GPU的光栅化模块之后，是一个工作量打包模块。这个模块负责将光栅化的结果（fragment）按照一定大小（N卡：warp32，A卡：wavefront64或wavefront32）打包，然后交给下面的处理阶段（PS）
这里需要注意的一个细节是，离散化的粒度虽然最终是像素级，但是在近代GPU当中，离散化模块输出的单位却不是单个像素，而是Quad（2x2像素）。其中的一个原因（可能并不是最根本的那个原因）是单个像素无法计算ddx、ddy，从而在PS当中判断选用贴图的MIPS层级会发生困难。当然，我也怀疑这可能与GPU当中贴图单元与计算单元配比等有关，亦或是和内部带宽有关，但是无从验证。
总之，对于当前主流的GPU来说，一个三角形至少会产生一个Quad。当三角形很小面积无法覆盖一个Quad的时候，未被覆盖的那些像素（准确来说是fragment）会被标志为无效，但是坑并不会让出来。
所以对于上一篇所举的那个dither的例子，一些位置上整个Quad被mask掉，而另外一些地方其实只是Quad里面的部分像素被标志为无效。
什么意思呢？就是其实PS工作量总的来说是减少了，但是并没有减少很多。如果用GPU抓帧工具来看，会发现很多warp/wavefront里面的thread不饱满，有的甚至里面只有几个thread。
就好像公司组织去旅游，包了6辆旅游巴士，结果当天1半人取消。本来呢重新安排一下位置可以取消3辆车，但是人与人之间各种亲疏远近各种嫌弃，或者平级领导不愿同乘还得跟班陪坐什么的，最终可能只能取消2辆甚至1辆都不行。
在这种情况下，很多被抠掉的像素其实依然在管线内参与整个PS计算，只不过计算结果被丢弃而已。
更为不幸的是，这种丢弃，因为GPU和内存之间有cache，也就是有cache line的存在，很多时候对于内存带宽的节省，也是打折扣的。cache line与内存交换一次就是连续64字节，按照32bit/pixel计算，就是16个像素（4x4），也就是4个Quad（2x2）。这些都是定死的，所谓的丢弃，只不过是原样读入原样写出，带宽消耗还是那么多。
即便是Quad单位的丢弃，依然是有限制的。光栅化模块，虽然很快，但是产生Quad的速率是一定的。后续的打包模块，将8个或者16个Quad打一起那个，也不是拥有无限耐心的。什么意思呢？就是好比公共汽车，它是有运营时刻表的。并非是包车，坐满再开。所以如果大量Quad被干掉，要么一个都没有公交有时这个班次也就取消了，否则1个人都开。
为什么？因为司机并不知道后面还有多少人，还要多久来。再说，既然是定线定时运营，错过了就坐下一班，这是基本。
来源：oschina
链接：https://my.oschina.net/u/4274700/blog/4716962