Inline runtime submit helpers into the caller translation unit, add empty-runtime and weak-submit-noinline controls, and harden object, symbol, layout, pytest, and device-matrix validation.

增加共享 PA 调度模型及 CCEC、AscendC、CPU 三种独立后端。

支持可配置 NOP、阶段 profiling、本地泳道采集与标准库转换。

迁移 PA atomic 分析，补充独立复现指南和关键路径中文注释。

覆盖 standalone PA 的共享 atomic 调用点，记录 site、op、任务归属和动态次数。

按原调用语义区分 return-ready 与 source-issue 边界；CCEC 通过返回值依赖 MOV 后读取 SYS_CNT，不插入 DSB，也不强制发布型 atomic 消费旧值。

将 Atomic 与 ClockBaseline 合并到 AIC/AIV scalar 泳道，补齐 Claim attempted/won schema，并以 atomic_trace_calls、逐核 record 数和 dropped 建立闭环。

泳道采集默认开启逐 atomic 记录，转换器补充边界标识、标量泳道布局和 schema 回归测试。

验证：转换器单元测试 4/4 通过；CPU、CCEC、AscendC 三后端构建通过；A5 CCEC b1 调度语义、atomic 计数、记录容量和泳道后处理全部通过，记录丢失为 0。

在 pa_scheduler standalone 目录内复刻已验证的 Main AICPU Path-A：dispatcher 负责安装内容指纹命名的 owner SO，mode0 JSON 注册统一 simpler_aicpu_exec 入口。

owner 在配置前保存 108 个物理子核的 PMU 控制与 selector 状态，只持有实际开放的 32 AIC + 64 AIV，并按 bitmap 完成失败回滚和退出恢复。

host 直接复用 owner control 内嵌的寄存器基址表，固定 Restore、MMIO unmap、device reset 的清理顺序，不再依赖外部 msprof 配置 selector。

增加 owner bitmap、1 AIC + 2 AIV 三元组、worker 槽位、物理角色和实际运行核集合闭环校验。

验证：精确暂存快照 CCEC 全量构建通过；A5 empty、100000 NOP、2x100000 NOP 三组均为 96/96 可信记录且 Restore PASS；total 中位数约 214、56568、112994 cycles。

为PA scalar性能分析增加可与单次atomic约160ns直接对照的I-cache miss量级，避免继续从热循环aggregate residual臆测单次开销。

测试方法：
- 新增CCEC icache-single PMU窗口和可配置的每核trial数
- 使用8B、128B line对齐的唯一目标函数，并在窗外执行64KiB指令sweep制造capacity eviction
- cold/warm复用同一target、harness与PMU gate；warm预取放在read-clear前，避免窗外事件污染
- 每个phase丢弃一次分支训练样本，并在各角色内平衡cold-first与warm-first顺序
- 同时读取CNT_TOTAL、CNT6、CNT7和1GHz sys counter，以cold-warm差值计算cycles/ns per miss
- 构建期强制校验target、harness、thrash的符号尺寸、128B对齐和链接顺序

正确性门禁：
- 逐核要求cold CNT7等于trials、warm CNT7等于0
- 要求cold-warm周期和时间差为正，且96个物理子核全部完成配对校准
- host分别输出ALL、AIC、AIV统计及可直接用于scalar归因的换算公式
- 与远端atomic_trace_calls合并后，WorkerResult诊断sidecar按64B扩展到832B；生产DistCore ABI及既有字段offset不变

A5实测结果：
- 64 trials/core连续10轮全部通过，ALL中位86.596ns/miss，范围86.532到86.792ns
- 128 trials/core连续5轮全部通过，ALL中位89.629ns/miss，范围89.615到89.648ns
- 15轮均满足每次cold严格增加一个CNT7 miss且warm miss为0
- AIC/AIV只相差数ns且方向随时段变化，不建立角色伪精确常数
- scalar分析统一采用T_icache_est_ns = CNT7_miss_total * 90；1000次miss约为90us

使用边界与文档：
- compulsory、capacity、conflict miss都会计入CNT7总数
- 90ns是96核并发cold/warm校准的一阶等效标尺，不宣称为预取、重叠miss和不同下级命中条件下严格可加的stall
- 同步更新PA分析、独立复现指南和atomic_probe测试数据表，记录原始日志、AIC/AIV分项及公式

验证：
- 合并远端最新atomic泳道提交后，CCEC完整构建、mixed ELF及I-cache布局检查通过
- CPU构建与smoke全部通过
- 原始A5 icache-single长测及暂存快照短测通过96/96核和精确CNT7门禁
- git diff检查通过

在每个worker的参数构造前至最后一次Submit返回后门控PMU，采集CNT_TOTAL与CNT0..8并记录实际start/stop状态。

校验owner bitmap、worker映射、物理角色、triplet和计数器风险门槛，按ALL/AIC/AIV导出PMU-only JSON；仅在owner恢复与runtime清理成功后无覆盖发布。

