レポート期間：2026年10月19日（月）から10月23日（金）まで、計5営業日 素材出典：本誌のTileLangコミュニティ動態デイリーレポート5号（10-19、10-20、10-21、10-22、10-23）。5号分の収集期間は合計で10-16 07:00から10-23 07:00まで。さらにtile-ai組織の29リポジトリについて168時間の期間で補足調査を行い、各リポジトリのリリースページ、タグ、VERSIONファイルを再確認した（詳細は付録）。

1. 今週の主要ニュース

  • TileFoundry 0.0.3が正式リリース、命令レベルのスケジューリングをagentに委ね、H200上のQwen3.8-27Bプリフィルは3段階すべてでSGLangより高速（10-21）：10-21 10:26にv0.0.3をタグ付け、PyPIではtilefoundry==0.0.3、コードネームは「Agent-driven scheduling」。中核となる変更はスケジューリング権の帰属にある。コンパイラは各HIR操作をどの命令で実装できるか、それぞれ何を必要とするかを列挙し、agentが候補の中から選択し、コンパイラが選択されたスケジュールをTIRへと下降させる。付随するCLIにはschedule candidatesとschedule factsが追加され、命令はAtomSched操作として宣言され、明示的なTIRオペランド契約を伴い、CUDA MMA atom、SM90 WGMMA、非同期コピーから着手する。性能面では3組の実数値が示されている。Qwen3.8-27Bプリフィルは単一のH200上で1024 / 4096 / 8192 tokenがそれぞれ80.29 / 309.61 / 631.19 ms、SGLangは89.06 / 317.11 / 638.25 ms。短系列128 / 256 / 512 / 1024 tokenではそれぞれSGLangの1.88 / 1.41 / 1.10 / 1.03倍となる。既知の問題は2点。wheelにCUDAランタイムヘッダーがまだ同梱されておらず（インストールパッケージからはCUDA kernelをビルドできず、ソースのcheckoutが必要、次バージョンで修正）、また性能タイムラインがinsert_slice、tf.zerosのmesh間位置に対する価格設定を誤っている（#239）。

  • SemiAnalysisがTileLang Ascend特章を設置：昇騰サポートを得た6つのリポジトリのうち、記事執筆時点で利用可能なのはTileLangのみ（10-21 ~ 10-22）：10-21に公開された「The Huawei-DeepSeek Symbiosis」は副題で華為Ascend 950PRマイクロベンチマーク、DSv4.1 Flash分析、DeepSeekの昇騰サポート、AICPUとTileLang Ascendを直接挙げている。TileLangに直接関連する点は3つ。第一に、昇騰サポートを得た6つのリポジトリ（TileLang、DeepGEMM、DeepEP、TileKernels、FlashMLA、DeepSelect）のうち、執筆時点で利用可能なのはTileLangのみである。CANN 9.2.0がまだリリースされておらず、DeepSeekはCANN 9.2.0とC++20コンパイラを要求するが、9.2.0-beta.2は後者を提供しないためである。第二に、昇騰950バックエンドはすでにTileLang本体リポジトリに統合されており、別個の適応リポジトリにのみ存在するのではない。ネイティブなコンパイル、スケジューリング、同期、ランタイム統合を提供し、AutoScheduleはデータ依存と推定実行時間に基づいてオーバーラップとオンチップバッファのスロット数を決定し、950PR上で小サイズの単一オペレータを最大40%短縮する。第三に、CANN、Triton-ascendとの比較では「一部のサイズではCANNと同等かそれを上回る」とされ、最適な実装はサイズによって切り替わる（著者はホットキャッシュ下での素朴なベンチマークと注記している）。記事は同時にエコシステムのギャップも指摘する。多くの最適化はスーパーノード向けであり、x86ホスト上のvLLM-Ascend 0.26.0rc1には依然として複数の問題がある。10-22に南華早報「Jensen’s nightmare」が同じレポートを引用しており、これは二次伝播であって新たな技術的進展を構成するものではないが、この判断が主流メディアの論調に入りつつあることを示している。

  • メインリポジトリが一週間で三回の正確性強化を完了、欠陥タイプは「計算ミス」から「ターゲット選択ミス」と「コンパイル期状態の歪み」へ拡大（10-19 ~ 10-23）：第一回はwarp特化とパイプライン幾何を整理——#3503 は純TMAプロデューサの各スレッドがフォワードバリアに到達するようにし（#3470のparityハングを修正）、#2342 は兄弟パイプラインが共有バッファを一度だけ展開するようにし（#2309の四次元LayoutInferenceクラッシュを修正）、#3536 は共有バッファ上のT.cumsumにスレッドオフセットを補い、#2822 は推移的コピー依存を保持する。第二回は静かな数値エラーを整理——#2818 は未対応のMMA tileに明示的なKパディングを要求し（従来はKアトムを黙って縮小していた）、#2815 は(64,1)保持次元のリダクションクラッシュを修正し、#3550 はTIR述語を整数ビット幅の昇格に同期して書き換え、#3070 はバッチ式finalize_reducerが最初の出力ブロックのみをリダクションする問題を修正し、#3350 はcastのソース/ターゲット/丸めの三組み合わせを事前検証し、#2860 はarchなしのCUDA targetをsm_50で黙って埋めずエラーを報告するようにした。第三回はコンパイル期状態を整理——#3579 は非ゼロループ下限をベクトル化分析に組み込み（10ファイル +818/-198、#2669と#2616をクローズ）、#3612 はベクトル化書き換え前にanalyzerをクローンし、#3226 は並列ループ分割後の旧analyzerバインディング失効を修正した。三批次の共通点はエラーを報告せず、特定のサイズやループ形態でのみ信頼できない結果を返すことである。

  • 昇騰ラインの重心は訓練の逆伝播と基盤データパスへ移行、単週でアダプテーションツールチェーン PR を 11 件マージし sparse_mla 双方向を開設（10-20 ~ 10-23）：訓練側オペレータを集中的に実装——#1887 の indexer_bwd（+1294、DSA スパースファインチューニングにサービス提供、AscendC と PTO のデュアルバックエンドを同時サポート、fast・汎用・cast の 3 段カーネル）、#1877 の SiTU-GLU 逆伝播（+854、CANN の aclnnSituGluGrad に意味論を揃え、Kimi K3 Stable LatentMoE のゲート活性化逆伝播に使用、910B3 上で公式 aclnn とクロス検証し最大相対誤差は約 3e-3）、#1892 の LSTM（+2304、12 個の jit カーネル、多層スタック・双方向・LSTMP 射影をサポート）と #1902 の GRU（+2267、8 個のカーネル、AUTO_SYNC を手動でオフにして各時間ステップ約 58 個の PipeBarrier を回避）。審査待ちキューでは続けて sparse_mla の順伝播と逆伝播（#1929 / #1928）、GLM-5.3 の kpool 圧縮（#1910）と WY fast シリーズ（#1827 など）を補完中。データパス側では、#3530 が 18 ファイル +993/-256 で圧縮 NZ バッファの一部 UB→L1 コピーをサポートし、C0 グループ行間隔を明示的に指定；#1795 は 32B 未満のコンパクト行間隔ソースが表現できないことを特定し、実測で第 2 burst が element 1 ではなく element 8 を読み出していたことを確認し、keepdim reduce の出力乱れを修正；#1903 は JIT キャッシュを原子的パブリッシュに変更し、キャッシュ削除時に復元するようにした。

