该改动针对 ONNX Runtime WebGPU 执行提供程序中的 im2col_matmul 内核，在支持 subgroup-size-control 扩展时启用现有的 subgroupShuffle 优化路径。实现涉及 C++ 侧内核配置与 WGSL 着色器模板，通过固定该内核的 subgroup 大小，满足这条优化路径对 subgroup 大小的要求，使其能够安全启用。该优化以扩展支持为前提，不能据此认为所有 WebGPU 设备都会受益；现有信息也未说明具体固定大小及不支持扩展时的回退细节。PR 报告 sd-turbo-vae-decoder-fp16-demo.onnx 和 sd-turbo-unet-fp16-demo.onnx 的性能分别提升 5.2% 和 2.2%，但未提供测试硬件与运行环境，因此这些收益不宜直接推广到其他设备或模型。
该改动修复了 Python 在 WebGPU 插件宿主中创建执行提供程序（EP）时的工厂选择问题，避免以 `--use_webgpu shared_lib --build_wheel` 构建时引用不可用的内置工厂而导致 Windows 链接失败，并修正按 provider 名称选择时无法进入已注册插件路径的问题。原生修改仅限 WebGPU 分支：仅在内置实现被编译进来时使用内置工厂，否则非最小化宿主改用现有的已注册设备工厂辅助函数，保留原有内置模式行为。插件冒烟测试覆盖从已注册库选择设备、禁用 CPU 回退、验证推理结果和 provider 选项，以及在注销库前释放会话，并配套调整 Windows CI 和使用文档。最低运行时兼容性测试仍使用 `SessionOptions.add_provider_for_devices`，版本下限保持为 1.30.1，另通过环境变量启用按 provider 名称创建的测试；这些改动主要改善插件加载与构建兼容性，未提供 GPU 内核或性能基准变更，不能据此推断推理加速。
该 PR 面向 MTP 稀疏注意力的索引复用场景，新增 PackedSparseAttentionIndexerMerge，将基础索引与额外索引合并，并为其提供 CUDA、WebGPU 实现及算子文档。接口层同步扩展算子 schema、输入输出槽位和内核注册，支持共享索引以及合并后的索引、计数和状态输出，并支持合并张量的原地操作。现有 CUDA Indexer 新增 indexshare_mode、max_output_entries 和 indexshare_state_policy，分别控制索引共享、统一输出形状与 QSA/CSA 内核容量参数，以及 CSA 状态推进和共享策略，同时校验不兼容的接口用法。WebGPU 侧明确新增了合并算子，但现有信息不足以确认其 Indexer 是否具备与 CUDA 相同的共享能力；索引复用和原地合并有望减少重复计算与内存开销，但缺少性能基准，无法量化收益。
该 PR 为 ONNX Runtime 新增 com.microsoft::GatedDeltaNetStateReplay v1 contrib 算子，可直接在 WebGPU 上回放已捕获的 GatedDeltaNet 状态转移，为部分接受场景重建循环状态，无需将状态下载到 CPU。实现采用每个状态元素一个调用、每个工作组 128 个线程，按保留的前缀长度依次执行衰减和 key×delta 累加，并通过头索引映射支持不同的 key/value 头数。算子复用 ProgramBase、ComputeContext 和 BufferView，支持无需满足存储缓冲区绑定对齐要求的逻辑偏移；当前范围限定为单请求、单描述符及 FP32 状态和 capsule 底层张量，由 CPU 元数据提供偏移、头几何、原始捕获容量和保留步数。改动还补齐了算子 schema、opset 与 WebGPU 内核注册、文档及相关测试；避免状态回传有望降低传输和同步开销，但现有信息未提供性能基准或测试运行结果，无法确认具体加速幅度。
该 PR 旨在减少 Qwen GatedDeltaNet 在 WebGPU 上执行 A/B 门控投影时的算子与调度开销；从修改路径看，核心涉及算子接口、WebGPU 实现、着色器和测试，并非通用 LayerNorm 融合。实现通过新增可选 gate_projections 输入接收打包的 FP16 A/B 投影结果，在着色器内转换为 FP32，门控计算和循环状态仍保持 FP32，同时保留现有分块预填充与循环解码内核。PR 描述称配套 ONNX 重写可移除 48 个 MatMul 和 96 个 Cast 节点且不引入 Split 调度，并通过避免不必要的 QKV 拷贝，使满足条件的路径继续使用向量化循环读写。原有模型保持兼容，融合后的模型需要更新 ORT 主机运行时和 WebGPU 执行提供程序，无需修改 GenAI；验证中 24 项测试全部通过，首层投影在 1 行和 256 行输入下逐位一致，但缺少具体延迟、吞吐量及对照基线，无法量化实际性能收益。
