Perf: A5双Die任务局部性适配最新Main

[yanghaoran29]

背景

这是A5双Die任务局部性方案rebase到Main后的独立验证PR。原实验分支和原PR保持在旧主线版本，不由本PR覆盖。

本PR基于Main提交80dd3cd96e568e6f3ded9c11b68e7c267a31343d，相对该提交只有一个commit：629c7cdef4e83b039fe83de1ec87d948ee4bb185。

方案

• 按连续物理cluster分配Scheduler：S0/S1负责Die0，S2/S3负责Die1。
• 每个任务显式标记GLOBAL、DIE0或DIE1，AIC/AIV/MIX分别维护按domain直接索引的ready queue。
• completion、async-wait、deferred-release和Scheduler-local continuation传播任务domain，使固定Die依赖链尽量在本Die完成。
• BGEMM按group分Die；PA unroll/manual PA按batch链分Die；Batch PA按chunk分Die；Alternating根任务在两侧均分。
• Qwen3按MLP分片保持Gate/Up、SiLU和Down同Die；非sync-start多核SPMD拆分到两个Die，sync-start attention和高fanin dcr_xgamma保持GLOBAL。

与Main的干净构建性能对比

设备为Ascend950PR_9579卡1，CANN 9.2.0。Main和本PR均使用各自的全新worktree、全新build/和独立PTO-ISA checkout从零编译；测试前同时卸载.venv与底层conda环境中的旧editable安装。两侧的pto_isa_build.json均已校验，所有构建路径都位于各自worktree内。

• Main：80dd3cd96e568e6f3ded9c11b68e7c267a31343d
• 本PR：629c7cdef4e83b039fe83de1ec87d948ee4bb185
• 固定卡1，单个task-submit锁，不执行RTT preflight。
• 测试顺序为完整Main后完整本PR。
• 非Qwen每个case运行100轮，表中使用100轮算术平均。
• Qwen运行5轮，分别按Device latency删除最快和最慢各一轮，对中间3轮取平均。
• 负数表示本PR更快，正数表示本PR更慢。

Case	Main Device	本PR Device	Device变化	Effective变化	Orch变化	Scheduler变化
alternating_matmul_add Case1	1,495.2 us	1,332.9 us	-10.85%	-11.16%	-11.14%	-10.95%
benchmark_bgemm Case0	1,567.6 us	1,418.7 us	-9.50%	-9.77%	-9.44%	-9.53%
paged_attention_unroll Case1	1,876.0 us	1,512.5 us	-19.38%	-19.74%	-11.03%	-19.51%
paged_attention_unroll Case2	1,075.5 us	871.1 us	-19.01%	-19.61%	-15.27%	-19.31%
paged_attention_unroll_manual_scope Case1	1,898.5 us	1,495.5 us	-21.23%	-21.63%	-9.76%	-21.46%
paged_attention_unroll_manual_scope Case2	1,066.6 us	869.7 us	-18.46%	-19.27%	-12.79%	-18.86%
batch_paged_attention Case1	6,974.1 us	5,326.3 us	-23.63%	-23.79%	-33.28%	-23.75%
qwen3_14b_decode StressBatch16Seq3500	36,113.7 us	35,322.9 us	-2.19%	-2.19%	+2.35%	-2.19%
8 case几何平均			-15.79%	-16.17%	-13.07%	-15.97%

Qwen中间3轮Device样本：

• Main：35793.9, 36244.5, 36302.7 us；
• 本PR：35271.3, 35283.7, 35413.7 us。

本次8个case的Device latency全部改善，没有Device回退项。Qwen的Orchestrator单项回退2.35%，但Device、Effective和Scheduler均改善约2.19%。

此前PR描述中的性能表受到本机残留editable安装污染：构建后端曾从系统site-packages加载旧优化仓库。本次已清除该安装，并用构建元数据强制验证Main/PR来源；旧表不再作为性能结论。

验证和泳道

• Main与本PR的8个benchmark均运行成功。
• 本PR在卡1为8个case各采集一次4级泳道，8/8 PASS。
• commit中保存了8个case的merged_swimlane.json，可直接导入Perfetto；kernel名称映射保存在对应case目录。
• 泳道采集会扰动细粒度任务并发，因此性能表来自关闭泳道的多轮benchmark。

已知问题

• 测试顺序为完整Main后完整本PR，不是逐case交叉运行。
• Qwen的Orchestrator时间仍回退2.35%，后续可继续压缩任务domain路由与依赖构造开销。
• 先前全量CTest为120/122通过；两个HBG graph-submit目标出现异步时序断言失败。本轮只重新执行性能benchmark，未重新运行全量CTest。

Qwen3后续Die-local实验（独立分支，尚未合入本PR）

在本PR提交629c7cdef4e83b039fe83de1ec87d948ee4bb185基础上继续减少Qwen3跨Die依赖，实验代码位于分支exp/a5-qwen-domain-bridges-20260827，最新提交为cd5eefefc1b4994dd3d7670a120e6abed2559aea。本节是后续实验结果，当前PR head尚不包含这两个实验提交；上方全量表中的Qwen数据仍对应当前PR代码。

新增算法：

• 将50个OutProj block按5个hidden shard重组，每个shard的OutProj producer与对应residual_rms_cast consumer固定在同一Die；
• 将Q seed拆成两个2560-wide半区，分别只解锁同Die的Q projection；
• 将K/V seed拆成两个512-wide半区，分别只解锁同Die的K/V projection；
• mlp_out_seed与24-block CANN PA保持GLOBAL。mlp_out_seed同时清零down/gate/up/attention四类accumulator，且GLOBAL PA必须等待全部seed完成，继续拆分不能带来提前启动收益。

测试仍固定Ascend950PR_9579卡1，关闭泳道；先运行1轮golden并PASS，再运行5轮。按Device latency排序，删除最快和最慢轮，对中间3轮及其对应指标取平均：

Variant	Device	Effective	Orch	Scheduler	Device相对当前PR
当前PR 629c7cde	35,322.9 us	35,286.1 us	10,510.8 us	35,285.4 us	baseline
OutProj/cast同Die 87c23c26	35,134.1 us	35,093.7 us	10,447.5 us	35,093.0 us	-0.53%
再拆分Q/KV seed cd5eefef	34,576.6 us	34,490.2 us	10,472.1 us	34,427.3 us	-2.11%

最终版本相对当前PR：Device改善2.11%、Effective改善2.26%、Scheduler改善2.43%、Orchestrator改善0.37%。最终5轮Device原始值为34644.2, 34473.0, 34434.4, 34612.5, 34932.8 us，入选中间3轮为34473.0, 34612.5, 34644.2 us。