补齐CPU/AscendC空hook与runner后端门禁。

记录逐atomic边界、计数闭环和256 batch ClaimMax定量归因。

补充自包含owner、submit-all PMU-only JSON合同、三轮256 batch原始取数及使用限制。

# Conflicts:
#	tests/atomic_probe/pa_scheduler/PA调度器独立复现与泳道使用指南.md
#	tests/atomic_probe/pa_scheduler/ccec/build.sh
#	tests/atomic_probe/pa_scheduler/ccec/host.cpp
#	tests/atomic_probe/pa_scheduler/ccec/kernel.cpp
#	tests/atomic_probe/pa_scheduler/ccec/pmu_probe.h
#	tests/atomic_probe/pa_scheduler/common/pa_model.h
#	tests/atomic_probe/pa_scheduler/run.sh

- 为 QK/PV 接入完整 128x128 Cube matmul 流水，为 SF/UP 接入 Vector add/mul 流水并等待 GM 写回完成
- 增加显式 real-compute 模式、分类型迭代次数、独立 workspace 与 active/sentinel 数值校验，默认仍保留三后端 scalar-nop 基线
- 将负载模式、次数、计算单元映射写入 PMU sidecar 与泳道元数据，并校验 Submit placement 和非零引擎计数闭合
- 加强 mixed ELF 入口与 LOCAL helper 构建门禁，补齐参数边界、转换器回归和中文复现文档

验证：CCEC scalar/real b1、real b256、b8 count1/count2 PMU、real b1 泳道、AscendC/CPU smoke、converter 5/5 均通过

- 抽取三后端共享的winner workload布局、参数解析与数值校验\n- AscendC AIC执行完整128x128 Cube矩阵乘流水并等待GM写回\n- AscendC AIV执行Vector Add/Mul流水并等待GM写回\n- 修正A1/B1共享L1的地址重叠和普通KxN右矩阵的分形转置\n- 将真计算数值结果和模式计数纳入语义门禁及泳道元数据

- CPU按相同workspace与角色路由执行完整矩阵乘、逐元素加法和乘法\n- 保留scalar-nop回归入口且不伪造A5引擎PMU\n- 将真计算输出和泳道元数据纳入CPU语义门禁\n- 顶层runner向三后端开放统一winner workload参数并继续限制CCEC专属PMU

- 为三后端增加constant与layout-diagnostic输入模式\n- 以带权对角A和非对称B逐元素验证转置、ND/NZ与输出重排\n- 将输入模式写入泳道及CCEC PMU sidecar并校验非法元数据\n- 固化CCEC、AscendC、CPU分层上板结果与真实负载使用说明\n- 保持constant性能默认及scalar-nop回归路径不变

将三后端无参数 winner 负载切换为 real-compute/6,28,4,1。

保留 NOP override 兼容入口并让 smoke 显式使用零 NOP；同时记录 Case1 fanin 拓扑、数值数据流边界和同泳道口径性能。

将 standalone PA scheduler 中已经验证的 atomic 观察语义迁入 fully_distributed_within_core，使真实 A5 PA 在 level 4 下能够直接生成可分析的 scalar atomic 泳道，同时避免逐次记录热轮询导致设备内存和 JSON 规模失控。

设备端：
- 将 FDWIC raw ABI 升级为 schema v3，使用 32B 紧凑记录，并把不变的 core/block/lane 拓扑收敛到每核 64B 状态；继续复用 65536 records/core 分区。
- 为真实 PA 热路径接入 28 个稳定 atomic site 和 load/exchange/fetch_add/fetch_max/fetch_sub 五类操作；直接调用保持 call_count=1。
- direct span 按 atomic -> end/return_ready -> count -> record 排序，确保本地计数更新、PollBatch 落盘和记录写入不混入单次 atomic 的观测区间。
- 仅在显式 scheduler 等待区聚合九类 observation load；唯一的 RMW 例外是 won_lane_claim_exchange 的 old=1、desired=1 幂等失败重试，成功的 old=0 -> 1 claim 和其他 RMW 仍逐次记录。
- PollBatch 通过 flags 高 24 bit 保存精确 call_count，到 0xFFFFFF 时立即落盘并从 1 重开；保留 region、phase、lap 和最终 flush 闭合。

Host 与转换器：
- A5Sim/onboard runner 透传 level 4 配置并管理 trace 生命周期；host 按核只搬运 count*32B 有效记录，校验 header、拓扑、site/op、时钟基线、容量和 dropped 状态。
- 同时维护逻辑调用数与物理记录数，强制满足 atomic_records = atomic_calls - batched_poll_calls + poll_batch_records，并逐核、全局复算 raw 闭环。
- 共享 converter 识别 schema v3 direct Atomic、PollBatch 和 ClockBaseline，将事件放回真实 scalar lane，标注 batch 语义与逻辑等待包络，禁止把 batch duration 当成单次 atomic latency。
- converter 镜像校验全量 site/op、result_used、return_ready、value_zero、FetchMax payload、每核双 ClockBaseline、cycle 范围和 producer summary，拒绝格式或计数不闭合的本地 raw。
- 输出精确 call_count，支持以 sum(call_count * calibrated_atomic_cost) 估算 scalar core-work；统一按 160ns 标尺时可直接使用 atomic_calls * 160ns。

