标签
强调了两篇官方PyTorch教程，它们链接到了'Profiling in PyTorch'系列，提供了使用PyTorch性能分析器API进行性能调试的指导。
CodeSizer 是一款用于嵌入式固件的静态代码大小分析工具，它利用 objdump 和 addr2line 将代码大小归因于内联调用树，并生成 HTML 报告。
一份面向初学者的指南，介绍如何使用 PyTorch 中的 torch.profiler 对深度学习工作负载进行性能分析和优化，涵盖追踪读取、CUDA 分析和 torch.compile 集成。
本教程演示了如何使用 PyTorch 性能分析器在 NVIDIA A100 GPU 上对各种注意力实现进行性能分析，从朴素注意力到具有不同后端的缩放点积注意力。
深入探讨Go的性能分析机制，解释运行时如何收集CPU、堆、阻塞、互斥锁和协程的性能分析数据，以及这些数据在pprof格式中的表示方式。
本文探讨了智能体工具如何用于编码SGLang的开发工作流，将调试、基准测试和性能分析转化为可执行的技能和可复现的实验，像KDA-Pilot这样的努力已经产生了合并的PR。
论文介绍了VirtueMap，这是一个通过亚里士多德美德伦理视角评估伦理困境回答排名来剖析大语言模型的框架，使用了经过验证的常识性真实数据。
ISC High Performance 2026上的半日教程，关于使用编译器辅助工具（FPChecker/LLVM）进行C/C++科学代码的浮点错误分析与性能分析。
KernelPro是一个闭环多智能体系统，利用LLM和微剖析工具自动优化GPU内核代码，在KernelBench上实现了2.42×/4.69×/5.30×的几何平均加速，并在相同速度下实测能耗降低11.6%。
介绍了SocialPersona，一个评估多模态大语言模型从纵向社交媒体时间线中恢复显性偏好并将其用于个性化对话能力的基准。
分析表明，用于AI训练的GPU经常处于闲置等待数据的状态，这让人质疑GPU短缺问题的严重性。
作者分享了对内核融合的兴奋之情，并演示了使用HuggingFace的kernels项目对GeGLU FFN融合的Liger内核进行性能分析，指出这个分析结果非常漂亮。
宣布性能分析教程的第2部分，涵盖线性层追踪、gemm epilogues、MLP追踪以及torch compile与Liger内核的对比，并附有完整内容的链接。
本篇博文继续 PyTorch 性能分析系列内容，探讨 nn.Linear、MLP 块以及使用 Triton 内核的融合技术，以优化性能。
谷歌的AI策略被批评为一种基于监视的画像引擎，通过强制登录迫使使用者同意，从而规避GDPR。本文揭露了谷歌用AI生成的答案和个性化追踪取代传统搜索的计划，称其为包裹在AI炒作中的法律漏洞。
这是一份初学者友好的指南，介绍如何使用 PyTorch 的 torch.profiler 对神经网络操作进行性能分析和优化，从矩阵乘法和偏置加法开始。它解释了如何读取分析器跟踪并理解 CPU/GPU 交互。
Sayak Paul 描述了一个使用 torch.compile 分析和优化 Diffusers 流水线的项目，并宣布由 Ari G. 教授的相关教程系列。
Sensor Tower 工程团队利用图论分析和性能分析工具，识别出后端端点缓慢的瓶颈，通过优化 Protobuf 解码和编码步骤，实现了四倍的速度提升。
该推文介绍了Jane Street、Goldman Sachs和J.P. Morgan等顶级量化机构开源的三个金融/工程工具：magic-trace（高精度进程追踪）、gs-quant（衍生品定价与风险管理Python包）和Perspective（实时数据可视化工具），帮助量化爱好者免费获得机构级技术能力。