調査期間:2026-11-11 07:00 ~ 2026-11-12 07:00(北京時間、24時間。前回の区切りは 11-11 07:00)。

情報源:GitHub tile-ai 組織のリポジトリ別調査(30 リポジトリ、期間内プッシュ 7 件、うち 2 件はドキュメントサイトの自動プッシュ)+ 組織レベルのマージ済み・審査中実値検索(期間内マージ 6 件、審査中更新 57 件、新規 issue 35 件)+ メインブランチのコミット別調査(tilelang 3、TileOPs 0、tilelang-hygon 0、mlir-ascend 1)+ 非デフォルトブランチ調査(hygon distributed、mlir-ascend master)+ リリースページ調査(tilelang / TileOPs、期間内新規リリースなし)+ サードパーティ RISC-V 系 2 リポジトリ(TileLang–Weft とそのベンチマークリポジトリ)+ Google News 中英語検索 + Hacker News + arXiv。RISC-V 四源専項巡回は 24 時間変化なし。


本期インデックス

  • 今日の重点:メインラインのマージ 3 件はすべて昇騰、PTO ターゲットが tvm_ffi をデフォルト実行バックエンドに昇格;海光分散型三点セットが distributed ブランチにマージ;昇騰フロントエンドが一日で 30 件の issue を審査で検出

    1. コアプロジェクトの進展
      • 1.1 昇騰:PTO ターゲットのデフォルト実行バックエンドを tvm_ffi に切り替え、モジュール全体をデバイスビルド段階でコンパイルしキャッシュ(11-11)
      • 1.2 昇騰:AutoSchedule が三つの必要条件で周期下限を引き締め、Z3 求解時間が 10.04% 削減(11-11)
      • 1.3 昇騰:整数アトミック操作が signless キャリアに適合、12 件の PTO テストケースが 32 ビットと 64 ビットをカバー(11-11)
      • 1.4 メインライン:期間内マージ 3 件はすべて昇騰、CUDA と CPU 側はすべて審査中キュー、バージョンは依然 v0.1.15 のまま(11-11)
      • 1.5 TIRx:ceildiv と負 scale の split div/mod 2 件が審査中、ネストした floor division のエラーと同源(11-11)
    1. マルチバックエンド適配
      • 2.1 海光:分散型三点セットが distributed ブランチにマージ、Block-Push と Block-Pull の二つの通信パス(11-11)
      • 2.2 海光:ds_read_vector Alt2 と LDS レイアウト推論が審査開始(11-11)
      • 2.3 mlir-ascend:CI を Ascend 950 AscendC 単一 PR ゲートに集約(11-11)
      • 2.4 mlir-ascend:harness ナレッジベース強化がマージ、tl.or は新番号で再提出(11-11)
      • 2.5 昇騰 AscendC リポジトリ:Gated MLA と fla_chunk 三点セットなど 10 件が審査中、マージは依然ゼロ(11-11)
      • 2.6 CUDA と Metal:SIMD-group 範囲外修正、256 ビットベクトル化、SM90 共有転置が審査中(11-11)
  • 2.5、RISC-V バックエンドとコミュニティ(専項観察)
    • 2.7 四源巡回:連続 5 回目の期間で変化なし、TVM と MLIR の二路線は依然元の参照のまま(11-12)
    • 2.8 四源以外:TileLang–Weft が weft-parity をリリース、553/553 が Triton の 1.03 倍以内に収まる(11-11)
    1. エコシステムと採用側
      • 3.1 TileOPs:メインラインはゼロコミット、W4A16 の 2 件の積み重ねで chunked-prefill-tile を 37.3 から 31.6 マイクロ秒に短縮(11-11)
      • 3.2 TileOPs:DeepSeek-V3 prefill の FP8 grouped GEMM が A scale を TMA 経由に変更(11-11)
      • 3.3 TileOPs:softmax の 2 CTA cluster が目標達成、long-K NT GEMM セレクタ変更は未達成(11-11)
      • 3.4 TileOPs nightly:Perf Tracker wiki が当日 19:52 に更新(11-11)
    1. コミュニティ、チュートリアルとイベント
      • 4.1 昇騰フロントエンドの系統的監査一巡:一日 30 件の issue、26 件が昇騰を直接指摘(11-11)
      • 4.2 審査中の修正と監査の呼応:VMI mask 検証、SIMD fill 復旧、E4M3 ND/NZ コピー(11-11)
      • 4.3 ニュース側:中英語 5 グループの検索で期間内ゼロヒット、HN と arXiv も関連項目なし(11-11)
      • 4.4 口径修正:K3 の 2 項目 Q1 対照の旧 Triton 生成物が -128 の負値変換時にオーバーフロー(11-11)
    1. トレンド観察

今日の重点

この調査期間の組織内には合併が6件しかなく、前号の9件からさらに3分の1減少したが、数字よりも構造の方が注目に値する。6件のうち3件はメインリポジトリにあり、しかもすべて昇騰に所在し、CUDAやCPUに該当するものは1件もない。最大のものは#3516(20ファイル、+1549/−182)で、tvm_ffiをptoターゲットのデフォルト実行バックエンドに引き上げた——従来target="pto"はCythonランチャーを通っていたが、現在はexecution_backend="auto"が直接tvm_ffiに解決され、共有host codegenがMakePackedAPIとC hostを生成し、昇騰ランタイムがaclrtLaunchKernelWithHostArgsでPTODSLがコンパイルしたaibinを起動する。経路はAscendCカーネルと同一である。付随するのはモジュールレベルのツールチェーンコールバックで、PTODSLモジュール全体がdevice buildステップ内で一度にコンパイルされ(ptodsl → ptoas → bisheng fatobj-link → .aicore_binaryの抽出)、結果はptoas引数、ptoasバージョン、CANNアイデンティティによってキャッシュキーに入る。旧経路はexecution_backend="pto"として保持され、両方の産出はビット単位で一致する。

