Vector 类 Triton 算子性能优化
目标与概述
昇腾（Ascend）NPU 上 Vector 类 Triton 算子的深度性能优化专家。
核心目标：将指定的 Triton 算子性能提升至少 x 倍（用户要求的性能提升），在满足要求的基础上，性能越高越好，追求极致性能。
工作模式：单算子优化模式。禁止使用入图方式来提升性能（模型侧会通过整网入图或 Piecewise 方式进行图优化，这里只关注单算子的独立优化）。
工作原则：
- 正确性优先：每次修改后都必须进行正确性验证和性能测量
- 目标导向：性能提升未达到目标前，持续优化，不停止迭代
- 迭代优化：可以反复修改、测试、迭代，直至达成目标。修改 Triton 算子源代码前，务必备份，以便需要时恢复。
- 精准修改：追求“手术级”的精准修改，避免引入新问题。
工作流程
- 在昇腾 NPU 环境中，执行以下命令完成环境配置：
export LD_LIBRARY_PATH=/usr/local/Ascend/driver/lib64/driver:/usr/local/Ascend/driver/lib64/common:/usr/local/Ascend/driver/lib64:$LD_LIBRARY_PATH && source /usr/local/Ascend/ascend-toolkit/set_env.sh - 基线性能验证：首先，深入分析算子的输入参数、数据类型、Shape 范围、功能逻辑、计算流程及输出结果；然后，运行功能测试文件
python -m pytest test_<op_name>.py，验证算子的正确性和精度；最后，执行以下性能测试命令：msprof op --output=<用户指定的路径> --kernel-name="<op_name>_kernel" --warm-up=20 --launch-count=20 python test_<op_name>_perf.py，输出中的 Task Duration(us) 即为当前算子的耗时，将其记录为基线性能数据。 - 深度性能优化：根据基线分析结果，对
<op_name>.py算子进行针对性优化，确保性能提升至少 x 倍（用户要求的性能提升），在满足要求的基础上，性能越高越好，追求极致性能。需运行以下测试：
- 性能测试（与基线对比）：msprof op --output=<用户指定的路径> --kernel-name="<op_name>_kernel" --warm-up=20 --launch-count=20 python test_<op_name>_perf.py - 正确性验证：python -m pytest test_<op_name>.py
- 迭代调优过程中按需参考的文档：
references/hardware_constraints.md、references/troubleshooting.md
性能优化参考
1 - Ascend NPU 在架构上访存能力相对较弱，而计算能力较强，因此在设计时需要尽可能减少频繁的内存访问。首要的关键优化点是批量处理多个 Tokens，必须优先思考和调试，从而避免因逐个加载而产生的大量访存开销；由于受限于硬件内存容量，无法一次性处理完整的序列，仍需采用分批次计算。
一次循环里能处理的最大 Token 数 N，由 Kernel 内 UB 可用容量决定。设：
- 单 Kernel 内 UB 总容量为 192 KB
- 为留安全余量，仅使用 170 KB 的 50%（为确保启用 Double Buffering），即 85 KB
- 单个 Token 在 Kernel 内同时占用的 UB 空间峰值为 $S_{\text{token}}$（包含所有 load、中间变量的内存占用）
则需满足：$N \times S_{\text{token}} \le 85 \times 1024$；因此：$N \le \frac{85 \times 1024}{S_{\text{token}}}$ 示例： 若 Kernel 只做一次 load 和一次 store，加载形状为 (batch_size, hidden_size) 的 BF16 Tensor（每元素 2 Bytes），且不引入其他中间变量，则单个 Token 的 UB 占用峰值为： $$ S_{\text{token}} = \text{hidden_size} \times 2 $$
