レポート期間:2026年11月9日(月)~11月13日(金)、5営業日・5期のデイリーレポート。加えてリリース日(11月14日)にtile-ai組織30リポジトリに対する168時間の補完調査を実施


第1部 · サマリー

本節は今週の要点を抽出したもので、既定は800字以内(本期613字)。完全な項目・明細リスト・情報源は第2部のアーカイブを参照。

今週の5期のデイリーレポートではマージ数が71、21、9、6、5件と記録され、メインリポジトリのリズムは週初のCUDA原語から週末の昇腾(Ascend)の後処理一色へと移行した。

  • PTO後処理期がメインリポジトリを占拠:11-12と11-13の2期で計8件のマージはすべて昇腾に属し、+1903/−617、4件は#3512の後始末。PTOのデフォルト実行バックエンドをtvm_ffiに切り替え、全コア同期を自動的にバッチスケジューリングへ設定してデッドロックを回避。
  • 2波の監査が「サイレント故障」を命令層まで掃討:11-12の1日で30件のissueのうち26件が昇腾を指摘、11-13には担当を替えてさらに8件を起票、指摘箇所はパラメータ検証からT.simd述語ファクトリまで下探。10数件の検証系PRが同時にレビュー中。
  • ROCmが初めてシリーズ化:11-13の1時間以内に7件を連続起票、22ファイル+624/−19、コンパイルパラメータ、起動境界、占有率、レジスタ常駐をカバー。
  • TileOPsは「1日3バッチ」から「レビュー待ち」へ:5期のマージ数は33、18、4、0、0件、性能項目の多くは自評で目標条項に未達、予算制約はSM89の101376バイトまで圧縮。
  • バージョンは1週間動かず:0.1.16のバージョン番号PR #3887は全週進展なし、v0.1.15はすでに44日経過;TileFoundryは1491ファイルの再編を完了。
  • RISC-Vの4情報源が連続6期間沈黙:4情報源以外のWeftラインは553/553で終了したが、集計基準が当日に表を切り替えたため、前期の0.0580倍と併せて読むことはできない。

今週の判断:昇腾はすでにメイン会場マージの絶対的主体であり、ボトルネックは開発量からレビュー帯域と「宣言と実装の不一致」へ移った。1900行の昇腾変更と7632行のharness内容はいずれもブランチ上で停止しており、0.1.16をリリースしなければ下流は入手できない。


第2部 · アーカイブ

以下は今週の完全な本文であり、構造・集計基準は過去のウィークリーレポートと一致する。サマリーの各判断はここで項目ごとの根拠と情報源を確認できる。

素材の情報源:本誌のデイリーレポートTileLangコミュニティ動向5期(11-09、11-10、11-11、11-12、11-13)。11-09期は週末をまたぐ72時間の調査期間(11-06 07:00から11-09 07:00、土日を含む)、残り4期は24時間で首尾相接続するため、5期の行為事実の期間は11-06 07:00から11-13 07:00となる;11-09期は前回のウィークリーレポート(11-06 07:00まで)と重複しない。リリース日には別途tile-ai組織の168時間調査期間の補完調査(30リポジトリ、期間内プッシュ12件)を実施し、各リポジトリのプッシュとバージョン状態の確認に用いたが、デイリーレポートで記録済みの事実は変更しない。

編纂説明:今週の要聞、核心プロジェクト進展、マルチバックエンド適配、エコシステムと採用者、コミュニティチュートリアルとイベント、トレンド観察、付録の7つの次元で構成。マージの集計基準は各期デイリーレポートで記録された期間を単位とする:11-09から11-12期は組織レベルの計数、11-13期はメインリポジトリの計数(当該期には別途3件がmlir-ascendのharnessブランチに属し、メインリポジトリ数には計上しない)。新規起票issueは5期で順に50、6、10、35、18件、合計119件。非デフォルトブランチのマージ(hygon distributed、mlir-ascend harness)は本文中で項目ごとにブランチを注記し、デフォルトブランチとは混計しない。


1. 今週の要聞

  • PTOベクトル化改造の後処理期が全週にわたり、後半2期の8件のマージはすべて昇腾に属する(11-11から11-12):#3512がPTOのベクトル化と整数型体系を一括で置き換えた後、メインリポジトリのマージは連続4期間にわたり回帰対応に追われた。11-12期の3件は#3516(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、20ファイル+1549/−182)、#3776(AutoScheduleが3つの必要条件で周期下限を絞り込み、Z3求解時間10.04%減)、#3794(整数アトミックをsignlessキャリアに適配);11-13期の5件は#3614(クロスコア同期mode=0でバッチスケジューリングを強制、全コアバリアとマルチストリームのコア競合によるデッドロックを修正)、#3894(VMI記述子と論理カバレッジ検証を収束、+925/−550)、#3793(スカラーcastファクトに保護を追加)、#3796(明示的SIMD並列出ループを保持)、#3792(整数アトミック符号互換ラッパー)で、合計+1903/−617、22箇所のファイル変更。4類の問題の共通形態は「新機能が計算を誤る」ことではなく「改造後に本来合法なプログラムが合法でなくなる」ことであり、調査コストが高いのはエラー箇所がしばしば故障と無関係なスカラーやアドレスに落ちる点にある。情報源:https://github.com/tile-ai/tilelang/pull/3516、https://github.com/tile-ai/tilelang/pull/3614、https://github.com/tile-ai/tilelang/pull/3894

  • 昇騰フロントエンドにおける2波の系統的監査、パラメータ検証から命令エンコードまで「サイレント故障面」を掃討(11-11 から 11-12):11-12 期は1日でメインリポジトリに新規 30 件の issue が開かれ、うち 26 件のタイトルに昇騰プレフィックスが直接付き、2つのアカウントから連続して提出された(cn-sys 12 件、JINITAIMEI121 13 件)。共通するのは「計算ミス」ではなく「通すべきでないものが通ってしまう」こと——T.Kernel がゼロまたは負のブロック数を受け入れ、T.alloc_l1 が 2 GiB の割り当てを受け入れ、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、hf32 の nearest_zero が NEAREST_AWAY にコンパイルされ、同型 ND から NZ へのスキャッタがマスクカウントの非フォールバックにより無限ループに陥る。11-13 期は NebulaMao に代わり、十数分で連続 8 件を開き、指摘箇所はさらに下層に及ぶ:any_sync/all_sync のエクスポート後に未解決呼び出しが残り、int64 のクロス warp reduce_sum が未定義の HwReduce<SumOp,long> を発行し、update_mask/pintlv/pdintlv が述語幅を検証せず、T.simd.pge が密かに pset_bXX に退化し、T.ascend_pipe_barrier("PIPE_V") がサイレントに破棄される。2ラウンドを合わせると、昇騰フロントエンドの健全性の欠落がパラメータ層から命令層まで一直線に並べられた。出典:https://github.com/tile-ai/tilelang/issues/3920、https://github.com/tile-ai/tilelang/issues/3992、https://github.com/tile-ai/tilelang/issues/3993

  • ROCm 側で1時間以内にシリーズとして 7 件が開かれ、本誌が ROCm を記録して以来初めて体系的に出現(11-12):7 件は 07:56 から 07:57 の間に同一作者によって連続して開かれ、すべて 72d986e1 に基づき、22 ファイル +624/−19:#3954 は compile_flags を実際に hipcc に通す(従来はキャッシュキーのみ);#3955 は 8 ビット整数ベクトルのブロードキャストが hipcc に拒否される make_uint2/make_uint4 を発行するのを修正;#3956 は小タイル T.gemm に読みやすいエラーを追加;#3957 は「SM あたり最小ブロック数」を HIP 上で破棄から EU wave あたりの数に応じた起動境界の発行へ変更(gfx90a 上で fp16 GEMM が 143 VGPR + 128 AGPR により 1 CU 1 ブロックに固定されていた);#3958 は占用率レポートに blocks per CU 換算を追加;#3959 は wave64 上で 64 スレッドのリダクションが決して触れない LDS を無駄に割り当てるのを修正;#3960 は fp16 フラグメントを実際にレジスタに留める(HIP では uint2/uint4 は構造体であり、SROA 後は各 lane が 80 バイトのスクラッチを消費する)。6層をカバーし、従来 ROCm は長らく「たまに 1 件」であった。出典:https://github.com/tile-ai/tilelang/pull/3960、https://github.com/tile-ai/tilelang/pull/3957、https://github.com/tile-ai/tilelang/pull/3959

