Triton 3.9.0 重写屏障与原子语义处理，多篇论文推进 GPU 内核组件链接与智能体优化基线
Triton 3.9.0 重写屏障与原子语义处理，多篇论文推进 GPU 内核组件链接与智能体优化基线
Welcome To Limaomao Blog
记录代码、学习和有趣发现
联系方式：cun.jia.li@gmail.com
总访问 0
访客 0
NVIDIA TensorRT 推出 Global Performance Tuner，将引擎构建重新定义为编译调度问题
NVIDIA TensorRT 推出 Global Performance Tuner，将引擎构建重新定义为编译调度问题
Birdseed 突破稀疏张量编译并行化局限，PyTorch 2026 大会密集发布多硬件编译器更新
Birdseed 突破稀疏张量编译并行化局限，PyTorch 2026 大会密集发布多硬件编译器更新
FlyDSL 以可选后端落地 PyTorch，TorchTitan 推出 GraphTrainer 与 FlexShard，MXFP4 重写判定实现秒级 SMT 证明
FlyDSL 以可选后端落地 PyTorch，TorchTitan 推出 GraphTrainer 与 FlexShard，MXFP4 重写判定实现秒级 SMT 证明
PyTorch 硬件后端双发布：IBM Spyre 开源 MLIR 数据流后端，Google 与 Meta 联手推出 TorchTPU
PyTorch 硬件后端双发布：IBM Spyre 开源 MLIR 数据流后端，Google 与 Meta 联手推出 TorchTPU
AWS 开源 Trainium 原生 PyTorch 后端 TorchNeuron，Helion 将 ptxas 编译控制纳入联合 autotune
AWS 开源 Trainium 原生 PyTorch 后端 TorchNeuron，Helion 将 ptxas 编译控制纳入联合 autotune
ExecuTorch 把 PyTorch 带进 Cortex-M 微控制器，Meta 借 Helion 与协同设计推进异构硬件
ExecuTorch 把 PyTorch 带进 Cortex-M 微控制器，Meta 借 Helion 与协同设计推进异构硬件
IBM 将 Spyre 编译器迁至 Inductor 扩展，代码量缩至七分之一；MLIR 新管线借 OpenMP 卸载量子电路
IBM 将 Spyre 编译器迁至 Inductor 扩展，代码量缩至七分之一；MLIR 新管线借 OpenMP 卸载量子电路
IBM 通过 PrivateUse1 将 Spyre 数据流加速器注册为原生 PyTorch 设备
IBM 通过 PrivateUse1 将 Spyre 数据流加速器注册为原生 PyTorch 设备
FBTriton 用 Triton 重写推荐系统嵌入 kernel 超越遗留 CUDA；KernelOPT 用多智能体 LLM 针对 Inductor 子内核获得稳定加速
FBTriton 用 Triton 重写推荐系统嵌入 kernel 超越遗留 CUDA；KernelOPT 用多智能体 LLM 针对 Inductor 子内核获得稳定加速
IREE v3.12.0 发布 HAL 0.7 破坏性升级并新增多款硬件目标；PyTorch 加速器工作组推进跨仓库 CI 与 PrivateUse1 参考后端
IREE v3.12.0 发布 HAL 0.7 破坏性升级并新增多款硬件目标；PyTorch 加速器工作组推进跨仓库 CI 与 PrivateUse1 参考后端
Helion 内核 DSL 集成进 vLLM：单套 GEMM 实现加自动调优，在 Hopper 上超越默认后端
Helion 内核 DSL 集成进 vLLM：单套 GEMM 实现加自动调优，在 Hopper 上超越默认后端
TLX 改写 Jagged Flash Attention：Blackwell 上较 FA4 前向快约 13%、反向快约 50%，代码量仅为 CuteDSL 的三分之一
TLX 改写 Jagged Flash Attention：Blackwell 上较 FA4 前向快约 13%、反向快约 50%，代码量仅为 CuteDSL 的三分之一
TileLang v0.1.15 新增 Ascend 950 原生后端与自动 warp 特化；研究用强化学习为 MLIR 选择编译 pass
TileLang v0.1.15 新增 Ascend 950 原生后端与自动 warp 特化；研究用强化学习为 MLIR 选择编译 pass
RLX unifies a Rust tensor compiler and distributed runtime across 14 devices, while Trident strips host-side overhead from PyTorch Triton cache hits
RLX unifies a Rust tensor compiler and distributed runtime across 14 devices, while Trident strips host-sid...
