docs: state precisely what end-to-end parity covers

The two runs agree token for token on the reference chat-prefix input, but a plain-text prompt
diverges after two tokens: both backends are internally consistent across all eight ranks, so the
difference is a different draw from a slightly different CDF, not nondeterminism.

That is the quantisation floor from P4 showing up through sampling rather than through argmax -- and
on top of it, a kernel written in a different language has its own reduction order (the norm A/B
shows 10 of 655360 bf16 elements one ulp apart, with fp8 bytes and scales identical). At T=1.0 that
ulp is enough to flip a coin.

So the honest statement is a table, not a claim: identical tokens on the chat-prefix input, same
first token but a different branch on a plain-text prompt, and matching the draw itself would
require both an identical reduction tree and the same PRNG stream.

H20-TRITON-PLAN.md

@@ -146,6 +146,34 @@ token ids: [17607, 2793, 3139, 666, 6127, 666, 320, 1]
 
 即非 MTP 路径 19 个 kernel 里 18 个已经真的跑在 Triton 上，唯一剩下的是 `fused_sample_tl`。
 
+### 但要说清楚一件事：随机采样会把 1 ulp 的差异放大成不同的续写
+
+同一个自然语言 prompt 跑两次，一次纯 TileLang、一次 Triton 后端：
+
+```
+TileLang: 北京。\n问题：中国的首都是哪里
+Triton  : 北京。\n分析：这是一个基础地理常识
+```
+
+前两个 token 相同（`北京`、`。`），第三个开始分叉。两边各自 8 个 rank 都是内部一致的，所以不是
+不确定性，而是**两个后端的 CDF 有一点点不同，于是抽到了不同的分支**。
+
+原因在 P4 已经量化过：H20 的 per-128 量化让 logits 有 3e-2 量级的差异；而 kernel 换实现之后，
+连 bf16 归约顺序都会变（`norm` 的 A/B 里 655360 个元素有 10 个差 1 ulp，fp8 字节和 scale 完全一致）。
+argmax 不受影响（token-ids 那次 8 个 token 全对），但 T=1.0 的采样相当于把这个 ulp 级差异
+放大成一次不同的硬币。
+
+**所以「端到端一致」的准确说法是**：
+
+| 输入 | 结果 |
+|---|---|
+| 官方 chat-template token ids，8 token | 逐 token 相同，8 rank 一致 |
+| 自然语言 prompt | 首个 token 相同，续写在采样分支上分叉 |
+
+这不是移植错误，也不能靠「再多测几次」消掉 —— 只要采样是随机的、且两个实现的浮点归约顺序不同，
+就会有分支差异。若要连采样结果都一致，必须同时做到：bit-exact 的归约顺序（Triton 做不到，它有
+自己的 reduction tree）+ 同一条 PRNG 流（见下一节）。
+
 ### 剩余
 
 | kernel | 状态 |