04 性能调优原厂工程检查清单

1. 算子极限性能达成 8 步法检查清单

• [ ] Step 1 (算子融合)：是否已将连续的 Elementwise 算子合并至前置 MatMul 输出阶段？
• [ ] Step 2 (访存对齐)：Global Memory 读写是否满足 128-bit 向量化合并（float4）？
• [ ] Step 3 (SRAM 冲突)：Shared Memory 访问是否存在 Bank Conflict？是否已添加 Padding？
• [ ] Step 4 (Tensor Core)：矩阵维度是否对齐到 16 的倍数以完整利用 Tensor Core MMA 硬件？
• [ ] Step 5 (Double Buffering)：是否采用异步 Copy（cp.async）实现计算与数据搬运的流水线重叠？
• [ ] Step 6 (寄存器控制)：每线程寄存器用量是否导致 Register Spill？限制寄存器数量后，Occupancy 与执行时间如何变化？
• [ ] Step 7 (Occupancy 权衡)：SM 活跃 Warp 是否有足够就绪指令？等待主要来自依赖、访存还是发射资源？
• [ ] Step 8 (Roofline 验证)：实际测得的 TFLOPS 或带宽距离该形状、精度和设备上的可达上界有多远？同时记录模型假设和实测条件。