一键在 Manus 中运行任何 Skill

开始使用

triton-operator-precision-eval

星标26

分支1

更新时间2026年4月30日 10:00

Triton 算子精度评估。与 PyTorch 参考实现对比，自动计算误差指标，生成标准化精度报告。关键词：精度测试、precision evaluation、精度报告、accuracy verification。

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

Ascend

Ascend/agent-skills

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

Triton 算子精度评估

核心原则

精度是算子正确性的底线。验证通过前不做性能优化。

工作流

编写 Torch 参考实现（标杆）
编写测试用例（覆盖多种 shape × dtype × 边界情况）
在 NPU 上执行 Triton 算子和 Torch 参考实现
用 test_common.validate_cmp() 比对，生成精度报告

MANDATORY - READ ENTIRE FILE：编写测试前，完整阅读 scripts/test_common.py。

误差阈值

判定条件：MERE < 阈值且 MARE < 10 × 阈值

数据类型	阈值	MERE 上限	MARE 上限
float16	2⁻¹⁰ ≈ 9.77e-4	9.77e-4	9.77e-3
float32	2⁻¹³ ≈ 1.22e-4	1.22e-4	1.22e-3
bfloat16	2⁻⁷ ≈ 7.81e-3	7.81e-3	7.81e-2
int8/uint8/int16/uint16/int32/uint32/int64/uint64	完全相等	—	—
bool	完全相等	—	—

其中：

MERE = mean(|y_cal - y_ref| / |y_ref|)，即平均相对误差
MARE = max(|y_cal - y_ref| / |y_ref|)，即最大相对误差

报告必须包含

验证配置：算子名称、测试形状、dtype、核心数
精度标准：所有 dtype 的阈值及判定条件（MERE < 阈值且 MARE < 10 × 阈值）
验证结果：通过/失败总数
误差指标：MERE（平均相对误差）、MARE（最大相对误差）
判定条件

输出约定

精度报告写入算子目录下 precision_report.md（Markdown 格式）
精度评估脚本写入算子目录下 precision_eval.py
参考 examples/ 目录下的示例脚本和报告格式

反模式清单（NEVER）

❌ 不提供 Torch 参考实现就做精度验证
❌ 用错误阈值（如 FP16 用 FP32 的阈值）
❌ 不用 MERE/MARE 判定条件（仅用 rtol/atol 不够严格）
❌ 归约操作不升精度到 FP32
❌ 只测一种 dtype/shape 就断言正确
❌ 跳过边界情况（非对齐维度）
❌ 精度通过前做性能优化

检查清单

Torch 参考实现正确且在 NPU 上验证
覆盖多种 shape × dtype
归约操作用 FP32
生成标准化精度报告

同仓库更多 Skills

同仓库

k8s-check-fix

Ascend/agent-skills

Kubernetes 集群健康检查与安全修复 — 诊断问题，用户确认后执行修复

2026-05-0726

ascendc-operator-performance-optim

Ascend/agent-skills

排查并优化 Ascend C 算子性能。当用户开发、审查或优化 Ascend C kernel 算子时使用，或当用户提及 Ascend C 性能优化、算子优化、tiling、流水、搬运、内存优化、NPU/昇腾等关键词时触发。

2026-05-0726

security-code-review

Ascend/agent-skills

多语言安全代码审查 (Security Code Review)。对 Python、C++、Shell、Markdown 文件进行系统性安全漏洞检测与修复指导。覆盖 OWASP Top 10、CWE Top 25、CERT 安全编码标准。当用户提及以下内容时，务必使用此技能：安全审查、安全代码审查、security review、code review 中的安全检查、漏洞扫描、安全合规检查（CWE/CERT/OWASP）、编写安全代码、检查代码安全性、推理服务安全审计、多模态 Token 安全校验、JSON 嵌套深度攻击防护。即使用户没有明确说'安全审查'，只要涉及代码安全性评估、漏洞检测、安全最佳实践，都应触发此技能。

2026-05-0726

cann-nnal-installer

Ascend/agent-skills

昇腾NPU CANN Toolkit+Kernels+NNAL安装部署技能。支持从官网下载run包安装和从Docker镜像提取两种方式，覆盖驱动检查、包下载、安装、环境变量配置与验证全流程。当用户需要安装CANN全套组件或指定版本CANN到自定义路径时调用。

2026-05-0726

ascendc-operator-code-gen

Ascend/agent-skills

根据设计文档生成 AscendC 算子完整代码实现并完成框架适配。TRIGGER when: 设计文档已完成，需要生成 op_host/op_kernel 代码、注册到 PyTorch 框架、编译测试。关键词：代码生成、op_host、op_kernel、tiling、kernel、框架适配、算子注册。

2026-05-0626

ascendc-operator-design

Ascend/agent-skills

完成AscendC算子设计 - 帮助用户完成算子的架构设计、接口定义和性能规划。当用户提到算子设计、算子开发、tiling策略、内存规划、AscendC kernel设计、两级tiling、核间切分、核内切分时，使用此skill。

2026-05-0626

name	triton-operator-precision-eval
description	Triton 算子精度评估。与 PyTorch 参考实现对比，自动计算误差指标，生成标准化精度报告。关键词：精度测试、precision evaluation、精度报告、accuracy verification。

Triton 算子精度评估

核心原则

精度是算子正确性的底线。验证通过前不做性能优化。

工作流

编写 Torch 参考实现（标杆）
编写测试用例（覆盖多种 shape × dtype × 边界情况）
在 NPU 上执行 Triton 算子和 Torch 参考实现
用 test_common.validate_cmp() 比对，生成精度报告

MANDATORY - READ ENTIRE FILE：编写测试前，完整阅读 scripts/test_common.py。

误差阈值

判定条件：MERE < 阈值且 MARE < 10 × 阈值

数据类型	阈值	MERE 上限	MARE 上限
float16	2⁻¹⁰ ≈ 9.77e-4	9.77e-4	9.77e-3
float32	2⁻¹³ ≈ 1.22e-4	1.22e-4	1.22e-3
bfloat16	2⁻⁷ ≈ 7.81e-3	7.81e-3	7.81e-2
int8/uint8/int16/uint16/int32/uint32/int64/uint64	完全相等	—	—
bool	完全相等	—	—

其中：

MERE = mean(|y_cal - y_ref| / |y_ref|)，即平均相对误差
MARE = max(|y_cal - y_ref| / |y_ref|)，即最大相对误差

报告必须包含

验证配置：算子名称、测试形状、dtype、核心数
精度标准：所有 dtype 的阈值及判定条件（MERE < 阈值且 MARE < 10 × 阈值）
验证结果：通过/失败总数
误差指标：MERE（平均相对误差）、MARE（最大相对误差）
判定条件

输出约定

精度报告写入算子目录下 precision_report.md（Markdown 格式）
精度评估脚本写入算子目录下 precision_eval.py
参考 examples/ 目录下的示例脚本和报告格式

反模式清单（NEVER）

❌ 不提供 Torch 参考实现就做精度验证
❌ 用错误阈值（如 FP16 用 FP32 的阈值）
❌ 不用 MERE/MARE 判定条件（仅用 rtol/atol 不够严格）
❌ 归约操作不升精度到 FP32
❌ 只测一种 dtype/shape 就断言正确
❌ 跳过边界情况（非对齐维度）
❌ 精度通过前做性能优化

检查清单

Torch 参考实现正确且在 NPU 上验证
覆盖多种 shape × dtype
归约操作用 FP32
生成标准化精度报告