triton-ascend-case-vector-elemwise-bench-atlas-a5

name	triton-ascend-case-vector-elemwise-bench-atlas-a5
description	Atlas A5 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。
category	improvement
version	1.0.0
metadata	{"case_type":"improvement","backend":"ascend","dsl":"triton_ascend","hardware":"Atlas A5"}

互替换 API 推荐（Atlas A5）

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
x / (1 + tl.exp(-x)) 实现 silu	x * tl.sigmoid(x)	128%
tl.fdiv(x, y) / tl.div_rn(x, y) / x*(1.0/y) 实现 div	x / y（A5 fp32 上直接除最快）	87%-94%
x * tl.rsqrt(x) 实现 sqrt	tl.sqrt(x)	71%
tl.sqrt_rn(x)	tl.sqrt(x)	55%
tl.where(x < y, x, y) 实现 minimum	tl.minimum(x, y)	75%
tl.where(x > y, x, y) 实现 maximum	tl.maximum(x, y)	53%
tl.where(x>=0, x, -x) 实现 abs	tl.maximum(x, -x) 或 tl.abs(x)	32%
1.0/tl.rsqrt(x) 实现 sqrt	tl.sqrt(x)	27%
exp(x)/(1+exp(x)) 实现 sigmoid	0.5*(1+tanh(x/2)) 或 tl.sigmoid(x)	23%
tl.exp2(x*LOG2E) 实现 exp	tl.exp(x)	11%
tl.log2(x)	tl.log(x) * LOG2E	10%

fp16

原写法	推荐替换	收益
tl.sqrt(x)	1.0 / tl.rsqrt(x)	84%-89%
tl.sigmoid(x)	1/(1+tl.exp(-x))	50%
tl.where(x > y, x, y) 实现 maximum	tl.maximum(x, y)	59%
(exp(x)-exp(-x))/(exp(x)+exp(-x)) / 2*sigmoid(2x)-1 实现 tanh	1 - 2/(tl.exp(2*x)+1)	46%-50%
tl.exp2(x)	tl.exp(x*LN2)	65%
x / y 实现 div	tl.div_rn(x, y) 或 tl.fdiv(x, y)	25%
tl.maximum(x, 0) / tl.where(x>0, x, 0) 实现 relu	(x + tl.abs(x)) * 0.5	6-11%
tl.where(x>=0, x, -x) / tl.abs(x)	tl.maximum(x, -x)	11-15%

bf16

原写法	推荐替换	收益
tl.where(x < y, x, y) 实现 minimum	tl.minimum(x, y)	199%
tl.where(x > y, x, y) 实现 maximum	(x+y+tl.abs(x-y))*0.5 或 tl.maximum(x, y)	75%
tl.rsqrt(x)	1.0 / tl.sqrt(x)	73%
tl.sqrt_rn(x) / x*tl.rsqrt(x) 实现 sqrt	1.0 / tl.rsqrt(x) 或 tl.sqrt(x)	93%-101%
tl.sigmoid(x)	exp(x)/(1+exp(x)) 或 0.5*(1+tanh(x/2))	63%
tl.div_rn(x, y)	x / y	17%
tl.log(x)	tl.log2(x) * LN2	14%
x / (1 + tl.exp(-x)) 实现 silu	x * tl.sigmoid(x)	29%

跨 dtype 的二维/特殊场景

原写法	推荐替换	备注
acc / l[:, None] 或 acc*(1.0/l)[:, None]	l_recip = 1.0/l; acc * l_recip[:, None]	A5 fp32 上 l_recip+vmul 最快，原版直接除慢 46%、内联 recip 慢 74%