用 3D TMA 搬运多个 Swizzle Atoms
把 256-byte row 拆成两个 128-byte groups，再在每个 group 内应用 swizzle
Swizzle
无
128B
Col offset
Global Memory
16×256 fp16（每个 cell = 8 fp16 = 16B）
→
3D TMA
Shared Memory（按 atom 分组并完成 swizzle）