标签
Kimi K3在新的pmpp-hard基准测试中取得了最先进的结果，在69个GPU内核任务中得分为0.71，并超越了其他前沿模型。
OpenAI 部署了 GPT-5.6 Sol，通过改进的 GPU 内核和推测解码，实现了 20% 的服务成本降低和 15% 以上的 token 生成效率提升。
Fable 通过编写高效 CUDA 超内核（megakernel），实现 18.71 倍加速，登上 KernelBench-Mega 榜首，标志着 AI 研发向递归自我改进迈出一步。
EGG 是一个专家引导的智能体框架，它将 GPU 内核生成分解为算法结构设计和硬件特定调优两个阶段，并采用阶段感知的多智能体协作机制。在 KernelBench 和实际工作负载上，EGG 相比 PyTorch 实现平均 2.13 倍的加速。
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。
Recursive的自动AI研究系统通过在无需任务特定适配的情况下自动化研究循环，在NanoChat、NanoGPT Speedrun和GPU内核基准测试上达到了最先进的成果，并开源了相关工件以供进一步检验。
一条推文展示了一个CuTe DSL内核示例，该示例使用布局来表达转置，是FlashAttention-4内核的一部分。
Meta 开源了 TLX Block Attention，这是一个 warp 特化的 Triton 内核，在 NVIDIA Blackwell GPU 上为块对角自注意力实现了 2.3 倍的加速，与旋转嵌入融合时加速可达 3.5 倍。
CODA 引入了一种 GPU 内核抽象，将 transformer 计算重写为 GEMM-plus-epilogue 程序，减少内存受限操作，提高训练效率。
MoonshotAI 发布 FlashKDA，开源 CUTLASS 内核实现 Kimi Delta Attention，在 H20 GPU 上相较 Triton 最高提速 2.22 倍。