2026-11-15更新于 2026-11-16约 18 分钟
b9 模型对比与性能迁移失败分析
分析对象是新 harness 下的正式交付、可见推理记录、工具调用、最终代码与评分;旧 b8 和试跑结果不混入统计。
目前最有解释力的发现是:性能迁移失败发生在三个相接的环节——识别源码中值得保留的计算结构,把它实现为目标平台上的机制,以及用可靠实验决定在哪些形状上采用它。 Qwen 的严重性能损失多发生在前两个环节;Sol 能完成不少机制重构,但仍会漏掉运行时开销、局部形状弱点,以及其他任务已经验证的经验。还有一类失败来自同步、比较关系和最终交付协议,必须与性能取舍分开处理。
这些是本批运行的诊断,不是对模型能力的普遍排名。两项逻辑缺陷已有静态反例;其他性能归因按证据强弱区分为观察与待验证解释。本轮没有改动交付代码,也没有进行新的 GPU 重测。
后续工作流审计与 Agent 设计补充了一个比较条件:两模型的 CLI 版本与逐任务 TASK 相同,但基础指令和工具调用接口不同。因此本批差距包含模型与运行配置的共同影响,不能全归因于模型。该报告另给出首次通过里程碑、现有 Aqua 的接入点及离线规则原型。
数据范围与解释边界#
- A100 Sol 14 个、MI210 Sol 14 个、MI210 Qwen 14 个正式交付,另有 Qwen gdn 和 lightning 的两次被重排尝试。DCU 尚不在本批完整数据中。
- A100 Sol、MI210 Sol 均为 14/14 算子通过;MI210 Qwen 为 11/14。三个未通过项是 gdn 编译失败、Kimi 数值/交替检查失败、bf16 TopK 索引/交替检查失败。
- 采用当前第一层修正保持率:参考时间为
max(F/P实测,同尺寸复制时间,空kernel启动时间)。这里称它为经验参考时间;复制核的实测时间不是所有实现都必须满足的严格理论下界。低于 1 是调查入口,不能单凭这个数判定模型决策错误。 - 源基线是 A100 CUDA,dsv3/equi 使用 H100 CUDA。kimi、topk_bf16、topk_fp32 缺少当前口径的源时间,不给它们编造保持率。
- Sol 的会话大多只有可见推理摘要,Qwen 的会话多有可见推理正文。不能比较“想了多少字”,也不能将摘要当完整思维。本文用推理提出线索,用实际命令、代码和评分约束结论。
- 评分文件记录的是源码 MD5 前 12 位,bench 日志记录的是可执行文件的 FNV 标识,两者不可混用。43 份存在的交付源码均已与对应评分 MD5 核对;另一次 lightning 尝试没有交付源码。分析清单另存 SHA256,便于追溯。
原始总表:v2_table.md。逐配置数据:v2_per_config.csv。17 组证据索引链接到源码、决策记录和会话原始行;分析脚本和版本清单可复核下面的统计。
同一目标平台上 两个模型到底差在哪里#
MI210 的配对比较可以直接比较交付时间,从而不依赖保持率参考模型来判断两份代码谁快。下表时间倍数是相同全部配置的 Qwen 时间之和 / Sol 时间之和,不是逐配置倍数的算术平均;有正确性失败时不报全算子速度倍数。
| 算子 | Sol 保持率 | Qwen 保持率 | Qwen 时间 / Sol 时间 | 最终代码及过程中的主要差别 |
|---|---|---|---|---|
| bnb | 2.57 | 0.01 | 315.3× | Qwen 最后交付逐输出元素的串行 K 点积;Sol 融合 NF4 解码、块尺度处理、BF16 MFMA 和分块复用 |
| mmq | 2.16 | 0.02 | 127.0× | Qwen 保留标量解码点积;Sol 在小 J 上融合解码与 MFMA,大 J 上使用向量解码和调优后的 rocBLAS |
| attention | 1.26 | 0.01 | 171.5× | Qwen 保留 split-KV/softmax 但失去矩阵计算;Sol 建立 direct/shared/packed 三类 MFMA 路径 |
| gdn | 2.23 | 编译失败 | — | Qwen 使用逐 token 递推,并在最后拼接文件时破坏交付;Sol 保留分块递推的矩阵化结构 |
| dsv3 | 1.01 | 0.12 | 8.43× | Qwen 是标量向量点积加第二次归约;Sol 按 T 选择 GEMV、4×4/16×16 MFMA,并降低提交开销 |