  • TileOPs の生産能力と達成率が完全に乖離し、共有メモリ予算がハード制約に(全週):5期のマージ件数は順に 33、18、4、0、0 件で、うち 11-10 期の 18 件は時間別に3バッチ、各バッチ 6 件、各バッチ 3 から 14 分で完了し、11 件の性能 PR のうち 10 件が自評 Result: below bar、#2882 の BMM ping-pong のみが bar met と表示——達成はマージの前提ではなく、根本原因と A/B を明記することが重要である。11-11 期の4件はすべて DeltaNet にあり、SM89 の 101376 バイト共有メモリを巡って分流とバッファ再利用を行う:#2891 はフォワードで walk 下限により分流、#2890 はバックワードに reuse スイッチを追加して 114944 を 98560 に圧縮、#2889 はテストを cluster と共有メモリの事実により分流させ SM89 の失敗を 9 件から 3 件に削減。11-12 と 11-13 の2期はメインラインが連続してコミットゼロで、期間内には性能 PR 5 件と stats ブランチのリフレッシュ 1 回のみが残り、「レビュー待ち」であって「開発中」ではない。出典:https://github.com/tile-ai/TileOPs/pull/2882、https://github.com/tile-ai/TileOPs/pull/2890、https://github.com/tile-ai/TileOPs/pull/2891

  • TileFoundry は不変条件を検査可能なオブジェクトとして記述し、1491 ファイルの再編成でルールを強制する(11-06 から 11-12):11-09 期の 3 件のマージでは、配置値のセマンティクス(Split / Broadcast / Varying / Partial の 4 状態と B ⊔ V = V のマージ規則、#293)、TMA コピーの共有オペランドを async-proxy セマンティクスに組み込むこと(#291)、「スケジュールが古いデータを上書きする前に依然として古いデータを読む必要がある」という順序を LivenessMetadata.orders に記録すること(#301、順序を導出できなければ AnalysisError を送出)をそれぞれ定義した。11-10 期の #312 は 1 件の再編成で 1491 ファイル(+41324/−42379)を整理し、インポート、エクスポート、命名、可変状態、階層の 5 種類のルールを S0 以外の S1 から S11 および C1 から C11 として記述し、lint、ruff、import-linter を pre-commit で強制する。代償として内部インポートパスがこのバージョンで変わり、プライベートシンボルを参照するスクリプトは追随して修正が必要になる。出典:https://github.com/tile-ai/TileFoundry/pull/293、https://github.com/tile-ai/TileFoundry/pull/301、https://github.com/tile-ai/TileFoundry/pull/312

  • バックエンドマトリクスは「一社独走」から複数箇所同時着手へ変わり、4 種類の投入深度が併存(全週):海光の distributed ブランチは #36 分散三種セット(Block-Push の GEMM+AllReduce、Block-Push の GEMM+ReduceScatter、Block-Pull の AllGather+GEMM、6 ファイル +2022/−0)をマージし、もう一方の tilelang-tileops-fix ブランチは 1 日 10 件で hipRAND 乱数と cache_warmup を補った。mlir-ascend の harness ブランチは 1 日 3 件をマージし +7632/−24(Ascend950 シミュレーション trace ワークフロー、オペレータ設計ガイドと Roofline 計算機、BMM と w4a8 の例)、同期間に #222 は PR ゲートを Ascend 950 AscendC の単一ベースラインに絞った。沐曦は SDK 付属の正式版を v0.1.12+musa.5 に進め、glibc の下限を 2.34 に引き上げた。サードパーティの xwhzz/tilelang-hexagon は TileLang をクアルコム Hexagon NPU に持ち込み、LFM2-1.2B が Snapdragon 8 Elite の v79 cDSP 上でエンドツーエンドに動作した。ベンダーリポジトリはバージョンに追随し、ディストリビューションはメインラインに追随し、fork は自社ハードウェアに追随する。この分化自体が依存度の指標である。出典:https://github.com/tile-ai/tilelang-hygon/pull/36、https://github.com/tile-ai/tilelang-mlir-ascend/pull/221、https://github.com/xwhzz/tilelang-hexagon

  • バージョンは一週間動かず、1900 行の昇騰変更と 7632 行の harness 内容がいずれもブランチ上で停止(11-09 から 11-13):#3887([Release] Bump version to 0.1.16)は 11-09 03:07 の更新以降、全週にわたり一切進展がなく、未マージのままである。メインリポジトリの最新 tag は依然として 09-30 の v0.1.15 で、今週金曜で満 44 日となる。4 つのリポジトリはいずれも調査期間内に新バージョンがない:TileOPs は 10-27 の v0.1.0、TileFoundry は 10-25 の v0.0.4rc1、tilelang-musa は 09-30 の v0.1.15+musa.1。本期マージされた昇騰実行バックエンドとリグレッション整理は、早くとも次の tag を待たなければ下流のディストリビューションパッケージには入らない。出典:https://github.com/tile-ai/tilelang/pull/3887、https://github.com/tile-ai/tilelang/releases

  • RISC-V の4つの情報源が6つの調査期間連続で沈黙、4つの情報源以外のCPUラインは表現の切り替えで締めくくり(11-07 から 11-13):kubuds/tilelang-riscv-kubuds の2つの kubuds- ブランチ、RuyiAI-Stack/tilelang-riscv の MLIR 路線、TongmingLAIC/tilelang-riscv のインデックスページ、TongmingLAIC/tilelang-tpu の SOPHGO ブランチは、6つの調査期間連続で全て元の引用のまま停止している。4つの情報源以外では、Tianchen-ai/tilelang-weft が 11-11 にリリースタグを weft-parity に変更し、553項目全てに一致する Triton ネイティブの対照があり、「1.03倍を超えない」を満たしており、4プラットフォーム 133/137/136/147 の合計は 553/553;543例外部分の参考に対する倍率の中央値は SG2044 1.3598、K1 1.3176、K3 A100 1.6569、x86 1.2917。強調すべきは、この数値群は前号の旧表(41例が参考より高速、SG2044 中央値 0.0580倍)と併読できないという点で、跳変の原因は被測対象が「作者の手書きプログラム」から「共有 Canonical コンパイラの産物」に変わったことにある。情報源:https://github.com/Tianchen-ai/tilelang-weft、https://github.com/Tianchen-ai/tilelang-weft-bench


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、5期のデイリーレポートとリリース日の核查のいずれも新しい tag を発見しておらず、今週金曜で既に44日が経過している。
  • #3887([Release] Bump version to 0.1.16)は 11-09 11:07 の更新後すぐに動きがなくなり、11-10、11-11、11-12、11-13 の4期いずれも「依然として保留中」と記録されている。
  • 組織内の他の3リポジトリは調査期間内に新バージョンなし:TileOPs v0.1.0(10-27)、TileFoundry v0.0.4rc1(10-25)、tilelang-musa v0.1.15+musa.1(09-30)。
  • バージョンに関連する構造側の観察:#3490、#3605 の2件の CUDA プリミティブが直接メインブランチに入り、#3903(プロセス並列コンパイル)、#3897(CPU 側 cumsum/cummax)は依然として審査中であり、0.1.16 の機能面がまだ収束ではなく厚みを増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

