该 PR 为 ONNX Runtime 的 WebGPU MatMulNBits 新增 small-M SIMT 内核，默认用于受支持的大尺寸 INT4 投影，旨在降低少量激活行计算时现有 subgroup-matrix 路径的开销。内核采用 128 线程、BN8/BK512 分块及 72 字节共享内存行步长，以高效处理多个激活行。当 2 ≤ M ≤ 8、K 和 N 均不小于 4096，且满足 FP16 激活、INT4 权重、量化块大小为 32 等支持条件时，该内核的选择优先于 subgroup-matrix 和 DP4A；其他形状和配置（包括较小投影）保持原有选择逻辑。改动还补充了 WebGPU 量化 MatMulNBits 测试，但提供的性能章节不完整，缺少基准数据和测试硬件信息，无法量化实际加速幅度。
该 PR 在前置 PR 已集中管理 CI SDK 配置的基础上，将 GitHub Actions 和 Azure Pipelines 的共享 .NET SDK 选择从 8.x 升至 10.x，并同步迁移 C# 托管库、测试、示例、性能工具、API 文档及插件消费者。托管库与共享测试改为面向 netstandard2.0 和 net10.0，同时更新框架条件编译与必要的编译修复，并保留 E2E 启动器显式指定 net462 的兼容路径。移动端项目、工作负载及原生 NuGet 依赖和资产分组也随之对齐 .NET 10，包括 Android 36.0、iOS/Mac Catalyst 18.7 库平台版本。对 Node/WebGPU 的影响主要是既有打包流程使用的共享 SDK 升级，现有信息未显示 WebGPU 执行提供程序、GPU 内核或推理算法发生变化；由于缺少性能基准和跨平台验证结果，不能据此认定推理性能提升或所有目标平台均已验证兼容。
该 PR 修复 ONNX Runtime CPU 执行提供程序中 FP16 分组卷积的权重打包偏移和偏置分组错误，其中权重打包问题出现在 arm64 的 NEON half GEMM 路径，x64 不会进入该路径。关键修改是按字节计算打包权重偏移，避免将 MlasHalfGemmPackBSize 返回的字节数用于 MLFloat16 指针步进，导致第二组起的权重写入和读取越界；同时为每组 GEMM 传入对应的偏置切片，而非重复使用第一组偏置。改动主要改善推理正确性和内存访问安全，不涉及 WebGPU，也没有性能数据支持加速结论。PR 新增了 CPU FP16 卷积测试，并说明曾交叉编译 aarch64 测试程序后通过 QEMU 运行，但测试结果描述被截断，无法确认具体通过情况。
该 PR 通过消除 onnxruntime_providers_webgpu 目标内跨目录源文件的同名冲突，避免 MSVC 生成 SARIF 日志时发生命名碰撞。具体做法是保留通用实现的文件名，将六组冲突中的 EP、Intel 专用或 contrib 实现改为更具区分度的名称，例如 session_allocator、intel_gemm、matmul_subgroup 和 contrib_layer_norm，并同步调整配套头文件、引用及文档。构建脚本还新增了 CMake 配置阶段的重名检查，以便后续引入同名源文件时尽早发现问题。这些改动属于文件命名和构建检查层面的维护，不涉及 WebGPU 算子逻辑、GPU 执行路径或接口语义变化，主要改善 MSVC 下分析日志生成的可靠性，不应带来推理性能变化。
该改动针对固定状态缓存等场景中大量小型 GPU 拷贝带来的逐次提交开销，默认将兼容且未指定显式流的 GPU 到 GPU `OrtApi::CopyTensors` 向量合并为一次调用内的命令录制和队列提交。拷贝按数组顺序编码以保留条目间依赖，上下文生命周期延续至提交完成，并为并发调用及错误恢复隔离录制状态。单次拷贝、CPU 传输、显式流和不兼容向量继续使用原有路径，不引入公共 API/ABI 变更或实验开关。配套的 WebGPU 提供程序测试覆盖提交次数、流路由、拷贝依赖、错误恢复、缓冲区生命周期及并发 Session 销毁，并更新相关文档；预期收益是减少主机侧提交开销，但现有信息未提供性能基准，无法量化加速幅度。