| router | 0.82 | 0.11 | 7.17× | Qwen 以每 expert 一个 wave 的点积为主;Sol 小批量直接计算,大批量用 FP32 MFMA 与单次启动的 split-K |
| lightning | 5.93 | 0.66 | 9.06× | Qwen 已成功使用 MFMA,但复用较弱;Sol 扩大 query/key 复用并按规模选 tile,F32 路径另有精度策略差异 |
| qknorm | 0.94 | 0.73 | 1.28× | 两者都保持融合和分头并行;差距显著小于矩阵类算子,Sol 的主要剩余弱项是小 N |
| equi_f32 | 2.82 | 1.04 | 2.71× | Sol 用 FP32 MFMA;Qwen 因 TASK 歧义放弃全部 MFMA,不能把此差距全归模型能力 |
| equi_f64 | 1.01 | 0.25 | 4.08× | Sol 用 FP64 MFMA 和分区 tile;Qwen 用 FP64 标量 FMA tiled GEMM |
| topk_moe | 1.95 | 0.43 | 4.50× | Qwen 用排序/合并树;Sol 使用波内布局、排名/迭代选择分流,并降低提交开销 |
| kimi | — | 正确性失败 | — | Qwen 自制跨工作组同步存在标记碰撞;Sol 大 T 用工作组内融合,小 T 用分阶段计算 |
| topk_bf16 | — | 正确性失败 | — | Qwen 的截断索引比较键破坏合并唯一性;Sol 用带计数验证和回退的精确选择 |
| topk_fp32 | — | — | 25.35× | Qwen 反复维护候选/合并结构;Sol 用取样筛选、精确计数及回退,按批量拆分扫描 |
表中没有把“使用矩阵指令”视为充分条件。Qwen lightning 就是反例:接入 MFMA 后比自身 FMA 基线快很多,但仍远慢于 Sol。数据布局、跨输出复用、寄存器压力和规模匹配同样决定结果。
失败的过程与代码证据#
底层探测失败被扩大成能力不存在 最终丢掉高价值结构#
bnb 的终点很明确。 Qwen 的最终 solution.cpp 只有 36 行,每个 work-item 计算一个 (m,n),完整串行遍历 K,逐次解码权重;没有矩阵指令,也没有 workgroup 内复用。它不是没有尝试优化:会话中存在大量 MFMA/汇编、LDS 和测试驱动实验。但临近截止,快速候选仍有未解决的正确性问题,交付位置继续保留标量基线。E01
Sol 的交付将 NF4 字节对解码、FP32 块尺度和 BF16 MFMA 放进同一分块计算,跨输出复用 A/B,并对 K 分片。这直接解释了两份代码为何不在同一个性能层级;315× 是评分中的事实,某一种改动单独贡献多少仍需消融。E17
mmq 更清楚地暴露了错误的推断范围。 Qwen 在后期把特定 builtin/汇编探测失败概括为“MFMA builtin is dead”,然后继续围绕 AGPR 元数据试探,最终仍交付标量点积。可是同工具链下 Sol 的 MFMA 能工作,Qwen 自己在 lightning 任务里也交付了正确的 __builtin_amdgcn_mfma_f32_32x32x8f16。因此证据支持的是“当前调用方式或实现还没有走通”,不支持“这个工具链整体不能用 MFMA”。不能反过来把所有错误都说成模型幻觉;真实工具链限制和探测程序缺陷可能同时存在。E02、E03
attention 中也出现了类似损失。Qwen 先探测矩阵能力,随后用标量 FMA 实现在线 softmax 与 split-KV。最大形状约 2.3 秒一次;后期记录把“全套通过、误差远低于阈值、没有超时”当作满意的结束状态。Sol 对应形状约 11.95 毫秒。正确实现语义之后,原先由矩阵计算和数据复用带来的性能仍需单独恢复。E13
对应改进: 为关键优化建立“源端意图—目标候选—可验证原语”记录。一次探测失败只能否定具体调用方式;保留带编译器版本、架构、类型、布局与数值测试的正例。关键路径未接通时,先用已验证原语或完整替代路径形成可运行版本,再调参数,避免把大半预算花在没有闭合的汇编实验上。
