调研窗口：过去 24 小时（2026-09-16 19:23 ~ 2026-09-17 19:23，北京时间；本任务为每日 07:00 定时的首次试运行，判定改在当日傍晚执行，窗口仍按 24 小时取） 信源：GitHub（tile-ai 组织 28 个仓库 pushed_at 全量核查，窗口内 9 个仓库有推送；tilelang、tilelang-ascend、tilelang-metax、tilelang-hygon、TileOPs 等仓库窗口内提交逐条复核，关键 PR 说明与基准数据核对；分支与标签元数据交叉验证）、第三方适配与采用方仓库（tilelang-mlir-ascend、tilelang-musa、TileFoundry、TileRT、deepseek-ai/TileKernels、QwenLM/FlashQLA）、Google News RSS 中英文多组查询（走代理）、Hacker News、arXiv、华为全联接大会 2026 现场报道（详见附录信源清单）

本期索引

  • 今日重点：T.gemm_blockscaled 进入主仓——分块量化 GEMM 有了统一入口（09-17）
  • 一、核心项目进展
    • 1.1 主仓新增 T.gemm_blockscaled 与后端选择器，分块量化不再静默降级（09-17）
    • 1.2 原子向量宽度改由目的地址规划，嵌入反向等内核提速 1.4 至 2.5 倍（09-17）
    • 1.3 原子加在非连续目的地址上保持标量，修掉一类静默写错与地址未对齐崩溃（09-17）
    • 1.4 JIT 补 uint64 参数类型映射，Cython 与 NVRTC 宿主包装器对齐（09-17）
    • 1.5 TileOPs：MoE 索引小路由专家路径，H200 上对标 vLLM 全面领先（09-17）
    • 1.6 TileOPs：内核选择与构建分派重构，四处算子参数迁入构造函数（09-16/09-17）
  • 二、多后端适配（昇腾 / 沐曦 / 海光 / 摩尔线程）
    • 2.1 昇腾：NSA 前向与其变长版本同日入库，910B3 上进入 20 微秒量级（09-17）
    • 2.2 昇腾：动态量化、RMSNorm 融合与 RoPE 示例补齐算子面（09-16/09-17）
    • 2.3 沐曦：MACA 异步拷贝 GEMM 支持入库（09-17）
    • 2.4 海光：HCU 后端 rebase 多级存储与缓冲存储，流水改走 prefer_async（09-17）
    • 2.5 摩尔线程：MUSA 5.3.0 文档补入回移植分支（09-17）
    • 2.6 产业侧：华为全联接大会 2026 公布昇腾 960 与 Atlas 960 超节点进展（09-17）
  • 三、生态与采用方
    • 3.1 tilelang-mlir-ascend：TileOPs 多头注意力算子与自适应 LayerNorm 合入（09-16）
    • 3.2 采用方仓库窗口内安静：TileKernels、FlashQLA、TileRT 均无推送
    • 3.3 第三方：TileSight 性能分析技术路线文档公开（09-17）
  • 四、社区、教程与活动
    • 4.1 文档站随主仓持续同步（09-17）
    • 4.2 学术与教程线：ICLR 2026 论文与 Hugging Face 内核教程（背景，窗口外）
  • 五、趋势观察
    • 5.1 国产四家后端同日并行演进，适配从单向跟随转为同步推进
    • 5.2 主仓两条线并行：新硬件分块量化能力与既有内核性能回补
    • 5.3 TileOPs 的定位正从算子库转向可与推理引擎对表的生产级算子层
    • 5.4 本窗口的空白与风险点

今日重点：T.gemm_blockscaled 进入主仓——分块量化 GEMM 有了统一入口

日期：2026-09-17　来源：tilelang #3237 分块量化 GEMM 语义与后端分派

本窗口主仓最重的一笔改动是把「分块量化 GEMM」（block-scaled GEMM，即 MXFP8/MXFP4 一类按块共享缩放因子的低位宽矩阵乘）从散落在各后端的特例，提升为语言层的一个正式算子。改动引入 GemmBlockScaledNode（实现于 src/op/gemm_blockscaled.{h,cc}）与语言侧的 T.gemm_blockscaled，语义写作 C (+)= (A * SFA) @ (B * SFB)，即缩放因子作为算子的一等输入，而不是让调用方在外部手工折算。

