本技能用于对工作负载做性能测量与计时插桩，可按负载类型选择一条路径。
用途：训练循环等迭代负载，用 torch.cuda.synchronize() 配合 time.perf_counter() 手动计时，报告每次迭代延迟、吞吐（样本/秒）和数据加载时间；单个 kernel 或算子等非循环负载，直接编写 CUDA 事件基准代码。还可添加 NVTX 时间线标注供 nsys 可视化。
主要能力与用法：训练循环模板设置 WARMUP=5、NUM_ITERS=30、BATCH_SIZE=128，超过预热次数后记录 iter_ms、fps 与 data 时间，并用 statistics.mean 输出平均值；解读时 iter(ms) 为每迭代挂钟时间（含计算与通信、不含数据加载），data/iter>0.2 表明数据加载是瓶颈。非循环负载提供两种 CUDA 事件基准：简单版（仅均值）与详细版（每迭代 mean/median/std/min/max）。NVTX 用 @nvtx.annotate 装饰器或 with nvtx.annotate 上下文管理器标注 forward、backward、optimizer、data loading 等阶段。
原则：以测量代替猜测，指标须来自 profiler 或结构化数据；排除预热（CUDA 上下文初始化、cuDNN 自动调优、JIT 编译）；用硬件计时；测量循环内不做同步，事件异步记录、末尾同步一次；张量、事件、已编译 kernel 均提前预分配，CuTe DSL kernel 用 cute.compile() 预编译；先用轻量测量，再按需升级到 Kineto、nsys、ncu。
限制：手动计时只给出整体迭代时间，不含 forward、backward、optimizer 的分阶段拆分，需临时在子阶段加同步计时，或加 NVTX 后用 nsys profile 看时间线。反模式包括每次迭代前后都同步、用 time.perf_counter() 测 GPU、缺预热、测量循环内分配张量、只报告均值。更多基准模板（CUDA Graph、CuTe DSL、Triton、Raw CUDA）、NVTX API 与 PyTorch 2.0+ profiler API 见随附 references 文件。安装命令与收费信息暂未提供。