Flash Attention：正确，但不快

第三个 kernel：flash attention。正确性很稳（与 PyTorch 的最大差值 0.000122），但在我的 T4 上慢了约 25 倍。

以为是计算受限，试了 exp2 的技巧——没有变化。T4（Turing）缺少 flash attention 需要的流水线硬件。是硬件上限，不是 bug。