PyTorch 算法迭代加速：够用即收口

遵循 goal-first：主线是算法结论，性能优化用于减少等待。去重、batch、grouped、融合核、流水线是按需手段，不是每个项目都要走完的毕业清单；先达到研究需要就停，不因仍有优化空间而延长任务。

0. 边界与成功标准

成功标准：已知明显浪费得到处理，正确性／复现通过，实际等待能支持当前研究节奏；不设统一利用率、功率或加速倍数门槛。
默认只改执行路径；模型结构、dtype、样本、评分协议保持，浮点差异按预定容差判断。
batch／padding／定标／算法变化单独对照；伪量化换真量化或整数 kernel 是数值与部署语义变化，不能冒充同口径加速。
同阶段联合记录：有效吞吐／host耗时、设备忙碌度、功率、设备内存及 allocated/reserved 峰值；局部算子另用 Event。指标定义、窗口和设备映射一并保留。
按剩余运行次数×单次可节省时间，粗估是否值得投入开发、验收、维护与注意力；加载、逐配置准备／编译也计入。给短预算，深度引擎／工具研发另设目标。