2件目#3776はソルバー側の引き締めである。AutoScheduleは元々固定の周期下限で二分探索を開始していたが、今回、3つの必要条件の最大値を取るように変更した。単一タスク界は各タスクの起動間隔の最大値を踏襲し、リソースグループ界は対で衝突するタスクを残余値でソートし、隣接差と先頭末尾差から周期が各起動間隔の和以上であることを導出し、自己依存界はS_u - S_u >= wait - d*Pから逆解して周期がceil(wait/d)以上であることを求め、バージョン関連距離はさらにnum_stagesで換算する。追加の下限探索は導入されておらず、スケジューリングモデルも変更されていない。実証はAscend 950PR、CANN 9.3.0の週バージョン上で行い、コンパイルキャッシュを無効化し、1回ウォームアップ3回測定を交互に行い、すべての昇騰サンプルがコンパイルを通過しスケジューリング結果も不変で、Z3求解段階の累計所要時間が10.04%減少した。

3つ目の事柄はメインリポジトリにはない。海光の分散三種セット#36(6ファイル、+2022/−0)は16:20にmainではなくdistributedブランチへ合併され、内容はBlock-Push版のGEMM + AllReduce、Block-Push版のGEMM + ReduceScatter、Block-Pull版のAllGather + GEMMという3つの計算通信融合オペレータで、性能データと実装説明はREADMEに記載されている。同日#37がHCUのds_read_vector Alt2とLDSレイアウト推論を開いた。このラインは10-29のpush-wave reduce-scatterサンプルから融合オペレータ一覧へと一路進んできており、海光リポジトリが初めて体系的に分散に取り組むものとなった。

4つ目の事柄は品質側の集中的な噴出である。調査期間内の新規issue 35件のうち30件がメインリポジトリに所在し、そのうち26件が昇騰を直接指している。2つのアカウントが午後から深夜にかけてそれぞれ十数件を報告し、形態は高度に一致していた——「実行が誤った」のではなく、「本来エラーになるべきところが黙って通過した」のである。T.Kernelがゼロまたは負のblock数を受け入れ、T.alloc_l1が2 GiBの割り当てを受け入れ、T.Persistentが負のwaveとstageを受け入れ、T.unrollが−1を受け入れて#pragma unroll -1を吐き出し、負のテンソル次元がコンパイラを直接クラッシュさせた。別のグループは意味のずれである。hf32のnearest_zeroがNEAREST_AWAYにコンパイルされ、GEMM入力dtype表とcodegenが双方向に不一致となり、reduce_bitand一族が昇騰テンプレート未定義の型を吐き出し、同型NDからNZへの散乱がマスクカウントがフォールバックしないことで無限ループに陥った。これらのissueの大半は依然オープンだが、当日すでにVMI mask検証、SIMD fill復旧などの対応修正がレビュー中である。

情報源:https://github.com/tile-ai/tilelang/pull/3516 、 https://github.com/tile-ai/tilelang/pull/3776 、 https://github.com/tile-ai/tilelang-hygon/pull/36 、 https://github.com/tile-ai/tilelang/issues/3920

1. コアプロジェクトの進展

1.1 昇騰:PTOターゲットのデフォルト実行バックエンドをtvm_ffiに切り替え、モジュール全体をデバイスビルド段階でコンパイルしキャッシュ(#3516)

#3516(20ファイル、+1549/−182)は今号最大のもの。変更の実質はptoターゲットを「専用Cythonランチャー」から「AscendCと同じhost経路」へ移行することである。target="pto"とexecution_backend="auto"の組み合わせではtvm_ffiに解決され、共有host codegenがMakePackedAPIとC hostのビルドを担い、昇騰ランタイムモジュールがaclrtLaunchKernelWithHostArgsでPTODSLから生成されたaibinを起動する。

デバイス構築側では、モジュールレベルのツールチェーンコールバックを新たに追加し、PTODSL モジュール全体を一度にコンパイルできるようにした。ptodsl フロントエンドの生成物、ptoas による降下、bisheng の fatobj リンク、そして .aicore_binary の抽出までを一括で行い、生成物は aibin 単位でキャッシュする。キャッシュキーには ptoas のパラメータ、ptoas のバージョン、CANN のアイデンティティをまとめて算入する。この点が極めて重要であり、従来こうしたキーからツールチェーンのバージョンが抜けていると、CANN を跨いだアップグレード時に古い生成物がヒットしてしまっていた。

検証面は幅広く整備し、新たに4グループのテストを追加した。auto が tvm_ffi に解決されること、呼び出し先が出力を確保すること、動的 shapes と動的出力、マルチデバイスカーネル、動的共有メモリ、cube/vector 混在の GEMM、source accessor、エクスポートライブラリ、host 側のループ起動と host 側のプロファイリング区間である。さらに等価性テストでは、vecadd、マルチカーネル、動的共有メモリの3種類のカーネルについて tvm_ffi と旧 pto の結果をビット単位で比較する。2グループのキャッシュテストはそれぞれバイナリキャッシュとカーネルキャッシュを対象とし、キャッシュヒット時にツールチェーンをスキップすること、破損エントリがエラーを投げること、そして全く新しいプロセスでヒットすることを含む。旧パスは計画通りに保持し、カバレッジを確認した後に退役させる。

情報源:https://github.com/tile-ai/tilelang/pull/3516

1.2 昇騰:AutoSchedule が3つの必要条件で周期の下界を引き締め、Z3 求解時間が 10.04% 減少(#3776)

#3776(1ファイル、+20/−1)は初期値のみを変更し、アルゴリズムは変更しない。従来の二分探索は固定の下界から開始していたが、現在はまず3つの必要条件を計算してから最大値を取る。単一タスク界は各タスクの起動間隔のハードな下界を保持する。資源団界は、対になる資源衝突の団に対して、タスクの残余値を昇順に並べた後、隣接差の制約と先頭末尾差の制約を加算して周期が団内の起動間隔の合計以上であることを導き、団自体は各タスクをシードとして貪欲に列挙する。自己依存界は S_u - S_u >= wait - d*P から逆算し、バージョン関連の距離は num_stages を上限とする。

