CuTe Python DSL 是 NVIDIA CuTe 布局代数的 Python 接口，与 cuTile 的块级抽象不同，它暴露显式的线程/warp/warpgroup 控制、TMA 流水线、屏障编排和共享内存管理。
用途：编写 NVIDIA GPU 内核，尤其是需要精细控制数据搬运与同步的高性能算子（如 GEMM）。
主要能力：提供两级主机/设备模式——@cute.jit 主机函数在 CPU 上设置 TMA 描述符、计算网格、分配共享内存并启动内核；@cute.kernel 设备函数在 GPU 上执行计算。核心 API 覆盖线程/块/网格索引、布局与张量构造、布局代数、MMA 操作、拷贝与 TMA、共享内存、张量内存（仅 SM100）、同步、逐元素数学、张量操作与调试。支持 tcgen05 MMA（仅 SM100，即 B200/B300），消费级 Blackwell（SM120，如 RTX 5090）不支持。
使用方式：通过 @cute.kernel 与 @cute.jit 装饰器定义内核，用 kernel(...).launch(grid, block, smem, cluster) 启动，或用 cute.compile 做提前编译。JIT 产物自动缓存，可用 CUTE_DSL_CACHE_DIR 和 CUTE_DSL_DISABLE_FILE_CACHING 控制。
限制：@cute.kernel 函数名须与模块文件名一致；TMA 描述符仅限主机侧；每线程寄存器上限 255；SMEM 上限随设备与 SM 版本变化；流水线阶段占用 SMEM；屏障同步错误静默导致结果错误；集群维度须整除网格；print() 仅编译期可用；循环不支持提前退出；布局代数限 32 位整数；架构支持 Ampere（SM80）及以上。运行前应确认设备 SM 版本，不匹配时跳过运行或性能分析。