该 PR 修复 ONNX Runtime 在 Windows 上的 WebGPU 插件执行提供程序（EP）打包流水线，重点是确保 Dawn 所需的固定版本 Agility SDK 能通过配置的 NuGet 源获取并用于打包。实现上新增暂存脚本，使用 nuget.exe 下载 SDK、校验 SHA1，并将其放入本地 CMake 依赖镜像，同时调整 Windows WebGPU 流水线和 CMake 外部依赖配置以接入该流程。新增的针对性回归测试用于验证这一依赖获取与暂存流程，但现有信息未列出具体测试场景。该改动主要改善构建与打包的可靠性及依赖版本一致性，不涉及已知的 GPU 推理计算路径优化；由于缺少 SDK 版本、运行时变更和基准数据，无法据此判断性能或设备兼容性是否有所提升。
该 PR 为现有 com.microsoft::QMoE v1 增加可选的 activation_quantization="dynamic_fp8"，在 CUDA 上实现原生动态 W8A8 推理，支持 FLOAT、FLOAT16 和 BFLOAT16 输入、路由及输出张量，默认 "none" 仍保持仅权重量化执行。实现保留 E4M3FN 专家权重及 FP32 方形块缩放网格，复用稀疏路由和独立 gate/up 或融合 SwiGLU 布局，在 gate/up 投影前及 FP32 SiLU/SwiGLU 后按连续 K128 分组动态量化，并通过原生 FP8 mma.sync.m16n8k32 指令计算、以 FP32 应用各组缩放。量化采用饱和最近偶数舍入、指定的缩放公式和 FP32 div.full 归一化，避免第二次量化前额外的 FP16/BF16 舍入，并增加确定性回归测试覆盖 FP8 中点附近的一 ULP 差异。算子定义、CUDA 类型注册、形状推断测试及文档也同步调整；WebGPU 和 CPU 侧仅有少量配套修改，现有信息不足以确认它们支持该动态 FP8 模式，也未提供 GPU 架构要求或性能基准，因此不能断言跨后端可用性或具体加速幅度。
该 PR 为 ONNX Runtime 的 WebGPU subgroup matrix MatMul 增加 NVIDIA 专用的共享内存分块路径，由工作组内多个 subgroup 协作将 A、B 的 K 维切片暂存到共享内存，再从中加载 subgroup 矩阵，以提高数据复用、减少重复访问全局内存。实现涉及 WGSL 内核、C++ 分块选择与设备限制检查，并同步更新生成代码和 MatMul 测试：采用 4×4 subgroup 网格和深度为 64 的 K 切片，大规模问题计算 128×128 输出块，其余适用场景计算 64×64 输出块。小规模问题保留原有 split-K 分块以更充分利用 GPU，各候选分块均检查设备限制，并以原有分块作为回退；该路径仅对 NVIDIA 启用，其他厂商保持不变。分块参数已在 RTX 5080 和 RTX 4070 上通过 ORT 实测调优，但提供的 Linux/Vulkan prefill 基准表缺少模型条目和加速数据，因此无法量化实际性能收益。
该 PR 将可复用的 MatMulNBits 内核优化从 QLoRA 相关 PR 中拆出，使 WebGPU 在一次调用内的多个投影能够共享激活量化结果和 subgroup-matrix 输入预打包结果，减少重复准备开销。计算路径上，将现有 K 维并行 DP4A 调度扩展到 N ≤ 32、K ≥ 2048 的 INT2/4/8 窄投影，并以 FP32 累加部分和；固定 64×64 的 DP4AMatMulNBitsProgram、其调度和 WGSL 着色器保持不变。测试改动覆盖输入准备、WebGPU MatMulNBits 及 2/4/8 位量化场景，但现有信息不足以确认具体误差阈值或跨设备兼容性。已给出的 RTX 5080、Windows、块大小 32、启用图捕获的完整数据表明，128×2048×32 的 INT8 权重／FP16 激活场景中，包含准备与乘法的 GPU 耗时在 D3D12 上由 47 降至 10 微秒、Vulkan 上由 52 降至 14 微秒；其余性能数据不完整，不能据此推断其他形状或硬件的收益。
该 PR 修复了 WebGPU 插件通过 EP API 适配器转换 CPU 张量时可能导致进程终止的问题，尤其涉及 C# 默认使用的 OrtMemType.Cpu 描述符：适配器误将值为 -1 的 OrtMemType 作为仅接受 0 或 5 的 OrtDevice::MemoryType，导致校验异常越过 noexcept 构造函数边界。核心修复是在重建 OrtDevice 时使用 GetDeviceMemoryType()，同时保留独立的 OrtMemType 字段，使合法的 CPU 和主机可访问内存描述符通过现有校验。新增回归测试覆盖默认、CPU 输入、CPU 输出及主机可访问内存描述符，通过同一输入被 CPU 与 GPU 共同消费的推理图，并结合性能分析记录确认 MemcpyFromHost 实际执行。C# NuGet 冒烟测试还改为按库路径选择已注册插件，避免内置 WebGPU 后端意外满足测试条件；整体改动提升了插件的内存描述符兼容性和运行稳定性，但未提供性能基准，不能据此判断推理速度变化。
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 针对 Qwen3.5 / Qwen3.8 线性注意力的 prefill 和推测解码场景，优化 ONNX Runtime 的 CUDA GatedDeltaNet 与 GatedRMSNorm，目标平台为 SM80+/SM90 GPU，不涉及 WebGPU 后端的直接修改。在共享矩阵运算辅助代码中，SM80+ 路径使用硬件 ldmatrix 替代标量共享内存加载与半精度打包，并通过向量化读写、直接写回共享内存及 SyncBeforeStore 支持优化数据搬运和同步。三角逆构建将前向替代所用的线程局部数组移至共享内存，使该数组对应的栈占用从 64 字节降至 0，同时新增 GatedRMSNormWarp128Kernel 并调整相关算子测试。这些改动旨在降低访存、指令和临时存储开销，但提供的描述在屏障优化部分被截断，且缺少性能数据、新内核调度条件及测试结果，因此无法确认具体加速幅度或完整的兼容性覆盖。
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。