wenyi-li 中等规模 Mean 归约优化（reduce第一根轴）
任务特征
- 数据尺寸：(1024, 4096)，reduce第一根轴，非reduce轴中等
优化：计算重组
# 简单
total_sum = 0.0
for n_offset in range(0, N, BLOCK_SIZE):
错误：row_sum += tl.sum(block_vals)
# 正确：优化
col_sum = tl.zeros((BLOCK_SIZE_M, BLOCK_SIZE_N), dtype=tl.float32)
for m_start in range(0, M, BLOCK_SIZE_M):
col_sum += block_vals
col_sum = tl.sum(col_sum, axis=0)
Autotune 配置
# （AI core=40）
# 1. grid=16<40, UB占满 -> 13.32 us
triton.Config({'BLOCK_SIZE_M': 64, 'BLOCK_SIZE_N': 256})
# 2. grid=40，有尾块 -> 35.12 us
triton.Config({'BLOCK_SIZE_M': 128, 'BLOCK_SIZE_N': 103})
# 3. grid=32<40，UB占满 -> 9.98 us 最优
triton.Config({'BLOCK_SIZE_M': 128, 'BLOCK_SIZE_N': 128})
# 4. grid=64>40，UB占满 -> 13.33 us
triton.Config({'BLOCK_SIZE_M': 256, 'BLOCK_SIZE_N': 64})
# 5. grid=128>40，UB占满 -> 22.22 us
triton.Config({'BLOCK_SIZE_M': 512, 'BLOCK_SIZE_N': 32})
总结
网格规模略小于AI Core数量且避免尾块时性能最佳。尾块导致性能大幅下降。