Fpai-user-qt-tuning

icraft 量化调优 skill：为 modelzoo 部署工程启用 mix_precision = "auto" + quant_autotune 自动量化调优， 并新增基础量化方案选择（Base Quantization Scheme Selection）能力：对量化数据精度 （WL/ZG qdtype=int8，BY int8/int16）遍历 saturation（kld/null/ems）与 per（channel/tensor）， 编译各方案并评估 optimize_vs_quantize ftmp 指标，选出最佳基础量化方案。

自动调优（Auto-Tuning）

• 参考 references/icraft-auto-tuning.md（BY/ZG/WL 参数语义与规则）。
• 从 config/<ARCH>/*int8.toml（或 *int16.toml）派生 <stem>_auto_tune.toml。
• 在 [quantize] 设置 mix_precision = "auto" 与 quant_autotune_config = "./quant_autotune/autotune_config.toml"。
• 生成 2_compile/quant_autotune/autotune_config.toml，按需调整 priority / round_num / cos_targetvalue / float_cal。
• 运行 icraft compile .\config\<ARCH>\<stem>_auto_tune.toml，报告写入 3_deploy/metrics/auto_tune/auto_tune.md。

基础量化方案选择（Base Quantization Scheme Selection）

量化精度的精度分析在触发 mix_precision="auto" 调优前，应先确定最佳基础量化方案。 运行 scripts/base_quant_sweep.py：

<python> <skill-dir>\scripts\base_quant_sweep.py `
  --deploy-dir .\mobilenetv2_icraft_deploy `
  --arch WL `
  --mode int8 `
  --compile-toml .\config\WL\MobileNetv2_int8.toml `
  --base-cfg .\cfg\MobileNet_WL_int8_demo.yaml `
  --runtime CRT --crt-dir .\WL --exe-name MobileNet.exe `
  --sample-count 1

• 遍历 --sat-list（默认 kld,null,ems）与 --per-list（默认 channel,tensor）生成各方案编译配置， 分别编译到 3_deploy/imodel/<ARCH>/<mode>_sat<sat>_per<per>/。
• 对每个方案运行 stage=optimize 与 stage=quantize host 仿真并对比 ftmp（余弦/相对欧氏/MAE）， 选择最佳基础方案。
• 报告：3_deploy/metrics/auto_tune/base_quant_sweep/base_quant_sweep.md
• 结果 JSON：3_deploy/metrics/auto_tune/base_quant_sweep/base_quant_scheme_result.json

该脚本复用兄弟 skill Fpai-user-analysis-accuracy 的 accuracy_analysis.py（CRT/PYRT 运行时契约）。 $Fpai-user-analysis-accuracy --base-quant-sweep auto 会在 mix_precision 自动调优前自动调用本功能。