测试与实测：
- 新增 converter 正反向用例，覆盖十类合法 PollBatch、24 bit 最大值、A5/A5Sim return_ready 差异、坏 direct/clock/timing/summary 拒绝路径；相关 Python 测试 57 项通过。
- 新增直接调用 production accumulator 的 C++ GTest，验证第 0xFFFFFF 次落首批、第 0x1000000 次以 count=1 重开，flush 后状态清零且 dropped=0。
- 修订后的 AIC/AIV 和 A5Sim kernel 均已重编；真实 A5 device 0 上 PA Case1 level 4 通过：115200 次逻辑 atomic、110006 条物理 Atomic、340 条 PollBatch、dropped=0。
- 额外用真实 A5 Benchmark BGEMM/Bgemm64 验证非 PA 算子：1072 次逻辑 atomic、939 条物理 Atomic、27 条 PollBatch、dropped=0。
- 更新中文复现文档，记录十类聚合规则、schema v3、容量口径、计数公式、160ns 归因边界及最终真机产物。

从每轮96核原始PMU记录重算并校验ALL/AIC/AIV统计，聚合独立进程后优先报告AIV平均每核request、miss与p95。

明确区分90ns串行等效标尺和实际暴露损失，并记录同语义配对A/B才可用ΔSubmit与Δmiss完成性能归因。

- 对齐真实PA的15个atomic site及return-ready/source-issue语义
- 将六类显式等待轮询聚合为携精确次数的PollBatch
- 在phase、lap和Kernel边界关闭等待包并补齐96核计数闭环
- 使用仅GM指针与标量的非内联落盘函数，避免CCEC栈对象跨调用损坏
- 增加24位拆批、嵌套region、allowlist、拓扑与raw转换回归
- A5 b1/b256语义、计数与真实计算校验通过，b256 Submit为5.774 ms

拆分无泳道的 submit-pmu 构建，使用四件套 manifest 固化 phase 身份与产物校验。

以 CNT6/7 保留完整 Submit 权威计数；none 要求逐核精确闭合，running phase 显式报告 read-clear 下界、loss 与保守上界，并补齐逐核调用和 A5 拓扑门禁。

增加 raw 独立复算、负向回归与中文 I-cache 使用文档，明确 90ns 仅为 core-equivalent 标尺。

在Submit开头唯一的EfDrain调用点划定编译期PMU边界，按每核5B次调用闭合host、device与离线分析器门禁。

完成b1/b256真实计算负载A5验证：调度语义、真实计算输出、96核拓扑及观测边界全部通过；局部read-clear仅按同一ELF下界与误差包络解释。同步完善构建入口、负例测试和中文使用文档。

- 退役WaitForSlot局部PMU及wins兼容字段，分析器明确拒绝旧phase ID 3
- 新增Materialize与Register编译期观测窗口，按每核5×batches校验调用闭环
- 保留完整Submit primary计数，输出局部read-clear下界与保守上界
- 增强selector、counter位宽、风险阈值、total/scalar及shadow关系的独立复算
- 自动生成自包含HTML，增加ALL/AIC/AIV局部占总体比例图
- 将宽数字表和逐核图限制在独立滚动区域，修复页面内容越界
- 补充I-cache使用指南、scalar wait指标支持边界及A5 b1/b256实测记录
- 完成60项单元测试以及A5语义、PMU拓扑和owner恢复验证

- 完善独立 Submit PMU 的逐核 I-cache、scalar 与阶段时间校验及 HTML 汇总\n- 将 schema-v4 Submit、编排和最终排空划分为严格排他区间，离线拆分内部、尾部与 Submit 间 residual\n- 删除无真实计算的 loser 伪阶段，瘦身 Perfetto 事件并保持 raw 记录规模不增长\n- 接入独立闭合分析器，补齐单元测试、A5 b1/b256 实测证据和中文使用文档

在standalone PA的Alloc和普通Submit重型winner路径上补充低概率分支提示，减少高频loser跨越内联重块后的尾部开销。

记录B1交错复测、B256闭合门禁及关闭泳道ABA结果，并保留AIC/AIV代码体积增长作为后续I-cache验证项。

将真实PA的BuildWinner与AllocComplete分支标记为低频winner冷路，保持Fanin、atomic观测和泳道边界不变。

记录当前观测版5.631ms到5.192ms的A5三轮验证，并明确该收益主要恢复atomic观测接入后的代码布局回退，尚未优于历史5.116ms基线。

把原WriterIntentSet专用probe更名并扩展为shared protocol probe，在AIC/AIV上显式实例化reader_done连续CAS与基于最慢reader的reclaim refresh。

