Давайте начнем с конца.
3) Как у XP устроен планировщик - не знаю. Но эффект с гранулярностью - есть.
2) В примерах CUDA есть использование таймера (cutCreateTimer), который в тулките свой, он хороший.
Ну или QueryPerformanceCounter (http://msdn.microsoft.com/en-us/library/ms644904%28VS.85%29.aspx) - у него просто разрешение - такт процессора.

1) Давайте я вам документацию не буду пересказывать. Возьмите Best Practices Guide, раздел 4.4, но один поток на блок - это ~3% от пиковой производительности (если все остальное идеально и не конфликтует)