  • PTO 実行バックエンドの世代交代(#3516、11-11 マージ、20 ファイル +1549/−182):target="pto" と execution_backend="auto" の組み合わせは tvm_ffi として解決され、共有 host codegen が MakePackedAPI と C host を担当し、昇騰ランタイムは aclrtLaunchKernelWithHostArgs で PTODSL が生成した aibin を起動する。経路は AscendC カーネルと同一である。デバイスビルド側に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設し、PTODSL モジュール全体を一度にコンパイルする(ptodsl → ptoas → bisheng fatobj-link → .aicore_binary の抽出)。キャッシュキーには ptoas パラメータ、ptoas バージョン、CANN の識別情報を一併して算入する。旧経路は execution_backend="pto" として保持され、両者の生成物はビット単位で一致する。検証面には動的シェイプ、マルチデバイスカーネル、cube/vector 混合 GEMM、キャッシュヒットと破損エントリのエラー送出という4組の新規テストが含まれる。
  • AutoSchedule の周期下限の厳格化(#3776、1 ファイル +20/−1):従来は固定の下限から二分探索を始めていたが、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使用し、リソースクラスタ界はペアで衝突するタスクを残余値でソートした後、隣接差と先頭末尾差から周期がクラスタ内起動間隔の総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 ceil(wait/d) を逆算し、バージョン依存距離は num_stages で換算する。Ascend 950PR、CANN 9.3.0 週バージョンでの実証では、昇騰サンプルはすべてコンパイルが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。追加の下限探索は導入しておらず、スケジューリングモデルも変更していない。
  • クロスコア同期にバッチスケジューリングを強制してデッドロックを防止(#3614、5 ファイル +102/−1、うち 78 行が回帰):mode=0 は「使用可能なコアがあれば起動」、mode=1 は「オペレータが必要とする全コアリソースが揃ってから全体を起動」である。全コア同期を行うオペレータが通常モードで起動すると、一部のコアしか得られないまま全コアバリアで待機し、その待つコアは別のストリームに占有されている——リソースが循環し、デバイスがハングする。改修は codegen 側で「定数 0 を持つクロスコア同期」を識別した後、自動的に __schedmode__(1) を設定し、このフラグを関数ごとにリセットしてリークを防ぐ。併せてクロスコア set/wait の整数 mode_id を 0/1/2/4 に絞り込み、3つのターゲットのモード集合が一致しないこと(910B/910C は 0/1/2 をサポート、950 で 4 が追加)を明記した。
  • VMI 記述子と論理カバレッジ検証を一括で収束(#3894、6 ファイル +925/−550):typed view の gather/scatter と単一要素ロードの2形態が記述子構築時にベースアドレスとストライドを誤って取得する問題を修正。同時にフロントエンドの冗長な論理カバレッジ拒否を削除——検証の削除は緩和ではなく、共有メモリ検出器の修正(#3805)が完了したためであり、フロントエンドで再び阻止すると行跨ぎ、転置、動的ビューを誤って拒否してしまう。
  • CUDA 側に2組の命令レベルプリミティブを追加(11-10 マージ):#3490(6 ファイル +185/−1)は L1 プリフェッチ、uniform L1 プリフェッチ、L2 プリフェッチを追加し、退避優先度を一等パラメータ EvictPriority とした(デフォルト、通常退避、優先退避、最終退避、変更なし、非割当の6段階)。非デフォルト優先度は計算能力 8.0 以上を要求する。#3605(7 ファイル +203/−1)は T.clamp_symmetric(x, limit) を新設し、SM86 以上で FP16/BF16/FP32 を統一的に [-limit, limit] にクランプし、符号付きゼロと非正規数を保持し、いずれかのオペランドが NaN の場合は規範 NaN を返す。実装は直接単一の min.NaN.xorsign.abs に落とし込み、SASS における3種のスカラ形態とパック形態の出現を検収証拠とする。
  • TIRx 側の2件の先手強化(11-11 レビュー中):tile-ai/tvm の #94([Fix][TIRx] Make ceildiv exact for signed divisors)と #93([Arith] Guard negative scales in canonical split div/mod)は同一問題の両端を修正する——符号が整除と剰余の正規化に進入すると書き換えの前提が成立しなくなる。同日メインリポジトリに #3937(ネストした floor division が負の乗数で誤った整数を生成)が新規オープンされ同じ箇所を指すが、違いは #3937 がユーザー側の再現、#93/#94 がコンパイラ側の先手である点である。

正確性と欠陥修正

  • 静かな誤コードが依然としてメインリポジトリで最も重い類型:11-09 号で新規に開かれた issue 群は「計算を誤るがエラーを報告しない」問題に集中している——#3842(warp specialization を有効にすると、pipeline の 2 ラウンド間の変数更新が consumer ブランチでのみ有効になる)、#3870(コピーされた並列ループ内で fragment のアトミック操作と読み書き変更が各コピーでそれぞれ 1 回ずつ実行される)、#3871(tvm_ffi 呼び出し終了後に呼び出し側のデバイスを復元しない)、#3877(NVRTC パスで単一パラメータ kernel が起動できない)、#3881(cython パスで動的共有メモリが 48 KB を超えると 2 台目のデバイスで失敗する);CuTeDSL の符号なしセマンティクスが連続 3 件(#3874/#3875/#3876)で、前の調査期間の #3808、#3800 と同型。
  • CuTeDSL の機能カバレッジと正確性の境界が逆方向に開く:#3685 は一度に 63 ファイルを補完(+7075/−394)し、warp vote、ブロック述語バリア、明示的幅のロード/ストアとキャッシュヒント、TMA と cluster コピー、SM120 ブロックスケーリング MMA と NVFP4 GEMM の例を含み、ついでに warp specialization 下で pipeline の前に挟まった T.fill が毎ラウンド再実行される古い問題も修正した;同期の欠陥はすべて境界上にある——マルチストリーム並行下の grid barrier(#3868、cooperative launch ごとの grid workspace 内の barrier ワードに変更)、符号付き整除(#3551、arith.divsi セマンティクスに従って tl.truncdiv を発行するよう変更)、符号なしアトミックと符号なしバッファ。
  • Metal はオペレータ補完から正確性境界の補完へ転換:#3907 は静かな範囲外アクセスを報告——8x8 の metal.simdgroup 行列を 8x1 の出力にコピーする際、コンパイラが行ストライド 1 の完全な simdgroup_store を発行し、出力以降の 7 要素を上書きする(Apple M4、tvm_ffi、コンパイルキャッシュ無効、予備ストレージをセンチネルとして検出)。修正 #3912 はランタイムチェックを追加せず、各 SIMD-group ストアの発行前に算術アナライザーが完全な 8x8 フットプリントが同時に宛先バッファと要求領域内に収まることを証明することを要求し、証明できなければ lower 期に読みやすい ValueError を投げる。
  • 昇騰 PTO の構造的制限:#3901 は同一カーネル内で複数の明示的 Cube/Vector 領域を宣言すると重複物理セグメンテーション違反が発生すると報告、まだ修正 PR はない;#3909 は #3802 で CUDA 側に確立した host-mapped バッファ契約を昇騰に拡張(14 ファイル +529)、これまで Ascend kernel は一律 CPU テンソルパラメータを拒否していた。
  • CUDA 側の新規 issue 3 件はそれぞれ代表的(11-12):#3988 は fp16 T.gemm が M=1、K が奇数のときパイプライン cp.async を通ると依然として不正な 2 バイト転送を発行すると報告、0.1.15 と主干の両方で再現可能、一方 #2365 で当初修正したリグレッション形態は通過している;#3987 は tl.LayoutInference と tl.LowerTileOp の所要時間が T.Parallel 内で再利用される部分式に対して指数関数的に増加すると報告(対応修正 #3997 は既にキューにあり、同じリグレッションが 34.89 秒、10 秒のコンパイル上限超過から通過に変化);#3996 は T.Pipelined に明示的な order/stage がありコピーが fragment 経由のとき「Fragment buffer access with non-zero index [1]」と報告するが、そのインデックスはユーザープログラムには存在しない。
  • TileFoundry の価格設定偏差がオペレータ側から繰り返し突き返される(11-10):#318 は要素ごとの clamp で H200 上で配置価格設定を行い、CTA グリッドが 1 波を超えた後に分割入力のフットプリントが波数で乗算されることを指摘し、同じ挙動が 4 件のクローズ済み issue で報告され、いずれも not planned と标记され、現在のビルドでも再現すると注記;#319 は 4096×7168×16384 の常駐 SM90 NT GEMM を並べ、一度に 5 つの発見を提示、最も硬いのは check --help が bf16 には 8 ビットの明示的尾数、丸め境界 2^-9 があると述べるが、bf16 は実際には 7 ビットの明示的尾数、単位丸め 2^-8 であり、それに基づいて導出された rtol は本来の値の半分に過ぎない。アナライザーの価格設定は 26% 偏る(962.1 対 1213.6 GFLOP)が、単一オペレータを遅くすることはなく、自動スケジューリング選択が境界グリッドで系統的に誤選択させる。

CI、テストとツールチェーン

  • CI フィードバックループの2か所の改修:#3911(1ファイル +2/−2)は labeled/unlabeled の2種類のイベントをトリガーから削除した——CodeRabbit は新規 PR に一度に複数のラベルを付けるため、以前は数秒以内に全く同じ全量 CI 実行が複数回発生し、並行グループによって1つずつキャンセルされていたが、PR ラベルを読み取る CI ジョブは存在しなかった。同じコミットで ROCm runner のウォッチドッグをワークフロータイムアウトより上に引き上げ、AMD ジョブが40分で強制終了されなくなった。
  • 昇騰の日次テスト規模が3060項目に拡大:11-09 期の4つのレポートは3032項目全通過(#1993)と3060項目全通過2件(#1995、#1996)、他にワークフロージョブ層の失敗が1件(#1997、テストケース失敗ではない);11-11 07:58 に3060項目全通過(#2003);11-10 11:38 に3060項目全通過(#2001)。テスト規模が3060項目に拡大した一方でマージは複数の調査期間連続でゼロであり、ボトルネックは開発ではなくレビューにある。
  • アラート重複排除の欠落:11-12 の #2006(10:23)と #2010(15:48)は同じ workflow run 43124767679 を指しており、両方のステータスが「テストでエラー発生」であることは、アラートの重複排除が run 番号で行われていないことを示す。11-11 の3060項目全通過と対照すると、本件は「昇騰リポジトリの CI に当日1回の失敗があり、重複報告された」としか記録できず、失敗リストはまだ読み取り不能である。
  • キャッシュヒットパスの欠陥:#2002([Bugfix] Restore adapter library path when loading cached kernels)がレビュー中で、キャッシュからカーネルをロードする際に adapter ライブラリパスが復元されない問題を修正するもので、「初回実行は正しく動作するが、2回目にキャッシュからロードするとライブラリが見つからない」というヒットパス上でのみ発生する問題に属する。

