【2026夏季训练营】Hadamard CUDA 加速与 INT4 融合

[a962695448-rgb]

提交 2026 夏季训练营第三题 Hadamard 变换加速项目，代码位于 03_hadamard_tc/a962695448-rgb/。

实现

• NVIDIA CUDA 普通基线、warp 寄存器实现、WMMA Tensor Core 对照及分步/融合 INT4；支持 FP16/BF16 和 dim=1～256 的二次幂。
• PyTorch 前向接口及显式线程/布局选项，保留公开 dtype 舍入、最近偶数取整和打包约定。
• 天数、沐曦、壁仞、昇腾和摩尔五种国产平台的独立构建与验证入口。

提交与既有验证

该 PR 保留核心实现、测试与验收文档。2,586 份历史 results 文件保留在固定完整档案，通过链接引用。原有 51 份源码和构建文件与该档案字节一致；本轮新增的执行上下文验证脚本在清单中单独记录。

• CPU reference、摩尔离线复算与原提交文档链接检查通过。
• NVIDIA A100/4090：1,876 组 CLI 矩阵的多种模式、1,800 组固定 Dao 对照及接口/stream/偏移检查，版本和正负例见既有报告。
• 摩尔：1,504 组完整输入、192 项 API、14 项 CLI；2,074,568 项 GPU 量化原语对照零差异。三轮 6,750 条同设备配对计时中，默认融合相对上一版为 2.012～2.898×。
• 其他国产平台的设备、SDK、正确性和本机性能结果分别记录；跨设备测试不累计成更多独立用例。

2026-09-16 RTX 4090 路由候选实验

对提交 4049323 与一个仅减少主机端元数据/设备查询的候选做同机对照：

CPU 路由对照：21,420 组通过，其中 10,472 组匹配拒绝行为
GPU 正确性：696 组配置通过，12 类异常输入检查通过
配对计时：3 个独立进程轮次，共 3,456 条原始记录
结果：REJECTED，候选不进入本 PR 的计算源码

预先固定的保留门槛是：每轮目标配置耗时下降至少 5%，任何目标/对照配置回退不超过 2%。三轮目标耗时下降分别为 -1.1455%、-0.0448%、+0.6025%，均未达到门槛，因此保留现有实现。

固定实验档案包含原始数据、候选源码、固定协议、验证/分析脚本和取源工具。11 份原始结果回收后逐份 SHA-256 核对通过，本地复算与服务器结果一致。

这里测量带输出分配的普通 Python 接口墙钟时间，目标统计量是未加权几何平均耗时比换算的下降率；不是 kernel event、CUDA Graph 或模型端到端性能。新旧互比和重复计时不扩大独立用例数量；慢例与未采用的候选均保留。

2026-09-16 RTX 4090 D 执行上下文补测

新增测试覆盖三种接口、FP16/BF16、128/256 线程、2D/4D、维度 1/8/64/256，以及合法的 original/auto/packed/contiguous256 组合：

120 组配置全部通过
120 次非默认流检查与独立 NumPy 参考逐位一致
480 次变更输入后的 CUDA Graph 重放通过，输入保持不变
240 个错误对照全部检出：默认流消费者 120 个，旧输出 120 个

错误对照未被识别即整次失败，重放和错误对照不累计成更多独立配置。计算内核未变；这是单卡正确性补测，不宣称性能提升或新 A100 验证。

补充验收说明提供复现入口；固定原始证据保存逐项结果、负例、源码指纹和环境。