用途：为 AMD GPU（MI355X、R9700）在 ROCm 上编写与基准测试优化的 Triton 内核，并集成到 HuggingFace diffusers（LTX-Video、SD3、FLUX）与 transformers 中。
主要能力：提供 RMSNorm、RoPE 3D、GEGLU、AdaLN 四类内核的实现模式与调优建议；支持内核级微基准、端到端流水线基准（baseline / Triton / torch.compile 对比）；给出 MI355X 与 R9700 的架构差异（Wave 大小、LDS、带宽）与性能预期。
使用方式：需设置环境变量 TRITON_HIP_USE_BLOCK_PINGPONG=1 与 TRITON_HIP_USE_ASYNC_COPY=1。示例命令：python scripts/benchmark_kernels.py --kernel rmsnorm；python scripts/benchmark_e2e.py --mode all。集成时先注入内核再启用 CPU offload。
适用场景：为 AMD GPU 编写或优化上述内核、与 diffusers 流水线集成、对比 PyTorch 基线做 ROCm 基准测试、调试 ROCm/HIP 特有问题。
限制：ROCm 上 tl.libdevice.tanh、tl.math.tanh、tl.libdevice.log1p 不可用，需手写公式；不支持 break/continue，需用 tl.where；min/max 需用 tl.minimum/tl.maximum；BLOCK_D 不可 autotune，须用 triton.next_power_of_2(D)；RoPE 在 batch>1 时需用 pid_s % seq_len 索引 cos/sin；LTX-Video 使用 GELU 而非 GEGLU，且 RMSNorm 权重可能为 None。具体安装与依赖要求暂未提供。