继续对cube/vector object分别做真实静态链接，沿用独立子shell EXIT清理，确保probe不进入正式mixed ELF且不改变PA代码布局。

使用本用户CANN 9.1完成shared CCEC全构建，AIC/AIV probe、split finish、1:2 mixed ELF、符号与manifest均通过；文档明确本提交尚不构成A5跨核顺序证据。

将既有history litmus原地迁移为shared-protocol多场景框架，统一复用约1GiB稀疏state、ACL生命周期、AIC/AIV mixed ELF构建和artifact身份校验。

control新增显式scenario并更新magic/version；host、device dispatcher和manifest均拒绝非法场景。保留history独立初始化、独立强断言及双方向单进程语义，移除旧action和重复脚本入口。

验证：bash语法、AIC/AIV O3编译、无__multi3/未解析全局符号、双入口metadata/无重定位、host与manifest SHA全部通过；新artifact上history AIC到AIV及AIV到AIC各跑1个新进程，12项语义断言与资源清理全部PASS。

- 将history门槛泛化为shared protocol多场景载体，增加ordinary满环reader到reclaimer双向动态场景\n- 构造CAP=128生产可达历史，验证慢reader阻塞、reader_done发布、精确退休及cursor 128复用\n- 分别保留compiler clobber、payload dependency和DSB_ALL三种reader-close观察口径\n- 用AIC/AIV O3 IR门槛锁定五字段FNV依赖、CAS参数、同signal gate和成功分支最终返回\n- 增加非目标槽、反方向状态、symbol/history隔离断言，并为独立host进程增加60秒失败上限\n- 更新standalone使用指南与shared TensorMap记录，明确证明范围、manifest身份及已撤回的错误测试构造

验证：shared CPU全套PASS；AIC/AIV CCEC构建与IR检查PASS；五种IR反向变异均被拒绝；A5 all×1为8/8 PASS，all×20为160/160 semantic/cleanup PASS。

SharedLookupRegion 在初始控制跨度异常时二次读取单调 head，修复旧 head 与新 tail 组成的合法混合快照；扫描期 seq 双检失败时，仅在新 head 已越过失败 cursor 后跳过退休前缀。正常 lookup 路径不增加 atomic，其余异常继续按协议错误拒绝。

新增两类确定性交错、活跃槽 seq 损坏和真实超容量反例。门槛以 reader_done 推导回收，连续两次回收与整批复用期间 committed_tasks 始终为 0，锁定实现不依赖全局 exact turn。

验证：GCC 13 下 CAP=32/64/128/256/16384 全通过，完整 shared CPU 测试通过；CANN 9.1 CCEC 的 AIC/AIV、正式入口、1:2 mixed ELF、零 relocation 与 manifest 构建通过。设备被其他任务占用，本提交不包含 A5 动态结果。

新增 SharedTryAppendReaderGatedTask，完全脱离 committed_tasks：空 ordinary batch 零共享访问；非空正常路径先复用已发布 reclaim_upto 做整批预检，只有 CapacityBlocked 才扫描 reader_done、刷新回收边界并重试，避免每个 writer 无条件增加 96 次 atomic load。

满环门槛改为合法的 reader-close→可重试 batch 流程。覆盖慢 reader 阻塞后关闭转 Ready、独立桶前项不因后项阻塞而部分发布、同桶仅一空槽拒绝两项整批、后项 seq 损坏不发布前项；所有路径 committed_tasks 始终为 0。

验证：GCC 13 下 CAP=32/64/128/256/16384 及完整 shared CPU 全通过；CANN 9.1 下 AIC/AIV 显式实例化、静态链接、正式 1:2 mixed ELF、metadata、零 relocation 与 manifest/hash 检查通过。设备占用期间未执行 A5。

将 SharedPublishTaskCommit 从先 Exchange 再补偿恢复，改为只允许 N 到 N+1 的单次 CAS。重复、陈旧或未来 actor 失败时不再短暂暴露错误前沿。

补充 CPU 原子事件门槛，固定失败发布仅产生一次不改状态的 CompareExchange；同步记录单 owner、仅插入有序的新开发合同，并明确撤回逐 task loser writer-ready 的过程态方向。

验证：shared CPU 完整构建通过，CAP=32/64/128/256/16384 的 ring 门槛及其余 shared 独立测试全部 PASS。

将 standalone shared Submit 从 private 热路径中拆出独立控制流：Claim 唯一 owner 才构造参数和 Materialize，loser 直接关闭 Submit，不等待插入前沿，也不读取 TensorMap。

owner 在私有上下文准备精确 writer delta，拿到 task-id exact turn 后依次发布 symbol history、ordinary region 和 fresh output，最后推进插入前沿；前沿发布后再执行 fanin lookup、Build 和 slot/drain，使不同 owner 的查询、构建和任务执行保持并发。

