汤不热吧
InfiniBand vs RoCE v2：大模型分布式训练网络通信协议深度对比与选型指南
引言：为什么网络通信成为AI集群的”必争之地” 随着大模型参数规模突破千亿乃至万亿级别，分布式训练已成为AI基础设施的标配。然而，当我们将计算任务分散到数十甚至数千张GPU上时，一个严峻的问题随之浮现：计算可以并行，...
ai-infra
Speculative Decoding（推测解码）深度解析：用「以小博大」的思路破解大模型推理延迟瓶颈
引言：大模型推理的”慢”到底慢在哪里？ 如果你在生产环境中部署过 GPT 级别的自回归语言模型，一定对 Token 生成速度之慢感同身受：即使在 A100/H100 这类顶级 GPU 上，大模型的 Decode 阶段...
实战详解：如何利用 CUDA Stream 实现多模型推理的并发调度以最大化 GPU 利用率
在生产环境中，GPU 资源往往十分昂贵。当你部署多个轻量级模型（如分类器、Embedding 模型、检测头）时，如果每个模型独占一张 GPU，资源浪费会非常严重。CUDA Stream 提供了一种在同一张 GPU 上并发执行多个推理任务的机...
模拟场景：集群里有一张 GPU 出现了 ECC 报错（可修正错误），你该立刻下线它还是继续坚持到训练结束？
如何处理 GPU 的 ECC 可修正错误：立即下线还是坚持到训练结束？ 背景 在深度学习集群中，GPU 显存错误（ECC Error）是运维和算法工程师经常面临的难题。当系统报出“可修正错误”（Correctable Error）时，你的训...
车载 NPU 的国产化替代：在没有原生 Profiler 的情况下，你如何定位黑盒算子的耗时分布？
随着汽车智能化进程的加速，国产化NPU（神经网络处理器）在车载平台中扮演着越来越重要的角色。然而，许多新兴的国产NPU平台在提供模型部署SDK时，往往缺乏成熟的、细粒度的性能分析工具（Profiler）。当遇到模型推理延迟过高，特别是当延迟...
如何利用 Kubernetes 的 GPU Share 机制让多个小模型共用一块 80G 显存而不互相干扰？
在处理大规模深度学习部署时，经常遇到这样的问题：一块拥有 80GB 显存的高端 GPU（如 NVIDIA A100/H100）运行着许多只需要 5GB 或 10GB 显存的小模型。传统的 GPU 调度机制要么独占整块 GPU，造成资源浪费，...
排查实录：当 NCCL 通信出现 Time Out 时，你该如何确定是光模块坏了还是拓扑配置错了？
当我们在大规模 GPU 集群上进行分布式训练时，NCCL (NVIDIA Collective Communications Library) 扮演着核心的通信角色。如果训练过程频繁出现 NCCL Time Out 错误，这通常意味着节点间...
详解 Unified Memory 的“虚假繁荣”：它在 AI 训练中究竟是降低了开发难度还是拖慢了速度？
NVIDIA 的 Unified Memory (UM) 或称托管内存（Managed Memory），是 CUDA 6.0 引入的一项重要特性。它旨在通过提供一个统一的地址空间，让 CPU（Host）和 GPU（Device）可以共享数据...
面试必问：为什么 Triton 编译器生成的代码在某些场景下能反超专家手动编写的 CUDA C++？
在高性能计算和深度学习领域，NVIDIA的Triton编译器正逐渐成为编写高性能GPU内核（尤其针对矩阵乘法等张量操作）的首选工具。一个常被问到的面试问题是：为什么一个编译器生成的代码，在某些场景下，能够反超由经验丰富的专家手动编写、并经过...
手写一个简单的 Tiling 策略：演示如何通过 L1/L2 缓存优化矩阵运算的访存局部性。
矩阵乘法（GEMM）是高性能计算中最基础且最核心的操作之一。然而，简单的三层循环实现（ijk顺序）往往效率低下，主要瓶颈在于CPU L1/L2缓存的频繁失效（Cache Miss）。这是因为在默认的行主序（Row-Major）存储中，访问矩...