TMATMUL_MX HiF4（HiFloat4 Cube矩阵乘）¶

简介¶

使用 hifloat4x2_t 类型的 TMATMUL_MX 执行 Cube 矩阵乘法，A 和 B 操作数均为 HiF4（4位）压缩数据，各自附带三级 HiF4 缩放因子（Ea/Eb/Ec）。结果在 L0C 中以 FP32 累加，通常通过 FIXPIPE 转换为 BF16 后存储。

A6（dav-920r1）HiF4 矩阵乘流水线： TLOAD → TEXTRACT → TMATMUL_MX → TSTORE（FIXPIPE）。

GM (BF16) ──TLOAD──▶ L1 ──TEXTRACT──▶ L0A/L0B + L0AMX/L0BMX ──TMATMUL_MX──▶ L0C (FP32) ──TSTORE──▶ GM (BF16)

TLOAD：加载 HiF4 数据（GM→L1）和缩放字节（GM→L1，HIF4_A_ZZ / HIF4_B_NN 布局）。数据使用 copy_gm_to_cbuf_multi_nd2nz（ND→NZ 分形）。
TEXTRACT：通过 load_c_buf_to_ca_s4 将数据从 L1 移至 L0A/L0B，通过 load_c_buf_to_ca_mx 将缩放因子移至 L0AMX/L0BMX。
TMATMUL_MX：Cube 单元的 mad_mx，使用 hifloat4x2_t 类型标记，内部触发三级 Ea/Eb/Ec 缩放因子应用。
TSTORE：FIXPIPE 将 FP32 转换为 BF16 并写入 GM。

每个 HiF4 缩放补丁覆盖一个 M 或 N 分形 × 一个 K 组（64个元素）。补丁大小为 64 字节：

字节  0..31：[Ea(g0), Eb(g0), Ea(g1), Eb(g1), ... × 16 组]  (EaEb 半区)
字节 32..63：[Ec_lo(g0), Ec_hi(g0), ... × 16 组]            (Ec 半区)

CCE TQuant 通过 pstu（谓词→对齐寄存器）+ vstas（对齐→UB）存储 Eb，以输出频率打包谓词，避免了旧的 DS_B8 降采样丢失 Eb 位 b4–b7 的问题。

L0C 为 256 KB，以 FP32（4字节/元素）累加。当 M × N × 4 > 256 KB 时，内核按 N 分块：

tileN = floor(L0C_SIZE / (M × 4))，向下取整到 64（TEXTRACT 列对齐）。
A 侧（跨 N 分块共享）在循环前加载并提取一次。
每次迭代提取 tileN 宽的 B 列切片，执行 TMATMUL_MX，将 M × tileN 块以偏移 j × tileN、步幅 N 存入 GM。

L0C 累加器始终为 float（4字节），由 CheckMadMxValid 强制： static_assert(Rows × Cols × sizeof(float) <= PTO_L0C_SIZE_BYTES)。

测试用例	形状	用途
`tmatmul_mx_hif4`	128×128×128, 128×256×128, 256×128×128, 64×64×64, 256×256×256, 128×512×128, 512×128×512, 128×128×256, 256×128×512	HiF4 Cube 矩阵乘端到端
`tmatmul_mx_e1m2`	128×128×128	e1m2 MX 参考用例（相同流水线，普通 MX 缩放）