定 |
+| NumPy `numpy.argsort` | **稳定排序** | 默认稳定 |
+
+**精度测试建议**：
+- value 精度是核心指标，必须 100%
+- index 精度在有重复值时不应严格比对（稳定/非稳定差异）
+- 如需严格 index 精度，需确认输入无重复值或使用稳定排序参考实现
+
+---
+
+## 常见错误
+
+| 错误 | 原因 | 解决方案 |
+|-----|------|---------|
+| **死循环** | 归并循环缺少 `UpdateSortInfo()` | **每个归并循环都必须调用** |
+| **VEC_ERROR** | 使用 `MrgSort4`（910b 禁用） | 使用 `MrgSort` 或 `MrgSort<T, true>` |
+| **归并结果错误** | 输入 4 路数据不是各自有序 | 正确计算地址偏移 |
+| **越界崩溃** | proposal 偏移用 4B | 使用 `GetSortOffset<T>(n)` 或 `× 2` |
+| **偏移理解错误** | `buf[proposalIdx * 4]` 混淆了 proposal 大小(8B)和 float 大小(4B)，误将 proposal 偏移等同于 4B 的 float 偏移 | proposal 偏移应使用 `GetSortOffset<float>(proposalIdx)` (= proposalIdx × 2 个 float)，而非 `proposalIdx × 4` |
+| **队列类型错误** | `copyInQueue_` 定义为 `VECOUT` | 定义为 `TQue<QuePosition::VECIN, ...>` |
+| **使用自定义函数** | 用自定义函数替代 `GetSortLen/GetSortOffset` | 使用 AscendC 内置 API |
+| **缺少事件同步** | ArithProgression 前未等待 MTE2→V | 添加 `WaitFlag<HardEvent::MTE2_V>` |
+
+### 错误示例
+
+```cpp
+// ❌ 错误：使用 MrgSort4
+MrgSort4(ubDst, srcList, info);  // 910b 触发 VEC_ERROR
+
+// ✅ 正确：使用 MrgSort
+MrgSort(ubDst, srcList, info);
+MrgSort<float, true>(dst, srcList, elementCountList, sortedNums, validBit, 1);
+```
+
+```cpp
+// ❌ 错误：地址偏移计算导致某一路输入内部无序
+int64_t offset = blockIdx * kVal_;  // 假设每路长度为 K
+// 实际上 workspace 中每路间隔可能是 addressStride_ × 4
+
+// ✅ 正确：地址间隔与有效长度分开计算
+int64_t addressStride = addressStride_ * 4;  // 地址间隔
+int64_t effectiveLength = min(addressStride_, kVal_);  // 有效长度
+offsets[i] = baseOffset + blockIdx * addressStride;
+```
+
+```cpp
+// ❌ 错误：proposal 偏移用 4B
+float* valuePtr = workspace + proposalIdx * 4;
+
+// ✅ 正确：proposal 偏移用 × 2（每个 proposal = 2 个 float）
+int64_t floatOffset = GetSortOffset<float>(proposalIdx);  // = proposalIdx × 2
+```
+
+```cpp
+// ❌ 错误：使用自定义函数替代内置 API
+__aicore__ inline int64_t GetSortLenFloat(int64_t n) { return n * 2; }
+int64_t offset = GetSortLenFloat(proposalIdx);
+
+// ✅ 正确：使用 AscendC 内置 API
+int64_t offset = GetSortLen<float>(proposalIdx);
+```
+
+```cpp
+// ❌ 错误：索引初始化缺少事件同步
+LocalTensor<int32_t> tempIndexLocal = sortedValueIndexLocal.ReinterpretCast<int32_t>();
+ArithProgression<int32_t>(tempIndexLocal, offset, 1, tileNum);
+
+// ✅ 正确：DataCopyPad（MTE2 操作）后 SetFlag，ArithProgression（V 操作）前 WaitFlag
+// ... DataCopyPad 等 MTE2 操作在此执行 ...
+event_t eventId = static_cast<event_t>(GetTPipePtr()->FetchEventID(HardEvent::MTE2_V));
+SetFlag<HardEvent::MTE2_V>(eventId);
+WaitFlag<HardEvent::MTE2_V>(eventId);
+LocalTensor<int32_t> tempIndexLocal = sortedValueIndexLocal.ReinterpretCast<int32_t>();
+ArithProgression<int32_t>(tempIndexLocal, offset, 1, tileNum);
+```
+---
+
+## 检查清单
+
+使用排序/归并 API 时，确保：
+
+**API 选择**：
+- [ ] 使用 `Sort<T, true>` 高阶 API 进行 tile 内排序
+- [ ] 使用 `MrgSort<T, true>` 或 `MrgSort` 基础 API（910b）
+- [ ] **禁止**使用 `MrgSort4`（910b 触发 VEC_ERROR）
+- [ ] **禁止**使用自定义函数替代 `GetSortLen/GetSortOffset`
+
+**proposal 格式**：
+- [ ] 每个 proposal = 8B（value 4B + index 4B）
+- [ ] `GetSortLen/GetSortOffset` 返回 float 数（= n × 2）
+- [ ] `LocalTensor[]` 是元素偏移，不是字节偏移
+- [ ] 使用 AscendC 内置 `GetSortLen<float>` 和 `GetSortOffset<float>`
+
+**MrgSort 归并**：
+- [ ] 输入 4 路数据必须各自有序
+- [ ] 正确设置 `validBitTail`（4路=0b1111, 3路=0b0111, 2路=0b0011）
+- [ ] `sortedNums` 仅填充有效路元素，需配合有效路计数器 `j` 紧凑访问
+- [ ] 状态更新使用 `sortedNums` 返回的消耗计数
+- [ ] **每个归并循环都必须调用 `UpdateSortInfo()`**（否则死循环）
+
+**队列类型**：
+- [ ] 归并输入队列 `copyInQueue_` 类型为 `VECIN`（不是 `VECOUT`）
+- [ ] 归并输出队列 `sortedQueue_` 类型为 `VECOUT`
+
+**事件同步**：
+- [ ] 索引初始化前等待 `MTE2_V` 事件
+- [ ] CopyOut 前等待 `V_MTE3` 事件
+
+---