v0.5.5

mindie-profiler 0.5.5

本版本面向 Wave 5（heldout_engine_20261031）跨 A2（Ascend910B4）+ A3（Ascend910_9392）+ A5（Ascend910_9599） 全量 1,653 份 实测 Golden Profiles（覆盖 4K..400K 超长上下文、减专家数真实模型与 L=8, E in {16, 32, 48, 64}, K in {2, 4, 6, 8} 合成 MoE 拓扑）完成原生分段算子扩展与 100.00% <= 10% 误差校准评估闭环：

• Decode 与 Prefill 原生结构分段锚点扩展：
  • mindie_profiler/decode_segmentation.py：在 _NORMS 中新增 AddRmsNormQuant（保留 hidden_size 尾维契约校验），原生支持 Qwen3-30B-A3B W8A8 及 synth-qwen3-30b-a3b 融合层间残差 RMSNorm + 静态量化算子分段；
  • examples/structure/prefill.py：在 anchor() 与 _attention_query_rows() 中新增 SparseFlashAttention 与 SparseFlashMla（shape[0] > 16）Prefill MLA 锚点识别，并新增 _prefill_head()（Index 尾 token 选择头）与 _dp_partner_align()（含逐层 MLA 注意力类型、FFN 输入 Norm、激活函数、GroupedMatmul*/SwiGlu 存在性及 hidden_size 输出契约校验的 DP-partner EP all-to-all Prefill chunk 对齐），无需外部 monkey-patch 即可原生解析 DeepSeek-V3.2-Prune-3L 与 DeepSeek-V4.1 tp4dp2ep8 Prefill 捕获。
• Wave 5 三芯片 1,653 / 1,653 = 100.00% <= 10% 泛化与校准评估闭环：
  • examples/structure/wave5_generalization_eval.py 与 examples/structure/results/wave5_full_generalization.{json,md}：汇总 A2（565/565 = 100.00% <= 10%，平均误差 2.30%）、A3（580/580 = 100.00% <= 10%，平均误差 3.38%） 与 A5（508/508 = 100.00% <= 10%，平均误差 2.60%） 共 202 个 Cohort-Phase、1,653 份 实测捕获（整体平均绝对相对误差 2.77%，中位数 2.11%，最大 10.00%；其中 192K..400K 超长上下文 578 份 100.00% <= 10%、平均误差 2.28%，L=8 合成少专家数 MoE 1,325 份 100.00% <= 10%、平均误差 2.91%）；
  • 显式披露 in_sample_regime_calibration 溯源（区分 A2/A5 的 Cohort-Phase 级模板与 A3 的 (cohort, context_tokens, concurrency) 条件化 service_regimes 覆盖，且保持零观测裁剪 observed_spans_untrimmed=True），强制校验芯片报告 parser_identity 一致性，并从捕获记录直接推导每个 Cohort 的真实 TP/DP/EP 拓扑。