编译器自动化三线推进：PGO 驱动的 PIM 卸载、LLM agent 的 RL 内核优化与 F₂ 代数学习的 SASS 编码器
编译器自动化三线推进：PGO 驱动的 PIM 卸载、LLM agent 的 RL 内核优化与 F₂ 代数学习的 SASS 编码器
KernelZero 用 Proposer 与 Coder 协同进化生成 GPU kernel，7B 模型在 CUDA 与 Triton 上超越更大的前沿模型
KernelZero 用 Proposer 与 Coder 协同进化生成 GPU kernel，7B 模型在 CUDA 与 Triton 上超越更大的前沿模型
Apache TVM v0.27.0 发布：TIRx CUDA 新 PTX dialect、共享 KV 注意力与 WebGPU 零拷贝路径集中落地
Apache TVM v0.27.0 发布：TIRx CUDA 新 PTX dialect、共享 KV 注意力与 WebGPU 零拷贝路径集中落地
LLM 智能体深入内核优化与基准测试：KernelOPT 搜索 Triton 子内核，KREX 加速共享 GPU 上的并发测量
LLM 智能体深入内核优化与基准测试：KernelOPT 搜索 Triton 子内核，KREX 加速共享 GPU 上的并发测量
vLLM 引入硬件无关层，为 OOT 加速器保留全图编译路径
vLLM 引入硬件无关层，为 OOT 加速器保留全图编译路径
TensorRT 11.0 新增多 GPU 推理能力并集成 Dynamo-Triton，单网络跨设备执行落地
TensorRT 11.0 新增多 GPU 推理能力并集成 Dynamo-Triton，单网络跨设备执行落地
AMD XDNA NPU 上的 FlashAttention 融合 kernel：开源编译器工具链实现 2 倍吞吐与 5 至 7 倍能效
AMD XDNA NPU 上的 FlashAttention 融合 kernel：开源编译器工具链实现 2 倍吞吐与 5 至 7 倍能效
cuTile Rust：把 Rust 的所有权安全带到 GPU kernel，性能对齐 cuBLAS
cuTile Rust：把 Rust 的所有权安全带到 GPU kernel，性能对齐 cuBLAS
PyTorch 大会编译专场预告 torch.compile 图捕获与自动调优新方向；Splyce 以选择性谓词加速稀疏协同迭代向量化
PyTorch 大会编译专场预告 torch.compile 图捕获与自动调优新方向；Splyce 以选择性谓词加速稀疏协同迭代向量化
Agentic GPU 优化与安全底层调度同日亮相：Ave 用数据流不变量约束 LLM 智能体，Exo-GPU 用顺序注解验证并行语义
Agentic GPU 优化与安全底层调度同日亮相：Ave 用数据流不变量约束 LLM 智能体，Exo-GPU 用顺序注解验证并行语义
Meta Helion 加入 HuggingFace Kernels：预调优决策树让高性能 kernel 开箱即用
Meta Helion 加入 HuggingFace Kernels：预调优决策树让高性能 kernel 开箱即用
Triton 位级确定性新进展：黑盒重构 cuBLAS 算术，静态检查器约束 autotuner 搜索空间
Triton 位级确定性新进展：黑盒重构 cuBLAS 算术，静态检查器约束 autotuner 搜索空间
KernelGenBench 发布：首个统一多源多芯片的 Triton kernel 生成评测基础设施
KernelGenBench 发布：首个统一多源多芯片的 Triton kernel 生成评测基础设施
PyTorch 大会硬件专场:Helion 新后端、FlyDSL 入列 Inductor,冷启动编译提速约 30 倍
PyTorch 大会硬件专场:Helion 新后端、FlyDSL 入列 Inductor,冷启动编译提速约 30 倍
KernelFoundry：进化搜索驱动 GPU kernel 生成，KernelBench 平均提速 2.3 倍
KernelFoundry：进化搜索驱动 GPU kernel 生成，KernelBench 平均提速 2.3 倍
PyTorch 2.14 发布：NVGEMM 将 CuTeDSL 生成的 CUTLASS 内核引入 Inductor，动态形状与分布式后端全面升级
PyTorch 2.14 发布：NVGEMM 将 CuTeDSL 生成的 CUTLASS 内核引入 Inductor，动态形状与分布式后端全面升级
Triton 3.8.0 发布，新增 Rubin 初始支持与三款插桩调试工具；PyTorch 北美大会 2026 议程披露 vLLM 多项服务栈进展
Triton 3.8.0 发布，新增 Rubin 初始支持与三款插桩调试工具；PyTorch 北美大会 2026 议程披露 vLLM 多项服务栈进展
PyTorch 大会核心场次预览 torch.compile 提速路线，2-bit 量化推理与 LLM 生成数据库 GPU 内核同场发布
PyTorch 大会核心场次预览 torch.compile 提速路线，2-bit 量化推理与 LLM 生成数据库 GPU 内核同场发布
NVIDIA T4 CUDA 架构图解：SM、Block、Warp、Thread 与显存层级详解
NVIDIA T4 CUDA 架构图解：SM、Block、Warp、Thread 与显存层级详解
AscendNPU-IR Pass 分析
Overview