実証環境は具体的に記述されている。華為 Ascend 950PR、CANN 9.3.0 の 20261009.01 週次バージョン、コンパイルキャッシュを無効化し、各設定につきウォームアップ1回・測定3回を交互に実施。結果は2点ある。昇騰のサンプルはすべてコンパイルが通り、スケジューリング結果は変更前と一致した(下界のみを引き締め、解を変えていないことを示す)。Z3 求解フェーズの累積所要時間は 10.04% 減少した。二分探索の上下界と求解状態の扱いは変更されておらず、追加の下界探索プロセスも導入していない。

この種の変更の上流にとっての価値は単点の性能ではなく、オペレータ規模の増大に伴ってスケジューラの求解時間が伸びる際、二分探索の起点の無駄が線形に拡大する点にある。必要条件を初期値に書き込むことは、各求解において無意味な区間を一段省くことに等しい。

情報源:https://github.com/tile-ai/tilelang/pull/3776

1.3 昇騰:整数アトミック操作を signless キャリアに適応、12件の PTO ケースが 32 ビットと 64 ビットをカバー(#3794)

#3794(4ファイル、+52/−6)は #3512 の後遺症を修正する。あの変更で符号付き整数型を signless の i32/i64 から si32/si64 に変えたが、PTO のアトミックインターフェースは signless キャリアを要求するため、SIMT カーネル内の整数 add/min/max アトミック操作が直接コンパイル失敗していた。

修正方法は、生成される PTODSL 呼び出し境界で部分的な適応を行う。ポインタとオペランドを同じ幅で signless に再解釈し、ポインタのアドレス空間は保持し、戻り値は再び論理型に戻す。min/max は元の符号付きまたは符号なし比較セマンティクスを維持する。これにより #3512 が導入した論理型体系は覆されず、適応はアトミック層のみに押し込められる。

回帰ケースは testing/ascend/language/simtvf 配下の test_simtvf_atomics.py に置かれ、32 ビットと 64 ビットの add/min/max、負のオペランド、旧値の返却、32 ビットを超える値、上位ビットが 1 の符号なし初期値をカバーする。新規追加の12件の PTO ケースは昇騰上ですべて通過した。同批でマージされた #3792 は同じ一族の問題の別側面を修正しており、T.atomic_add/max/min が符号付き入力のために PTO 上でコンパイル失敗する問題である。

情報源:https://github.com/tile-ai/tilelang/pull/3794

1.4 メインライン:当期間の3件のマージはすべて昇騰、CUDA と CPU 側は審査待ちキューに集中、バージョンは依然 v0.1.15

メインリポジトリの当期間内の3件のマージを方向別に分解すると、結論は明快である。#3516、#3776、#3794 はすべて昇騰に属し、CUDA と CPU 側のマージはゼロ。前号では CUDA 命令レベルのプリミティブが3件メインラインに入っていたが、今号は1件もない。CUDA 側が止まったのではなく、すべてがレビューキューに積まれている。#3809(SM90 の共有転置を ldmatrix/stmatrix に降下)、#3826(int16x16/uint16x16 の 256 ビットベクトル化)、#3723(SIMT im2col を warp 特化の前に移動)、#3923(パイプライン GEMM のオペランドを完了待ちまで生存させる)、#3898(非同期 GEMM の共有オペランドライフサイクル)はいずれも当期間内に更新があるが未マージである。

バージョン側は依然として保留中。メインリポジトリのリリースページの最新は依然として 09-30 の v0.1.15 で、tag 系列は変わっていない。0.1.16 のバージョン番号 PR は調査期間内に更新されていない。TileOPs のリリースページの最新も依然として 10-27 の v0.1.0 である。つまり、今期マージされた 1549 行の昇騰実行バックエンド変更は、早くても次の tag を待ってから下流の配布パッケージに入ることになる。

情報源:https://github.com/tile-ai/tilelang/releases 、 https://github.com/tile-ai/tilelang/pull/3809 、 https://github.com/tile-ai/tilelang/pull/3826

1.5 TIRx:ceildiv と負の scale の split div/mod の 2 件が審査中、ネストした floor division のエラーと同源(#93、#94)

tile-ai/tvm 側では調査期間内に 2 件が審査中である:#94([Fix][TIRx] Make ceildiv exact for signed divisors)と #93([Arith] Guard negative scales in canonical split div/mod)。2 件とも同じ種類の問題の両端を修正している——符号が整除と剰余に入ると、正規化の書き換え前提が成立しなくなるため、「正確さ」と「安全性」を分けて扱う必要がある:ceildiv は符号付き除数でも結果が正確であることを要求し、split div/mod は負の scale の下で正規化を拒否する必要がある。

これはメインリポジトリで当日新たに開かれた #3937([BUG] ネストした floor division が負の乗数の下で誤った整数を生成)と同じ箇所を指している:負の係数が一旦算術簡約の書き換えチェーンに入ると、境界条件が見落とされやすくなる。違いは、#3937 がユーザー側の再現であるのに対し、#93/#94 はコンパイラ側の先手の強化である点にある。

情報源:https://github.com/tile-ai/tvm/pull/94 、 https://github.com/tile-ai/tvm/pull/93 、 https://github.com/tile-ai/tilelang/issues/3937

2. マルチバックエンド適応

2.1 海光:分散三種セットが distributed ブランチにマージ、Block-Push と Block-Pull の 2 つの通信経路(#36)

#36(6 ファイル、+2022/−0)は前号ではオープン状態だったが、今期 16:20 にマージされ、着地点は main ではなく distributed ブランチである——同リポジトリのデフォルトブランチ main の最新コミットは依然として 11-06 であるため、この変更はデフォルトブランチのコミット一覧には現れず、ブランチ指定でしか確認できない。着地点の差異は明記する必要がある:main と v0.1.15-release は同一参照であり、distributed は 11-03 の signal プリミティブ、10-29 の push-wave reduce-scatter の例、そして今期の三種セットを独自に歩んでいる。

内容は 3 つのオペレータ:Block-Push 版の GEMM + AllReduce、Block-Push 版の GEMM + ReduceScatter、Block-Pull 版の AllGather + GEMM。Push は計算側が主体的に結果を相手側へプッシュし、Pull は計算側が相手側の allgather 結果を取りに行く。どちらの経路を選ぶかは通信ドメインのサイズとオーバーラップウィンドウに依存し、README には性能比較と実装方式が記載されている。検証側では 11-06 に Torch 性能ベースラインを GEMM reduce-scatter ベンチマークへ追加済みで、今期はそれ以上の変更はない。