统一 ordinary、symbol history 与显式 owner 的 producer 过滤到 [N-H,N)，拒绝 self/future 和非法 owner；同步更新泳道阶段、host 计数、前端参数统计与 split CCEC 路径。删除依赖旧 writer-ready 合同的过渡测试，增加 loser 零 sidecar Load、Build/执行跨 owner、空写集合、INOUT、三类元数据混合发布和满桶不改状态门槛。

验证：CPU shared 全套 CAP=32/64/128/256/16384 通过；B1/G4、B256/G1 与 B1/G4 泳道 6964/6964 通过；当前源码下 CCEC AIC/AIV generic、正式入口、split finish、1:2 mixed ELF、LOCAL helper、零 relocation 和 manifest 校验通过。设备未空闲，本提交不声称 A5 上板结果。

将 shared TensorMap 拆为唯一 Claim owner 与轻量 loser，仅串行发布 ordinary、symbol 与 fresh-output writer 元数据；交出 insert turn 后再执行 fanin lookup、Build 和任务调度，使后继 owner 可以跨 task 并发推进。

通过不可变 symbol writer history 与 ordinary ring 查询统一约束 producer∈[N-H,N)，覆盖空写 task、ordinary/symbol INOUT 覆写链、混合元数据事务和满环整批失败不改状态。

将同一枚有序 baton 的物理落点扩展为 turn-G1/G2/G4/G8，保持固定八线 ABI，并为 CPU/CCEC 产物加入 G 身份、精确产物选择和错配拒绝。增加四组 turn 原语、96-thread ordered-submit、跨 owner Build/执行重叠及 post-Claim loser 零 sidecar 访问门槛。

验证：CPU shared G1/G2/G4/G8 与 private G1 完整构建、B256 语义及后处理通过；CCEC shared G1/G2/G4/G8 与 private G1 编译、链接、manifest、ABI 和 SHA 门槛通过。非法 G、private+G2、AscendC/all+G2 及产物 G 错配均按预期拒绝。本提交不宣称 A5 动态验证或性能收益。

在保留Register父区间及Submit排他统计口径的前提下，为每个shared winner仅新增一条元数据发布detail，并由父子端点离线还原等待插入轮次、发布TensorMap元数据、交接下一轮次三个闭合子段。

等待终点依赖最后一次Ready Load返回值，交接终点依赖N到N+1 CAS返回值；不引入DSB，不逐poll取时。针对O3会用Ready分支事实把返回值常量传播成task_id的问题，CCEC用一条MOV派生独立的比较值与计时依赖值，AIC/AIV优化IR均验证atomic Load到SYS_CNT的依赖链仍在；该逻辑只存在于swimlane构建。

同步更新设备记录数闭合、shared稀疏流校验、merged泳道转换和排他分析，确保detail不重复计入Submit，并拒绝缺失、重复、越界、身份不一致、loser误记和孤立Register父记录。

CPU shared完整门槛、69项Python转换与分析测试、CCEC G8构建以及A5 G8 B1/B256泳道均通过。最终B256的1280个Register精确闭合：等待插入轮次占99.000%，元数据发布占0.791%，交接占0.209%；诊断Submit单样本为25.361ms，不用于候选性能裁决。

新增仅使用两个AIV的CCEC精确探针，复刻64B TaskCell中deps_prepared的字段位置，并为每个场景和轮次分配独立cacheline存储。通过独立role/ready/phase/ack控制行建立writer-reader握手，关闭编译器自动DCCI，使用compiler barrier与DSB共同固定发布和观测边界。

Host端覆盖五类路径：TaskCell共线CAS后DCCI、共线普通写后DCCI、deps独占行CAS后DCCI、独占行普通写后DCCI、独占行普通写且无DCCI。判定同时核验CAS返回值、DCCI前后atomic poll、完整64B快照、host最终值、guard、控制状态和参与AIV拓扑，拒绝第三值、撕裂和新值回退。

A5最终版独立执行两次，每次每场景100轮：共线CAS新值100/100被后续dirty TaskCell DCCI覆盖；atomic-only独占行100/100保留新值；两种普通写路径均由DCCI前0/100可见变为DCCI后100/100可见；无DCCI对照本次0/100可见且仅作为观测。所有精确断言通过，semantic_failures=0。

同步更新ATOMIC_USAGE_GUIDE，明确DCCI不要求逐条机械追加DSB，但任何依赖DCCI完成的发布边界必须使用DSB或等价完成机制；并将探针接入ccec/run_all.sh。验证包括CCEC AIV编译/链接、A5两轮100次上板、Host -Wall -Wextra -Werror语法检查、bash -n及diff-check。

在等待前驱完成之前预计算 ordinary bucket、同桶序号和 symbol key，Register 串行区直接消费不可变 writer delta，避免重复 hash、同桶扫描及 symbol args 扫描。

移除仅用于丢弃的 ignored_fanin；依据 fresh-output descriptor 发布、per-task completion 与 insert turn 的传递关系，将正式 ordered 路径的 published 轮询收敛为一次精确检查，同时保留通用等待接口。

