模型量化实战：从 AWQ/GPTQ 到 NVIDIA FP8 推理的工程部署与性能调优
深度剖析大语言模型推理中的量化技术路线，从 GPTQ、AWQ、SmoothQuant 到 NVIDIA 硬件级 FP8 推理，结合 vLLM 与 TensorRT-LLM 实战部署，给出一套完整的工程方案。
GPU
LLM 推理服务生产化：从 POC 到高吞吐低延迟的系统工程实践
本文从 KV Cache 内存管理、Continuous Batching 调度、投机解码加速、模型量化策略四个维度，深入拆解 LLM 推理服务从实验室 Demo 走向千级 QPS 生产系统的工程实践。
Rust GPU 计算：从 RustGPU 编译器到 wgpu 核心优化与生产实践
深入剖析 Rust GPU 计算技术栈：编译器后端如何将 Rust 代码翻译为 GPU 指令，naga IR 如何保证跨平台兼容性，以及生产环境中如何设计高性能的 compute pipeline，包含完整的粒子系统实战案例。
WebGPU SIMT 子群组操作与矩阵乘法 AI 推理协同优化：从 Warp Shuffle 到 Hopper WGMMA 的全栈工程
深入剖析 WebGPU 子群组(SIMT subgroup)原语如何映射到 NVIDIA Warp Shuffle、AMD GCN Wave Intrinsics 以及 Hopper WGMMA 指令，提供可落地的矩阵乘法优化实现，演示如何在不依赖 CUDA 生态的前提下，通过跨平台着色器语言实现生产级 AI 推理加速。
AI 加速器内存管理单元深度实战：IOMMU、SMMU、ATS 在生产集群中的工程实践
深入解析 AI 基础设施中 IOMMU 的工作原理与工程实践，覆盖 Intel VT-d、ARM SMMUv3、ATS/PRI 协议、虚拟化场景下的 VFIO 集成，并提供生产集群的性能调优与故障排查实战经验。
Rust + GPU 计算着色器：跨平台 AI 推理引擎的工程实践
深入探讨 Rust 配合 GPU 计算着色器（wgpu/WGSL）构建跨平台 AI 推理引擎的技术选型方案、显存管理策略、INT8量化矩阵乘 kernel 实现，以及生产部署中的六大常见陷阱与性能数据对比。
PyTorch 2.x torch.compile 与 Inductor 后端深度工程：从 FX Graph 到 Triton kernel 的 AI 推理全栈优化
深入拆解 PyTorch 2.x torch.compile 的完整技术栈——从 TorchDynamo 的 Python 字节码拦截到 Inductor 的 Triton kernel 代码生成，结合生产级推理部署经验，给出可落地的工程指南。
ONNX Runtime 推理引擎深度工程实战：从图优化、算子融合到执行提供器与内存规划的全链路解析
沿 ONNX Runtime 的真实执行链路拆解推理引擎内核：Session 初始化时的 Graph Transformer 图改写与三级优化、算子融合收益的真实来源、执行提供器如何做图分区以及跨 EP 拷贝的代价、静态内存规划如何用生命周期区间复用显存、IOBinding 零拷贝的适用边界，并给出生产落地清单与常见故障模式。
GPU 时间片调度与多租户推理隔离工程实践
深入剖析GPU多租户共享技术栈：从MPS轻量级并发到MIG硬件分区，从CUDA时间片抢占到推理引擎级Tag-Based公平调度。覆盖NVIDIA H100/Blackwell架构、vLLM、TensorRT-LLM等生产级架构实战。
LLM 推理解耦架构：Prefill-Decode 分离的生产级吞吐工程实践
深入分析 LLM 生产中 Prefill-Decode 阶段的计算特征差异导致的资源冲突问题，系统阐述 Disaggregated Inference 架构的拓扑设计、KV Cache 传输协议实现，并给出 Prefill Worker、Decode Worker、传输引擎和智能调度器的完整生产级代码实现。包含四路 A100 实测性能基准与架构演进方向。
