矩阵乘：正确，但没用上 Tensor Core

第四个 kernel：分块矩阵乘。结果正确（在 fp16 容差内与 torch.matmul 一致），但不管矩阵多大都平在约 1 TFLOPS，而 PyTorch 的 cuBLAS 能爬到约 38 TFLOPS。

「多大都一样平」正是计算受限 kernel 的典型症状——有东西没被启用。试过更深的流水线（num_stages），试过把边界掩码去掉，都纹丝不动。直接 grep 了编译出来的 PTX：没有任何 mma.sync、HMMA 或 wmma 指令。Tensor core 一次都没被触发。

和 flash attention 不同，这一次不是硬性的架构墙——Turing 是有 tensor core 的。更像是当前的 Triton（3.6.0）已经不再为 T4 的 sm_75 目标生成 tensor core 代码了，因为项目的重心已经转向更新的硬件。连续第二周用老 T4，实实在在地暴露出当前 Triton 面向的硬件、和 Colab 免费档 GPU 实际能做的事之间的差距。