融合算子：Softsign-Sigmoid-Mix-Gate（一次核内完成仿射、Softsign 与 Sigmoid 门控，返回 y = x * σ(α * (z/(1+|z|)) + β)，其中 z = x*scale + bias）。Softsign 以平滑饱和的方式抑制大幅值，同时保留小幅值的分辨率。

目标与定义
- 输入张量：`x[B, D]`
- 逐维参数：`scale[D]`、`bias[D]`
- 标量超参：`alpha`、`beta`
- 计算流程：`z = x*scale + bias`，`v = z/(1+|z|)`，`g = sigmoid(alpha*v + beta)`，`y = x * g`

参考实现（文件要求）
- `torchcode.py`：PyTorch 参考 `Model`；统一接口
- `cudacode.py`：单核融合（仿射+softsign+sigmoid+乘法）；`-O3 --use_fast_math`
- `run_code.py`：迭代 100 次；精度 `rtol=1e-03, atol=1e-06`；输出加速比

CUDA 实现要点
- 行并行：`grid = B`；块内沿 D 连续访存；一次遍历写回
- 对齐向量化：满足 16 字节对齐且 `D%4==0` 使用 `float4`；否则标量路径
- 指令优化：仿射用 `fmaf`；`fabsf`/`expf` 走快速数学；循环 `#pragma unroll 4`
- 线程配置：以 `block=1024` 为基准，根据设备与规模试探

评估与目标
- 精度：通过 `rtol=1e-03, atol=1e-06`
- 性能：≥1.0x 加速；对齐与向量化进一步提升

加分项（可选）
- 优化未对齐路径的尾部与分支收敛
- 每线程批量步长以提升吞吐