2026-11-16 的MFMA 专项复核已定位具体问题。mmq 未保护的 builtin 在 device-only 下编译通过,在 host-only 下报 mai-insts,加设备端保护后完整构建通过。其回传矩阵和 AGPR 探测还存在字节数错误。bnb 最初的指令变体、asm 操作数和布局也有可复核错误。原环境的 MFMA 编译能力已经确认,手写 AGPR 的运行异常仍待修正校验后验证。
算法依赖组需要一起迁移 不能退回公式后就算完成#
gdn 源 CUDA 已经有 token 分块、三角求解和矩阵乘。Sol 保留这一结构,改用 16-token chunk、AMD MFMA、FP32 状态与内部缩放;Qwen 的最终方案仍沿 token 循环推进状态。应描述为Sol 迁移并重构了已有的分块算法,Qwen 丢失了这一级优化,不能说 Sol 从零发明了分块算法。源 CUDA、E14
类似地,mmq 不是“把整数乘换成某条 MFMA”就够了。量化尺度、解码位置、tile 布局、复用、尾块和归约必须配套。Sol 试过直接 INT8 MFMA,也试过 FP16 融合路径与库 GEMM,最后按 J 选不同实现;这才是性能取舍迁移。直接照搬一种机制,或彻底退回逐元素数学公式,都可能损失源码中最有价值的部分。E15
对应改进: 在改写前列出依赖组,而不只列优化关键词。例如 gdn 的“分块递推、矩阵布局、数值缩放、状态更新、尾块处理”作为一个候选整体;mmq 的“量化格式、融合解码、tile、归约”作为另一个整体。候选既可以保留源端结构,也可以替换整组机制,但必须对同一个完整调用做正确性与计时比较。
正确性失败中已经找到两个具体的不变量破坏#
bf16 TopK:所谓全序键并不是全序。 pair_key32 把 bf16 数值键放在高 16 位,仅用 index & 0xffff 区分同值元素。索引 1 和 65537 上的相同数值会得到完全一样的键。在 merge2 中,这种碰撞和相等时的边界选择组合,能把两份不同输入合并为两个相同输出索引。按交付代码的比较逻辑重放,输入头部索引 [1,65537] 得到 [1,1]。
这一缺陷与评分模式吻合:长词表的 512/4096 batch 出现 duplicate index,短词表可通过。它不需要“编译器把排序改错了”才能解释。静态反例证明局部合并不变量有错;修复后能否消除全部 GPU 失败尚待验证。E06、逻辑重放
修复方向是保留完整索引的词典序比较或 64 位组合键,并明确相等边界规则。验证要覆盖跨 65536 索引的同值元素、重复值、长词表、多轮合并,而不只检查随机浮点误差。
Kimi:阶段标记发生碰撞,且跨工作组发布协议缺少可靠约束。 代码定义 f1=(ep<<1)|1、f3=(ep<<1)|3。当 ep=1,二者均为 3;ep=2 的 f3 又等于 ep=3 的 f1。代码本想区分 dot/square 已完成与 mixture-square 已完成,却不能总是区分。它还用普通写入/volatile 轮询在不同 workgroup 间通信,并把 in-order queue 当作组内调度进度的依据;队列的调用顺序并没有给这些工作组建立同样的执行保证。E05
评分中 T=1000/2048 首次结果失败,交替检查也失败。阶段碰撞是确定的设计错误,但不能断言它单独解释每一种错误;输入额外 BF16 舍入、跨组数据发布和调度进度也要分别排查。优先恢复成多个有序 kernel 或工作组内同步的正确参考,再考虑有完整原子发布协议的融合,不能只把移位从 1 改成 2 就宣布修好了。
对应改进: 将比较唯一性、阶段编号、发布/消费、尾块和 scratch 生命周期变成可检查的不变量。先在小反例上排除算法错误,再追究编译器。模型写在注释中的“compiler bug”“in-order guarantees progress”不作为已验证知识收入记忆。
成功候选不等于成功交付 预算管理也影响最终结果#
Qwen gdn 第二次运行在 18:09:40 UTC 拼接新的 solution.cpp,18:09:49 编译报告 kD ambiguous 和缺少 }。接下来两次修复脚本都因断言失败,没有恢复文件;18:10:44 到时中断,外部评分编译失败。第一次尝试曾交付可通过的低性能实现,但因会话中断被重排。这个最终结果不能简化为“模型完全不会 gdn”。E04