  • TileOPs は1週間で68件をマージ、SM89とSM90が並んでメインラインに、仕様とベンチマークのカバレッジが同時に205/205を報告（10-19 ~ 10-23）：組織統計ブランチは10-18に単日20件、調査期間で44件のマージを経て「実装済み205/205、ベンチマーク済み205/205」に更新され、两项が同時に満たされた。SM90方向では1週間で6つのwarp特化kernelが新たに追加された——ページドGQAフォワード（#2668）、FP8 lightning indexerのデュアルconsumer warpgroup（#2666）、MLAデコードのずらしシーソー（#2665）、dense prefillの永続化走査（#2706）、dense GQAデコード（#2694）、因果スライディングウィンドウband（#2696）。SM89方向ではコンシューマー向けとシングルカード向けのシナリオを集中的に補完した：ブロックスケーリングFP8グループGEMM（#2659）とINT8 W8A8（#2655）が同日に着地、FP8 BMMのデフォルトタイルを64×64に変更（#2681、1×16×64×128が5.161から3.799 usに低下）、W4A16のM上限を64に拡大（#2672、M=17 / 32 / 64でそれぞれ43.35 / 47.20 / 40.00ポイント低下）、ページドDSAをMMAで実装（#2669、0.269 ms対PyTorch FP32リファレンス0.727 ms）、NSA top-kを2048個の圧縮ブロックに拡大（#2675）。同期間の2件のNaN修正はいずれもwarp特化パス上で発生した：共有メモリのアクティブ期間判定の誤り（#2708）とfast math下でのFMA融合オーバーフロー（#2699）。

  • PTOは「独立実行パス」から「自動ベクトル化 + デフォルト実行バックエンド」へ（レビュー中、10-18から）：メインリポジトリのPTOベクトル化フレームワーク #3512により、ユーザーはT.SimdVF(lanes=L)内でスカラー並列のT.Parallel（要素ごと、制御フロー、リダクション）を記述でき、コンパイラがPTO VMI命令にベクトル化し、PTOASでコンパイルした後にAscend 950上で実行される。規模は10-18の44ファイル、18988行から10-21の50ファイル、21022行に増加した。#3516はtarget="pto"にexecution_backend="auto"を組み合わせるとtvm_ffiに解決され、デフォルトに設定されることを意図している。マージ済みの付随変更は一連のストレージ、述語、リダクションのセマンティクス修正である：#3514のT.alloc_ss、#3437のSimdVF dim=1リダクション、#3582のPTO整数符号性、#3581の述語の指数増加、#3523のSIMTベクトルローカル変数割り当て。メインリポジトリは同時に#3511でAscendC側のL0ローカルコピーの明示的pitchを補完した（24ファイル +1458/-187、1つのGEMMタイルを複数回のコピーで構成可能にする）——両パスは並行して推進されるものであり、置き換えの関係ではない。

  • 下流配布形態に2例目が出現：Sunriseが0.1.15+sunrise.1.2.0のリリースPRを作成（10-22）：#9 は10-22 16:48にcandidate/sunrise-0.1.15-1.2.0-20261019ブランチを作成してPRを開き、Sunrise配布版を0.1.15+sunrise.1.2.0に更新し、TileLang 0.1.15ならびに関連してレビュー済みのTileOPs、TileKernels、TVM、tvm-ffiの変更を組み込んだ。ソースのインポートとマージ、配布アダプテーションは別々にコミットされ、最終的にTANGバックエンド向けのwheelを適合させ、スライスGEMMの回帰を修正した。自己申告の検証では、ローカル契約テスト55件通過、TANGパイプラインのcodegenテスト54件通過、2つのlintジョブと信頼境界チェックが通過した。しかしS2 wheelのビルドでパッケージが生成された後、インストール後のimportスモークチェックがtangGetDeviceCountで失敗した。このPRはまだマージされていない。

  • コミュニティ側では週内に複数の新規リポジトリが出現：中国語システムチュートリアル、CANNコミュニティオペレータリポジトリ、agentワークフローとHexagonバックエンド実験（10-20 ~ 10-22）：huandu/tilelang-tutorialは10-20にリポジトリを作成し、「ゼロから一までのTileLang中国語システムチュートリアル」を位置づけ、オペレータ記述、コンパイル期の仕組み、NVIDIAと昇騰の2つのバックエンドをカバーしており、体系的にまとまった中国語チュートリアルリポジトリの初の出現である；Atlas-Ascend-Fork/ops-tilelangは10-20にリポジトリを作成し、CANNコミュニティが昇騰NPU向けに提供するオペレータ資産リポジトリ（kernel実装、自動テスト、標準ワークロード、性能ベースラインを一元管理）であり、10-22に初回プッシュの修正を行った；tilelang/agentは10-22にプッシュされ、README自体が実行可能なpromptテンプレートであり、@tilelang-operator-dev/SKILL.mdでドメイン知識を注入し、10ステップのクローズドループでオペレータ最適化を進める；ほかにSoilSoi1/tilelang-hexagon（10-20リポジトリ作成、Hexagonバックエンドのコミュニティ実験）があり、メインリポジトリで審査中の#2155 Hexagon HMXバックエンドサポートと呼応している。

2. コアプロジェクトの進展（メインリポジトリ tilelang）

バージョンとリリース

  • メインリポジトリの最新タグとリリースは依然としてv0.1.15（09-30リリース）であり、週全体で新規タグなし、新規リリースページ項目なしで、今週金曜時点で既に23日経過している。VERSIONファイルを確認しても依然0.1.15であり、READMEの最新マイルストーンも09-30のAscend 950バックエンドのまま止まっている。
  • TileFoundry 0.0.3は今週唯一の新バージョン（10-21 10:26）であり、組織内で09-30以来の最初の新規タグでもある。適応ラインのタグは週全体で動きなし：沐曦v0.1.14（09-17）、摩尔線程v0.1.15+musa.1（09-30）、MLIR昇騰v0.1.2.020.sglang.poc（09-09）、昇騰v0.1.2.000。
  • 下流の制約は依然0.1.12と0.1.15の間で停滞：TileOPsのpyproject.tomlは今もtilelang==0.1.12を固定で記載しており、10-18に0.1.15へ引き上げを試みた#2554はクローズ済みでマージされていない。PR自身が述べたブロッカーは、0.1.12で通過した29件のsmoke testが0.1.15で失敗することである：うち28件は動的extentのT.Pipelinedがcp.asyncの末尾でptx_wait_group(3 - t * 2)を残し、CUDA codegenがDowncast失敗を報告するためであり、残り1件はLegalizeSafeMemoryAccessがFalseに折り畳まれた分岐下でnull判定に失敗するためである。今週新たにマージされたSM89のユースケースは同時に0.1.12と0.1.15開発版を実行しており、アップグレードのゲートがデュアルベースライン検証を前提としていることを示している。

