FlashAttention V3 实战：Hopper 架构下的 Paged KV Cache 协同优化
深入剖析 FlashAttention V3 在 Hopper 架构下通过 TMA 和 Warp Specialization 实现 Attention 计算极致优化，以及 Paged KV Cache 在 LLM 推理服务中的协同工程实践。含 CUDA 代码示例与实测性能对比。
GPU
LLM 推理系统韧性工程：PD 分离架构下 KV Cache 热迁移与分级降级实战
随着 LLM 推理服务进入大规模生产部署阶段，系统韧性成为比峰值吞吐更关键的工程指标。本文深入剖析 Prefill-Decode 分离架构下的 KV Cache 热迁移、分级降级策略和故障恢复机制，给出可直接应用于生产环境的工程方案和实测数据。
Mamba状态空间模型的硬件感知推理优化：从选择性扫描到并行前缀和
深入分析Mamba架构选择性扫描的GPU硬件感知优化策略，包括并行前缀和、CUDA Kernel Fusion、FlashAttention风格IO-Aware Tiling等全链路优化方案，实测14倍加速。
从GPU内核到Token延迟：eBPF在LLM推理可观测性中的工程实践
如何利用eBPF从内核态穿透到GPU驱动层，构建LLM推理全链路可观测性体系。涵盖CUDA kernel追踪、TTFT/TPOT指标分析、多租户GPU争用分析及实战案例。
WebGPU 计算着色器深度实战：浏览器端 GPGPU 通用计算与深度学习推理
全面解析 WebGPU Compute Shader 编程模型：WGSL 着色器语言、Compute Pipeline 架构、Workgroup 内存优化、主机-设备数据交互实战。涵盖大规模矩阵乘法的 Tiling 优化、并行归约（Parallel Reduction）、2D 卷积GPU加速，以及与 CUDA/SYCL 的性能对比分析。
GPU Direct Storage：GPU 直接存储访问在 AI 推理数据管道中的工程实践
GDS让GPU显存直接与NVMe控制器建立DMA链路。深入剖析nvidia-fs驱动架构、cuFile API异步批量提交、GPU内存注册双缓冲策略，结合PyTorch容器化部署给出性能调优参数矩阵。
AI大模型分布式训练：张量并行与流水线并行深度实践
深入拆解大模型训练的两大核心并行策略——张量并行与流水线并行。从矩阵分块原理、1F1B 调度算法到 Megatron-LM 工程实现，配合 PyTorch 代码实战，详解 TP × PP × DP 三维并行体系如何在 3072 张 GPU 上跑出近线性加速比。
TVM TensorIR 自动化算子优化工程实践：从调度原语到硬件原生性能
深入解析Apache TVM的TensorIR调度原语体系和AutoTIR自动调优机制，涵盖循环变换、内存层次调度、rfactor归约分解等核心优化原语，以及在FlashAttention等真实推理场景中的工程落地与性能数据。
RDMA 深度实战：InfiniBand、RoCE、iWARP 从零拷贝到分布式存储与 AI 训练集群
从内核旁路与零拷贝原理出发，全面剖析 RDMA 三种主流实现（InfiniBand/RoCE/iWARP）的协议栈、硬件架构与性能特征，深入讲解 Verbs API 编程模型、QP/CQ/MR 核心机制，并附生产级实战：分布式存储引擎加速、NCCL GPUDirect RDMA、集群通信延迟优化。
Linux DRM/KMS 显示管理子系统深度实战：从 KMS 原子模式设置到 GPU 渲染管线的全链路架构
深度解析Linux DRM/KMS显示管理子系统：从CRTC/Encoder/Connector/Plane核心硬件抽象模型出发，详解Atomic Modesetting事务性提交机制、VBlank与Page Flip帧同步、DMA-BUF零拷贝共享、GEM显存管理、三大GPU驱动架构(amdgpu/i915/nouveau)、GPU重置恢复、与Xorg/Wayland合成器的协作，以及完整的用户态libdrm编程实战。
