Tensor 编程：MP31 TCE、WMMA、SQMMA 与 TME
本章介绍 MTCC 在 mp_31（__MUSA_ARCH__ == 310）上提供的 Tensor builtin。
这些接口属于设备端编程模型；请使用本章列出的 MP31 shape、datatype 和同步
规则。不要把其他平台的 WMMA/SQMMA wrapper 或未声明的异步 wrapper 当作本章 API。
计算与搬运的分工
TCE 执行 D = A × B + C，TME 将 descriptor 描述的 global tile 搬到 shared
memory，或把 tile 写回 global memory。MP31 operation 提供 layout、dtype、barrier
和 builtin 参数的组合；应用 kernel 应使用这些公开 operation，而不是重新拼接
raw 整数参数。
WMMA：warp MMA
MP31 warp-MMA operation 提供以下 7 个 builtin：
__musa_wmma_m16n8k4_mma、__musa_wmma_m16n8k8_mma、
__musa_wmma_m16n8k16_mma、__musa_wmma_m8n16k16_mma、
__musa_wmma_m16n16k16_mma、__musa_wmma_m16n16k32_mma、
__musa_wmma_m16n16k64_mma。
可编译的调用入口是 MTCC 的 MP31 operation。形状、A/B major mode、accumulator
和 TceABDtype 必须使用同一 operation 的定义；不要将其他架构的 fragment
签名直接套用到 MP31 builtin。
SQMMA：shape-specific MMA
MP31 SQMMA operation 使用以下 shape spelling：
m16n64、m32n32、m32n64、m32n128、m64n16、m64n32、
m64n64、m64n128、m128n32、m128n64、m128n128。
每个 family 的 builtin spelling、寄存器布局和 datatype selector 都由 MP31 operation 选择。不要从 WMMA 的参数顺序推导 SQMMA raw 调用。
TME descriptor 与 tile
descriptor、rank、维度、stride、global base address 和 OOB fill 的 host 编码应 遵循 MTCC descriptor API；device 侧 tile 操作使用 MP31 TME operation。MP31 使用 1D–5D tile load/store、3D–5D im2col load，以及 block load/store。所有异步 load 都必须配合 barrier transaction bytes 和 phase wait；预取-only builtin 只是提示， 不能替代 load 或完成同步。
Barrier 与流水
MP31 barrier ID 为 block-local；调用 __musa_async_arrive(barrier_id) 时，
barrier_id 必须是 1–63，0 保留不可用。MTCC transaction barrier 和 MP31
pipeline 负责 arrival、phase、transaction accounting 和 stage reuse。生产者与
消费者必须保持一致控制流，且 transaction bytes 必须等于该 load 实际写入
shared memory 的字节数。
编译与验证
- 先运行普通 load/store 回退，验证边界、layout 和数值。
- 选择 MTCC MP31 MMA/TME operation，不要手写未声明的 builtin 参数。
- 使用
--offload-arch=mp_31编译，并在目标设备上验证数值和边界。 - 对不支持的 shape、alignment 或架构保留普通搬运和计算回退。
完整 builtin 清单、原型、datatype selector、rank-specific load/store 和 prefetch 语义见 TME API Reference；流水线细节见 TME 与异步数据搬运。