bnb、mmq 的上下文交接记录还出现了截止时间漂移:离真实截止仅约八分钟时,记录一度仍推算还有约五十分钟或更久。它们花在探测上的时间与最后交付状态共同支持“外部预算状态不能依赖模型自行记忆”。这不证明单独修复时钟就能得到高性能实现。
对应改进: 保留 candidate 与 accepted 两份文件;只有同一源码哈希完成构建和所需检查后,才原子替换交付。由外部控制器提供不可漂移的截止时间,并按实测验证耗时预留收尾预算。失败构建不得覆盖 accepted。这里应报告两个收益:避免交付回退,以及在保住正确性的前提下提高性能;不能把恢复旧版的收益包装成新的优化迁移能力。
任务歧义必须从模型差异中剥离#
equi_f32 的 TASK 写的是 FP16/BF16 operands, MFMA variants or conversions are not allowed。Qwen 明确读成所有 MFMA 都不允许,并因此采用纯 FP32 FMA。Sol 则使用 FP32 输入/累加的 MFMA。按“至少 TF32 操作数精度”的原意,FP32 MFMA 可以符合精度要求,但句子本身没有讲清楚。E07
这批结果保留,标注合同混杂;后续应将生成器中的表述改成:允许 FP32 输入的 MFMA;不允许把输入无条件降成 FP16/BF16。其他精度近似按明确的算子合同判定。 修订后给两种模型相同说明重新比较。不能拿当前 2.71× 作为纯粹的能力优势证据。
Sol 低于 1 的所有配置如何解释#
Sol 两个平台共有 382 个具有源基线的配置,其中 115 个低于 1:A100 35 个,MI210 80 个。37 个在旧 roofline 下 ≥1、修正后才 <1。77 个修正保持率 <0.9,其中 66 个在旧口径下也 <1;这个筛选只表示优先调查,不替代测量置信区间。
下面覆盖所有出现低于 1 配置的“平台×算子”组;115 项逐配置明细保留形状、源/目标时间和两种保持率。
| 平台与算子 | <1 / 有源配置 | 最低保持率 | 诊断与处理 |
|---|---|---|---|
| A100 dsv3 | 14/32 | 0.735 | 源是 H100;13 项是口径修正后跨线。先做参考模型敏感性与重复测量,不能整体归为迁移失败 |
| A100 equi_f64 | 2/6 | 0.740 | B=648/1000,两项都在旧口径下 >1。代码已使用 FP64 MMA/异步加载;小规模开销和参考模型影响待分离 |
| A100 attention | 8/13 | 0.625 | decode 和中间 token 数有退化;已有 split/tile/流水优化,没有证据证明是简单的未见形状慢回退 |
| A100 mmq | 6/20 | 0.742 | 都在 K5120/I17408、J16/32/64;小 J 用定制整数矩阵路径,J64 已切至解码+库,需查完整流水线与切换边界 |
| A100 router | 5/33 | 0.932 | 全为小 M,差距约 1.6%–6.8%;先复测,避免把测量波动写成确定瓶颈 |
| MI210 dsv3 | 17/32 | 0.754 | 17 项全部由口径修正跨线;eventless 已采用,不能再把所有缺口归于未优化提交 |
| MI210 equi_f32 | 4/18 | 0.689 | 集中 small 模型;已做 tiny/split-K/普通 tile 分流,小到中等规模的启动、填充与复用仍可查,具体收益未定位 |
| MI210 equi_f64 | 3/6 | 0.559 | B648/1000/3000,两个口径均低;已用 FP64 MFMA,需查小规模的加载/同步/occupancy,不能靠“补矩阵指令”解决 |
| MI210 attention | 9/13 | 0.489 | 所有 tok=1 配置都低;prefill 很强,decode 的并行、split/merge 和小矩阵填充取舍仍弱 |
| MI210 lightning | 4/11 | 0.630 | 全为 H4/F32 的小 B;大 B/F16 获益不能代表这一区域,提交和小矩阵粒度是优先假设 |
| MI210 mmq | 5/20 | 0.572 | 集中小 J,Q4 尤其弱;解码、尺度、LDS 与分片/归约未能充分摊销,需逐阶段对照 |