3. マルチバックエンド適配

昇騰(tilelang-ascend と PTO)

  • リポジトリ側のペース:デフォルトブランチ ascendc_pto は 11-06 の7コミット以降、11-09 から 11-12 までの4つの調査期間でマージゼロであり、レビュー待ちキューは増え続けている(11-09 期20余件、11-10 期15件、11-11 期9件、11-12 期10件以上)。
  • レビュー待ちのテーマは「オペレータの追加」から「ツールチェーンインターフェースとセマンティクスの一致性の補完」へ移行している:#3892(AscendC と PTO の torch.compile サポート)、#3893(L0C から GM へのコピーで int32 アキュムレータを直接逆量子化)、#3891(aclrtDeviceL2CacheFlush で benchmark の L2 をフラッシュ)、#3894(PTO VMI descriptor の修正);オペレータ側は #1970(PTO と AscendC の2ラインでマルチヘッド Gated MLA フォワードを補完)、#1994/#2004/#1952(fla_chunk の inter、intra、intra_token_parallel の3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 にアップグレード)。
  • 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中:#1558(rms_norm、20例 cann-bench)、#1748(NMS、20例)、#1607(GroupNorm、20例)、#1677(sin/cos のドキュメント文字列とテスト)、#1732(2つのバックエンドが in-place をサポートする T.tile.silu/sigmoid)。
  • 11-09 期にマージ済みの7コミットは引き続き ascendc_pto 上にある:#1949 テンソルシフト量、#1959 PTO bitwise_xor uint8 workspace 形状、#1866 Chunk O フォワード、#1802 Chunk O バックワード、#1869 Sparse MLA Forward の SeeSaw、#1953 fla_chunk_o サンプルとテスト、#1990 日次テスト CI 通知受信者。

海光(tilelang-hygon)

  • #36 分散三種セットは 11-12 16:20 に distributed ブランチへマージされ、main ではない:Block-Push の GEMM+AllReduce、Block-Push の GEMM+ReduceScatter、Block-Pull の AllGather+GEMM、6 ファイル +2022/−0、性能データと実装説明は README に記載;どのパス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する。main と v0.1.15-release は同じ参照であり、distributed は既に単独で 11-03 の signal プリミティブ、10-29 の push-wave reduce-scatter サンプル、および本期の三種セットを歩んでいる。
  • #37([HCU] Support ds_read_vector Alt2 and inferred LDS layouts)は 11-12 11:21 に起票され、ds_read_vector の第二のエンコード形態と、制約から導出可能な LDS レイアウトを補完し、11-06 にマージされた #34(reduction 側の XOR shuffle とレイアウト制約伝播)と同じライン上にある。
  • tilelang-tileops-fix ブランチは 11-12 15:41 から 21:14 までに十筆を着地:hipRAND 乱数、cache_warmup 組み込み、buffer loads rebase、実行時 trip count 下の末尾展開、8 ビット整数ベクトルブロードキャスト、cos/sin 組み込みディスパッチ、shuffle lowering と full-wave shuffle リダクション、さらに __builtin_bit_cast のサイズ不一致、fp64 切り捨て、hexp の曖昧性という三筆のコンパイル時修正。これら十筆はすなわち長期間審査中の #27([Fix] Fix intrinsic lowering, precision, and integer vector codegen)のブランチ内容である——海光側は現在「一つの長期 PR が一つの開発ラインを担う」形態となっている。
  • 11-09 期には既に二筆の単卡能力がマージ済み:#33 scaled cast、#34 reduction の lane swap とレイアウト推論;同じウィンドウで #35 はアーキテクチャ級の問題を報告——K500SM_AI(gfx928)は HCU_MCPU_SET 内でサポートが宣言され、determine_target("auto") でも認識できるが、src/hcu/ の C++ 側には gfx928 分岐が概ね存在せず、ゆえに「サポート宣言、実際にはコンパイル不能」;報告者は gfx928 に FP64 がなく、一部の Matrix Core 命令と INT4 もないことを指摘している。
  • リポジトリには現在 15 のブランチが存在:feat/hcu-* 系列が六本、distributed が一本、tilelang-tileops-fix が一本であり、作業面は命令、通信、オペレータ互換の三層をカバーしている。

mlir-ascend(MLIR 改写路線)

  • harness ブランチに1日で3件のコミットがマージされ(11-12)、合計 +7632/−24、64 ファイルの変更、いずれも main にも master にも反映されていない:#220(14 ファイル +1014/−12)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、同一実行の dump で GET/RLS イベントを補完、npusim SQLite をエクスポートしてタイムラインを作成、既存 38 項目のテストが WSL 上ですべて通過);#221(45 ファイル +5178/−12)オペレータ設計ガイドのインストール可能版(段階分解、SIMD/SIMT の選択、ストレージ予算、タイルパイプライン、Cube MFU と条件付き Roofline 計算機を付属、さらに上流の TileLang Skill 資料 9 点をスナップショットとして別途保存しオフラインで読めるようにした);#226(5 ファイル +1440/−0)BMM と w4a8 の Gemm 量子化サンプル、同じバッチで conv サンプルも別途追加。
  • #222(5 つのワークフローファイル +7/−9)10:27 に master へマージ:各ワークフローファイルの on: ブロックのみを変更し、PR ゲートを「クリーンコード lint + Ascend 950 の AscendC 一本線」に絞り、その他の自建 NVIDIA、AMD gfx942、macOS のレッグはすべて撤下。下流への意味は、このリポジトリの受け入れベースラインがこれ以降ハードウェア 1 世代のみとなり、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ことである。
  • TL 方言に1日で5つのオペレータを追加(11-12 17:49 から翌日 05:45):#228 tl.xor、#229 tl.pow、#231 tl.print、#232 tl.sort、#233 tl.reshape、いずれも #203 で導入された TL_BinaryOp<...> 基底クラス上に構築され、#218(and)と #225(or)のテンプレートに倣って展開。役割分担として tl.reshape は純粋なビューオペレータ(宛先オペランドを持たず、memref.reinterpret_cast に落ちる)、tl.sort は hivm.hir.vsort に、tl.print は hivm.DebugOp に落ちる。
  • 11-10 期 #217(4 ファイル +140/−16)が harness ブランチへマージ:hot 知識の記録時に証拠スナップショットを同時保存、同一承認番号で異なるエントリを承認することを禁止、cooled 知識を一時ワークスペース外に保存、知識ディレクトリに破損ファイルが現れた場合に通知し閲覧継続を許可;検証基準は 25 項目の CPU テスト通過。11-11 期 #219 が harness へマージ、#223/#224 はクローズ、#225 は同一内容で再提出(ローカル ctest 14/14)。
  • 方言の補完の意義はカバレッジにある:MLIR 路線は上流 TIR のすべての一般的なオペレータを受け止められる必要があり、1つ欠ければ TIR 層で回避するしかなく、回避した箇所が本流リポジトリとの動作分岐点となる。

沐曦(tilelang-metax)

  • 11-09 期の唯一のプッシュで main を a35f8ddf から 64b52b4b へ進めたが、tip コミットは上流の #3760([Language] Reuse macro transformation templates、committer 日付 11-05)であり、上流同期であって独自の適応コミットではない——これは沐曦が連続4期にわたり独自変更を持たないことを意味する。11-10 から 11-12 の期間内にマージもリリースもなく、直近のプッシュは 11-06(main 上の直近のコミットは上流 main を dev にマージした #162)。

摩尔線程(tilelang-musa)

  • tilelang-musa は期間内にコミットがなく、最終プッシュは 11-10;最新タグは依然として v0.1.14+musa.1(09-11)。ただしエコシステム側ではすでに実用的なツールチェーンに到達している:11-06 の摩尔線程による Kimi-K3.1 Pro Day-0 告知では、移行パスに「MATE オペレータライブラリ、Triton-MUSA、TileLang-MUSA および MTCC コンパイラを通じて、新アーキテクチャの重要な計算パスの移行と接続を完了する」と明記されている。
  • ドキュメント側の2件の変更は記録に値する:#11 は MUSA SDK 付属正式版を v0.1.12+musa.2 から v0.1.12+musa.5 へ進め、C ランタイム要件を glibc 2.28 から 2.34 へ引き上げ(付属の TVM FFI wheel がこの要件を持つ)、さらに SDK 付属パッケージとオープンソース release は2つのチャネルに属し相互代替できないことを明示;#12 は README のインストールセクションを一連のコマンドに集約し(+10/−49)、修正したのは「重複した単一パッケージインストールコマンドにより、ユーザーが TileLang-MUSA のみをインストールし TVM FFI を漏らす」問題。3つのバージョン番号(オープンソース tag v0.1.15+musa.1、SDK 付属 v0.1.12+musa.5、release ページ対照 v0.1.13+musa.1)はそれぞれ照合する必要があり、メジャーバージョンだけを見てはならない。