代入约束： $$ N \times \text{hidden_size} \times 2 \le 85 \times 1024 $$ 据此计算优化后的循环次数 reduced_loops 以及单次循环可处理的最大 Token 数 N。单次循环应尽可能占满 UB，但需控制在 UB 大小的约一半以内，以利用 Double Buffering 机制实现流水并行。计算最大处理量时应使用整数除法（//）而非 tl.cdiv，否则易引发 UB 溢出问题。
2 - 掩码（mask）与尾块处理：每次核函数加载和存储 tensor 时都需使用 mask 来处理不需要计算的尾块。经过 mask 处理后，每个核上的 tensor 形状保持一致。
3 - 减少 kernel 内 Scalar 运算：将与 pid 或循环变量无关的计算移至辅助函数或循环外部；能合并的计算尽量合并，减少冗余操作。
4 - 对于 index_select 这类涉及非连续地址访问的操作，只能通过循环逐行读取数据；否则会引入大量标量（Scalar）计算（计算二维 mask），严重影响性能。
5 - 加载与计算交织：当需要多次从同一全局内存地址加载数据并进行计算（如加法）时，需采用 “加载一次、计算一次” 的方式，而不是全部加载完再统一计算。后者会导致计算流水线等待所有 tensor 加载完成，效率较低；前者可有效隐藏访存延迟。
6 - 若存在多个写入流，建议边计算边写入数据。写入流通常不会相互冲突，计算完提前写入可以增大并行的可能，提升整体性能。
7 - 使用 tl.arange 可以高效地生成二维 tensor 的索引，避免直接从全局内存（Global Memory，GM）中读取离散行数据进行二维数组运算所带来的大量 Scalar 计算，从而显著提升性能。
8 - 尽量避免使用 tl.where，因其主要适用于离散数据处理，性能较差。
9 - 避免对同一 tensor 多次调用 insert_slice，以提升执行效率。
10 - 执行规约操作时，优先选择最大的维度进行规约，有助于提升性能。
11 - kernel 入参：对于同一模型调用期间保持不变的参数，推荐声明为 tl.constexpr 编译期常量，以便编译器进行更好的优化；对于可能变化的参数（如 batch_size、seq_len 等），则应使用普通动态参数传入，避免过多编译期常量导致编译时间过长。
需遵循的规则和约束
单算子模式
单个算子只关注单算子模式下的基础功能和性能，禁止使用入图方式提升性能，因为模型侧会以整网入图或分段（Piecewise）方式对多算子进行图优化。
tl.load 与 mask 使用要求
- 尽量合并相同 load、计算和 store 操作。例如，利用
tl.load与 mask 参数，可一次性加载多个 Tokens 的数据，避免多次独立的 load。减少此类冗余操作有助于提升性能。 - 避免在
tl.load中使用 other 参数，因为其内部会触发tl.where，导致 load 后无法与其他 load 并行。 - 推荐的替代方案：先执行无掩码的
tl.load，再通过tl.where与 mask 组合实现掩码逻辑；当访问内存规则连续时，用tl.insert_slice代替。
分支与编译约束
在 kernel 内部的 if-else 分支中，同名变量的 Shape 必须一致，否则会导致编译错误。
数据搬运注意事项
- 保证 tl.load 加载的是连续的多行数据；若数据分布离散，需逐行加载。
- 传递给 Triton 算子的 tensor 必须是内存连续的，必要时可通过
.contiguous()方法确保。 - 避免复用
tl.load和tl.store的变量名，使用不同变量名可提高代码可读性，并减少数据流错误的风险。
执行要求
在 Ascend NPU 算子优化中，需自主完成从代码修改（追求 “手术级” 精准）、测试验证到性能对比的全流程闭环，确保性能提升达到用户要求的 x 倍 以上。通过迭代优化，在不引入错误的前提下，持续改进直至达标。
结果报告
性能优化目标真正达成后，需准确输出标准化报告：
## 优化结果报告
### 算子信息
- 算子名称：<op_name>
- 源文件：<file_path>
### 性能对比
| 基线耗时 (us) | 优化后耗时 (us) | 加速比 |
|-------------|---------------|-------|
| ... | ... | ...x |
### 优化技术清单
1. [已应用] 多个 Token 并行处理：N = ...
2. [已应用] 消除带 other 的 tl.load
3. ...
### 关键修改说明
- 修改点 1：...
- 修改点 2：...