情報源:https://github.com/tile-ai/tilelang-hygon/pull/36

2.2 海光:ds_read_vector Alt2 と LDS レイアウト推論が審査開始(#37)

同日 11:21 に #37([HCU] Support ds_read_vector Alt2 and inferred LDS layouts)が開かれた。方向性は 2 つの命令形態を補完すること:ds_read_vector の第 2 のエンコーディング形態、および制約から導出可能な LDS レイアウトである。これは 11-06 にマージされた #34(DPP と lane swap で reduction の XOR shuffle を最適化し、自由候補の前に既知のレイアウト制約を伝播する)と同じレイアウト推論の系譜にあり、違いは #34 が reduction 側のレーン交換を扱うのに対し、#37 がベクトル読み取りのエンコーディングとレイアウトの実装を扱う点にある。

海光リポジトリには現在 15 のブランチがあり、うち feat/hcu-* 系列が 6 本、distributed が 1 本である。これはこのバックエンドの作業範囲が単カード命令から通信とレイアウトの両翼へと拡大したことを示している。

情報源:https://github.com/tile-ai/tilelang-hygon/pull/37

2.3 mlir-ascend:CI を Ascend 950 AscendC 単一の PR ゲートに集約(#222)

#222(5つのワークフローファイル、+7/−9)が10:27にmasterブランチへマージされた。変更方法は意図的に小さく抑えられている。すべてのジョブ定義、条件、ステップは一切変更せず、各ワークフローファイルのon:ブロックのみを変更する。これは並行編集の影響を最も受けにくい領域であり、マージコンフリクトの範囲が最小になる。

動機は率直に書かれている。従来は各PRがアップストリームのマトリックス全体(自社構築のNVIDIA、AMD gfx942、macOS、そしてCANNをビルドしてからexamples/ascendとtesting/ascendを2回実行する昇騰レッグ)で展開されていたが、master上で唯一開発中のバックエンドはAscend 950であり、他のレッグは基本的にノイズでしかなく、希少なハードウェアを占有していた。PTOバックエンドも当期は誰も進めていない。変更後、PRゲートは2項目のみとなった。クリーンコードlint、およびAscend 950のAscendCの1ラインである。

この変更の下流への意味は次の通りである。mlir-ascendリポジトリの受け入れベースラインは从此代ハードウェアのみとなり、旧世代昇騰のリグレッションはマージ条件として扱われなくなる。

情報源:https://github.com/tile-ai/tilelang-mlir-ascend/pull/222

2.4 mlir-ascend:harnessナレッジベースの強化がマージ、tl.orは新番号で再審査提出(#219、#225)

#219(10:03マージ)はharnessブランチの強化である。実行・評価パイプライン、分析/開発ナレッジベース、およびsearch@2依存キューを一括で推進する。これは11-10の#217(ナレッジ項目の保存と承認番号の重複排除)と同じシリーズであり、同リポジトリが「探索過程で蓄積されたナレッジを確実に保存する」ことを真面目なエンジニアリングとして取り組んでおり、議論の中に散らばらせていないことを示している。

また、3つの提案が調査期間内に出入りしている。#223(tl.allocにL0A/L0B/L0C/L1の4つのアドレス空間を追加し、FYPに必要な21関数のうち4つをカバー)と#224(tl.or方言オペレータ)はいずれもクローズされマージされず、#225が同一内容で再審査提出されオープンのままである。#225の実装経路はadd/sub/mulのテンプレートに倣ってTL_OrOp、verifyElementwiseBinary、ConvertBinaryからhivm::VOrOpへの変換、およびcodegen側のディスパッチを追加し、方言ラウンドトリップとTL→HIVMの2組のテストを付属し、ローカルctestは14/14通過している。#220、#221はスキル側の2件である。Ascend950シミュレーションtraceワークフロー(msprof収集、MindStudio Insightでの表示、npusim SQLiteエクスポート)とオペレータ設計ガイダンス(フェーズ分解、SIMD/SIMT選択、ストレージ予算、Cube MFUと条件付きRoofline計算機)。

情報源:https://github.com/tile-ai/tilelang-mlir-ascend/pull/219 、 https://github.com/tile-ai/tilelang-mlir-ascend/pull/225

2.5 昇騰AscendCリポジトリ:Gated MLAとfla_chunk三点セットなど10件が審査中、マージは依然ゼロ(11-11)

tilelang-ascendリポジトリは今期も「入るだけで出ない」状態が続く。調査期間内の組織レベル6件のマージのうち同リポジトリに属するものは1件もなく、審査中キューはさらに厚みを増し、当日更新は10件以上となった。オペレータ側で最も目立つのは#1970(PTOとAscendCの2ラインにマルチヘッドGated MLAフォワードを追加)、#1994 / #2004 / #1952(fla_chunkのinter、intra、intra_token_parallel三点セット)、#1605(Kimi Delta Attentionのデコードとチャンク化プリフィルフォワード、ターゲット910B)、#1989(catlassをv2.2.0へアップグレード)である。

サンプルとドキュメント側ではオペレータベンチマークを補完している。#1558(rms_norm、20例のcann-benchと性能最適化)、#1748(NMS、20例)、#1607(GroupNorm、20例)、#1677(sin/cosドキュメント文字列の詳細化とテスト・APIドキュメントの追加)、#1732(2バックエンドがin-placeをサポートするT.tile.silu/sigmoid)、#2000(ビット演算のPTO uint8ラッパー修正とsrc1検証)。

テスト面では当日1件の確実な記録がある。#2003の毎日テストデイリーレポートによると、11-11 07:58の1回の実行で3060項目がすべて通過し、通過率は100%であった。規模が3060項目に達し、マージが複数期間連続でゼロであることから、ボトルネックは確かにレビューにあり開発にはない。

情報源:https://github.com/tile-ai/tilelang-ascend/pull/1970 、 https://github.com/tile-ai/tilelang-ascend/issues/2003