ROCm(HIP バックエンド)

  • 「1. 今週のニュース」の第3条を参照。7件のうち #3957 の実測前提が最も記録に値する:gfx90a 上で 256×128×32 の fp16 GEMM が 143 個の VGPR と 128 個の AGPR を生成し、占有率 1 となるため、LDS がどれだけ残っていても 1 CU に 1 ブロックしか置けない。#3960 の根本原因は、HIP では uint2/uint4 が構造体であり、ベクタコピーがローカル配列への出入りで memcpy に退化し、SROA 後も配列がスタック上に残ることにある。clang 18 / ROCm 6.2.4 上では、ループをまたいで常駐し、各スレッドが K と V の 2 行分の fp16 フラグメントを保持する場合、各レーンが 80 バイトのスクラッチを消費する。

Metal

  • #3906([Metal] Resolve the auto execution backend to tvm_ffi)と #3804(2D simdgroup fill の領域オフセット)はレビュー中、#3912 は #3907 のサイレント越境を修正。Metal 側は今月すでに3回目の調査期間内登場であり、オペレータの追加から正確性の境界の補完へと移行しており、通常これは誰かが実際に Apple チップ上でおもちゃではない形状を実行し始めたことを意味する。

Sunrise(独立ディストリビューション)

  • バックエンドのディストリビューションブランチ main は依然として 10-23 の fb7d3d62 で停止しており、調査期間内の動きは CI ブランチの作成と削除が1回だけ:18:17:24 に ci/sunrise-0.1.15-1.2.1-r6 を作成し、18:18:44 に削除、間隔は 80 秒。ブランチ名からバージョンの組み合わせが読み取れる:0.1.15 は上流ベースラインに対応し、1.2.1 は 10-19 の候補ブランチ名の 1.2.0 から上がったもので、r6 は6回目の改訂を意味する。このバックエンドは依然としてメインラインに追従しつつ独自のペースで改訂版を出しているが、今期はコミットではなくビルドで止まっている。

RISC-V バックエンドとコミュニティ(特別観察)

  • 4つの情報源が連続6回目の調査期間で変化なし(11-07、11-09、11-10、11-11、11-12、11-13 記録):kubuds/tilelang-riscv-kubuds(TVM バックエンド路線)の2つの kubuds- 接頭辞ブランチは kubuds-riscv-karen fc62939、kubuds-riscv-mahiru 33e0c89 で停止し、main は上流同期のみ。RuyiAI-Stack/tilelang-riscv(MLIR 書き換え、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 で停止し、表内プロジェクトに増減なし。TongmingLAIC/tilelang-tpu(算能 SOPHGO TPU)の main は 303759f、feature/sg2260e-rv-support は 122bc59 で停止。既定の基準により、スクリプト出力が空の場合は「変化なし」と記録し、収集失敗とはみなさない。11-13 期にインデックスページの PR を確認した際に匿名 API のレート制限に遭遇したため、参照の比較のみに縮退した。
  • 4つの情報源以外の Weft ライン(Tianchen-ai/tilelang-weft):上流 tilelang v0.1.15 の fork で、Weft CPU プログラミングモデルを追加——TileLang ネイティブ AST 上に Encoding フィールドとビット層、論理軸とタイルドメイン、Level と段階的スナップショット、有限ビット幅のグループ化 partials と明示的変換、ループごとのパイプライン深度という5種類の作者情報を加え、さらに共有物理 pass のセットで RISC-V と x86 を同時にカバーする(同一ソースコード構造からそれぞれ RVV/IME または x86 SIMD/AMX の実装経路に入る)。11-10 の調査期間内に当該リポジトリで17コミット、ベンチマークリポジトリ tilelang-weft-bench でさらに23コミットがあり、パッキング行デコード(Q1/Q2/Q4_K/Q6_K/IQ3/IQ4)、IME1/IME2 レコードレベル縮小、実行時 K 次元リダクションと動的 rotary 走査に集中。11-11 にリリースタグを weft-parity に変更し、結果表とマニュアルを書き直した。
  • 2つの基準は分けて読む必要がある:11-10 期の旧表は「150 個のオペレータ ID が 553 個のプラットフォームケースを構成し、543 例に外部参照があり、数値チェックは 553/553 すべて合格、参照実装より高速なのはわずか 41 例、SG2044 中央値 0.0580 倍」。11-11 の新表は「553 項目すべてに一致する Triton ネイティブ対照があり、項目ごとに 1.03 倍以下を満たす(SG2044 133/133、K1 137/137、K3 A100 136/136、x86 147/147)、外部参照に対する倍率の中央値は SG2044 1.3598、K1 1.3176、K3 A100 1.6569、x86 1.2917」。飛躍の原因はコミットタイトルに書かれている——「4プラットフォーム共有コンパイラの性能継承」、すなわち被測定対象が「作者手書きプログラム」から「共有 Canonical コンパイラ产物」に変わったのであり、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る必要がある。
  • 対照自体に誤りがあった箇所の開示:K3 の2項目の Q1 対照は以前、保留された Triton Canonical プログラムを使用しており、このプログラムは −128 の負値取得時にオーバーフローしていた——境界入力で −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で再生成した後、両方のフロントエンドの产物が当該入力に合格。履歴の所要時間は triton_historical_us に保持され、修正説明は triton_control_note に記載されている。
  • 技術路線はなお区別が必要:Weft は TileLang ネイティブ AST を早期に自前の Canonical IR へインポートする CPU 路線であり、kubuds- 接頭辞ブランチが継続する TVM バックエンド、RuyiAI-Stack/tilelang-riscv の MLIR Linalg/SCF 書き換えとは同じ実装ではなく、三者を混同してはならない。

4. エコシステムと採用側

TileOPs

  • ペース:5期で33、18、4、0、0件がマージされ、組織全体で最も活発なリポジトリだが、後半2期はメインブランチへのコミットが連続ゼロ(先頭は9bf4bf56、11-10 09:59で停止)、調査期間内の唯一の書き込みは23:17のstatsブランチ更新(chore(stats): refresh manifest stats from 9bf4bf56...)。前回記録した5件のパフォーマンスPR(#2894から#2898)は11-13の期間内に審査中の更新リストに現れず、マージもされず推進もされていないことが分かる。
  • 11-09期33件の機能分布:要素単位とリダクション側は#2869(float32逆数でスレッドあたり2つの16バイトベクトル、1600万行を16のメモリ配置に置くと元々12個がtorch.compileに遅れ、最悪比率0.9917だったが、変更後は一つも遅れない)、#2867(比較行ブロードキャストを2ラウンドに分割、ブロック数を半減、16ビットのneを単一の__hneuに変更、logical_and/orがNaNを偽として読む問題を修正、著者は目標件数を下回ると注記)、#2851、#2862;正規化とアテンション側は#2866(8192幅RMSNormの長い起動を2回読みに変更、各warpで4行256幅)、#2846、#2848/#2854/#2843;GEMMと量子化側は#2863、#2864、#2865、#2853、#2844、#2842;ストレージとプーリング側は#2868(隣接レーンが16バイトint64の位置を交換し、各16バイトストアが32バイトsectorを埋めるように——vgg-blockは元々501760の書き込みで900444個のsectorを発行し、warp終了時にdrainで詰まっていた)。
  • SM89サポート範囲の集中的な補完(11-09期):#2855が通常のFP8可変長GQA kernelを開放(warp specialization実装は引き続きSM90限定)、#2840がprefill sinks、#2845がdense decode sinks、#2841がアラインメントされたFP8 grouped GEMM;これらの変更はSM89(RTX 6000 Ada、L40Sなど)がもはや「CUDAリファレンス実装しか動かない」アーキテクチャではないことを意味する。著者は#2855について「候補は常にTorchより前に実行され、実行順序の効果は制御していない」と自ら声明している。
  • 11-10期18件の境界修正:#2878はK=0の空収縮がSM89でOpNotAvailableErrorを報告(test_gemm.py -m "smoke or sm89"が63 passed 6 failedから66 passed 4 failedに変化);#2876は可変長GQA融合RoPEで回転半幅がパディングされスレッド数で割り切れない場合にハング(新たにsplit_readsを追加し「読み込み+回転」と「書き戻し」を2ラウンドに分割);#2880はfloat32 GLA逆伝播がchunk 64で114688バイト必要、SM89は101376しかないため、dA積算後にdvを組む状態項を98304まで圧縮、勾配はデフォルト順序とビット単位で一致。
  • 性能指標の書き方自体が変化している:#2886(Softmaxの行全体をレジスタに常駐、要素ごとに1回の指数)と#2871(指数を生のMUFU.EX2に置き換え1回の行逆数を追加、新たにexp_shifted_scaledを追加して非ゼロfloat32に丸められる項が正規数であることを保証)は実行命令数が512列で23%減、2048列で21%減、bf16 512列で16.67マイクロ秒対quack 16.35、2048列で62.99対62.21;#2884(RMSNorm 64スレッドブロックでコンパイラにSMの32ブロック常駐上限を要求、さもなければptxasが40レジスタを割り当てH200では24ブロックしか確保できず、短行のwarp稼働率が64%まで低下)と#2870、#2885の3件は共通して「スレッドあたり何レジスタ、SMあたり何ブロック、ブロックあたり何dispatch」という二次パラメータ群を指し示している。
  • 11-11期4件の共有メモリ閉ループ:#2891の順伝播はchunk 128、dim_v 64でwalkの下限が114688必要(dim_v 128では131072必要)、SM89は101376しか与えないため、収まらない場合は98560だけで済むrecurrenceに切り替え;#2890は逆伝播のw/uにreuseスイッチを追加、S、du、Awが最後の読み込み後にdh、v_new、Auのバッファを引き継ぎ、114944を98560まで圧縮、さらに_parallel_live_bytesを計算した後refusalによりSM90でもメインブランチを通ったが実行できない3件の呼び出しを拒否するように;#2889はまずcheck_held_launchをアーキテクチャ別のチェック前に配置、SM89で4つのテストファイルが40通過9失敗3スキップから35通過3失敗14スキップに変化、単一SM90では46項目すべて通過。性能数値は正直に記録:#2891はSM89でFLA chunk_delta_ruleより9%から41%遅く、#2890の逆伝播は1.530ミリ秒対