コンパイラ、言語層と実行パス

  • Windows ARM64 をリリースパイプラインへ（#2962、10-19 マージ、12 ファイル +356/-45）：PowerShell インストールスクリプトを新設し、NVIDIA プレリリースチャネルから CUDA 13.4 の windows_arm64 ローカルインストーラを取得して固定パスへ配置する。FindPipCUDAToolkit モジュールと windows_arm64_clang_compat.h 互換ヘッダを追加し、ARM64 上の MSVC ツールチェーンにおけるヘッダと組み込みの差異を解決する。あわせて pyproject、2 つの requirements とレイアウト、MSVC 補助モジュールを調整する。これは ROCm と昇騰に続いて補完された 3 つ目の非 x86 デリバリ面である。
  • lower trace でホストとデバイスのソースを分離（#3496、10-19 マージ、6 ファイル +121/-63）：デバイス側は codegen_device.cpp と .original ベースライン、.latest 最新版を出力し、ホスト側は別途 codegen_host.cpp と同じ構造のベースラインを出力する。report.html は最新の実行を指すソフトリンクとなる。これと呼応して、審査中の #3583（13 ファイル +106/-4390）は lower trace の実装、専用環境設定、関連テストをメインリポジトリから丸ごと切り離し、共有のコンパイラ計装インターフェースのみを残して、トレーシングツールを独立して進化させる。
  • CUDA 16 ビット数学の降格規則を補完（#3172、3 ファイル +463/-8）：asin、acos、asinh、acosh、atanh、log1p、atan2、hypot、copysign、ldexp、nextafter に CUDA 専用の下降規則が欠けており、float16 と bfloat16 の呼び出しが codegen 段階で誰にも処理されなかった。修正ではこれらを CUDAMath に登録し、half_t、bfloat16_t のオーバーロードを追加する。10 個のオペレータは float32 で評価してから戻し、nextafter は 16 ビットエンコーディングによる整数比較ステップに変更し、fast math 下でも bfloat16 の非正規数を保つようにする。
  • eager フロントエンドで Python ソース位置を保持（#3558、4 ファイル）：生成されたループ呼び出しを for 文へ、コンテキストラッパーを with 文へマッピングし直し、イテラブル引数の展開位置も補い、traceback とカバレッジのずれを修正する。
  • BF16→FP32 のベクトル化変換をインライン PTX に変更（#3595、4 ファイル +19/-7）：ペア lane を一度に f32x2 へ変換する実装を追加し、lane ごとのスカラー昇格を置き換える。lane 幅 2、4、8 のいずれもサポートを維持し、セマンティクスは変えず命令列のみを変更する。
  • 展開パスと ROCm Select（#2887）：ループ展開は trip count が 0 の stepped ループを消さなくなり、ROCm 側のベクトル化 Select は lane ごとの下降に変更され、サポートされないターゲットで一括下降が失敗するのを避ける。
  • softmax の 16-CTA クラスタ跨ぎ分割（#2632、10-18 マージ）：lm-head のような行数が少なく行が長いケース（4×102400）向けに新しいカーネルを追加する。旧実装は各行 58 セグメントでグローバルメモリを介して (max, sum) を交換し grid 障壁を跨いでいたが、新実装は 1 行を 16-CTA クラスタのレジスタ上に展開し、各要素の指数を一度だけ取り、warp 跨ぎ・CTA 跨ぎ・クラスタ跨ぎで shuffle ツリーにより max-first で畳み込む。
  • 審査中の方向性：PTO の 2 件のほか、[Transform] Locate VerifyBufferInit reads outside tile ops（#3620）、[Codegen] Add unsigned mulhi intrinsic（#3617）、[Transform] Keep assumption checks with local dependencies in scope（#3611）、[Transform] Preserve tl.assume predicates that simplify to true（#3610）、[CPU] Support clz in C and C host code generation（#3609）が調査期間内に更新された。#3597 の混合符号シフト修正と tile-ai/tvm fork の #87

ペアでのコミット、さらに #86 で上流のループスコープ修正をバックポート。fork では審査中 25 件、メインリポジトリでは審査中 163 件、TIRx 側が先行しメインリポジトリが追従するというこの協業パスが今週 2 回目に現れた。

正確性と欠陥修正

  • 10-16 ~ 10-18（月曜から3日間のウィンドウ）：純 TMA プロデューサをフォワードバリアに組み込み（#3503、プロデューサ warp のうち 1 号から 3 号はバックプレッシャバリアのみを待ち、2 フェーズ遅れる可能性があり、再利用された parity 上でブロック全体がハングする）；兄弟パイプラインの共有バッファを 1 回だけ展開するよう修正（#2342、2 つの T.Pipelined がバッファを共有し num_stages が異なる場合に四次元 (4,2,64,32) が LayoutInference の ICHECK を引き起こす問題を修正）；Profiler の 3 連修正（#3559 クロスデバイスの CUDA Graph キャプチャが空になる問題、#3560 後続呼び出しが前回のスナップショット出力を上書きする問題、#3561 cache-flush 時間を早期停止の判定条件から除外する問題）。
  • 10-19：共有バッファ上の T.cumsum で warp 特殊化時にスレッドオフセットを補正（#3536、4 ファイル +101/-38、CUDA と HIP の 2 種類の scan テンプレートに thread_offset を導入）；call_extern の生データ変数を保守的に書き込みとしてマーク（#2618、「call_extern が出力バッファに書き込む」ケースをカバーする 69 行のテストを追加、方針は最適化を少なめに行うよりも誤った最適化を行わないこと）。
  • 10-20：ベクトル化分析に非ゼロのループ下限を組み込み（#3579、10 ファイル +818/-198、従来の実装はループが 0 から始まることを暗黙に仮定しており、下限が非ゼロの場合に unit-step ベクトル化が異なるレーンのアドレスを同一グループとして計算してしまう）；共有メモリのクロススレッド WAW 検出を 2 つのスレッドインスタンスで行うよう変更（#2821、3 ファイル +153/-19、従来の WAW チェックは 2 回のアクセスで同一のスレッド変数を再利用していたため見逃しが発生し、バリアの挿入漏れがあった）；サポートされない MMA タイルには明示的な K パディングを要求（#2818、FP16 K=8 では誤った結果が算出され、K=20 / 28 などの不規則なサイズはレイアウト推論段階で直接失敗する）；fragment reduce で次元保持ターゲットをサポート（#2815、8 ファイル +343/-63）；TIR 述語を整数ビット幅の昇格に伴い同期して書き換え（#3550、4 ファイル +950/-27、IndexPredicateRewriter を新規追加）；CuTeDSL scan に参加スレッドオフセットを補完（#3576、2 ファイル +30/-6、tl.CumSum1D(32, False, 0) は以前はコンストラクタ引数エラーを直接報告していた）。
  • 10-21：バッチ式 finalize_reducer が従来は最初の出力ブロックのみをリデュースしていた問題を修正（#3070、2 ファイル +29/-5、出力次元が batch より大きい場合に後続の各セグメントが未初期化値を受け取っていた、修正後は ceil(OutputDim / batch) ごとにブロックを逐次発行し、L40S 上で 23 項目のテストが通過、外部再現マトリクス 16 例で不一致ゼロ）；cast のソース/ターゲット/丸めの 3 組み合わせの事前検証（#3350、f32→E8M0 の helper は正の無限大へ丸め、丸めパラメータを一切受け付けず、ベクトル化分岐は round を一度も読んでいなかった）；arch のない CUDA target を黙って sm_50 で埋めるのではなく拒否（#2860、1 ファイル、#1049 を修正、エラー内で 2 種類の明示的な arch 指定方法を提示）；ソフトウェアパイプラインで推移的コピー依存を保持し、スレッドドメインを領域競合判定に参加させる（#2822）。
  • 10-22：ベクトル化書き換え前にアナライザをクローン（#3612、1 ファイル +2/-1）；並列ループ分割後に旧アナライザのバインディングが無効化（[#3226](https:/

/github.com/tile-ai/tilelang/pull/3226)、6ファイル +55/-19、loop_partition、loop_vectorize、lower_tile_op の3つのパスに関与）；deepseek_v32 top-k セレクタ候補バッファの境界外アクセス（#3280、2ファイル +91/-10、tl_topk_impl が radix 候補を固定の [2, 4096] 共有バッファに詰め込み、かつ第一ラウンドの閾値バケットサイズを制約しないため、下位仮数が同一の FP32 スコアや完全一致する入力で境界外書き込みが発生し CUDA_ERROR_ILLEGAL_ADDRESS でクラッシュする。修正方法は tl_topk ラッパー層で (batch, 2, seq_len) のグローバル workspace を確保すること）；sm8x スパースメタデータの非全単射形状を拒否するよう変更（#3125、単一ファイル +6/-0）。