A5 B256 shared G1 实测：swimlane Submit 3.392893 ms，相比 R5h 同口径 3.464587 ms 下降 2.069%；Register 累计 core-work 下降 46.642%，其中 predecessor wait 下降 51.292%、writer metadata 下降 36.191%。trace-free perf-clock 单次为 2.482874 ms，方向优于 R5h 四样本中位数 2.9402265 ms；因本机无 task-submit/npu-smi，该项明确记录为 device 0 无锁单样本，不冒充稳定交错收益。

CPU shared 全量、CCEC AIC/AIV generic probe、mixed ELF、host runner，以及 A5 B256 swimlane/perf-clock 的 execution、semantic、postprocess 和泳道闭合均通过。

- 对照private region lookup与shared symbol writer的fanin语义
- 说明统一ordinary TensorMap的可行路径、协议前提和成本
- 记录PA Case1操作量及正确性与性能验收口径

用Output、Inout和Input任务链对比private与shared fanin，并补充future writer、missing past及alias/view反例。

细化DCCI可见性、各路径操作成本、候选方案边界和可执行验收口径。

按每核相邻 Submit 起点构造 actor 周期，避免把 Submit 尾部工作移动到 transition 后误判为 loser 收益。

分别统计 winner/loser 的 gross、control、Submit、EfDrainControl、Claim、post-Claim tail、post-transition 与 KernelUnion，并输出总量、均值、中位数和 P95。

增加单 actor、分类聚合及 OrchestrationReplay 全局闭合校验；Kernel 时间仅从 control 中扣除，atomic 等 scalar 调度成本仍保留。

补充边界搬移门槛测试，验证 Submit 尾部移动 10 cycles 时 actor gross/control 保持不变。

验证：pa_scheduler analyzer 单元测试 32 项通过；完整 converter/analyzer 门槛 83 项通过；真实 B256 raw 闭合为 1280 winner、121600 loser。

问题：shared replay 的96个actor在每个task开始时都会清零完整SubmitContext，但121600个loser实际只消费task身份和稳定output symbol；winner-only的payload、result、fanin及private joint字段落在相邻Submit间隙，形成无效scalar工作。

修改：新增shared专用轻量Begin，只推进local_index并重置task_id/shared_result；Claim owner确定后才绑定worker payload并初始化result与fanin。private路径继续使用原完整Begin，Claim结果字段仍对所有actor显式覆盖。

正确性：shared CPU全量门槛、CPU B256 host oracle、96-worker ordered Submit全部通过；CCEC swimlane/perf-clock的AIC/AIV入口、split runtime/finish、mixed ELF、host和manifest检查全部通过；A5 B256 execution/semantic/postprocess/exclusive均PASS，485796条记录无drop。

性能：loser后继SubmitTransition中位数399ns降至335ns，累计core-work下降8.424%。10次perf-clock中位数2458.6665us降至2436.4655us（-0.903%）；6组同设备baseline->candidate交错中5组改善，配对差值中位数-46.838us（相对基线中位数-1.900%）。同时记录并撤回仅缩短泳道尾部、perf-clock无收益的direct-close候选。

shared SlotReady 在遇到未就绪依赖时压缩已经确认 ready 的本核 fanin 前缀，后续 EfDrain 只轮询 blocker 及未检查后缀；全部依赖就绪后清零计数。完成 flag 仅在单轮 kernel 内按 0→1 单调发布，private 路径保持原扫描逻辑，不增加共享状态、ABI、atomic 或泳道字段。

同步收紧 host oracle：shared 要求 fanin_ready_loads 与 fanin_edges 精确相等，证明每条依赖只命中一次 ready；补充首项阻塞不改数组、连续三阶段压缩和最终清空的 CPU 门槛，并明确 fatal 诊断只保留剩余未就绪后缀。

验证：shared CPU 全量/B256、private CPU 全量/b1、CCEC perf-clock/swimlane 构建和 A5 B256 全部 PASS；依赖签名保持 b7d985d6edb07078，A5 最终复跑 fanin_ready=1280。六组正反顺序 ABBA 均改善，12 样本均值 2436.837→2416.486 us（-20.350 us/-0.835%），中位数 2430.577→2415.203 us（-15.374 us/-0.633%）；ready 重复读取下降 82.427%，总 fanin loads 下降 13.661%。

记录泳道观测边界本身对 1～2 us loser 数值的影响、11 个撤回候选及本轮保留依据；带泳道 loser Submit mean -2.054%、EfDrain mean -4.266%，ClaimMax 基本不变，证明收益落在重复 fanin 轮询而非 Claim atomic。

基于远端e42aba58及三个相邻优化提交分别重建干净的CCEC shared perf-clock产物，固定G1、B256、8192 context、real-compute 6,28,4,1与two-16，记录两轮预热和12个位置均衡区组。