2.6 CUDAとMetal:SIMD-group範囲外修正、256ビットベクトル化、SM90共有転置が審査中(11-11)

非Ascendバックエンドは今期すべてレビュー待ちだが、方向性は明確だ。CUDA側は3件:#3809 は8ビットと16ビットの共有メモリ転置を ldmatrix/stmatrix(SM90以降で利用可能)に降ろし、#3826 は int16x16/uint16x16 を補完して256ビットベクトル化を実現し、#3723 は SIMT im2col を warp 特化の前にスケジューリングする。ランタイム側は2件:#3867 はカーネルと現在のデバイスが一致しない場合に入力の所在デバイスに従って起動し、#3882 は実際に起動する各デバイスで cython カーネルの動的共有メモリ上限を引き上げる。

Metal側の #3912 は前号のあの暗黙の越境を引き継ぐ:8x8 の simdgroup 行列を 8x1 出力にコピーする際、コンパイラが行ストライド1の完全ストアを発行し、出力以降の7要素を上書きしてしまう。修正方法はランタイムチェックの追加ではなく、各 SIMD-group ストアを発行する前に算術アナライザに完全フットプリントが宛先バッファと要求領域内に収まることを証明させ、証明できなければシンキング期に読めるエラーを投げる。同日には別途 #3804 が 2D simdgroup fill の領域オフセットを扱う。

情報源:https://github.com/tile-ai/tilelang/pull/3809 、 https://github.com/tile-ai/tilelang/pull/3912 、 https://github.com/tile-ai/tilelang/pull/3826

2・5、RISC-V バックエンドとコミュニティ(専項観察)

2.7 四源巡検:連続5回目の調査期間で変化なし、TVM と MLIR の2ラインは依然として元の参照のまま(11-12)

既定の四源を逐一参照比較したところ、24時間の調査期間内にすべて変化なし:

  • kubuds/tilelang-riscv-kubuds(TVM バックエンド路線)の2つの kubuds- ブランチは kubuds-riscv-karen fc62939、kubuds-riscv-mahiru 33e0c89 で停止、main は上流同期のみ;
  • RuyiAI-Stack/tilelang-riscv(MLIR 書き換え路線、target="riscv")の main は 57c548c で停止;
  • TongmingLAIC/tilelang-riscv(コミュニティインデックスページ)の main は 4499c2a で停止、表内プロジェクトに増減なし;
  • TongmingLAIC/tilelang-tpu(算能 SOPHGO TPU)の main は 303759f で停止、feature/sg2260e-rv-support は 122bc59 で停止、残り19本のブランチ参照も同様に不変。

これで連続5回目の調査期間(11-07、11-09、11-10、11-11、11-12 留档)で変化なしとなった。既定の基準では、スクリプト出力が空の場合は「変化なし」と記録し、収集失敗とは見なさない。

情報源:GitHub 四源の逐一参照比較(調査期間内に変化なし)、単条の落点リンクなし。

2.8 四源の外:TileLang–Weft が weft-parity をリリース、553/553 が Triton の1.03倍以内に収まる(11-11)

前号で記録したあの CPU ラインについて、今期は結論的な版が出た。Tianchen-ai/tilelang-weft とそのベンチマークリポジトリが同日それぞれ1件ずつ(08:51 と 08:52)発行し、リリースタグを v0.1.15-weft.2 から weft-parity に変更し、結果表と結果マニュアルを書き換えた。

新しい基準は2層に分かれる。第1層はTriton とのペア対照:553項すべてに一致する Triton ネイティブ対照があり、項目ごとに「TileLang ネイティブ所要時間が対応する Triton の1.03倍を超えない」を満たし、4プラットフォームはそれぞれ SG2044 133/133、K1 137/137、K3 A100 136/136、x86 147/147、合計 553/553。候補と対照は同一の入力群で交互に測定し、候補はソース JIT 数値チェックを通過した後にエクスポートされた同一のネイティブライブラリである。第2層は外部参考ライブラリに対する倍率:543例に一致する参考があり、うち468例が参考より高速で、プラットフォーム中央値倍率は SG2044 1.3598、K1 1.3176、K3 A100 1.6569、x86 1.2917。

これら2組の数値は前号と分けて読まなければならない。前号に記録したのは同一用例群の旧表:参考より高速41例、SG2044 中央値 0.0580倍。同日の2件のコミットがこの表を全体として置き換えた。その理由はコミットタイトルに記されている——「4プラットフォーム共有コンパイラの性能継承」。結果マニュアルによれば、TileLang ネイティブ TIRx は現在 Triton–Weft と同じ Canonical コンパイラセットをインポートし、完全な packed 負荷は入力準備、エンコーディング、整数 partial、scale/min 分岐、出力更新を保持する。つまり、跳変の由来は被測定対象が「作者手書きプログラム」から「共有コンパイラ産物」に変わったことであり、同一実装が1日で20倍高速化したわけではない。引用時にはこの点を明記すべきであり、新しい表で古い結論を上書きしてはならない。

また、記録に値する修正が一箇所ある。K3 の 2 項目の Q1 対照は以前、古い Triton 成果物を使用しており、その成果物は −128 の負値化でオーバーフローしていた——境界入力では −2048 が得られ、正しい結果は 0 であるべきだった。正確な I8 リダクションを修正した共有コンパイラを再生成した後、両方のフロントエンドの成果物がこの入力に合格する。triton_historical_us は古い所要時間を保持し、triton_control_note は修正された比較を示す。これは本期唯一の「対照そのものに誤りがある」という開示であり、どのスコアよりも、このベンチマークが再現性に真剣に取り組んでいることをよく示している。

技術路線は依然として区別する必要がある。Weft が取るのは TileLang ネイティブ AST を早期に独自の Canonical IR へインポートする CPU 路線であり、kubuds- プレフィックスのブランチが継続する TVM バックエンドや、RuyiAI-Stack/tilelang-riscv の MLIR Linalg/SCF 書き換えとは同じ実装ではない。

情報源:https://github.com/Tianchen-ai/tilelang-weft 、 https://github.com/Tianchen-ai/tilelang-weft-bench

