系列文章中篇。上篇解决了环境、基线和 Profile 的可信度问题；这一篇进入算子层，记录专用 Prefill Attention、Q10/Q20 Query 复用、Gate/Up Triton GEMV，以及一批看起来合理但最终没有采用的实验。

系列文章上篇。本文记录我们在单卡 gfx936 DCU 上优化 Qwen3.5-27B 推理服务的第一阶段：环境核对、评测基线、长上下文分块规律，以及如何拿到一份不掺启动噪声的 HIP Profile。

这次做 DCU 推理优化，最容易上瘾的是看一个 kernel 从 0.50 ms 变成 0.33 ms。真正难的却是后面的判断：它一层有多少次调用，是否命中 CUDA Graph，是否改变生成路径，是否只在某个 chunk 上有效，部署到另一个容器后会不会悄悄回退。Profile 找热点，真实形状做微基准，局部候选用 guard 接入，服务结果决定去留，精度最后否决。DCU、ROCm、Triton

这次做 DCU 推理优化，最容易上瘾的是看一个 kernel 从 0.50 ms 变成 0.33 ms。真正难的却是后面的判断：它一层有多少次调用，是否命中 CUDA Graph，是否改变生成路径，是否只在某个 chunk 上有效，部署到另一个容器后会不会悄悄回退。Profile 找热点，真实形状做微基准，局部候选用 guard 接入，服务结果决定去留，精度最后否决。DCU、ROCm、Triton

系列文章中篇。上篇解决了环境、基线和 Profile 的可信度问题；这一篇进入算子层，记录专用 Prefill Attention、Q10/Q20 Query 复用、Gate/Up Triton GEMV，以及一批看起来合理但最终没有采用的实验。

以下所有数据来自同一套超算环境（Lustre文件系统、NetCDF 4.4.1、1991-2020 OSTIA SST数据），确保对比的公平性。

这篇文章摘要（150字）： 海光DCU深度使用手记（上）分享了基于MCC2026超算竞赛的实战经验。文章首先澄清海光DCU（Deep Computing Unit）是兼容AMD ROCm生态的通用计算加速卡，其HIP编程接口与CUDA高度相似。作者详细介绍了超算环境配置（海光Z200系列DCU、DTK 25.04.4工具链）和从CPU到DCU的移植策略，重点设计了五阶段流水线架构，实现I/O与计算