该技能围绕 MLA（Multi-Latent Attention）的成本建模与内核选型，帮助在给定参数与序列长度下判断采用哪种注意力内核方案。
用途与场景：推理规划与内核选择。按序列长度 s 划分三个 regime：Decode（s=1）推荐 FlashMLA，相比 FlashAttention 可带来约 16 倍延迟降低（压缩 KV）；Speculative（s=2-32）推荐 MLAvar6+ 或 FlashMLA，资料称 MLAvar6+ 有望优于 FlashMLA 与 FlashAttention；Prefill（s>128）推荐 FlashAttention，以避免潜在空间计算的 4 倍 FLOP 惩罚。资料称在 DeepSeek-V3 参数下，FlashAttention 约在 s=16-32 处开始快于 FlashMLA。
主要能力：提供三类内核的成本模型。FlashAttention 的 FLOPs 为 2bhst(2d+p)，字节为 w*bh(s+t)(2d+p)；MLAvar6+ 拆分潜在（latent）KV 缓存与解压后的 K、V，其中 o 个旧 token 用 latent Z、n 个新 token 用解压 K/V，t=o+n，通过选择 n 调节运算强度接近 roofline 拐点；FlashMLA 采用吸收技巧在 latent 空间计算注意力和值。
使用方式：按参数与序列长度套用成本公式估算算术强度（AI），再据 regime 表选择内核，必要时用 src/mla_var3/conf/devices.json 中的设备参数重做分析。
限制：给出的是 RTX 5090、b=32、t=4096、bfloat16 的历史基线，需在当前设备上重新 profile 后再作为优化目标；拐点与带宽、算力上限因设备而异。FlashMLA 在 s=1 时 AI 约 228 FLOP/byte，但 FLOPs 随 s 线性增长、每 token 约多 3.4 倍。更多推导见 docs/cost-analysis.md。官方文本未提供。