在 Triton 里融合 Softmax

本周中段的第二个 kernel：融合 softmax。朴素 softmax 需要在内存上走三趟（求最大值、exp 加求和、做除法）——融成一趟后从约 55 GB/s 提到约 230 GB/s，快了 4 倍。

Triton 这条线在不同 block size 下也比 PyTorch 更紧、更稳定。

下一个：flash attention。