ランタイム、CI とツールチェーン

  • 性能回帰タスクを H100 に固定（#3569、1ファイル +15/-1）：組織はセルフホストの H20 容量機種を通常の正確性 CI に導入しつつあり、そのラベル集合は既存の [self-hosted, nvidia] と重複する。H20 の FP16 稠密演算性能は約 148 TFLOPS で、H100 の約 990 TFLOPS とは約7倍の差がある。もしベンチマークタスクを黙って引き受けてしまえば、すべてのベンチマークが存在しない回帰を報告することになる。現在は pr-regression に h100 ラベルを必須とし、作業開始前に割り当てられたカードが確かに H100 であることを検証する。ラベルの記載ミスは即座に失敗とする。
  • Autotuner が profiler パラメータを透過的に渡す（#3337、3行）：デコレータ上の warmup、rep、timeout はこれまでチューナーに渡されておらず、ユーザーがこの3つのパラメータを変更しても実際には反映されなかった。同批次の保守性変更として他に3件：ROCm 側の FP4（e2m1）浮動小数点定数の出力（#3548、デバイス側でヘルパー関数を経由して float32 から変換生成するよう変更）、cibuildwheel を 4.2 から 4.3 に更新（#3565）、ROCm ラインにレビュアーを1名追加（#3567）。
  • 昇騰 CI を単一 check の分割ステップに統合（#3564、1ファイル +61/-9）：ビルドとテスト結果を同一の Test for Ascend PR チェックにまとめ、CANN 環境は一度だけセットアップし一度だけビルドする。AscendC サンプル、PTO サンプル、Ascend 単体テストは同一 job の3つのステップとしてそれぞれ実行する。あるスイートが失敗しても残りのスイートは実行を継続し、最終的に全体は依然として失敗と判定される。
  • ドキュメントサイト：tilelang.github.io は週内に計15回の自動ビルドプッシュがあった（10-19 から 10-22、いずれもメインリポジトリのマージでトリガー）。TileOPs ドキュメントサイトは3件の手動コンテンツ更新——8つの新規オペレータを API ページに記載（#76）、6つの新規オペレータを記載（#77）、2つの MLA 逆方向 op を Attention ページに記載（#78、check_api_pages.py がメインリポジトリのエクスポート207 op のうち2ページ欠落を報告したことが契機）。

レビューキューの観察

  • メインリポジトリのオープン PR は167（10-21 時点）から163（10-22 時点）に減少、TileOPs は16から9に減少、昇騰適応リポジトリは235から236の高止まりを維持——「メインリポジトリとオペレータライブラリは収緊、適応リポジトリは依然厚い」という構図は先週と一致するが、TileOPs の減少幅は今週の組織内で最大の箇所である。
  • 組織内の調査期間における審査中更新量：52件（10-20）→ 71件（10-23）。メインリポジトリの10-19 時点の51件の審査中うち27件が [BugFix] タグ付きで、ThreadSync、Transform、codegen の3箇所に集中しており、大規模利用後にフィードバックされた境界条件に属する。
  • 10-20 11:30 前後に64件の審査中 PR の updated_at が同時に更新された。そのうち3件を抽出したところ該当時刻にコメント、レビュー、ブランチプッシュのイベントはなく、プラットフォーム側の一括再計算と判断し、開発活動には計上していない。審査中数量は各リポジトリの is:open カウントを基準とする。

3. マルチバックエンド適応（昇騰 / 海光 / 沐曦 / 摩尔線程）

昇騰（Ascend）：オペレータ補完から訓練逆方向とデータパスへ

  • 今週は適合リポジトリに11件のPRをマージ：要素ごとのオペレータ中国語ドキュメント（#1657、relu / leaky_relu / sigmoid / silu の4オペレータについて機能、パラメータ、戻り値、典型的な用法を補完、6ファイル +451/-19）、indexer_bwd（#1887）、SiTU-GLU 逆伝播（#1877）、LSTM（#1892）、GRU（#1902）、CrossEntropy ベンチマーク中国語版（#1801、FA と SFA の en/zh ペア慣例を参照）、32B 未満の行間隔修正（#1795）、JIT キャッシュのアトミック公開（#1903）、depthwise_conv_2d サンプル（#1915）、Dilation2D サンプル（#1916）、および同日の depthwise_conv_2d ロールバック（#1919、コミットメッセージに理由の記載なし、サンプルリポジトリは「1つ入って1つ戻る」状態）。
  • メインリポジトリ側の昇騰関連変更は計12件：T.alloc_ss（#3514、dav-3510 上で1つの AIC と2つの AIV が共有するスカラーストレージ、グループ内 3 KiB SS プール、32バイト整列ベースアドレス）、RNG 状態リセット（#3331、兄弟カーネルに残った __asc_rng_state により bisheng が未宣言識別子を報告するのを回避）、SimdVF リダクションは lane 0 のみ保存（#3437）、VF ドメイン外スカラー sqrt は標準数学ライブラリを使用（#3466）、PTO Ramp は型付きベクトルで発行（#3535）、L0 ローカルコピーの明示的 pitch（#3511）、DeepGEMM ヒューリスティックと epilogue の整列（#3577、29ファイル +1392/-1036、密/バッチ/グループ化 GEMM の融合 bias、Alpha、BF16 ランダム丸め、FP8 量子化をカバー）、PTO 整数の符号性（#3582、pto.redux_max/min が型付き整数を拒否、≥2^31 の uint32 lane で顕在化）、NZ バッファの部分 UB→L1 コピー（#3530）、MAD 方向述語の指数成長（#3581）、SIMT ベクトルローカル変数の lane ごと割り当て（#3523）、msprof ホストとデバイスの関連付け（#3321）。
  • #3321 は計測能力の構造的補完：従来、昇騰 profiler はデバイスカーネルの所要時間しか報告できず、ホスト側オペレータとカーネルの間に対応関係がなく、自動チューニングのサンプルを特定の呼び出しに帰属できなかった。本 PR はビルド時に CANN の profiling ヘッダを検出し（msprof と profiling の2種類のインストールレイアウトに対応、インストール済みなら有効化、未インストールならスキップ、ユーザー向けコンパイルスイッチは導入しない）、実行時に ascend_profiling.h とホスト側 profile モジュールを補い、ホスト側オペレータの発行とデバイスカーネルの実行を呼び出し順で対応付け、グループ化コンパイル経路も同じ報告を再利用する（13ファイル +676/-13）。
  • #1795 が最も技術的難度が高い：根本原因はテンプレート層にあり——copy_ub_to_gm が無条件にマルチ burst の DataCopyPad を生成する一方、MTE3 エンジンはシステムレベルの「UB の狭い行を 32B スロットに格納する」規約を実装しており、ソースアドレスは burst ごとに ceil(blockLen/32) + srcStride 個の 32B ブロックだけ進む。32B 境界で行を書き込むプロデューサにとっては正確に一致するが、T.reduce_max の (M,1) fp32 出力は V-pipe のコンパクト書き込みで行間隔がわずか 4B であり、エンジンでは表現できない。修正は両側が packed かつ総量が 65535 以下の場合にフラットな単一 burst に折り畳み、表現できない非 32B 倍数の行間隔は trap() による明示的中止に変更する。ダウングレードしない理由は、bisheng のクロスパイプライン自動同期が直線的な intrinsics のみをカバーしており、条件分岐で DataCopyPad を包むと bisheng が不正な同期コードを生成してデバイスがデッドロックするため（実測で行単位 DMA を実行時分岐で包むと aicore 例外が発生）。PR は2つの境界を残すと自述している：32B 未満のコンパクト行間隔で行間隔付きの宛先の場合は依然としてスロットステップで処理；blockCount > 4095（12ビットフィールド）は依然としてサイレントに切り捨て。
  • レビュー待ちキュー：sparse_mla_fwd（#1929、varlen packed のランダム行 gather、オンライン softmax、QK/PV デュアル GEMM 融合、examples/dsa_sparse_finetune/ に配置、fast パスの適用範囲は H=128 かつ G=1、dim/tail は 512/64、topk は 256 の整数倍に固定）と sparse_mla_bwd（#1928、dQ GEMM チェーン、P/dP ベクトルチェーン、dKV ランダム行スキャッタ）；indexer_topk_reducesum（#1917）；GLM-5.3 の kpool 圧縮（#1910）；WY fast と chunk シリーズ（#1827 / #1828 / #1802 / #1803 / #1799、明らかに線形注意力とゲート付きデルタネットワークの学習チェーンを対象）；ほかに UB から L1 への一時保持ブロック注釈と ND オフセット（#1907）、並行カーネルキャッシュ公開修正（#1903 マージ前）、自動クロスコア同期設定検証（#1854）、gemm_v0 の W4A4 int4×int4 結果エラー（#1731）。