FLA 1.554 ミリ秒(比 0.98)。

  • 11-12 と 11-13 期の性能 PR:#2895 は K 方向に二分割する W4A16 タイルを 1 対の CTA クラスタに変更し、st.async で相手側の共有メモリに FP32 partial を受け取り、chunked-prefill-tile を 37.3 マイクロ秒から 34.7 に短縮。#2896 はその上に手書きの warp 特化メインループを重ね、31.6 マイクロ秒まで短縮して torch 逆量子化行列積の 1.19 倍に。#2894 は DeepSeek-V3 prefill の stage_scales を 1 から 0 に戻し、上投影 269.3 → 262.0 マイクロ秒、下投影 142.2 → 137.2 マイクロ秒に。#2898 は softmax の 2 CTA クラスタに bar met を付与。#2897 は long-K NT GEMM セレクタに below bar を付与し、「電力の壁の下ではサイクル数を判定基準にできない」ことを定量化――176 幅タイルは DeepGEMM よりサイクル数が 2.7% 少ないが、オペランドのバイト移動が 21% 多く SM に流入するため、より低いクロックで動作する。
  • 夜間キューはすでにボードとして固定化:11-09 期の 3 件の CI 変更がベンチマーク結果を実行可能なキューに変えた――#2849 は性能ギャップキューを wiki の Perf Tracker に書き込み、#2852 は GitHub プロジェクトボードに同期し、#2856 はオペレータが追いついた後に自動で Done に移動。11-11 19:52 に当該リポジトリの wiki の Perf Tracker ページが作成された(夜間同期 1 回に対応)。11-13 04:33 の snapshots ブランチは bench: 9bf4bf56... (run 43264767627) に位置し、基準コミットは現在のメインヘッドと一致するため、この夜にテストされたのは同一の未変更コードであり、連続 2 晩のスナップショット差分は環境変動にのみ由来し得る。

TileFoundry

  • 11-09 期の 5 件のマージのほか、#290(isl 関係を定数積除子上で正確に保ち、スケジューリング解析が整数近似で誤判定するのを回避)と #288(「完了済みの部分リダクション」をコストに計上し、これまで未完了として計価していた偏差を修正)はアナライザ自身の近似を修正するもの。審査中の #292 は CTA を跨ぐ Partial リダクションと split-K スケジューリングをサポートすることを目指し、ちょうど #293 が定義した配置セマンティクスにつながる――#293 は CTA を跨ぐ Partial を割り当て解析内に限定し、リダクション lowering、複数 gmem コピーの実行時読み取り、split-K スケジューリングは #292 に委ねた。このラインがマージされれば、TileFoundry は「1 つのテンソルを CTA ごとに分割し、各自が部分和を 1 つ書き、最後に統合する」という分散 GEMM の一般的な形態を表現できるようになる。
  • 11-10 期のソース規範再編後、zhen8838 は 02:42 の 1 分間に 4 件(#314 から #317)を連続起票し、すべて「コード読解により発見、プログラムによる再現なし」と注記:JIT キャッシュキーは入口関数とトポロジのみを出力し、呼び出し先関数は名前だけが現れるため、2 つの入口テキストが同じで呼び出し先が異なる Module が同じキーを取得してしまう;topology_level が未指定の場合は最初の有効トポロジをデフォルトで採用し、対象のどの階層が max_physical_units を宣言しているかを問わない;深さ 4 未満のループではカーソルをループ本体 1 回分の長さで進め、ループ全体のスパンでは進めないため、ループ後のジョブがループ終了を待たない;passes.md §7.1 にはオンチップメモリの呼び出し先戻り値を呼び出し元バッファにコピーしなければ LoweringError で失敗すると明記されているが、convert_hir_to_tir に対応する拒否実装がない。
  • 11-12 期の 2 件の修正は審査中:#323 はパーサが先頭がゼロのスライスを落とす問題を修正(Mesh で threads[0:16] を layout=(16,) に従って再ラベル付けする際、選択がオフセット 0 から始まると、パーサが新しい mesh を構築するときにスライスを落とし、下沉後に contains ガードを出さなくなるため、その層の各スレッドがこの領域を実行してしまう;一方 with threads[0:1] as writer: と直接書く形態ではスライスが保持され、動作は正しい);#324 は codegen の次元演算を修正(ループ境界が mesh 座標に由来する場合に no codegen handler for DimMul on cuda.Target を報告。共有スカラレンダラは比較を処理するが次元演算は処理せず、3 つの CUDA エミッタがそれぞれ + - * / % 表を維持している)。

topa(自律 kernel 工程パイプライン)

  • 11-09 期の2日間で15件がマージされ、「1ラウンド」をコマンドとして固定化した:topa hunt は wiki から最新一夜のパフォーマンス格差キューを取得し、topa round start <Op> は「1エージェント、1 GPU、1オペレータ」で1ラウンドを開始し、topa round status は各ラウンドのエージェントと PR を表示し、topa review prepare <PR> はチェックリストに従ってレビューを行う。付随する変更には、PR 本文を squash コミットが持つ Summary に限定すること、キューのラウンドに当該オペレータの過去の試行記録を付けること、PR を開く前にチェックリストで diff 全体をレビューすること、round stop --rm で今回の worktree をクリーンアップすること、CI で Python 3.11 と 3.13 の単体テストと ruff を実行することが含まれる。これはコンパイラの変更ではないが、TileOPs の perf PR が2日間で33件に達した理由を説明するものである。

採用者と第三者

  • 公式採用者の2リポジトリは全週プッシュなし:deepseek-ai/TileKernels は 10-14 で停止(2072★)、QwenLM/FlashQLA は 10-30 で停止(755★)。
  • 第三者リポジトリ:Index4NekoMeteor/Tilelang-AttnRes は TileLang で Kimi K3 の Attention Residual アーキテクチャを実装(フォワードのみ、テスト環境 Windows 11 / 9800X3D / RTX 5080);kevin3113/models-tilelang は DeepSeek V4.1 Flash のモデル断片サンプルを置き、そのうち L0 の「Attention 出力 + FFN 前処理」は 7 つの ops-tilelang オペレータを連結して構成される;Atlas-Ascend-Fork/ops-tilelang(10-20 作成、公開リポジトリ88個)は自らを「CANN コミュニティの昇騰 NPU 向け TileLang 高性能オペレータリポジトリ」と称し、11-09 19:57 と 11-12 14:23 にそれぞれ1回プッシュがあり、アカウント名に Fork を含み、tile-ai 組織でも昇騰公式組織でもないため、公式属性はリポジトリ自体からは判断できず、手がかりとしてのみ記録する。
  • Hexagon NPU バックエンド(第三者フォーク):xwhzz/tilelang-hexagon は Qualcomm Hexagon NPU に TileLang バックエンドを追加し、Snapdragon 8 Elite スマートフォンの v79 cDSP 上で開発・検証し、T.copy、T.gemm、T.Parallel、T.reduce_*、T.Pipelined を HVX ベクトルコード、HMX 行列乗算、VTCM バッファ、DMA ストリームにコンパイルし、FastRPC 経由で NPU 上で実行する。LFM2-1.2B は batch 1 でエンドツーエンドで NPU 上を動作し、prefill、decode、サンプリングはすべて TileLang で記述されている;投影は4ビット GPTQ(64列ごとに fp16 scale 1つ)、バインドされた embedding と head は8ビット;デバイス上の WikiText-2 困惑度は 16.68、bf16 リファレンスは 16.29。性能:decode 128 token 80.1 token/s(限界 83 token/s、限界到達率 96%)、prefill 1024 token 176.2 ミリ秒すなわち 5813 token/s(限界 129 ミリ秒、限界到達率 73%)、bench.py の5回実行の中央値を取り、計時は FastRPC 呼び出しオーバーヘッドを含み、分詞と PC 往復は含まない。README にはさらに、このバックエンドとモデルは「メンテナの指導の下で1つの AI コーディングエージェントによって書き直された」と明記され、2026-10-26 から 10-29 の間に75個の PR が提出され、現在のコード、テスト、ドキュメントの8割以上を占める。

