Parser 工具

下面几项工具在 TVMScript 转换为 TIRx 的 parse time 生效。它们可以将 Python 计算得到的值直接写入 IR、提取可复用的代码片段，以及组织 parser 阶段使用的状态。

T.meta_var：保留 Python metadata

T.meta_var(x) 原样返回 x，可以保留 parser 侧的对象句柄或 Python metadata tuple。它不会绕过普通赋值规则：在 TVMScript 内赋值标量表达式仍会 创建原生的值绑定。Shape 参数、指令宽度和 TMA box 大小应在 @T.function 之前的 Python factory 中计算。

widths = T.meta_var((32, 64))  # tuple remains Python metadata
for j in T.unroll(widths[0]):
    acc[0] = acc[0] + A[tx, j]

普通 range(n) 创建 serial TIRx loop；T.unroll(n) 标记该 loop 在 lowering 时展开。meta_var 不会让运行时值在输入变化后自动重新求值。 使用 persistent scheduler 时，应在每轮任务循环内，根据更新后的 cursor 重新计算 tile 坐标。

@T.inline：内联函数

@T.inline 定义的函数会在 parse time 内联到每个调用位置，生成的代码中 不会保留函数调用。它遵循 Python 的 lexical（LEGB）scope 和 late binding； 函数参数会覆盖外层的同名变量：

@T.inline
def add_into(acc, x):
    acc[0] = acc[0] + x

add_into(acc, A[tx, j])       # inlined -> acc[0] = acc[0] + A[tx, j]

@T.meta_class：组织 Parser 状态

@T.meta_class 修饰普通的 Python class，使它的 instances 成为 parser meta values。对象字段可以保存 buffers 和 scalars，因此可以把相关的 allocation 和状态放进同一个对象，再在 kernel body 中使用。

State 定义在 @T.function 外部；创建 s 和使用其字段的语句则放在 kernel 内部，并先分配 smem。

@T.meta_class
class State:
    def __init__(self, smem):
        self.acc = T.bind_(T.alloc_local([1], "float32"))
        self.buf = T.bind_(T.decl_tensor(smem, ty_args=[
            T.Tensor((64,), "float16", scope="shared.dyn")]))

s = State(smem.ptr_to([0]))
s.acc[0] = T.float32(0.0)     # use its fields like ordinary buffers
# ... s.buf[i] ...

这种写法适合组织 kernel 的 pipeline state，例如 barriers、accumulators 和 临时 views，避免在函数中传递大量分散的局部变量。

T.constexpr

以 T.constexpr 标注的参数由 @T.jit 的 .specialize(...) 固定。在函数体内，if T.constexpr(condition) 会在解析时选择 Python 分支，适用于 FA4 中的 is_causal 等已知 specialization flag。 普通 if 会构造 IR 控制流，并解析两个分支。