企业官网建设流程全解析

pypto-gym 开源仓测试报告解读：CANN 9.1.0 下 82 算子与 10 模型的全量质量验证

【免费下载链接】community本项目是CANN开源社区的核心管理仓库，包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息项目地址: https://gitcode.com/cann/community

本文基于 CANN 社区 pypto-gym仓开源测试报告 展开，对 pypto-gym 开源仓在 CANN 9.1.0 版本下的开源演练测试进行完整解读。报告以"快速搭建开发环境、执行算子与模型测试"为目标，通过 UT/ST 全量算子验证、全量模型验证、泛化精度验证与性能验证四类测试任务，覆盖 82 个算子与 10 个模型场景，全部通过并达到出口质量标准。读完本文，你可以完整掌握 pypto-gym 仓的测试范围、测试方法、关键算子与模型清单，以及泳道图与 profiling 双口径性能评估的实操口径。

1. 被测对象：pypto-gym 与 PTO SIG

pypto-gym 是 CANN PTO SIG 负责维护的开源仓库之一。PTO（Parallel Tensor/Tile Operation）是 CANN 推出的面向 AI 加速器的高性能编程系统，包含PyPTO 编程框架与PTO 虚拟指令集两部分，其定位是以基于 Tile 的编程模型为核心，通过多层次计算图表达，将 AI 模型应用从高层计算图逐步编译为 PTO 虚拟指令，最终生成目标平台上高效执行的代码，详见 pto SIG 介绍。

从 pto SIG 仓库清单 可以看到，该 SIG 维护三个仓库：

• cann/pypto：PyPTO 编程框架，提供基于 Python 的高性能算子开发框架与 Tile 编程模型；
• cann/pypto-gym：本次测试报告的被测对象，负责算子与模型的验证/演练能力；
• cann/pto-isa：PTO 虚拟指令集规范，提供硬件无关的指令抽象。

cann/pypto-gym在 sig-info.yaml 中配置了独立的 committer 列表（foundea、jason_yuan_ye、DCGDDD、tsungl4、gaoxingwang 等），表明其作为独立开源仓进行治理与演进。本测试报告即该仓开源演练阶段的出口质量验证，测试结果将作为 QA-SIG 评审归档的依据。

2. 测试概述与版本环境

2.1 测试目标

报告第 1 章明确了本次演练测试的核心目标：基于 pypto-gym 开源仓提供的能力，验证快速搭建开发环境、执行算子与模型测试。即该仓对外承诺的能力链路是"开箱搭建环境 → 运行算子测试 → 运行模型测试"，测试报告围绕这条链路验证其可用性与正确性。

2.2 版本测试信息

从该表可以看出，测试覆盖了 A2 与 A3 两代硬件产品，以及 x86 与 arm64 两种主流通用计算架构组合，Python 3.13 为当前主流新版本运行时环境。这四项信息共同构成"被测环境基线"，后续所有测试结论均在该环境下得出，也是用户复现测试时的前提条件。

3. 测试总体结论

报告第 3 章给出的总体结论为：

基于 9.1.0 版本，共计执行 4 项测试任务，覆盖 82 个算子和 10 个模型场景，遗留问题均已闭环。整体质量良好，满足出口质量标准。

4 项测试任务即报告第 4 章的四个特性质量评估项：全量算子 UT/ST 测试、全量模型测试、主要算子泛化精度测试、主要算子性能测试。这一结论表明 pypto-gym 仓在当前版本达到了社区开源仓的出口质量要求，可以对外发布。

4. 特性质量评估

4.1 全量算子 UT/ST 测试

UT/ST 即单元测试（Unit Test）与系统测试（System Test），是算子验证的两层基础手段。报告对代码仓全量算子逐一执行 UT/ST 验证：

可以看到，82 个算子按其所服务的模型/场景进行分组，覆盖了 Qwen、GLM、DeepSeek、MiniMax、Arctic、Phi、Gemma 等主流大模型衍生场景，以及 44 个 experimental（实验性）算子。experimental 类算子数量占比超过一半，反映该仓承担了大量新算子探索与验证的职责，且这些实验性算子在本次版本中同样达到 100% 通过率。

4.2 全量模型测试

模型级验证用于确认算子在真实模型样例中可端到端运行，报告选取 10 个模型样例，验证其典型融合组件组合：

10 个模型样例全部通过，通过率 100%。模型清单与 4.1 节中的算子分组高度对应，体现了"算子分组 → 模型样例"的自洽验证体系。

从融合组件角度看，这些组件覆盖了当前大模型推理/训练的核心计算热点：

• rms norm + rope / rope + rms norm：RMSNorm 归一化与 RoPE 旋转位置编码的组合，是 Qwen 系模型的标准组件搭配；
• mla：Multi-head Latent Attention，DeepSeek 系列采用的 MLA 注意力结构（deepseek_v2_lite_chat、phi_3_mini_4k_instruct 场景）；
• GQA：Grouped Query Attention 分组查询注意力，在 qwen3_vl 与 gemma4 系列中验证；
• GDR 与 chunked_gdr：报告中以代号形式出现的融合组件（在 qwen3_5_9b、qwen3_6_27b 中验证），其精确语义以 pypto-gym 仓内实现为准；
• Grouped GEMM：分组矩阵乘，对应 MoE 类模型（llada2_moe）的分组专家计算；
• Softmax：Attention 归一化，在 gemma4_31b_it 中与 GQA 组合验证。