5. コミュニティ、チュートリアル、イベント

  • ドキュメントサイト:tilelang.github.io は 11-06 から 11-08 にかけて 6 回の Update docs があり(メインリポジトリの今回の kernel 命名、マルチソースキャッシュ、CuTeDSL サンプルに対応)、リリース日を確認したところ最新のプッシュは 11-11 だった。TileOPs.github.io は 11-09 と 11-10 にそれぞれ 1 回のプッシュがある。TileOPs-nightly の snapshots ブランチは毎晩自動で書き込まれるため、「調査期間内のプッシュ」統計では実際のコードコミットと非常によく似て見える。ブランチによって区別する必要がある。
  • ニュース側は全 5 期でヒットゼロ:Google News の中国語・英語クエリ(「TileLang」「TileLang OR tile-ai」「TileOPs または TileRT」などの組み合わせを含む)を公開日時でフィルタすると、調査期間内はすべてゼロで、最新のヒットは依然として 10-28 の財富号の記事と 10-21 の SemiAnalysis に留まる。Hacker News のヒットはすべて同名のノイズ(Emma リアルタイム動画ペルソナ、Vibe Slopped Cryptography、Senior Pipeline Crisis、LimbaKit、Monoprint、VoxaDub、tag 分類ツール、プロジェクトランキングサイトなど)。arXiv では all:"TileLang" が計 10 件で、最新の 1 件は依然として 11-03 の分離型推論 KV 圧縮論文 v2 である。ニュース側が複数日連続でゼロヒットとなるのは TileLang では常態である。プロジェクトの普及は主に GitHub と開発者コミュニティを通じて行われ、ニュースのインデックスには載らない。
  • 11-06 に摩尔線程が Kimi-K3.1 Pro Day-0 適配を完了:MTT S5000 と MUSA に基づき、3 兆パラメータ・100 万コンテキストの適配を完了し、モデルのロード、サービスの起動、テキスト/画像推論の経路を開通させた。公式の説明には、SGLang-MUSA で上流実装を担い、MATE オペレータライブラリ、Triton-MUSA、TileLang-MUSA、MTCC コンパイラで重要な計算経路の移行を完了したと明記されており、スパースアテンション DSA のインデックス選択、KV キャッシュレイアウト、Prefill/Decode 経路も適配範囲に含まれる。公開報道では検証構成が 6 台のサーバー、各 8 枚の S5000 で計 48 カードとされているが、公告自体はスループットと同時実行数の数字を開示していない。
  • 同日の噂は注記が必要:Foro3D の 11-06 の英語稿は、DeepSeek が華為昇騰 950DT(Atlas SuperPoD)上で約 8 兆パラメータの V5 をゼロから学習する計画があると伝え、ソフトウェアスタックに TileLang、DeepGEMM-Ascend、FlashMLA を用いて MFU を 45% まで引き上げ、調達規模は 16 万枚としている。DeepSeek 公式は V5 計画を公表しておらず、公開で確認できる最新は依然として V4.1 シリーズ(V4.1-Flash と 10-17 の V4.1-Flash-1017)であり、第三者の追跡サイトも V5 を未リリースとしているため、噂として記録するにとどめる。
  • 近隣の技術動向(11-10):Meta のエンジニアリングブログが《How We Built TLX: A Hardware-Native GPU Compiler for Production ML at Scale》を公開した。これは Triton Low-Level Extensions のことで、Triton のブロック型プログラミングモデルの上に明示的な warp-group と cluster レベルの編成を補い、開発者が warp 特化、非同期転送、tensor memory といった実行側の機能を Triton の開発速度を犠牲にせず使えるようにするものである。記事ではすでに本番運用されている 3 つの用途(推薦システム学習、推薦システム推論、大規模 LLM 事前学習)と、10 か月間で Meta 内部のカーネル数が増加した図(Triton カーネル数は約 3.8 倍、CUDA は約 2.0 倍)が示されている。これは TileLang と同じ赛道の別の解法である。TLX は Triton から下方へ明示的編成を補い、TileLang はタイルレベル DSL から上方へ自動スケジューリングとマルチバックエンドを補う。本項目は TileLang プロジェクトの動向ではなく、対照記録としてのみ扱う。

6. トレンド観察

第一に、大改修の後処理は改修期間よりも長く、コストは「もともと合法だったプログラムがもはや合法でなくなる」ところに落ちる。#3512 が PTO のベクトル化と型体系を一緒に置き換えた後、連続 4 つの調査期間がその回帰面を補っている:実行バックエンドのデフォルト変更(11-11)、整数アトミック(11-11、11-12)、明示的 SIMD 並列ループとスカラー cast の事実(11-12)、VMI 記述子(11-12)。これら 4 種類の問題に共通するのは「新機能が間違って計算される」ことではなく、「旧来の書き方がコンパイルできなくなる、または結果が変わる」ことである。コンパイラプロジェクトにとって、この種の回帰の調査コストは新機能のバグよりはるかに高い。エラーの位置は故障と無関係なスカラーやアドレスに落ちることが多く、スタックからは誰が先に誤った仮定を置いたのかが見えない。

第二に、昇騰のボトルネックはすでに「コンパイルできるかどうか」から「宣言と実装が一致しているかどうか」へ移っており、レビュー帯域がこの線のハード上限である。10月の14件の静的欠陥に続き、今週の2波の監査はギャップをパラメータ層からT.simd命令層まで洗い出したが、その形態はほぼすべて「サポートを宣言しているが実装は別の道を辿っている」または「本来拒否すべきなのに黙って通過している」であり、対応する修正PRは十数件が同時に審査中である。tilelang-ascendのデフォルトブランチは4つの調査期間でマージゼロ、審査中キューは却って厚みを増し続け、3060項目の毎日テストはすべて通過している——テストがカバーするのは合法パスであり、非法パスの拒否能力は監査に頼るしかない。真の受け入れは「通過率」から「宣言と実装の生成的な整合」へ切り替えるべきである。HCU_MCPU_SETからバックエンドが必ずカバーすべきアーキテクチャ一覧を生成し、intrinsic登録表からdtype/ビット幅サポートマトリクスを生成するのだ。

第三に、バックエンドマトリクスは「一社独走」から4点同時着工へ変わり、投入の深さは4種類に分かれる。本期のメインリポジトリ8件はすべて昇騰だが、同じ調査期間にROCmは一度に7件をシリーズとして開き、海光は1ブランチで1日10件、Sunriseはリリースパイプラインを走らせ(ci/sunrise-0.1.15-1.2.1-r6の作成・削除に80秒)、Hexagonは個人forkの形でTileLangを携帯電話のDSPへ押し上げた。4つの形態(上流内蔵バックエンド、ベンダー適応リポジトリ、独立ディストリビューション、サードパーティfork)は4つの投入深度に対応し、この分化自体が各ベンダーの依存度を判断する有効な指標になる。ベンダーリポジトリはバージョンに追随し、ディストリビューションはメインラインに追随し、forkは自社ハードウェアに追随する。

第四に、TileFoundryの価格設定ギャップがオペレータ側から繰り返し突き返されており、これは単一オペレータの低速化よりも危険である。#318は同一の挙動が4つのクローズ済みissueで報告され、いずれもnot plannedと標記され、現在のビルドでもなお再現することを明言している。#319は一度に5件を提示し、962.1対1213.6 GFLOPの偏差(26%)を伴う。bf16の仮数口径はcheck --helpとハードウェアの事実の間でまるまる1ビットずれている。アナライザはTileLangの「先に価格設定し、次にスケジューリングを選ぶ」路線の前提であり、価格設定が26%偏ると自動選択は境界グリッド上で系統的に誤選択する。この種のギャップは単一のオペレータを遅くすることはないが、自動化に静かに誤った決定をさせる。