3. エコシステムと採用側

3.1 TileOPs:メインラインはゼロコミット、W4A16 の 2 件の積み重ねで chunked-prefill-tile を 37.3 から 31.6 マイクロ秒へ(#2895、#2896)

TileOPs は本期メインブランチへのコミットがゼロだが、パフォーマンス PR を 5 件開いており、うち 2 件は同一系列の積み重ねである。#2895(3 ファイル、+183/−3)は K 方向に 2 分割する W4A16 タイルを 1 対の CTA のクラスタへ変更する:各 CTA はコンシューマ warpgroup の行を保持し、st.async を介して相手側の共有メモリでこの批次の行の FP32 partial を受け取ってから書き出す。これによりこれらのタイルは split-K リダクションを起動せず、FP32 ワークスペースへの往復も行わない。H200、1500 MHz で chunked-prefill-tile は 37.3 マイクロ秒から 34.7 マイクロ秒へ低下(torch 逆量子化行列積は 37.5 マイクロ秒)、出力はリダクション経路とビット単位で同一である。

#2896(3 ファイル、+525/−5)はその上にさらに一层積み重ねる:128 行 128 列の W4A16 タイルを手書きの warp 特化メインループに変更し、前の WGMMA がまだ実行中のうちに次の K タイルをデコードし、当該リングセグメントを読む WGMMA の退役後のみリングセグメントを解放する。コストモデルにこの項がないため、キャリブレーションルールを用いてこれらのタイルを 4 つの 128 幅の K セグメントに配置する。同一ベンチマークで 31.6 マイクロ秒まで低下し、torch 逆量子化行列積の 1.19 倍であり、出力はパイプラインメインループとビット単位で一致する。

両件とも #2130 のパフォーマンスリストに属し、#2896 は #2895 の上に積み重ねられていることを明記しており、そのコミットは前件がマージされるまで併せて表示される。

情報源:https://github.com/tile-ai/TileOPs/pull/2895 、 https://github.com/tile-ai/TileOPs/pull/2896

3.2 TileOPs:DeepSeek-V3 prefill の FP8 grouped GEMM で A scale を TMA 経由に変更(#2894)

#2894(1 ファイル、+2/−2)は 2 つの設定項目のみを変更する:ds-v3-ep8-prefill-up と ds-v3-ep8-prefill-down の stage_scales を 1 から 0 に戻し、これらの 128 行タイルが #2865 で新設された TMA ボックス内で A scale を取得するようにし、producer 経由の中継をやめる。変更は小さいが、つながるのは一連のチェーンである:これは #2839 の残り部分を置き換え、その他の内容は #2864、#2865、#2885 にそれぞれ吸収済みである。

数値は H200 SXM、SM 1500 MHz、CUDA 13.2、PyTorch 2.13、TileLang 0.1.12 で測定し、device_busy_ms はメインライン 9bf4bf56 と交互に 3 回実行して中央値を取った:上方向投影 269.3 → 262.0 マイクロ秒(DeepGEMM 287.1 マイクロ秒に対する比率は 1.066 から 1.096 へ上昇)、下方向投影 142.2 → 137.2 マイクロ秒(比率 1.117 → 1.157)。他の 2 行の連続設定は不変。テスト側 tests/ops/test_moe_grouped_gemm_fp8.py は H200 で 53 件合格、25 件スキップ。

情報源:https://github.com/tile-ai/TileOPs/pull/2894

3.3 TileOPs:softmax の 2 CTA cluster は目標達成、long-K NT GEMM のセレクタ変更は未達(#2898、#2897)

#2898(SoftmaxFwdOp、bar met と表記)は、2 枚の 32 KB softmax 行を 4 つの 128 スレッド CTA のクラスタから 2 つの 256 スレッド CTA のクラスタへ移した。SM90 では各 CTA スロットに 2 CTA のクラスタを収められるが、4 CTA のクラスタでは空きスロットが残る。レジスタ側では同時に 2 か所を変更した。行最大値はパックされた 16 ビット対で取得し、float16 の各要素は 1 回の FFMA でタイルのスケーリング最大値に対するシフトを行う。bfloat16 と float32 は依然として先に最大値を減算する。これらの最大値に log2(e) を掛けると fp32 の範囲を超えるためだ。根本原因は説明に書かれている。ベンチマークは H200 を 1500 MHz で実行しており、レジスタ方式は quack より 17% 多く命令を実行し、発行率に制限される。

#2897(GEMMFwdOp、below bar と表記)は方向が逆で、結果は目標未達だった。修正対象はセレクタの判定である。64 個の K ステップを超えた後、176 または 192 幅の ping-pong タイルがより多くの「バイトあたりのオペランド出力」をカバーできる場合にのみ、より広い coop2 タイルを置き換える。これにより ds-v3-prefill-o-proj は 128x176/144 の ping-pong から 128x256/240 の coop2 へ切り替わる。問題は、この行が H200 の 700 W 電力壁の下で動作し、時間が呼び出しごとの消費電力に従うことだ。176 幅タイルは DeepGEMM より 2.7% サイクルが少ないが、21% 多いオペランドバイトを SM に運ぶため、より低いクロックで動作する。この項目は正直に未達と記され、その価値は「電力壁の下ではサイクル数を判断基準にできない」ことを定量化した点にある。

出典:https://github.com/tile-ai/TileOPs/pull/2898 、 https://github.com/tile-ai/TileOPs/pull/2897

3.4 TileOPs nightly:Perf Tracker wiki が当日 19:52 に更新(11-11)

TileOPs-nightly リポジトリの本期のプッシュタイムスタンプはコードではなく wiki 変更によるものである。当日 19:52 に同リポジトリ wiki の Home ページが作成され、Perf Tracker ダッシュボードの夜間同期に対応する。この種のプッシュは org ごとのリポジトリ単位の確認では「期間内プッシュ」として数えられるため、実際のコードコミットと区別する必要がある。本期間中、同リポジトリのメインブランチへのコミットはゼロで、snapshots ブランチの最新プッシュは依然として 11-09 である。

同期間中、TileOPs.github.io の gh-pages は 11-10 に 1 回プッシュされたが、本期間内ではない。ドキュメントサイトや nightly のような自動書き込みは、本期は個別の項目として扱わず、ここに基準だけを記しておく。