该改动在 ONNX Runtime 算子测试框架中增加显式启用的 FP16 能力跳过机制，使设备缺少 ShaderF16 时可跳过 WebGPU 执行，同时继续测试其他执行提供程序，仅当没有任何提供程序能够执行时才将整个测试标记为跳过。实现覆盖会话初始化、权重预打包和执行阶段，且只识别预期成功的 WebGPU 测试中由共享着色器生成器报告的能力错误，不改变预期失败、无关错误或未启用该机制的测试行为。现有 FP16 Conv 和 ConvTranspose 测试辅助函数已接入该机制，输入、容差和排除的执行提供程序列表保持不变，并新增六个回归用例，其中包含禁用 ShaderF16 的真实原生 WebGPU 设备，且为该设备启用了上游原生 ORT 所需的 ImplicitDeviceSynchronization。该 PR 将 FP16 测试能力处理从 ConvTranspose3D 支持工作中独立出来，改善无 ShaderF16 设备上的测试兼容性；所提供信息未涉及算子计算实现或性能测量，不能据此推断推理性能提升。
该改动修复了 ONNX Runtime WebGPU GEMM 在调度网格归一化后，额外工作组可能超出逻辑批次范围并继续执行的问题。在 GEMM 公共实现中，重建逻辑工作组 z 索引后增加边界检查，当索引超出 `logical_dispatch_z` 的有效范围时立即返回，阻止无效工作组继续参与计算。新增的 70,000 批次 MatMul 回归用例专门覆盖归一化调度产生多余工作组的场景，以验证不会访问超出批次范围的数据。验证包括 WebGPU provider 的 RelWithDebInfo 构建、该回归测试及格式检查；改动主要提升大批量推理的正确性，现有信息未提供性能基准或跨设备兼容性测试结果。
该 PR 为可选 LoRA 增加默认关闭的图融合优化，通过 optimization.enable_matmul_nbits_lora_fusion=1 启用，将符合条件的量化投影与 LoRA 子图融合为 com.microsoft.MatMulNBitsLora，避免空秩适配器仍执行额外的 MatMul 和 Add。实现涵盖算子定义、图优化器及 CPU/WebGPU 内核：秩为零时仅运行基础量化投影，启用适配器时仍保留两次低秩 MatMul 和独立的增量加法，因此并非将活跃 LoRA 的全部计算合并成单个 GPU 内核。支持范围为 CPU FP32 和原生 WebGPU FP32/FP16，融合要求执行提供程序与数据类型兼容、可覆盖的默认适配器张量为空且中间结果仅被单处使用，同时保留适配器输入名称和模型元数据，不修改量化权重，也不引入 ONNX 控制流。新增回归测试覆盖执行、向量输入、融合限制与显式启用行为；预期收益主要是减少无适配器时的冗余计算和调度，但所给验证描述不完整且缺少性能数据，无法确认具体加速幅度或完整验证范围。
该改动修复 ONNX MatMul 内维度 K 为零但输出非空时，WebGPU 因绑定空 A/B 张量的空 GPU 缓冲区而触发验证错误或生成无效绑定组的问题，覆盖可选零秩 LoRA 默认值等场景。实现上在矩阵乘算法选择前处理 K=0：输出为空时跳过 GPU 调度，输出非空时直接写入零，或计算已有偏置及融合激活的结果，避免绑定空输入，非零 K 的执行路径保持不变。回归测试覆盖 FP32/FP16、批量广播、向量与标量、空输出及图捕获重放；transpose 路径也有配套修改，但现有信息不足以确定其具体处理逻辑。该修复提升了边界形状下的兼容性，并已在 Windows RTX 4070 上启用完整 WebGPU 验证和图捕获通过 FP16 集成检查，但未提供性能基准，不能据此判断常规矩阵乘的性能变化。
该 PR 重构 ONNX Runtime 原生 WebGPU 的着色器缓存键生成机制，将特化配置与缓存标识统一为声明式配置，并自动纳入张量和流水线元数据，避免不兼容的调用错误复用同一流水线，迁移范围覆盖全部 187 类原生程序生成器，包括多种注意力与有状态算子。实现上移除手工缓存提示和 Type/Rank 选择接口，为静态生成器提供受限辅助接口，并通过编译期约束标识不可变静态代码片段，同时保留现有 ready/pending 缓存和静态形状特化，不引入第二套流水线缓存。缓存命中时不生成 WGSL，Min/Max/Pow 辅助代码及 Einsum 符号推导也仅在未命中时执行，旨在提高缓存正确性并避免热路径上的代码生成开销，但未提供性能基准来量化收益。此外，该 PR 修复 BiasSplitGelu 中独立的 FP16 除法类型错误，补充编译与源码检查、框架及 GPU 回归测试，并让生成器变更触发 CMake 增量构建失效；已报告 Windows 原生 Release 测试程序和 Python 绑定构建成功，5,440 个唯一测试用例通过、280 个跳过，但未提供跨平台或不同 GPU 的验证结果。