第五に、「agent向けのエンジニアリング化」が規模を伴って現れ始めた。mlir-ascendのharnessブランチは1日で+7632行、内容はスキルライブラリ、シミュレーションtraceフロー、Roofline計算機であり、サービスの対象は「オペレータを書く人またはagent」であってコンパイラ自体ではない。同じ週、Hexagon forkのREADMEはバックエンドとモデルがAI agentによってメンテナの指導の下で書き直されたこと、4日間で75件のPRが現在のコードの8割以上を占めることを明記している。2つの出来事の方向は一致している。TileLangのようなDSLの抽象層はちょうど「agentが正しく書ける」粒度に位置するため、エコシステムは人のためだけにドキュメントを整備するのではなく、agentのためにツールチェーンを整備し始めたのだ。この項目は週次で追う価値がある。

第六に、RISC-Vの4情報源が6調査期間連続で沈黙し、全体の活発度と明らかな対照をなしているが、格差の定量化の方法は今週変わった。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上流はすべて元の引用で停止している。4情報源の外にあるCPU線は11-11に口径を変えた後、553/553がTritonの1.03倍以内に収まるという結論を出したが、同じバッチの用例は前日にはまだ「41例が参照より高速、SG2044中央値0.0580倍」であった。どちらの数字も捏造ではなく、違いは被測定対象が「作者の手書きプログラム」か「共有コンパイラの産物」かにある。真の観察点は、この「同一コンパイラ、2つのフロントエンド」というやり方が逆方向に上流へ入れるか、そしてRVV/IMEパスが4情報源の外のプロジェクトによって先に走通されるかである。停滞は誰もやっていないからではなく、公式の4情報源がまだ「格差を自動発見し、自動検証し、自動で順番待ちする」ループを形成できていないからである。


付録:素材と検証の説明

情報源検証表

情報源 検証結果
tile-ai 組織リポジトリ単位(30 リポジトリ) リリース日 168 時間検証:調査期間内に 12 件をプッシュ(tilelang、TileOPs、TileFoundry、tilelang-ascend、tilelang-hygon、tilelang-mlir-ascend、tilelang-musa、tilelang-sunrise、TileOPs-nightly、tilelang.github.io、TileOPs.github.io、topa)
メインリポジトリ tile-ai/tilelang 5 期のマージ数は 8、1、3、3、5 件;11-12 と 11-13 の 2 期合計 +1903/−617、すべて昇騰;新規 issue は 5 期で順に 50、6、10、35、18 件
TileOPs 5 期のマージ数は 33、18、4、0、0 件;11-13 期に stats ブランチを 1 回更新;メインライン先頭 9bf4bf56(11-10 09:59)
TileFoundry 11-09 期に 5 件マージ;11-10 期 #312 で 1491 ファイルを再編成;11-12 期 #323/#324 は審査中;新規リリースなし
topa 11-09 期の 2 日間で 15 件マージ;issue なし、release なし
tilelang-ascend デフォルトブランチ ascendc_pto は 11-06 以降 4 つの調査期間でマージゼロ;審査中キューは増加し続けている;日次テスト 3032 / 3060 項目は全通過が各期に記録されているが、11-12 に 1 回失敗し重複報告(同一 run 43124767679 に 2 件のアラート)
tilelang-hygon distributed ブランチに #36(+2022)をマージ;tilelang-tileops-fix ブランチは 1 日 10 件;#37 は審査中;#27 は長期にわたり 1 本の開発ラインを担っている
tilelang-mlir-ascend harness ブランチに #217、#219 と 3 件(+7632/−24)をマージ;master に #222 のゲート収束をマージ;TL 方言の 5 オペレータが審査中
tilelang-metax 11-09 期のプッシュは上流同期(tip は #3760)で、自前のコミットなし;最終プッシュは 11-06
tilelang-musa #11(ドキュメント +24/−24)と #12(README +10/−49)をマージ;調査期間内にコードコミットなし;最新タグ v0.1.14+musa.1(09-11)
tilelang-sunrise main は 10-23 で停止;ci/sunrise-0.1.15-1.2.1-r6 は作成後 80 秒で削除
リリースページ(tilelang / TileOPs / TileFoundry / musa) 全週で新規 tag なし:v0.1.15(09-30)、v0.1.0(10-27)、v0.0.4rc1(10-25)、v0.1.15+musa.1(09-30);0.1.16 バージョン番号 PR #3887 は 11-09 03:07 から保留中
採用元 TileKernels / FlashQLA 全週でプッシュなし(10-14 / 10-30)
TileLang×RISC-V 4 情報源巡回 連続 6 調査期間で変化なし;11-13 期はインデックスページの PR インターフェースがレート制限され、参照の比較のみに降格
サードパーティ TileLang–Weft / weft-bench 11-10 調査期間に 17 件と 23 件のコミット;11-11 に weft-parity をリリース、553/553 が Triton の 1.03 倍以内;K3 Q1 旧対照の −128 オーバーフローは開示済みかつ修正済み
サードパーティ Hexagon NPU xwhzz/tilelang-hexagon は 11-10 と 11-12 にそれぞれプッシュ、LFM2-1.2B のエンドツーエンド実行に成功、decode 80.1 token/s、prefill 176.2 ミリ秒
サードパーティ ops-tilelang Atlas-Ascend-Fork/ops-tilelang は 11-09、11-12 に各 1 回プッシュ;公式属性は未検証
Google News(中英語の複数グループ)/ Hacker News / arXiv 5 期ともヒットゼロ;HN のヒットはすべて同名のノイズ;arXiv の最新関連は依然 11-03(調査期間外)
隣接技術動向 Meta TLX ブログ記事が 11-10 に公開、同領域の対照であり、TileLang プロジェクトの動向ではない

完全な情報源リスト

tilelang-ascend 同一 run 重複警告(#2006、#2010)— https://github.com/tile-ai/tilelang-ascend/issues/2010

ang-musa/pull/12>

検証説明

  1. 本期は2026年11月9日から13日までの5営業日、5期のデイリーレポートを対象とする。11-09期は週末をまたぐ72時間の調査期間(11-06 07:00から11-09 07:00まで)、残りの4期は24時間で連続している。11-09期と前回のウィークリーレポート(11-06 07:00まで)は重複しない。
  2. マージ数、レビュー中数、新規issue数は、各期デイリーレポートに記録されたGitHub検索の真値(is:merged、is:open、created)を情報源とし、リポジトリごとのメインブランチのコミットとクロスチェックした。11-09から11-12期は組織レベルのカウント、11-13期はメインリポジトリのカウントである(当該期には別途mlir-ascendのharnessブランチに3件あり、これは計上していない)。
  3. 非デフォルトブランチへのマージは本文でコミットごとにブランチを明記した。hygon #36はdistributed、hygon tilelang-tileops-fixブランチ10件、mlir-ascend #217/#219/#220/#221/#226はharness、mlir-ascend #222はmaster、TileOPs statsとTileOPs-nightly snapshotsが各1件——これらのリポジトリのmainは該当期間内にコミットがゼロであり、ブランチ指定で検索しないと確認できない。
  4. 性能とメモリの数値はすべて各PR本文の表とResult:行から取得し、二次換算は行っていない。目標未達項目(below bar)および比較実装より遅いケース(例:#2891はSM89でFLAより9%から41%遅い)は原文のまま保持した。
  5. サードパーティのWeft系列の2種類の基準は別々に記載し、切り替え理由を説明した。旧表(41例が参考値より高速、SG2044中央値0.0580倍)は新表(553/553、中央値1.29から1.66)と混用しない。K3の2項目のQ1比較における旧Triton成果物が−128の負値取得時にオーバーフローした件は、ベンチマークリポジトリの開示記録に基づく。
  6. ニュース側は5期すべてゼロヒットであり、外部報道による今週のプロジェクト進展のクロス検証はできない。摩尔線程のDay-0の1件は公式発表の転述によるもので具体的な移行経路を含み、Foro3Dの1件は二次転述でありDeepSeek公式はV5計画を公表していないため、レポートでは噂として注記した。
  7. 収集側の制約:今週は複数の期間でGitHub匿名APIのクォータが早期に枯渇したため、PR本文とマージ詳細の一部は検索インターフェース、ブランチレベルのatomストリーム、diffエンドポイントで補完した。一部のPRのファイル数と行数はインターフェースの戻り値であり、diffの行単位の再確認は行っていない。RISC-Vの4情報源巡回は11-13期にインデックスページのPRインターフェースのレート制限により、参照の比較のみに降格した。
  8. 本レポートにはローカルパス、プロキシアドレス、内部ネットワーク情報は一切含まない。すべてのリンクは公開アクセス可能なアドレスである。