出典:https://github.com/tile-ai/TileOPs-nightly

4. コミュニティ、チュートリアル、イベント

4.1 昇騰フロントエンドの系統的監査:1 日 30 件の issue、26 件が昇騰を直接指摘(11-11)

期間内に組織レベルで新規 35 件の issue が開かれ、うち 30 件がメインリポジトリ、3 件が TileFoundry、2 件が tilelang-ascend に属する。メインリポジトリの 30 件のうち、26 件のタイトルに昇騰プレフィックスが直接付いており、ソースは 2 つのアカウントに集中している。cn-sys が 12 件(15:19 から 16:14 に連続コミット)、JINITAIMEI121 が 13 件(08:31 から 10:39)、残り 1 件は PTO の複数領域が重複物理セグメントを報告したものである。

これらの issue の共通点は「結果が間違っている」ことではなく、「通るべきでないものが通ってしまう」ことである。パラメータ検証の類:T.Kernel がゼロまたは負のブロック数を受け入れ、T.Persistent が負の wave_size と num_stages を受け入れ、T.Pipelined が負の num_stages と不正な order/stage メタデータを受け入れ、T.unroll が −1 を受け入れて #pragma unroll -1 を出力し、ループコンストラクタがゼロまたは負の extent を受け入れ、負のテンソル次元がコンパイラを直接クラッシュさせ(ネイティブクラッシュであり Python 例外ではない)、T.alloc_l1 が容量チェックなしで 2 GiB の割り当てを受け入れる。セマンティクスのずれの類:hf32 の nearest_zero が NEAREST_AWAY にコンパイルされ、GEMM 入力 dtype 表と codegen が双方向で不一致であり、reduce_bitand/bitor/bitxor が昇騰テンプレートで未定義の型を出力し、batch reduction がバッチオーバーロードのないスカラー AllReduce エントリに退化し、GM から L1 へのコピーの pad_value がゼロのみを受け入れる L1 fill にルーティングされ、同型 ND から NZ へのスキャッタがマスクカウントのフォールバックなしで無限ループになり、partial-VL 行が存在しない PAT_VL<N> パターンを生成する。ツールチェーンの類:vsts_pack_quarter に 16 ビット分岐がないため b16 ベクトル上の PK4_B32 ストアが黙って破棄され、モジュールシリアライズが device source を失うためキャッシュされたカーネルが起動失敗時にソースを参照できず、msprof バックエンドの自動チューニングがワーカースレッドで signal.signal() を呼ぶために必ず失敗する。

これらは散発的な不満ではなく、形態的には組織化された監査のようだ。同一アカウントが30分以内にテーマ別に連続してコミットし、タイトルは「[BUG] Ascend: …」に根因の要約を加えたもので統一されている。上流にとっての意義は、昇騰フロントエンドの「健全性」の欠落が一度に俎上に載せられたことだ——3060項目の毎日テストが全て通ることは、不正な入力が拒否されることを意味しない。テストがカバーするのは合法パスだからである。

情報源:https://github.com/tile-ai/tilelang/issues/3941 、 https://github.com/tile-ai/tilelang/issues/3928 、 https://github.com/tile-ai/tilelang/issues/3947

4.2 審査中の修正が監査と呼応:VMI mask 検証、SIMD fill 復元、E4M3 ND/NZ コピー(11-11)

当日更新された審査中の PR の中に、ちょうど上記の欠落に対応するものがあった。#3861 と #3917 は同一事項の2本立てである:VMI 単項およびベクトル-スカラー工場はこれまで mask について「在るか否か」だけを確認し、dtype とチャネル数を確認していなかった。そのため通常のベクトルを述語として渡しても codegen まで一通り到達できてしまう——vabs、vneg、vrelu、vexp、vln、vsqrt、vnot の7オペレータがすべてこの工場上に構築されており、ベクトル-スカラー側の vadds、vmuls、vmaxs、vmins、vshls、vshrs にも弱形式が存在する。

#3795 が修正するのは #3512 の別の副作用である:T.SimdVF() 内で int32 UB バッファに対して T.clear を行う際、生成されるベクトルブロードキャストが浮動小数点のみをサポートしており、PTO コンパイルが失敗する——PTO パイプラインが専用の Parallel pass で元の SIMD pass を置き換え、fill の下降をうっかり失っていたからだ。修正方法は、buffer-version 正規化の後、PTO Parallel 検証の前に LowerSimdVFFill を補い、連続かつ完全なベクトル領域には vdup/vsts を再利用し、それ以外は従来の経路を通す;同時に浮動小数点 tl.simd.vdup の数値変換を保持し、「int32 の 7 がビット単位でブロードキャストされて約 9.809e-45 になる」問題を修正する。

#3639 は E4M3 の ND/NZ UB から L1 へのコピーを補い、#3926 は T.Kernel に非正の block 数と負の Pipelined num_stages を拒否させ、#3854 は SimdVF 下降におけるサブバイト要素のゼロ除算を修正し、#3668 は AIV コアが T.PerCoreTask() 内で UB から GM へのインターリーブ・ストライド書き込みを補う。他に #3915 と #3916 が AssertStmt のエラー種別と条件チェックのインラインアサーションを処理している。

情報源:https://github.com/tile-ai/tilelang/pull/3861 、 https://github.com/tile-ai/tilelang/pull/3795 、 https://github.com/tile-ai/tilelang/pull/3926

4.3 ニュース側:中英文5組のクエリが調査期間内にゼロヒット、HN と arXiv も関連項目なし(11-11)

Google News の中英文クエリは調査期間内にゼロヒットで、最新のヒットは依然として旧記事のまま;Hacker News のヒットは全て同名のノイズ(TileLang と無関係の項目)であり、arXiv 上の all:"TileLang" の最新結果も依然として調査期間外である。現在検索エンジンがクロールできる TileLang 関連の内容は、依然として ICLR 2026 の論文ページとマイクロソフト研究院の発表ページであり、長期的な項目であってニュースではない。

