每篇围绕一个真实需求（来自 git 提交记录）：讲清需求背景、相关流程、需求改动，末尾附全部相关链接。与"从上往下"的模块讲解（detailed/panorama）互补，按需求视角带入。
DeepSeek V4.1-Flash 新模型适配 PR #16925
DS 4.1-Flash（CED 因果编码器-解码器 + CSA2 压缩稀疏注意力 + Engram 条件记忆 + DSpark 投机）发布 11 天后完整登上昇腾： 73 文件 +10554 行——V4.1 DSA 执行边界、四槽层外置 KV 分配器、Engram HBM/主机卸载、DSpark 草稿模型。 延伸阅读：CED/CSA2 × 性能协助点专题。
Kimi K3 性能优化 PR #15416
KDA 注意力门控路径原本全串行在主流：两个小投影 + beta 现场 sigmoid，让 QKV 大矩阵乘时门控侧干等。 本需求把 f_a/f_b 权重离线组合、beta+门控打包成单次 BFG 投影，再搬到辅助流与主流两阶段重叠（四事件调度）。
DeepSeek-V4 性能优化 PR #14428
取 RoPE 表的「高级索引 + copy_」两步式每对 cos/sin 要 4 个算子，还带临时张量分配。 改成 torch.gather(out=...) 直写常驻缓冲后 4 ops → 2 ops，单次调用 814μs → 701μs（-14%）。
通用 GQA/PA 性能优化 PR #15579
图模式 PA 路径的图参数更新循环每层都查一次 get_workspace（28 层 = 28 次 36-54MB 分配 + Setup 往返）。 提到循环外每轮一次、跨层复用（(data_ptr,shape) key 变更才重查），Setup/Execute 比 2.0 → 1.036，QPS +2~6%。