follow dev73_3, 1. 定位WSL2虚拟化下内核启动+同步开销(~177µs/次)与基准不公平(VERBOSE=1计时)，单进程快速dslash路径(run_mpi去~9次中间同步，Schur dslash 4.5→0.7ms)、Clover give去冗余同步、同步极简细层BiStabCG(细迭代~6→2.6ms)、cooperative-groups并行融合粗层求解(粗求解~30→10ms)，默认格子8×16×16×16 2层中位数加速比达1.26×; 2. 修复V4 bug：Cython扩展过期、_WILSON_AND_LAPLACIAN_TEST_SINGLE_IN_MULTI强制单进程走MPI halo、基准计时用VERBOSE=1不公平、单block融合粗求解器慢且NaN(改多block cooperative-groups版本); 3. 新增null_vecs缓存(mg_nullvec_cache.py按lattice/level/E/nv_iters缓存)与正确性验证(mg_v4_verify_nv.py，C++ restrict/prolong/粗dslash与Python一致~1e-7); 4. 参数扫描(mg_v4_sweep.py：ct=1e5、maxiter=15、r=10~12)与最终基准(mg_v4_bench.py，BiStabCG对照); 5. 新增mg-v4-report与mg-v4-fix-report(LaTeX PDF)，记录根因、性能结果(8×16×16×16 2L 1.26×中位数)与剖析方法(nvprof/ncu/nsys不可用，改用C++段计时+微基准); [Claude Code].