海光（Hygon）：定数ウィンドウ修正をマージ、性能定位はブランチへ

  • #25 が 10-20 09:53 にマージ（2 ファイル +346）：ループ展開後に MLS リソースが増加すると定数ウィンドウオフセットが失われ、後続のアクセスが誤った区間に落ちる。修正方法は、単軸更新か前方増分アドレッシングを選択する前に、更新されていない次元を検証し、必要に応じて保守的にウィンドウを再初期化し、既存の MLS テストに回帰カバレッジを追加することである。これは今週の海光メインラインで唯一のマージであり、main ブランチはこれ以降このコミットで停止している。
  • 審査中 3 件：#26 は fp4 MLS の warp パーティションを処理（14 ファイル +261/-144）、#18 はレジスタパイプラインと warp-diverge サポートを追加（自述では example_gemm の性能はすでに rocblas に近い）、#19 は分散関連の変更。
  • feature ブランチが再利用可能な性能結論を提示：feat/hcu-smls-b-vgpr は 10-21 11:04 と 15:27 に 3 回プッシュされた。11:04 のコミットはデコード GEMM の k-loop を展開し、M>96 の tile を bn96 に戻した。作者の重要な判断は「各ステップの固定オーバーヘッドは barrier ではなくアドレスチェーンに由来する」というものである——シンボリックな共有レベルインデックス (k+d) % 3 は v_mul_lo_u16、v_sub_u16、v_readfirstlane_b32 に降下し、matrix_load のアドレスパスに乗ることで kernel の 13% を占める。一方、T.Pipelined はもともと同じ 2 つの barrier を発行する。15:27 のコミットは M が 64 から 128 の間の wide-N 中間区間を優先的にブロック数で分割し、gate_up は M が 64 から 96 の間で bm96/bn128/bk128/ns2 を取る。また、デコード GEMM の記録ドキュメントを 3825 行から 588 行の「結果 + 最適化ログ」の 2 段構成に整理した。
  • 10-22 gcy_merge_main がレジスタパイプラインスイッチを削除（6 ファイル +10/-24）：HCU レジスタソフトパイプラインの注入とパイプライン計画の 2 つのパス、pipeline_utils.h、および言語層の loop 拡張をまとめて変更した。スイッチの削除は通常、レジスタパイプラインパスがデフォルトで有効になり、二重トラック保守が割に合わなくなったことを意味するが、この変更群はまだマージブランチ上で落地を待っている。

沐曦（MetaX）／摩尔線程（MUSA）／MLIR 昇騰：全週静穏

  • 沐曦：最後のプッシュは 10-16 で停止（dev ブランチ #161 が main を dev にマージ、#160 が MetaXGPU の xfail ケースを修正）、リリースは依然 09-17 の v0.1.14 で停止。全週で新規コミットなし、新規タグなし。
  • 摩尔線程：最後のプッシュは 09-30 の「Prepare public TileLang MUSA 0.1.15」で停止、最新リリースは v0.1.15+musa.1、全週でコミットゼロ、審査中ゼロ。
  • MLIR 昇騰：10-19 に #204 の TVM 隔離修正をマージ。このリポジトリと TVM の名前空間、シンボル可視性の相互汚染を処理するもので、規模は大きくないがマルチバックエンド共存時のリンク安定性に直接影響する。以降プッシュなし。
  • 結論：本調査期間の全バックエンド変更は昇騰と海光の 2 ラインが担い、他の 2 ラインは既存バージョンで停止している。これは先週の「摩尔線程は唯一 v0.1.15 に未整列のバックエンド」という判断と一致し、今週は沐曦も静穏に転じた。

4. エコシステムと採用側（TileOPs / TileFoundry / 採用側）

TileOPs：1 週間で 68 件マージ、2 つのハードウェアメインラインが同時に推進

  • カバレッジ：組織仕様統計ブランチは 10-18 の単日 20 件、調査期間 44 件のマージ後に「実装済み 205/205、ベンチマーク済み 205/205」へと更新され、両項目とも満点となった。今週マージされたオペレータは、アテンション、リニアアテンション、状態空間、畳み込み、正規化、GEMM の 6 種類をカバーする。MLA プリフィル逆伝播 op 層（#2678、FA3 の _flash_attn_backward インターフェースに整合）、MLA 逆伝播 SM90 warp 特化 kernel（#2680、D_qk=192、D_v=128）、MLA ページド前向き（#2642）、MLA の KV キャッシュ書き込み（#2635）、QK-Norm-RoPE 融合（#2639、7 種類の行/精度の組み合わせ、NeoX と隣接ペアの 2 種類の回転レイアウトをサポート）、token 単位量子化 RMSNorm 融合残差（#2634、12 個のワークロードが vLLM 同名インターフェースに整合）、CausalConv1d デュアルオペレータ（#2627、幅 2 から 4、オプションの bias と SiLU）、Hadamard 変換（#2624、base_order 1/12/20/28/40、n は 2^28 まで）、Mamba-1 選択的スキャン（#2638、9 行のワークロードが Mamba-2.8B の 4096 token プリフィルと単一 token デコードをカバー）、DSAPaged（#2633、FlashMLA の DeepSeek-V3.2 656 バイト行フォーマット）、GQA ページド FP8 前向き（#2648、36 個のケースすべてが NaN と Inf チェックを含めて通過）、dense GQA の FP32 attention sink（#2515、-inf で当該 sink を無効化、+inf で当該 head の出力をゼロクリア）。
  • SM90 特化プログラムがまとまって登場：ページド GQA 前向きは GQAPrefillPagedWSKernel に換装（#2668、8 ファイル +901/-103、head dim 256 と単一 KV head 上で 16 ヘッドより広い query グループに対応、FP8 未カバーの次元 64 と 256 はページの 16 ビットミラーを介して読み取り、1 回の上限は 4 GiB）；FP8 lightning indexer はデュアル consumer warpgroup が交互に 64-key tile を処理する方式に変更（#2666、元の実装では一度のクリーンスキャンで 2.5 TB/s でウィンドウ外の -inf を書き込み、chunk-prefill-kscale の 472 マイクロ秒のうち 425 マイクロ秒を占めていた）；MLA デコードはオフセット式シーソーを採用（#2665、1 リクエストの key を min(sm_count // blocks, tiles // 2) セグメントに分割した後、log-sum-exp でマージ）；dense prefill の永続化（#2706、query tile 数が SM 数を超える場合、1 つの CTA が 1 つの SM を占めて交互に自分の tile を消化、D64 では各 tile 192 行の query を 3 つの 64 行コンシューマに分配し、K/V の再読み込みを 3 分の 1 に削減）；dense GQA デコード（#2694、TMA プロデューサ warp が 2 スロットの K/V リングを充填）；因果スライディングウィンドウ band（#2696、1 つの CTA が「query tile, KV head」に対して band の 2 つの key/value tile を 1 回だけロード）；GQA 逆伝播はグループ化された KV head を直接処理（#2685）。
  • SM89 がコンシューマ向けとシングルカードシーンを補完：ブロックスケーリング FP8 グループ GEMM を SM89 に拡張（#2659、4 セットの明示的設定、6 本のコピーを含むベンチマーク、ケースは 42 項目から 77 項目に増加）、INT8 W8A8 を SM89 で有効化（#2655、13 項目の SM89 インターフェースケースと 29 個の INT8 ベンチマークワークロードがすべて vLLM に対して正しさの検証を通過）、FP8 BMM のデフォルトタイルを 64×64 に低減（#2681、1×16×64×128 が 5.161 から 3.799 us に、16×128×128×1024 が 12.943 から 7.414 us に）、W4A16 の 64 列デフォルト M 上限を 16 から 64 に拡張（#2672）、ページド DSA を MMA で実装（#2669、batch 4 / 128 head / 256 位置で 0.269 ms 対 PyTorch FP32 リファレンス 0.727 ms、著者は「大規模ケースではほぼ互角であり、普遍的な優位性を構成するものではない」と明記）、NSA top-k を 1024 から 2048 圧縮ブロックに拡張（#2675）と group48 で tiled プログラムを再利用（#2674）、単一行単一列をベクトル GEMM へ（#2660、共有メモリ予算に基づいて候補をフィルタリング、最大 staged ring 96 KiB）、SSD chunk scan のデフォルトパイプライン段数を 2 段に低減（#2705）、paged DSA の key 区間分割（#2691）、NSA top-k で 32 列 tile を使用（#2690、8 つのケースの GPU busy 中央値が低下

