以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Kernel optimization is essential for efficient large language model (LLM) training and inference on Ascend NPUs. Existing Ascend kernel benchmarks primarily focus on kernel generation, with less emphasis on the ability of agents to optimize existing implementations under input configurations drawn from real workloads.
阅读原文 · AI Training Platform Team, Bingwei Zhang, Jing Li, Amir Abdullin, Sihang Chen, Xin Chen, Liangjun Feng, Yingmeng Gao, Tao Guo, Junjie Huang, Dongfang Li, Zhanglian Lin, Jiajun Liu, Zekun Liu, Zhengxuan Lu, Xiaodong Luo, Jian Meng, Ivan Nosov, Linyuan Qiu, Weijian Sun, Wanrui Yan, Binfan Zheng, Zhicheng Zhou, Baotian Hu, Min Zhang, Haizhou Li, Zhiquan Luo
向阳乔木 · opencode-go/deepseek-v4.1-flash
昇腾 NPU 上的算子优化,长期缺少一个能反映真实训练、推理负载的评测基准。AscendGYM 想补上这块:它不只看模型能不能写出一个 kernel,更看它能不能在真实输入配置下,把已有的 kernel 优化得更快,并且把“花了多少 token 换多少加速”算进账里。 这篇论文值得看的地方在于,它把评测从“生成能力”往“优化能力”挪了一步,还引入了成本维度。...