性能优化
重要性 7.62
洞察度 7.00
消除 NVFP4 权重发布的主机同步与规则扫描开销
值得精读，尤其推荐给维护 NVFP4 RL、权重同步与 checkpoint 导出性能的工程师。重点关注四个设计决策：(1) 用 Python 标量 + `clamp_max` + `torch.where` 取代标量张量分配与 CUDA 标量真值判断，这是消除隐式同步的通用手法，前提是分子在 FP32 下精确可表示（1536 / 2688），换其它 `e4m3_max` 时需要重新确认；(2) `_literal_ignore_rules` 返回 `None` 作为“交给正则路径”的哨兵值，虽然保留了顺序 `re.match` 与异常行为，但把正确性押在调用约定上，建议后续补一个断言或在 `_is_ignored` 中显式处理；(3) 用 TorchDispatchMode 把性能契约写成断言，这是本 PR 最值得借鉴的测试范式；(4) 接受 `(1,)` 形状保持、并在 head 上删除策略回归测试，属于明确声明的取舍，建议后续补回 `tests/fast/utils/test_nvfp4_ignore_policy.py` 或等价用例，并在合并 head 上重跑一次完整发布路径的墙钟对比以闭合性能证据链。