48个独立正式进程全部通过任务数、Claim数、依赖签名、TensorMap与真实计算门槛。R5k和R5l端到端均值分别改善0.869%和0.912%，继续保留；R5m相对R5l回退1.944%，12/12区组全部回退，超过新的1%门槛，明确撤回且不进入待推送代码。

新增独立的 CCEC 与 AscendC AIV 用例，覆盖 DCache baseline/preload、ICache cold/current-PC async/current-PC wait 五种模式。CCEC 直接调用 dc_preload、icache_preload 和 get_icache_prl_st，AscendC 使用公开的 DataCachePreload、ICachePreLoad 和 GetICachePreloadStatus。

两套实现复用同一份 mode、host/device ABI、输入和 checksum oracle。DCache 在计时区外用单行 DCCI 建立冷态，再通过相同的 64-round 独立 gap 测量普通 GM load；ICache 使用独立的 32 KiB evictor，并让三种动态路径汇合到同一份 1024-NOP 目标代码，避免把不同目标函数的布局差异误判为 preload 收益。所有计时保留为 raw SYS_CNT，不按未经校准的频率换算时间。

为两套用例增加独立构建运行脚本和最终 ELF 门禁，校验 AIV entry/meta、current-PC path 与 evictor 的最终尺寸、128 B 对齐和地址不重叠。AscendC 脚本从可执行文件提取 .aicore_binary，并检查实际执行的 .vector 符号。

补充使用指南，记录官方接口语义、适用前提、与 DCCI/同步协议的边界、代码布局风险和业务接入验收标准；明确 preload 只是可丢弃的性能 hint，不能承担一致性、发布、顺序或跨核同步。

A5 最终复测：CCEC DCache access 308->5、total 1051->742，ICache work 995->501、total 1908->1451；AscendC DCache access 349->5、total 1159->741，ICache work 1162->792、total 1992->1632。两套实现的 9 样本语义、status、checksum、D2H 和 cleanup 校验全部 PASS；立即等待相对 async 未体现收益。静态检查通过 bash -n、clang-format --dry-run --Werror 和 git diff --cached --check。

在共享 ABI 中新增 store-only baseline/preload 与 publish-to-GM baseline/preload 四个独立 mode，并在 CCEC、AscendC 两套 AIV 探针中保持相同输入、冷态构造、64-round 独立 gap 和 raw SYS_CNT 统计口径。

store-only 的 access/work 只包围 ordinary volatile store，total 在 store 后立即结束，用于判断提前 preload 是否降低单条 store 指令窗口以及是否产生净收益。用于正确性校验的本核回读、CACHELINE_OUT、DSB、bypass read 和 host D2H 全部放在计时终点之后，避免把探针清理误算进只需 store 的业务场景。

publish-to-GM 继续单独统计：access/work 只表示 store 指令窗口，store->GM 从 store 前覆盖 CACHELINE_OUT 与 DSB，total 覆盖可选 preload、相同 gap 和完整发布序列。host 在每个写 mode 前恢复同一 cacheline 初值，并同时校验写者本核普通回读、清理后的 bypass read 与最终 host D2H，防止只测时间而未证明值正确发布。

文档明确记录 PipeBarrier<PIPE_S>() 不能用于该场景：Scalar 流水顺序由硬件保证，官方约束指出 PIPE_S barrier 会触发硬件错误。preload 仍只是把 GM 数据带入 DCache 的性能 hint，不能替代 DCCI、DSB、发布或同步协议。

A5 最终复测：CCEC store-only access 2->2、total 741->742，publish store->GM 512->206、total 1252->942；AscendC store-only access 2->2、total 745->749，publish store->GM 343->121、total 1083->863。前一次有效运行同样表现为 store-only 无稳定下降、两套 publish 均明显下降，因此只对 publish-to-GM 场景保留收益结论。

验证：CCEC 与 AscendC 九种 mode 的 9 样本 launch、checksum、write visibility、ICache status、D2H 和 cleanup 全部 PASS；最终 AIV ELF 的 current-PC path/evictor 尺寸、128 B 对齐和地址不重叠门禁通过；bash -n、clang-format --dry-run --Werror 和 git diff --cached --check 通过。

新增 1:2 mixed CCEC 探针，按当前泳道物理布局连续写 32 B 七字段记录，并分别统计 ordinary store 发射与逐 cacheline DCCI+DSB 发布窗口。host 覆盖 96 worker、单 AIC/AIV、预取距离/密度矩阵、全量 payload 回读及随机依赖 DCache 容量扫描。

A5 真机确认每核 120 KiB、96 核并发下，d16-c1 将 critical issue 降低 40.436%，包含最终发布的 critical total 降低 30.460%，而 flush 段基本不变；随机依赖访问的有效容量拐点约为 16 KiB。同步更新使用指南，区分单条 store、持续顺序写和真实 PA 端到端收益边界。

