全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

AscendGYM:面向昇腾 NPU 真实工作负载的成本感知内核优化基准

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

乔木风格重写

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。...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。