该改动旨在减少 ONNX Runtime Web 端 Asyncify 构建中不必要的异步插桩，覆盖 JSEP 和未启用 JSPI 的原生 WebGPU 构建。实现上通过 WebAssembly 的 CMake 配置传入 -s ASYNCIFY_REMOVE=@onnxruntime/wasm/asyncify_remove.txt，排除 Graph、GraphViewer、ONNX schema 与形状推断以及 protobuf 解析相关函数。上述代码不会调用异步导入，因此排除它们可减少间接调用导致的冗余插桩，同时保留 WebGPU 回读、适配器／设备／管线创建及 WebNN 相关路径所需的异步支持。此举有助于控制 Wasm 函数体积和插桩开销，但描述中有关 WebKit 优化编译层的说明不完整，也未提供性能实测数据，无法量化收益或确认具体兼容性改善；JSPI 和普通 Wasm 构建不受影响。
该 PR 优化了 ONNX Runtime WebGPU 中低比特矩阵乘法的 DP4A 路径，重点适配 Qualcomm Adreno 的 64–128 lane 宽子组。激活量化着色器先在每个 lane 内归约四个激活分量的绝对值，再进行 XOR shuffle，以减少跨 lane 通信，同时确保每个 128 值量化块在独立的 32-lane 分区内归约。矩阵乘法路径在兼容的 Qualcomm 适配器上，仅针对 4-bit 权重、块大小为 32 且 M≥128 的情况采用 128×32 输出分块，并显式请求两个 128-lane 子组，每个 lane 负责一个激活行上的 16 个输出列。回归测试覆盖独立量化块、不完整工作组、矩阵分块尾部、批处理、偏置和零点，以验证优化路径的正确性；描述中的 Windows ARM64／Adreno X1-85 基准结果被截断，因此无法确认实际性能提升幅度。
该改动让 CPU 和 WebGPU 的 MatMulNBits 在 weight_prepacked=0 时支持空打包权重，适用于禁用 LoRA 适配器等可选投影场景，无需再提供完整尺寸的全零权重张量；B 的打包形状允许一个或多个维度为零，其余维度仍须符合正常布局。输出保持由 A、K、N 决定的逻辑形状，并填充为零或广播后的 bias，未使用的量化参数也允许为空。CPU 跳过无用的参数打包和矩阵乘法，WebGPU 则记录填充 dispatch，确保图捕获后的重放能够重新写入正确输出，而非仅在首次执行时初始化。WebGPU 的 QKV/MLP 融合仍然启用，空权重投影走共享的零值或 bias 回退路径，非空投影继续计算；算子文档、定义及专项测试同步覆盖精度、量化位宽、输入覆盖切换和图捕获等场景，但未提供量化性能收益的基准数据。
该 PR 优化了 ONNX Runtime WebGPU 执行提供程序的 CPU→GPU 数据上传路径，对符合条件且大小不超过 1 MiB 的上传自动使用 Queue.WriteBuffer，以减少每次新建 staging buffer 带来的分配、映射、复制及提交开销。在队列写入前，实现会先提交延迟执行的读取操作，确保旧数据被读取后再覆盖，同时不引入额外的 CPU 完成等待。对于已映射缓冲区、大于阈值、未对齐及 capture/replay 场景，仍保留原有处理或 staging 路径，并维持既有的完成通知、校验、设备丢失和失败处理语义。配套修改补充了 WebGPU 上下文与数据传输测试，并记录执行顺序、源数据生命周期保证和阈值规则；该优化旨在缓解 Qwen/DFlash2 在 A100 上分析发现的主机端开销，但所给信息未包含量化性能收益或跨设备验证结果。
该改动修复 ONNX Runtime 图优化器 ReshapeFusion 在空输入场景下的语义问题：例如将 [batch, 20, 30, 40] 到 [batch, 20, 1200] 的 reshape 改写为 [0, 0, -1] 后，batch 为 0 会导致推断维度无法确定。关键实现是在用 -1 替换形状计算前，要求所有复制的维度都能静态确定为正数，否则保留原始形状计算；原有字面量 -1 的处理保持不变，静态安全的情况仍可融合。修改位于通用图优化器并新增了相关回归测试，并非 WebGPU 专用内核调整；符号维度场景可能因此减少融合机会，即使运行时输入非空也会保留形状计算，但具体性能影响尚无数据支持。该修复旨在保持空与非空输入的执行兼容性，不过提供的验证信息仅说明修复前新回归测试失败、其余 25 项测试通过，未给出修复后的测试结果或 WebGPU 验证数据。