验证：run_trace_write_preload.sh build；device 0 完整真机矩阵、GM 逐字段校验与 cleanup PASS。当前环境无 task-submit/npu-smi，按已有授权未加锁直跑。

按最新 shared 泳道复刻 40B writer history、128B/384B descriptor 发布与 128B descriptor 消费模型，保留原有 DCCI/DSB 语义。

增加 caller/target current-PC ICache 布局门禁，以及 32 AIC + 64 AIV 的数据、拓扑和清理校验。两轮 A5 实测中，128B/384B 发布关键核总窗口在无 gap 时约下降 9%/25%，有 gap 时约下降 22%/28%；target 内 ICache preload 约下降 41%，远端 caller preload 未见明确收益。

更新使用指南，区分 aggregate core-work 与 wall-clock，明确 source-hot、destination-hot 等测试假设，并说明探针结果不能直接外推为当前 shared PA 端到端收益。

将 shared full-swimlane 固化为普通阶段、Atomic 和 DCCI 的同一编译与运行合同，补齐 shared TensorMap、输出发布、writer history、回收及启动阶段的逐调用观察，并由源码覆盖测试阻止遗漏的裸 Atomic/DCCI。

把 Submit/Claim 保存到每 task 一条 32B 四端点专区，其余 logical TraceRecord 保持 32B 语义、物理存储压缩为 16B；host 严格展开低 32 位时钟和 packed 字段，converter/analyzer 继续消费同一 schema v5。96 核缓冲从 100670272B 降到 57023296B，五组 ABBA 均改善，均值下降 43.033us（1.544%）。

artifact manifest 升级到 v4，固定 mode、variant、phase、generic/SubmitClaim record size、每核容量与 stride；build 和 run 独立推导布局并校验 SHA，拒绝 16B/32B 跨构建混件。full-swimlane host 默认开启 Atomic，避免普通 run/smoke 与 device ELF 合同不一致。

同时收敛稀疏 shared raw 的 EfDrain、Submit、Claim 展开，补齐 Register、Atomic、DCCI 的闭合验证与 Perfetto 显示顺序，并为 AscendC/CPU host 保留公共回调接口兼容。

验证：shared CPU B256、private CPU b1 和全部 C++ 门槛通过；manifest、源码覆盖、converter、analyzer 共 97 项 Python 测试通过；CANN 9.1 CCEC shared 构建通过；A5 B256 完整解码 Submit=2722.660us，execution/semantic/postprocess、依赖签名、Atomic/DCCI、记录容量与 dropped=0 全部通过。

在 atomic_probe 的 CCEC runner 中接入 production shared TensorMap 可见性探针，不复制状态机：kernel 直接调用正式 publish、read 和 lookup helper，host 使用正式 AICPU reset 与共享布局。

两个 AIV 按 task 轮换 writer/reader。reader 在交权前用普通 scalar load 预热旧 committed、reclaim、head、tail、sequence 和 payload cache line；writer 只执行生产发布链。被测窗口不增加额外 DCCI、DSB、全核同步或自造发布 Atomic，诊断 ready/done 使用独占 cache line 并带有限超时与首错快照。

场景覆盖空 task、同 bucket 双 entry、跨 bucket 双 entry、writer 轮换及 CAP=128 三圈以上回绕。A5 device 0 连续 20 个 launch、合计 7880 task 全部通过；commit/reclaim/head/tail/seq/payload/read/lookup 精确一致，protocol_failures=0、semantic_failures=0。

按 Alloc、QK、SF、PV、UP 分解 ordered Register，明确 fresh output descriptor 在 Materialize 发布、ordinary TensorMap 只服务普通 Gm/Local writer、UP 在 Register 发布三条 INOUT writer history；记录 B256 事件数量和各 task 类型中位耗时，避免把长 predecessor wait 误判成 metadata 计算。

记录 production ordinary-ring 可见性探针的 20 次 A5 结果及其证据边界：它证明旧 cache line 预热后的跨核发布稳定，但不替代 fresh-output 与完整 PA 验证。

补充 shared full-swimlane 16B generic record 的字段布局、时钟展开门槛、manifest v4 混件保护和五组 ABBA。物理 trace 从 100670272B 降到 57023296B，mean/median 分别改善 1.544%/1.637%，五组全部同向。

新增 shared claim loser 开销拆解，区分真实 Atomic、EfDrain、Submit 外壳和泳道插桩开销，记录已经撤回的只缩短观察尾部但无净收益候选。

形成有序单写、多读流水的候选协议规格，明确 heap、insert、lookup、build 的阶段关系、历史视图过滤、reader reclaim、发布顺序和需要继续验证的边界；文档明确标注为候选方案，不冒充当前实现。

补充 INOUT/OUTPUT_EXISTING 复写意图竞态分析，说明较晚 reader 如何漏掉尚未发布的前序 writer，以及当前闸门、通用正确性目标和后续性能方案。修正相对链接，直接指向仓内现有 shared 实现记录与 INOUT 分析。