本文比较了向量化和标量访问共享内存的性能，结果表明两者性能相当，且向量化访问不会引发共享内存银行冲突。通过合理设计访问模式，向量化访问能够有效减少指令数量，从而提升性能。

KernelCAT是一种国产AI算力方案，旨在解决算子开发难题。通过运筹优化技术，它提高了算子调优效率，增强了国产芯片性能，缩短了开发周期，促进了AI模型在本土平台的应用。

在CUDA编程中，管理多个流的依赖关系具有挑战性。使用汇合流可以简化多个生产者和消费者流的调度，确保消费者在所有生产者完成后再开始处理，从而提升代码的可维护性和性能。

本文介绍了如何将CUDA与Go语言结合，以实现高性能计算。通过Sam Burns的演讲，展示了GPU在并行计算中的优势，特别是在矩阵乘法示例中，强调了Go语言处理大规模数据的潜力。

CUDA图是提升GPU性能的有效工具，PyTorch提供了torch.cuda.graph和torch.cuda.make_graphed_callables两个API来捕获和重放CUDA图。前者需要手动管理，后者简化了流程，适用于不同场景以提升PyTorch模型性能。

2025 年 12 月，在 CUDA 发布近二十年后，NVIDIA 推出新的 GPU 编程入口「cuTile」，通过 Tile-based 编程模型重构 GPU 内核，使开发者无需深入 CUDA C++ 即可高效编写 Kernel，引发社区热议。尽管仍处早期，Tile 思维的抽象优势、社区探索迁移工具及实践尝试表明，cuTile 有潜力成为 GPU 编程新范式，其未来取决于生态成熟度、迁移成本及性能表现。

英伟达发布CUDA 13.1，推出CUDA Tile编程模型，使开发者仅需15行Python代码即可实现相当于200行C++的GPU性能。这一变化降低了GPU编程的门槛，吸引更多数据科学家参与，但也引发了对CUDA“护城河”被削弱的担忧。

DeepSeek v3.2引入国产GPU语言TileLang，取代Triton，提升性能。TileLang简化GPU内核开发，支持华为昇腾，适合不同水平的开发者。DeepSeek团队利用TileLang快速开发原型，验证其在模型训练中的有效性。

DeepSeek最新模型V3.2-Exp上线，采用新稀疏注意力机制DSA，提升长文本推理效率，并开源TileLang和CUDA算子，API价格降至五折，国庆礼包也令人惊喜。

浮点常数（如无穷大、最大值、最小值和零）在数值算法和科学计算中至关重要。本文通过C++、CUDA和Python的代码示例，讨论了这些常数的特性和行为的验证。

飞桨框架3.0推出了多硬件统一适配方案，降低了硬件适配成本，支持即插即用接入。该方案通过插件架构和标准接口，简化接入流程，提升模型训练和推理性能，降低开发门槛，促进硬件生态落地。