。2.1% から 15.0%）。

  • 性能収束の定番パターン：GLA、GDN、KDA、DeltaNet の4本の線形注意機構ラインで計十余件、手法は2つに収束——chunk チェーン上の行列積を各ブロック1回に圧縮する（#2626、#2645、#2637、#2625）、および SM が収容できる warp グループ数に応じてグループ求解か単一 warp かを決定する（#2650、自述「各 SM あたり約7つの warp グループを収容して求解」を境界とする）；ほかにバッチ GEMM タイルの書き戻しを次のタイル先頭の WGMMA の下に重ねる（#2636）、長行リダクションを 512 スレッドの折り畳みに変更（#2641）、スケーリング係数がちょうど1のとき bf16 除算を迂回（#2646）、float32 の剰余と切り捨て除算に近似逆数を使用（#2652）、述語ブロードキャストとブールオペランドを16バイトベクトル読みに変更（#2702 は linear-bias-float32 の6種比較を 0.99 から 1.06 に、#2697 は二値 kernel の全サイズオペランドを evict-first 読みに）。
  • 2件の NaN と3件の契約修正：共有メモリプランナが warp ロールごとのバッファを異なる時間帯にアクティブと読み違え、split handover を依然 TMA で充填中の key または value リングアドレスに配置（#2708、2ファイル +80/-30、「7つの単一 token リクエストが 300 token リクエストより前に並び、4099行 FP8 cache、48行ページ」の組み合わせで NaN を返す）；因果窓下の 128×64 調優タイルで最後の数行が連続して2つの全マスク key tile に遭遇し、fast math が prev * scale - curr * scale を FMA に融合、丸め誤差約2の99乗がオーバーフローして NaN に（#2699、修正法はスケーリング再スケール前に running maxima を先に減算）；varlen query RoPE で奇数半回転幅のとき並列度が回転分岐スレッド数で割り切れない場合にループ上限を失う（#2700、汎用パスが直接ハング）；ページド decode の autotune 供給で各リクエストが同一の block table を取得（#2703、実測で MHA decode チューナが opt-1.3b-b16 上で block_N 128 を選択、すなわちコールド 80.0 us で 72.5 us を放棄し、flashinfer の 0.994 に低下）；ref_program が正確性参考と torch ベースライン計時対象の両方を兼ね、入力 dtype に追随（#2692、GroupNorm と InstanceNorm が MTT S5000 上で失敗、参考を float32 またはより広い型で計算するよう変更）。
  • 夜間パイプラインとレポート：#2656 が夜間レポートに「新規オペレータ」欄を追加し、履歴データ項目の読み取りを旧式文字列表現から JSON 解析に変更；その自述の 10-18 レポート（統計期間 10-05 から 10-17）は 109 項の改善、6 つの新規オペレータ、計 121 行を列挙し、うち W4A8 GEMM が 98 行を占める。snapshots ブランチは今週 10-19 05:41、10-20 05:39 の2回スナップショット、以降は夜間レポートの基準を日次推進に変更。
  • キュー：審査中は16件（10-21）から9件（10-22）に減少、本調査期間で組織内唯一審査中数が明らかに減少したリポジトリ；20件マージの2日（10-21 期、10-23 期基準）はいずれもこの収縮を伴う。

TileFoundry：0.0.3 以前のリファクタリング週

  • リリース：0.0.3 は 10-21 10:26 にタグ付け（詳細は要聞参照）。README の Latest News は 10-21 より前に #247 によって 10/2026 の項目 3 件（0.0.3 リリース、Qwen3.8-27B プリフィル例、Apple AMX プリフィル例）が追加され、08/2026 の項目 2 件が折りたたまれた Earlier リストに移動された。コミット説明では、README がそのまま PyPI の長文説明（pyproject.toml の readme = "README.md"）であるため、告知はタグ付け前に反映させる必要があると指摘されている。
  • 構造的リファクタリング：ストレージ計画とイシュー計画の分離（#243、39 ファイル +2543/-1889。元の割り当て決定を analysis 層に残し、実行可能なエイリアス発行を削除、読み取り専用の StoragePlan と IssuePlan を分離し、疎な物理レイアウト下でも論理バイトで予約される共有メモリ配置の問題を修正）；schedule マイルストーンの修正（#241、314 ファイル +53049/-69314、M1 から M8 をカバー、Qwen 例 2 件を移行、31 個の完全な長組と全 64 個の短 TIR ファイルを再生成）；テストのリファクタリング（#246、51 ファイル +655/-366、ローカルと CI で ccache と torch extension キャッシュを再利用、2 か所のテストをホスト側でコンパイルした CuTe リファレンスとの比較による MMA レイアウト検証に変更し、手書きリファレンスと数千件のパラメータ化ケースを置き換え）。
  • クロスアクセラレータ：Apple AMX をサポートし、Qwen プリフィル例を M2 Pro で動作（#244、4 つの AMX 操作を組み込み、Copy と Fill が Apple コアと AMX エグゼキュータのスコープに配置可能に。Qwen3-1.7B と Qwen3.5-4B がいずれも 128 token のプリフィルを完了し、出力 logits は有限、次の token 番号はそれぞれ 1813 と 306）。TileLang エコシステムがモデル全体の推論例を非 CUDA アクセラレータ上に置いたのはこれが初めて。
  • デバイスモデリングとコスト計算：sm_89 アーキテクチャと RTX 6000 Ada の 2 つのターゲット記述を追加し、仕様ドキュメントを同期（#259、11 ファイル +392/-22）、デバイスモデリングを Hopper から Ada に拡張；gmem のコスト計算をフットプリントと実行 mesh に基づき被呼び出し側の次元にバインドするよう変更（#258、74 ファイル +1128/-553、#239、#252、#253 を修正。従来は 132 個の CTA のうち 40 個しか探索しない場合の under-fill が検出できなかった）；デバイスが kernel の起動を拒否した場合は必ずエラーを投げるように（#256、7 ファイル +69/-11、従来はランチャーが kernel を発行した後に起動状態を読むことがなく、sm_89 単卡上でバンドルされた sm_90 ターゲット向けにコンパイルしたテストは値が不正になるだけで、compute-sanitizer によって初めて cudaLaunchKernel が cudaErrorNoKernelImageForDevice を返すことが判明した）。

