triton-ascend-case-vector-elemwise-bench-atlas-a3

name	triton-ascend-case-vector-elemwise-bench-atlas-a3
description	Atlas A3 上 Triton vector 一元/二元 `tl.*` ：fp32/fp16/bf16 三种 dtype 下各算子端到端 time (ms)；并给出"语义等价、精度对齐"前提下应替换的 triton API 与推荐写法。例如 fp32 上 `tl.exp2(x)` 比 `tl.exp(x*LN2)` 性能表现得要差，可以选择使用 `tl.exp(x*LN2)`。
category	improvement
version	1.0.0
metadata	{"case_type":"improvement","backend":"ascend","dsl":"triton_ascend","hardware":"Atlas A3"}

注意事项

1. exp / exp2：A3 上二者性能差距显著（fp32 上 tl.exp2 比 tl.exp 性能表现很差，数学等价 exp2(x) = exp(x * LN2)，勿与 LOG2E 混淆，但是要保证精度一致。

---

互替换 API 推荐（Atlas A3）

精度告警：以下替换在单算子单元测试上是"语义等价、精度对齐"的，但在算子融合或者网络中使用时， 误差可能会累积放大。 若替换某条 API 后精度无法对齐，请保留原写法，不要替换。

fp32

原写法	推荐替换	收益
tl.exp2(x)	tl.exp(x * LN2)（LN2=0.6931471805599453）	45%
tl.where(x>0, x, 0) 实现 relu	(x + tl.abs(x)) * 0.5 或 tl.maximum(x, 0)	72%
tl.div_rn(x, y)	x / y 或 tl.fdiv(x, y) 或 x * (1.0/y)	17%
x * tl.sigmoid(x) 实现 silu	x / (1 + tl.exp(-x))	14%
tl.sigmoid(x)	tl.exp(x) / (1 + tl.exp(x))	7%
x * tl.rsqrt(x) 或 1.0/tl.rsqrt(x) 实现 sqrt	tl.sqrt(x) 或 tl.sqrt_rn(x)	5-6%

fp16

原写法	推荐替换	收益
tl.where(x < y, x, y) 实现 minimum	tl.minimum(x, y)	57%
tl.sigmoid(x)	tl.exp(x) / (1 + tl.exp(x))	10%
tl.rsqrt(x)	1.0 / tl.sqrt(x)	11%
tl.log2(x)	tl.log(x) * LOG2E（LOG2E=1.4426950408889634）	8%
tl.abs(x)	tl.maximum(x, -x)	8%
tl.fdiv(x, y)	tl.div_rn(x, y)	7%
tl.where(x>0, x, 0) 或 (x+|x|)*0.5 实现 relu	tl.maximum(x, 0)	7-8%

bf16

原写法	推荐替换	收益
tl.abs(x)	tl.maximum(x, -x)（A3 bf16 上 tl.abs 严重劣化）	103%
tl.where(x>0, x, 0) 实现 relu	tl.maximum(x, 0)	86%
tl.where(x<y, x, y) 实现 minimum	tl.minimum(x, y)	78%
2*tl.sigmoid(2*x)-1 实现 tanh	1 - 2/(tl.exp(2*x)+1) 或 (exp(x)-exp(-x))/(exp(x)+exp(-x))	33%
(x + tl.abs(x)) * 0.5 实现 relu	tl.maximum(x, 0)	21%
tl.exp2(x)	tl.exp(x * LN2)	21%
tl.sqrt_rn(x)	tl.sqrt(x)	11%
tl.log2(x)*LN2 实现 log	tl.log(x)	6%
tl.log2(x)	tl.log(x) * LOG2E	6%

跨 dtype 的二维/特殊场景

原写法	推荐替换	备注
acc / l[:, None]（acc: (M, D), l: (M,)）—— fp32	l_recip = 1.0/l; acc * l_recip[:, None] 或 acc * (1.0/l)[:, None]	A3 fp32 上直接除慢 42%，把 M*D 次 vdiv 降到 M 次，剩余转 vmul
acc * (1.0 / l)[:, None]（fp16）	l_recip = 1.0/l; acc * l_recip[:, None]	内联 1.0/l 的写法 fp16 上慢 42%；显式拆出 l_recip 更稳