@shreyansh_26: 当 M 和 N 很小而 K 很大时，如何让矩阵乘法变快？（MoE routers、small-batch decode。）Decompose-K: …

X AI KOLs Timeline 工具
matmul-optimization moe-routers small-batch-decode decompose-k triton-kernel torch-compile autotuning

摘要

一种加速矩阵乘法的技术，适用于 M 和 N 较小而 K 较大的情况（如 MoE routers 和 small-batch decoding），通过分解 K 并并行运行部分 GEMM，然后将 epilogue 折叠到归约存储中。该方法使用自定义 Triton 内核，在大多数形状上击败了 PyTorch Inductor。

当 M 和 N 很小而 K 很大时，如何让矩阵乘法变快？（MoE routers、small-batch decode。） Decompose-K：将 K 分解，并行运行 S 个部分 GEMM，求和，并将 epilogue 折叠到归约存储中。 新博文：从 torch.compile → 自定义算子自动调优 → 一个手写的 Triton 内核，在 26/28 种形状上击败了 Inductor。 基于 PyTorch Conf 上 @pz_ai1 和 Elias Ellison 的演讲。
查看原文
查看缓存全文

缓存时间: 2026/06/23 16:12

当 M 和 N 极小、K 极大时，如何让矩阵乘法（matmul）变快？（MoE 路由器、小批量解码。）

分解 K：将 K 拆分，并行运行 S 个部分 GEMM，求和，并将后处理折叠到归约存储中。

新博文：从 torch.compile → 自定义算子自动调优 → 一个手写 Triton 内核，在 26/28 种形状上击败 Inductor。

基于 @pz_ai1 和 Elias Ellison 在 PyTorch Conf 的演讲。

相似文章

@shreyansh_26: https://x.com/shreyansh_26/status/2069125463860302212

X AI KOLs Timeline

本文介绍了Decompose-K技术，用于加速瘦高大K矩阵乘法，通过将K维度分割成块，执行批量矩阵乘法，并求和部分结果。还提供了PyTorch实现和基准测试，显示对于形状不佳的矩阵乘法，相比标准torch.compile有显著加速。

优化模型以快速进行代码生成（8分钟阅读）

TLDR AI

Morph LLC描述了三种关键技术——基于编码输出训练投机模型、在廉价GPU上自动搜索内核、以及编写自定义互连——以大幅加速像Qwen和DeepSeek这样的开放模型在编码代理工作负载上的运行，实现了最高3倍的投机解码加速，并在7000美元的GPU上达到97-162 tok/s。