| MI210 qknorm | 12/18 | 0.336 | 小 N 延迟约 11.7–12.5 μs,随工作量变化很小;未尝试已在其他 run 验证的 eventless 提交 |
| MI210 router | 26/33 | 0.464 | 小 M 约 14–21 μs;参数搜索充分但未尝试 eventless,固定开销和小批量并行映射需分开验证 |
最明确的遗漏是跨任务经验没有传递#
Sol 在 topk_moe 里改用 eventless nd_launch,记录的端到端延迟从约 9.3–16.5 μs 降到 3.8–7.8 μs,可见工具输出也有正确性通过的结果。在 dsv3 中,它测过空 kernel 的普通提交与 eventless 提交,随后把方案用于真实内核。可是 router、qknorm 的调用记录没有这类试验,最终代码仍走普通提交。E08、E09、E10、E11
这比“Sol 调优不够”具体得多:它在一些任务中已经找到有效机制,但独立运行之间没有带条件复用。 不能直接从 qknorm 的 11.7 μs 减去其他任务的 5 μs 并换算新保持率;内核和提交实现不同,必须原样代码只改提交方式做配对验证。dsv3 的诊断空 kernel 故意不计算输出、ok=0,只能作为开销测量,不能计作有效优化候选。
attention 说明 总体成功可以掩盖一整类工作负载失败#
MI210 attention 总保持率 1.26,但 tok=1 的七个配置只有 0.489–0.651;最大的 prefill 配置保持率 1.337,其时间约占所有目标配置时间之和的 74%。这使总比值更接近大 prefill 的表现。留出组只有 0.81,但问题不只是“没看到留出形状”:可见 decode 也同样弱。E12
源码和决策记录已经有直接加载、共享内存、预打包矩阵、split-KV 与 merge 的多种尝试。一个两阶段 decode 候选在长 KV 上略快,却让短 KV 退化,被拒绝;因此“加一条专用 decode 路径”是待验证的方向,不能把已有尝试说成完全缺失。更有针对性的实验是固定数学算法,分别切换 Q/head 打包、split 粒度和 merge 机制,检查哪些组合在各个 decode 区域有效。
对应改进: 保持率总表继续保留,但调度和搜索必须同时看 decode/prefill、小/中/大规模、分支边界的区域指标与尾部。不是把隐藏评分点给模型,而是根据公开调用范围、算法工作量和代码分支生成训练期自测区域;独立隐藏测试另取样。
有些低分目前只能写成待定位 不能硬凑故事#
H100→A100/MI210 的 dsv3、小规模 equi,以及非常接近 1 的 A100 router,现有证据不足以分清剩余硬件参考误差、运行时固定开销和具体代码瓶颈。这些项已经纳入清单,但不作为已证实的优化丢失。微秒级案例需要配对重复测量;equi/dsv3 还需报告两种参考口径,不能用更新后的标签倒推代码一定更差。
对 Aqua 方法的具体建议#
核心应围绕优化结构的识别 替换和选择#
可以把论文的方法组织成一条连续流程,与现有 M1–M4 对齐:
- 提取值得保留的优化结构。 从源码识别矩阵化、融合解码、局部复用、流水和归约的依赖组;为每组记录其作用条件。这样避免 gdn 退回逐 token 递推、mmq 退回逐元素解码,却没有意识到丢了什么。
- 用已验证目标原语构成完整候选。 能力记录包含 GPU 架构、编译器/runtime、精度合同、布局与小型数值例;失败只作用于具体尝试。工具链反馈服务于可实现性判断,不把研究目标变成修编译器。
- 根据瓶颈和工作负载区域选择实验。 先对开销、搬运、计算、归约作可证伪假设;固定机制后把 tile/unroll/split 交给受控搜索。收益比较用完整调用,否定结论带形状条件;某形状更慢不意味着该机制全局无用。
- 复用带条件的实验结论。 例如“该版本 runtime 的 eventless 提交在短 kernel 上曾有效”“该矩阵 builtin 在何种类型与布局下已通过”,以及“某 tile 在低 occupancy 区域失败”。换 kernel 时先低成本验证命中,而不是重新猜或无条件照搬。
