MTE2 负责把 GM 数据；时延不是单一定值——它由“MTE 切分→SMMU→NoC→AA→HA→L2/HBM”的分项叠加决定，关键变量是；同地址读取的顺序性不由 MTE 保证。

MTE2 负责把 GM 数据；时延不是单一定值——它由“MTE 切分→SMMU→NoC→AA→HA→L2/HBM”的分项叠加决定，关键变量是；同地址读取的顺序性不由 MTE 保证。

mKernel 没有公开发布通用 API，但论文设计隐含了一套可形式化的多节点融合 kernel 编程模型。下面把它的原语与最小接口显式定义出来——这是把它移植到其他芯片（昇腾）的前提。// 多节点融合 kernel 抽象接口（基于 mKernel 设计的还原定义）ComputeKernel compute, // 计算 tile 逻辑int sm_budget[], // 各角色 SM 数（可被

mKernel 没有公开发布通用 API，但论文设计隐含了一套可形式化的多节点融合 kernel 编程模型。下面把它的原语与最小接口显式定义出来——这是把它移植到其他芯片（昇腾）的前提。// 多节点融合 kernel 抽象接口（基于 mKernel 设计的还原定义）ComputeKernel compute, // 计算 tile 逻辑int sm_budget[], // 各角色 SM 数（可被

核数是主导因子：开销随并发核数单调上升。低核数（4→8→16）线性温和增长；32 核出现跃变——多数配置 16→32 核开销翻 2~6 倍（如 stride 128：741→4568，约 6.2×；stride 16：1499→4193，约 2.8×），表明 32 核并发原子 + 全 cache DCI 汇聚成为瓶颈。步长效应非单调，与核数耦合低核数（4/8/16）下大步长更优。

核数是主导因子：开销随并发核数单调上升。低核数（4→8→16）线性温和增长；32 核出现跃变——多数配置 16→32 核开销翻 2~6 倍（如 stride 128：741→4568，约 6.2×；stride 16：1499→4193，约 2.8×），表明 32 核并发原子 + 全 cache DCI 汇聚成为瓶颈。步长效应非单调，与核数耦合低核数（4/8/16）下大步长更优。

规格：Ascend 910。默认 GEMM：(M=N=K=1024)，blockNum(G=32)。

规格：Ascend 910。默认 GEMM：(M=N=K=1024)，blockNum(G=32)。

（OCP Microscaling Format）：每 N 个低 bit 元素共享一个 8-bit scale (2^N 形式)，Scale = (要素值 × 2^scale) 恢复实际值。：FP32 → FP8 无直接指令时，需双步转换：FP32 → BF16(RNE) → FP8(RNE)，但 RNE 两次舍入会产生。：训练时模拟量化误差（forward: 量化+反量化，backward: S

（OCP Microscaling Format）：每 N 个低 bit 元素共享一个 8-bit scale (2^N 形式)，Scale = (要素值 × 2^scale) 恢复实际值。：FP32 → FP8 无直接指令时，需双步转换：FP32 → BF16(RNE) → FP8(RNE)，但 RNE 两次舍入会产生。：训练时模拟量化误差（forward: 量化+反量化，backward: S