採用元とディストリビューション

  • TileKernels：DeepSeek の採用元リポジトリは今週コミットゼロ、最終プッシュは 10-14 の v2.1.0-release マージで停止（スター 1991 から 2005）。このバージョンは TileLang 0.1.15、PyTorch 2.13、Ascend 950 NPU、CANN 9.2.0 を明確に要求しており、「0.1.15 ベースライン」の最初の下流ハード制約であり、SemiAnalysis が指摘した CANN 9.2.0 未リリースとも符合する。
  • FlashQLA：Qwen の採用元リポジトリも同様にコミットゼロ、最終プッシュは 10-14 の SM120 修正で停止（スター 732 から 737）、バージョンは依然 09-30 の v0.1.3。採用元側は 2 週間連続で静かであり、本流の勢いは依然 tile-ai 組織内部にある。
  • Sunrise ディストリビューション：0.1.15+sunrise.1.2.0 のリリース PR（#9）が審査中、詳細は要聞参照。TANG バックエンドの wheel を成果物としており、主リポジトリの CUDA / ROCm / 昇騰の提供形態とは異なるディストリビューション形態であり、TileLang に 2 つ目の下流ディストリビューション形態が現れたことを示す。
  • TileRT / tilescale / DeepStack：3 リポジトリとも調査期間内にコミットなし（最新はそれぞれ 09-24、08-25、10-05）。

5. コミュニティ、チュートリアル、イベント

  • 中国語の体系的チュートリアルリポジトリが登場：huandu/tilelang-tutorial が10-20にリポジトリを作成してプッシュし、「ゼロから一へのTileLang中国語体系チュートリアル」と位置づけられ、オペレータの記述、コンパイル期の仕組み、NVIDIAと昇騰の2つのバックエンドをカバーしている。これまで中国語の資料は単発のブログと公式ドキュメントの翻訳が中心であり、体系的なチュートリアルリポジトリの登場は初めてである。同じ週には RuneFang/tvm_tilelang_cookbook（34スター、10-21プッシュ）も更新され、「多少Pythonが書けて、CUDAは聞いたことがあるがコンパイラのコードは読んだことがない」読者を対象とし、@tilelang.jit から .cubin までを解説している。
  • CANNコミュニティがオペレータリポジトリを開設：Atlas-Ascend-Fork/ops-tilelang が10-20にリポジトリを作成し、すでに src、tests、scripts、docs の4層と OAT.xml、SECURITY.md などのオープンアトムコミュニティ標準ファイルを備えている。10-22には「正当な上界シードとテストケースのハッシュの組み合わせがオーバーフローしてCPUテストが失敗する」問題の修正をプッシュし、より早いコミットには「Ascend A5の参照をAscend 950に置き換える」と「benchmarkが失敗または中断したセッションでも性能ベースラインを上書きする」ものがあった。単一のDSLを唯一の実装言語とするコミュニティレベルのオペレータリポジトリはこれまで見られなかった。
  • agentワークフローが形に：tilelang/agent（08-28にリポジトリ作成、10-22プッシュ）はREADMEを実行可能なpromptテンプレートとして書き上げ、@tilelang-operator-dev/SKILL.md でドメイン知識を注入し、入力はオペレータ名、GPU/CPUリファレンス実装、shape、「tilelang npu納品、中国語納品」の制約のみである。コメントにはagentがA5環境で実行し、ロード後に10ステップの閉ループに従う必要があると明記され、Skillには選型決定木、8-CSVルール、L0からL4の戦略、11の落とし穴が含まれている。また cc-c122/TileLang-Remote-Autotuning-Agent（1スター、10-21と10-22の両方でプッシュ）も自動チューニングをリモート駆動可能なagentにする取り組みである。
  • バックエンド実験とツールチェーン：SoilSoi1/tilelang-hexagon が10-20にリポジトリを作成し、Hexagonバックエンドのコミュニティ実験であり、メインリポジトリで審査中の#2155と呼応している。PTO-ISA/tilelangGym（10-14にリポジトリ作成、10-20プッシュ）はさまざまなbenchmarkとマイクロベンチマークのPTO lowering下での性能感度をテストするために用いられる。easy-tilelang/tilelang-devkit-vscode（10-19にリポジトリ作成、10-20プッシュ）はVS Code内でlowering pass、IRの差分、CPU C JITコンパイルを調査することを目的とし、メインリポジトリがlower trace全体を移出す（#3583）方向性と一致している。
  • サードパーティの小規模リポジトリ：fanyuxiao-ui/w4a16-tilelang（10-10にリポジトリ作成、TileLangと手書きCUDAでA800上でW4A16量子化推論のGEMMとGEMVを実装）、sablin39/tilelang-cuda-skills（145から146スター、作者はTileFoundryの活発なコントリビューターでもある）、localizethedocs/tilelang-docs-l10n（公式ドキュメントのローカライズ）、flytiger-eco/tilelang-wrapper-for-sail（10-21にリポジトリ作成、10-22プッシュ、リポジトリ名はSAIL向けのTileLangラッパー提供を指すが説明もREADMEもない）、chaigua/tilelang-agent（10-19に新規作成）。いずれもコミュニティの自発的なものであり、組織の公式リポジトリではない。
  • メディアと学術：Google Newsの中英語複数クエリは10-19の調査期間で新規ゼロ、10-20の調査期間で3件ヒット（DeepSeekと華為チップに関する産業報道2件、prime-rl 0.10.0リリース稿1件、1件ずつ確認したがTileLangの具体的な事実は見つからず、直接関連しないものとして処理）、10-22の調査期間では3件が華為-DeepSeekの協調を巡るものでSemiAnalysisの1件のみがTileLang専門章を含み、10-23の調査期間では2件が同一レポートのメディア転載、もう1件はDeepSeekの資金調達でテーマと無関係のため除外した。Hacker Newsは全週関連討論なし。arXivでTileLangをタイトルまたは要旨のキーワードとして検索したところ調査期間内は0件で、最近の関連項目は依然として07-24のTileSightである。