矩阵能力接通只能解决 Qwen 的一部分损失;Sol lightning、equi_f64 的例子说明接通之后仍有布局和规模取舍。因此不能把方法缩成“给模型一份 API 速查表”。反过来,原子交付和不变量检查是必要的工程保障,也不能独自承担论文的性能迁移贡献。
实验与改进一一对应#
| 优先级 | 改进或对照 | 主要案例 | 保持不变的条件 | 观察什么才算支持解释 |
|---|---|---|---|---|
| P0 | 修复 TopK 完整索引比较;Kimi 先恢复可靠同步,再逐项融合 | Qwen topk_bf16、kimi | 相同算法主体、输入合同与独立验证范围 | 错误是否消失;修复开销;是否还存在其他失败 |
| P0 | accepted/candidate 双版本、哈希验证、外部截止时间 | Qwen gdn/bnb/mmq | 同一优化器、预算与任务;不要偷偷增加时间 | 交付回退率降低,而不把恢复旧版本称为优化提速 |
| P0 | 消除 equi 精度说明歧义 | 两模型 equi_f32 | 同一新合同、预算、硬件和数据分布 | Qwen 是否改用合法 FP32 MFMA;差距是否缩小 |
| P1 | 只更换提交机制的代码对照 | Sol router、qknorm、lightning 小 B | 数学、tile、精度与分支不变 | 端到端延迟、保持率及重复测量区间;大 N 是否回退 |
| P1 | 提供已验证 MFMA/布局正例,对照只给 API 名称 | Qwen bnb/mmq/attention | 其余提示、预算、数据相同 | 首次有效矩阵候选耗时;最终正确保持率;是否只是把时间移到别处 |
| P1 | 依赖组说明,对照只给语义公式 | Qwen gdn/mmq;Sol attention | 能力包相同,不给目标答案代码 | 是否保住分块/融合结构,是否减少逐元素回退,收益在哪些区域出现 |
| P2 | 区域反馈,对照仅总体反馈 | Sol attention/mmq/lightning/equi | 候选集合与总预算相同 | 弱区保持率改善且强区不被不明牺牲;报告完整取舍 |
| P2 | 机制先筛选、参数自动搜索,对照自由 agent 搜索 | Sol router;Qwen 多个矩阵任务 | 相同成本预算与验证要求 | 更多预算用于有价值分支,质量–成本曲线改善 |
| P2 | 带条件记忆的跨 kernel 复用 | 提交开销、矩阵布局、归约/选择 | 记忆与测试任务隔离,留一 kernel 或任务族验证 | 命中率、负迁移率、首次有效证据成本与最终质量 |
单一最终版本仍有随机性。正式比较应对关键组做重复独立 agent 运行,按已商定的占卡时间和 API 成本分别画质量–成本曲线;正确率、最终交付保持率和区域尾部同时报告。先做能证伪具体解释的少量对照,再决定是否全面重跑。
本轮已经查看了现有留出配置,它们可用于诊断和回归,但若据此设计新的优化反馈或记忆,就不能再把相同配置作为唯一“未见测试”。新的方法评估应冻结改进后重新抽取独立形状/数值,同时保留旧集作可追溯回归。
论文中现在能够成立的结论#
- 在本批 MI210 任务中,Qwen 的若干交付保住数学正确性,却丢失了矩阵化、融合和复用,因此产生两个数量级的性能差距;它的其他任务又证明某些目标能力并非不可实现。
- Sol 证明复杂优化结构可以跨架构重构,但正确、总体保持率达标不保证各类形状都保住性能。attention 是最清楚的工作负载区域反例。
- 记录中同时存在错误的全局归因、未跨任务复用的有效机制,以及交付/正确性协议缺陷。因此改进需要把“知道什么、验证了什么、在哪些条件有效、最后实际交付了什么”连起来。
- 两个静态逻辑反例可以直接作为具体 bug 证据;其他机制的因果贡献,尤其是 Sol 小 kernel 的提交开销和 decode 取舍,仍由上述对照实验判定。当前不能宣称方法已经消除了这些失败,也不能宣称硬件差异已被保持率完全消除。
成本方面,按现有进程统计、仅计正式 14 次交付,MI210 Qwen 有 1691 次顶层编译、1152 次 harness 进程,Sol 为 762 和 2308;占卡时间约 24.3 和 16.8 小时。这说明两者实验组织不同,不能直接把“编译次数多”标成浪费。API 单价尚待正式核实,本文不据此作精确经济性结论。mmq 等代码还包含首次使用的算法搜索,当前稳态保持率没有完整表达这项部署代价,后续应单报首次调用成本。