4.3 主要算子泛化精度测试

在 UT/ST 基础上，报告进一步选取 34 个高优先级算子开展泛化精度验证，通过大规模 case 矩阵检验算子在不同 shape、不同输入分布下的精度稳定性：

34 个算子共构造 11923 个泛化 case，全部通过。其中 DeepSeek 与 GLM 场景的 case 数量占比最高（合计超过一万个），说明这两个模型系列算子是泛化验证的重点；GreenLight 场景承载 13 个算子的验证，是 case 密度最高的分组。泛化测试的通过率为 100%，为算子精度质量提供了大数据量支撑。

4.4 主要算子性能测试

性能验证选取 12 个 Top 算子，构造低时延、高吞吐、预训练、后训练等不同场景 case，从**泳道图（swimlane）**与profiling两种采集口径给出性能结果：

表中的 ASC 即 AscendC 基线实现（对比基准）。从表格结构与报告结论可以推断：数值表示被测 PyPTO 算子与 AscendC 算子的耗时比值（PyPTO/AscendC），其中ASC/AICore为基于泳道图工具采集的 AICore 核侧耗时口径，ASC/Prof为基于 profiling 工具采集的整体耗时口径。12 个算子平均耗时比为 0.64（泳道图口径）与 0.52（profiling 口径），即被测场景下 PyPTO 算子整体耗时低于 AscendC 基线实现，报告结论为"符合预期"。

需要说明的是，性能比值与算子类型、场景构造强相关：例如 flash_attention_mha_grad 在 profiling 口径下达到 0.27，而 sparse_flash_attn 为 0.73，不同算子存在明显差异；对比时应以同场景、同口径为前提。PyPTO 框架本身提供了泳道图（swimlane）与 profiling 相关的工具链支撑——在 pto SIG 仓库清单 中可以看到tools/gen_swimlane.sh（泳道图生成脚本）与tools/profiling目录被划入 machine 组件进行治理，说明该性能评估口径在框架层面有配套工具落地。

5. DFX 专项质量评估

报告第 5 章对四项 DFX 专项给出了明确结论：

DFX 各项标注"不涉及"，与 pypto-gym 仓的开源演练定位一致：本次演练聚焦功能正确性与性能基线建立（性能验证已在 4.4 节作为特性质量评估项完成），安全、可靠性、兼容性等专项待后续版本按需纳入。报告对每项均给出"不涉及"的具体理由，避免空泛结论，保持了测试结论的可追溯性。

6. 测试执行评估与测试覆盖

报告第 6 章给出了测试覆盖总表：

测试覆盖情况与第 5 章 DFX 结论保持一致：本次演练实际执行的测试活动为特性测试（82 个用例，对应 82 个算子的 UT/ST）与资料测试（1 个用例，对应开源仓文档/资料的准确性验证），其余专项活动标记为 NA。特性测试与资料测试通过率均为 100%。

7. 遗留问题与关键风险

报告第 7 章结论为"不涉及"，第 9 章附件同样为"不涉及"。这对应第 3 章总体结论中的"遗留问题均已闭环"——本次演练过程中发现的问题已在测试期间全部关闭，无阻塞性遗留问题与关键风险，为"满足出口质量标准"的结论提供了直接依据。

8. 总结：一份可复现、可追溯的开源仓测试报告

结合本报告可以归纳出 pypto-gym 仓开源演练测试的完整方法链：

1. 环境基线先行：明确 A2/A3、x86/arm64、CANN 9.1.0、Python 3.13 的版本组合，保证测试可复现；
2. 算子与模型双线验证：82 个算子 UT/ST + 10 个模型样例，验证从算子到模型端到端链路；
3. 精度用规模说话：34 个高优先级算子、11923 个泛化 case，以大数据量支撑精度结论；
4. 性能双口径评估：泳道图（AICore 核侧）与 profiling（整体）两种采集口径交叉验证 12 个 Top 算子，并对标 AscendC 基线；
5. 结论分级透明：DFX 专项明确标注不涉及范围，遗留问题与附件如实说明，无模糊表述。

从报告治理角度看，该文档遵循了社区统一的测试报告模板结构（概述、版本信息、测试结论、特性质量评估、DFX 专项、测试执行评估、遗留问题、附件），模板定义可参考 测试报告模板。同时，测试报告归档说明 规定：仓开源测试报告需经 QA-SIG 会议评审，由 Maintainer 与 Committer 在 PR 上检视并完成问题闭环后归档。因此，本文解读的这份报告不仅是 pypto-gym 仓的质量凭证，也是 CANN 社区"谁开发谁测试、评审归档闭环"机制的落地样例。对于希望了解或贡献 PyPTO 生态的开发者，可将本报告作为评估 pypto-gym 仓当前能力基线（算子清单、模型支持面、性能水平）的第一手资料，再结合 pto SIG 介绍 中的仓库清单与贡献指南深入实践。

【免费下载链接】community本项目是CANN开源社区的核心管理仓库，包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息项目地址: https://gitcode.com/cann/community