一次 FP32 SGEMM 的性能优化长征：从 naive kernel 的 306.7 GFLOPS 走到 warptiling 的 20405.1 GFLOPS，约为 cuBLAS 的 93.2%。

多智能体系统职责说明书（针对 CANN 算子生成场景）Dispatcher（分发器 / 调度总控） 定位：系统的入口大脑。 核心职责： 接收与解析：接收用户输入的原始需求（芯片型号、算子签名、运行环境、功能/性能要求）。 路由分发：将需求转化为标准化的任务指令，分发至 C...

一行“T.copy”的旅行——从python到GPU指令，中间到底发生了什么？ GPU 存储金字塔 类比：桌面/书架/同一个房间/仓库/下楼走一趟 什么叫做“T.copy” 一个比喻：就像一个搬货单 tileLang的整体结构12345678910111213t...

编程模型Grid-Block-Thread 同一个warp当中的thread是共享部分资源的 体系结构相关的优化案例 Occupancy-资源占用 case 1: active block 追求相对较小的task分割大小，以获得更高的block利用率（当然最好是...

GPU发展的三个时代 图形加速时代（1963-2006）：核心目标为3D图形渲染加速，硬件采用固定管线设计，缺乏灵活性。 通用计算时代（2006-2017）：NVIDIA发布GeForce 8800及CUDA，引入统一着色器架构，GPU转变为可编程并行处理器。 AI工厂时代...