ascend/agent-skills/triton-operator-precision-eval

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

1. 编写 Torch 参考实现（标杆）
2. 编写测试用例（覆盖多种 shape × dtype × 边界情况）
3. 在 NPU 上执行 Triton 算子和 Torch 参考实现
4. 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

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