6. トレンド観察

  • 正確性の堅牢化は層が段階的に進んでおり、同層での繰り返しではない：先週メインリポジトリで整理したのは「形状と幾何の検証」であり、今週の三段はそれぞれ異なる——まず warp 特化とパイプラインの幾何とバリア（#3503、#2342、#3536、#2822）、次にサイレントな数値エラー（#2818、#2815、#3550、#3070、#3350、#2860、#3125）、最後にコンパイル期の状態一貫性（#3579、#3612、#3226）である。第三段が最も注目に値する：この種の欠陥が生成する kernel は依然として正しい可能性があるが、コンパイラがユーザーに語る内容と実際に行うことが一致していない；TileLang は現在 agent による kernel の自動記述を組み込んでおり、コンパイル期の状態が自己整合できるかどうかが agent の反復ループを収束させられるかを直接左右する。
  • 昇騰側のボトルネックはすでにオペレータの数からメモリモデル、ランタイム境界、訓練の逆伝播へ移っている：今週マージされた適応リポジトリの 11 件のうち、逆伝播と再帰オペレータが 5 件を占め（indexer_bwd、SiTU-GLU 逆伝播、LSTM、GRU、CrossEntropy ドキュメント）、メインリポジトリ側で最大のものは NZ レイアウトの UB→L1 行間隔表現（#3530、18 ファイル）、技術密度が最も高いのは 32B 未満のコンパクトな行間隔が表現できず明示的に中止するしかないもの（#1795）である。加えて JIT キャッシュの原子的公開（#1903）と PTO 述語の指数増加（#3581）があり、この路線のテーマは「既存のオペレータを境界条件下でエラーを出さないようにする」ことである。CANN コミュニティが別途 ops-tilelang オペレータリポジトリを立ち上げたことと合わせると、分業が読み取れる：オペレータ資産はコミュニティリポジトリが担い、メインリポジトリはバックエンドのセマンティクスと codegen に専念する。
  • SM89 と SM90 が並列する二本のハードウェア主軸となり、優先順位を決める基準はピーク性能から入手可能性へ移っている：SM90 方向は今週 6 つの warp 特化 kernel を生み出し、SM89 方向はブロックスケーリング FP8、INT8 W8A8、FP8 BMM、W4A16、ページド DSA、NSA top-k の 6 経路を同時に推進し、しかも PR は一般的にシングルカード実測を添付し「SM90 での実行結果を主張しない」「大規模ユースケースではほぼ互角であり、普遍的な優位性を構成しない」と明記している。Ada 級グラフィックスカード（L40S、4090 の一类）は国内開発者が手にする主力ハードウェアであり、この志向は SemiAnalysis が指摘する「最適化がスーパーノードに多面的に向かい、汎用性が性能に後れを取る」とちょうど補完し合う。
  • エコシステム層の組織的動きはコード層より多い：メインリポジトリは今週リリースも breaking change もなかったが、組織外には中国語システムチュートリアルリポジトリ、CANN コミュニティのオペレータリポジトリ、agent SKILL ワークフロー、Hexagon バックエンド実験、VS Code 拡張と SAIL ラッパーリポジトリが現れ；組織内には TileFoundry 0.0.3 の agent スケジューリング、Sunrise の第二の配布形態、TileOPs の仕様フル搭載がある。「人間がルールを書き、agent がチューニングし、リポジトリにベースラインを蓄積する」の三者を合わせて見ると、昇騰側と TileLang 全体のエンジニアリング分業は再編成されており、コードのリズム自体は平穏である。
  • 分析機関が TileLang を昇騰の可用性の判断基準として扱い始めている：SemiAnalysis は「6 つのリポジトリのうち当時利用可能だったのは TileLang だけ」を用いて DeepSeek の昇騰サポートの完成度を定義しており、これはどの単一の技術ブログよりも TileLang が国産算力の語りにおける位置を示している——実験的 DSL からデフォルトの担持層へ。同一のレポートは逆方向のシグナルも示している：最適化はスーパーノードに集中し、x86 ホストのサポートは依然として不完全で、性能と汎用性の間には明らかなトレードオフが存在する。SCMP の転述はこの判断が主流メディアの言説に入りつつあることを示している。
  • 次号の注目点：メインリポジトリ v0.1.16 がリリースされるか（すでに 23 日間沈黙）；TileOPs の 0.1.12 ロックが解除できるか（#2554 クローズ後に新バージョンの方案は見られず、デュアルベースライン検証が依然としてゲート）；PTO の #3512 と #3516 がマージできるか（PTO がデフォルト実行バックエンドになるかを決める）；TileFoundry 0.0.3 の wheel のヘッダファイル欠落と #239 の価格設定問題が次バージョンで修正されるか；Sunrise の S2 wheel が tangGetDeviceCount で失敗する件をどう処理するか；昇騰 sparse_mla の順伝播と逆伝播（#1929 / #1928）、GLM-5.3 kpool（#1910）の実装ペース；海光 gcy_merge_main のレジスタパイプラインスイッチのクリーンアップがいつ main に入るか。

付録：素材と検証説明

  • 素材：本紙の毎日 TileLang コミュニティ動態デイリーレポート5期（10-19、10-20、10-21、10-22、10-23）、五期の収集期間合計は 10-16 07:00 から 10-23 07:00（北京時間）。うち 10-19 期は月曜日の3日間期間で、10-16 07:00 から 10-19 07:00 をカバーし、主体は 10-16 から 10-18 の週末動態であり、本レポートではこれを背景として取り込み、今週のマージ統計には計上しない。10-20 から 10-23 の四期は厳密に今週内に収まる。
  • マージ統計基準：今週のマージは129件、四期デイリーレポート基準では36（10-20 期）、26（10-21 期）、32（10-22 期）、35（10-23 期）、リポジトリ別ではメインリポジトリ tilelang 37、TileOPs 68、昇騰適配リポジトリ 11、TileFoundry 8、海光 1、MLIR 昇騰 1、ドキュメントサイト 3。10-19 期には別途61件があり、これは 10-16 から 10-18 の週末期間に属し、上表には計上していない。
  • 補足核查：168時間期間の組織レベルの核查により、tile-ai 29 リポジトリのうち 11 が期間内にプッシュされたことを確認（TileOPs、tilelang、tilelang-ascend、tilelang-hygon、tilelang-mlir-ascend、tilelang-sunrise、TileFoundry、TileFoundry ドキュメントサイト、TileOPs ドキュメントサイト、tilelang ドキュメントサイト、TileOPs-nightly）、各期デイリーレポートのリポジトリ別結論と一致；金曜 07:00 以降の組織動態は慣例により次期デイリーレポートに併合し、本レポートではその内容を予測しない。
  • 基準と境界：性能データはすべて PR 説明またはリリース説明の自己申告（H100、H200、L40S、M2 Pro、910B3、MTT S5000 など）であり、本紙には対応ハードウェアがなく、独立した再現は行っていない；仕様とベンチマーク 205/205 は組織統計ブランチのバッジデータから取得し、プロジェクトの自己申告基準に属する；リリース時刻は各リポジトリのタグとリリースページの再確認によるものとし、適配リポジトリのリリースページとブランチの進行には遅延が存在する可能性がある；SemiAnalysis と SCMP の判断は第三者分析であり、ベンダーの公式声明ではない。審査中の数量は各期の統計基準が完全には一致していない（リポジトリの is:open 総数を取るものもあれば、期間内更新数を取るものもある）、引用時は本文中に注記している。
  • 次期周期の提案：2026-10-26 ~ 2026-10-30。

情報源核查表

情報源 核查結果
tile-ai 組織（29 リポジトリ） 168時間期間内に 11 リポジトリがプッシュ；今週四期基準のマージ129件、審査中期間内更新 52 から 71 件
メインリポジトリ tilelang 今週マージ37件；オープン PR 167 から 163 に減少；VERSION は依然 0.1.15、全週新タグなし、リリースなし（既に23日間静黙）
TileOPs 今週マージ68件（別途週末期間44件）；審査中16から9に減少；仕様とベンチマークカバレッジは205/205と報告；依然 tilelang 0.1.12 を pin
TileOPs-nightly snapshots ブランチ 10-19 05:41、10-20 05:39 の2回のスナップショット；レポートに「新オペレータ」欄を新設
TileFoundry 今週マージ8件；v0.0.3 を 10-21 10:26 にリリース（今週唯一の新バージョン）；審査中1から4件
昇騰（tilelang-ascend + メインリポジトリ内昇騰変更） 適配リポジトリマージ11件、審査中11件以上；メインリポジトリ内昇騰関連マージ12件；sparse_mla 順伝播と逆伝播が審査中
海光（tilelang-hygon） main マージ1件（#25）；審査中3件；feature ブランチの3回のプッシュでデコード GEMM のアドレスチェーン特定を提示
沐曦 / 摩尔線程 / MLIR 昇騰 三リポジトリとも期間内コミットなし、それぞれ 10-16 / 09-30 / 10-19 で停止
Sunrise 0.1.15+sunrise.1.2.0 リリース PR（#9）が審査中；S2 wheel インストール後の import が tangGetDeviceCount で失敗
採用側（TileKernels / FlashQLA） いずれも 10-14 で停止、全週コミットなし；バージョン要件は依然 TileLang 0.1.15 と CANN 9.2.0 を指す
TileRT / tilescale / DeepStack いずれも期間内プッシュなし（最新はそれぞれ 09-24、08-25、10-05）
コミュニティと第三者リポジトリ 新リポジトリ4個（tilelang-tutorial、ops-tilelang、tilelang-hexagon、tilelang-wrapper-for-sail）、活発5個以上（cookbook、devkit-vscode、tilelangGym、w4a16-tilelang、tilelang-cuda-skills）
メディアと学術 Google News の中国語・英語複数クエリで期間内合計6件ヒット、SemiAnalysis の1本のみ TileLang 専章を含み、残りは転載または直接関連なし；Hacker News に関連討論なし；arXiv 期間内0件

主な引用

tile-ai/tilelang/pull/3512>

— https://github.com/tile-ai/TileOPs/tree/stats

データソース：毎日の TileLang コミュニティ動向デイリーレポート（2026-10-19 から 2026-10-23 までの全5回）および本期間の実測検証。レポート期間は 2026 年 10 月 19 日から 10 月 23 日まで。