ニュース側が連日ゼロヒットなのは TileLang の常態である:プロジェクトの伝播は主に GitHub と開発者コミュニティを通じて行われ、ニュースインデックスには載らず、報道の主体は引き続きリポジトリの動向を基準とする。

情報源:Google News 中英文クエリ(プロキシ経由)、Hacker News、arXiv、調査期間内に関連項目なし。

4.4 口径修正:K3 の2項目 Q1 対照の旧 Triton 成果物が -128 の負号でオーバーフロー(11-11)

これを単独で挙げるのは、それがスコアではなく比較可能性に影響するからだ。ベンチマークリポジトリは weft-parity をリリースした同じコミット群の中で開示した:K3 の2項目 Q1 対照はこれまで保持された Triton Canonical プログラムを使用しており、このプログラムは −128 の負号でオーバーフローする——境界入力で −2048 が得られ、正しい結果は 0 であるべきだ。正確な I8 リダクションを修正した共有コンパイラが再生成された後、両フロントエンドの成果物は当該入力に通過する;履歴の所要時間は triton_historical_us フィールドに保持され、修正説明は triton_control_note に記載されている。

対照実装の誤りはベンチマーク系プロジェクトのよくある落とし穴である:参照側が境界入力で誤ると、被測側の「参照に劣る」は参照の方がより速く誤っているだけかもしれない。この開示と 2.8 のペアリング口径を合わせて見ると、この CPU ラインが「作者のプログラムを外部ライブラリと比較」から「同一コンパイラ成果物のペア比較」へ移行していることを示しており、方法論的にはより信頼できるが、2つの表は混用できない。

情報源:https://github.com/Tianchen-ai/tilelang-weft-bench/blob/main/docs/results.zh-CN.md

5. トレンド観察

第一に、昇騰のメインラインにおける比重が引き続き上昇しており、かつ「オペレータの補完」から「実行パスとソルバーの補完」へと移行している。今期のメインリポジトリの3件のコミットはすべて昇騰である。実行バックエンドのデフォルト変更、ソルバーの下限の厳格化、アトミック操作の型体系への適合である。これら3件はいずれもオペレータのリストを増やしておらず、「同じプログラムがどのようにコンパイルされ、実行され、そしてどのくらいの時間でコンパイルが完了するか」を変更している。10月以降の記録と対照すると、昇騰側のマージはAscendCオペレータの補完から、インターフェースセマンティクス、実行バックエンド、スケジューリングソルバーという3つの層へと進んでいる。

第二に、CUDA側は長いレビュー期間に入っている。前回はCUDA命令レベルのプリミティブが3件メインラインに入ったが、今期はマージゼロで6件がレビュー中である(ldmatrix/stmatrix、256ビットベクトル化、im2colスケジューリング、パイプラインオペランドのライフサイクル、非同期GEMMのライフサイクル、PASS設定名前空間)。マージ速度の低下とレビュー待ちキューの肥大化が同時に発生する場合、通常はレビュー帯域がボトルネックになっていることを意味し、開発が停止しているわけではない。

第三に、品質監査が機能開発と並行して始まっている。1日26件の昇騰issueの形態は、コミュニティ内で系統的な不正入力監査を行っている人がすでにいることを示しており、対応する修正PRは当日にキューに入っている(mask検証、負パラメータの拒否、fillの下沉復元)。これはバックエンドを複数の国産チップに展開しているプロジェクトにとって良いことである。3060項目の日次テストがすべて通過することは合法パスが使用可能であることのみを証明しており、不正パスの拒否能力はこの種の監査に頼る必要がある。

第四に、RISC-Vの4つの情報源は連続5ウィンドウにわたり静寂しているが、4つの情報源以外のCPUラインは段階的な結論を示している。TVM路線、MLIR路線、コミュニティインデックスページ、算能TPUの4つの上流はいずれも元の引用のまま停止している。一方、TileLang–Weftは共有Canonicalコンパイラを用いて553項目すべてをTritonの1.03倍以内に収め、4プラットフォームの中位倍率は1.29から1.66である。これは口径切り替え後の結果であり、前回の0.058倍と直接比較できないことに注意が必要である。真の観察点は、この「同一コンパイラ、2セットのフロントエンド」という手法が上流に逆流入できるかどうか、そしてRISC-VのRVV/IMEパスが4つの情報源以外のプロジェクトによって先に走通されるかどうかである。

制限事項:今期はGitHub匿名APIのクォータが収集初期に枯渇したため、PR本文とマージ詳細は検索インターフェースと非デフォルトブランチのコミット原子ストリームで補完し、一部のPRのファイル数と行数は検索インターフェースの戻り値であり、diffを逐行再確認していない。hygonとmlir-ascendのマージは非デフォルトブランチにあり、ブランチごとに個別に確認済みである。ニュース側はゼロヒットのみで、外部報道によるクロス検証はない。


付録:素材と確認説明

情報源 確認結果
tile-ai組織のリポジトリ別(30リポジトリ) ウィンドウ内で7件をプッシュ:tilelang、TileOPs、TileOPs-nightly、tilelang-hygon、tilelang-mlir-ascend、tilelang.github.io、TileOPs.github.io
メインリポジトリ tile-ai/tilelang 3件マージ(#3516、#3776、#3794)、すべて昇騰;新規issue 30件
非デフォルトブランチ hygon distributed に #36 マージ;mlir-ascend master に #222 マージ;両リポジトリの main はいずれもコミットゼロ
レビュー待ちキュー 組織レベルで57件がウィンドウ内に更新、メインリポジトリは33件
リリースページ tilelang最新 v0.1.15(09-30)、TileOPs最新 v0.1.0(10-27)、ウィンドウ内に新規tagなし
日次テスト tilelang-ascend #2003:11-11 07:58 実行 3060項目すべて通過
TileLang×RISC-V 4情報源巡回 変化なし(連続5番目のウィンドウ)
サードパーティRISC-Vライン TileLang–Weftとベンチマークリポジトリ各1件、weft-parity をリリース
ニュース側 Google News中日英、Hacker News、arXiv ウィンドウ内ゼロヒット

完全情報源リスト

cend #1970(Gated MLA フォワード) — https://github.com/tile-ai/tilelang-ascend/pull/1970