它同时修掉两个此前会静默出错的路径：其一，SM100 上的单 CTA 分块量化 GEMM 有可能命中只该 SM120 走的指令选择分支；其二，不具备分块量化能力的后端会把它当作稠密 GEMM 降级执行，缩放因子被直接丢弃——结果能跑通、精度是错的。现在分派改走专用的后端选择器，落在 cuda.tcgen05.blockscaled（SM100 线）与 cuda.mma.blockscaled（SM120 线）两条实现上，并保留 mbar、use_2cta、sf_layout 等参数入口。作者在 SM100 级设备（sm_103）上本地验证，覆盖 1D1D 布局的 MXFP8 分块量化示例与 tcgen05 INT8 GEMM 断言，并明确标注 SM120 侧的执行路径未在本地验证。

与它同日合入的 #3238 是另一条线上的对偶动作：不新增能力，而是把此前一次改动引入的性能回退收回来——详见 1.2。两条并读，主仓当前的节奏是「加新硬件路径」与「补既有内核性能」同时推进。

一、核心项目进展

窗口总览：tile-ai 组织 28 个仓库中，窗口内有推送的为 9 个：核心仓 tilelang，国产后端 tilelang-ascend、tilelang-metax、tilelang-hygon、tilelang-musa，算子库 TileOPs 与其站点 TileOPs.github.io、TileOPs-nightly，以及文档站 tilelang.github.io。按窗口内提交条数计，tilelang-ascend 6 条最多，tilelang 4 条、TileOPs 3 条、tilelang-metax 2 条、tilelang-hygon 1 条；tilelang-musa 的推送落在回移植分支而非默认分支，故默认分支上无窗口内提交。

1.1 主仓新增 T.gemm_blockscaled 与后端选择器，分块量化不再静默降级（09-17）

日期：2026-09-17　来源：tilelang #3237

详见「今日重点」。补两点实现侧细节：一是分块量化 GEMM 已从 GemmImpl 拆出、按后端单独注册，稠密 GEMM 与分块量化 GEMM 各走各的实现槽位，避免再次出现「某后端把它当稠密算子处理」的路径混淆；二是 tl.gemm.infer_layout 与 tl.gemm.lower 两个共享入口被要求严格接收 13 个位置参数，使新增算子必须显式声明完整接口，而不是靠默认值蒙混过关。该 PR 标题带「Do not review」前缀、由核心维护者自合，合入时携带 19 个提交。

1.2 原子向量宽度改由目的地址规划，嵌入反向等内核提速 1.4 至 2.5 倍（09-17）

日期：2026-09-16 至 2026-09-17　来源：tilelang #3238

动态形状会在车道索引外引入 int64 转换，此前的向量化判定只认未化简的 Ramp 形式，遇到「广播基址加 int64 车道偏移」这类等价写法就把整个循环标量化——明明访问的是四个对齐连续元素，却退化成逐元素执行。修复把判定改为依据目的地址（elem_offset、IndicesCanVectorize、AtomicTargetIsContiguous 三处协同），并以 c6ece48 为基线给出同卡三次测量的中位对比：嵌入反向 N=8192/H=4096/V=129280 从 97.90 微秒降到 56.01 微秒，N=196608/H=256/V=3000000 从 146.87 微秒降到 82.70 微秒，另一档从 86.62 微秒降到 49.87 微秒，序列辅助计数与求和从 18.40 微秒降到 12.17 微秒；回归基准里 example_gqa_bwd_tma_reduce_varlen 拿到约 27% 的相对提升，其余用例波动在 0.5% 至 1.5% 之间。这是一次典型的「编译器改写规则影响真实推理性能」——受影响的嵌入反向与变长注意力反向都是大词表推理的常驻内核。

1.3 原子加在非连续目的地址上保持标量，修掉一类静默写错与地址未对齐崩溃（09-17）

日期：2026-09-16　来源：tilelang #3219

与 1.2 同源的另一处向量化缺陷：T.atomic_add 的目的地址若是向量边界内不变的表达式（如按 i 除以 2 索引、或常量下标），旧逻辑只看数据类型选宽度，把一个「所有车道写同一格」的语义编译成一条宽原子加，结果是相邻元素被静默写坏；基址为奇数时直接触发地址未对齐崩溃。修复新增 CanVectorizeAtomicTarget 前置判定，覆盖 address_of、tl.access_ptr、tvm_access_ptr 三种目的地址形态，非连续或未对齐一律退回标量。这个缺陷影响面不小——T.Parallel 配 T.atomic_add 是 GEMM split-K、注意力反向、层归一化的常用写法，且既有测试用 N 等于线程数的配置刚好绕过了它。

1.4 JIT 补 uint64 参数类型映射，Cython 与 NVRTC 宿主包装器对齐（09-17）

日期：2026-09-17　来源：tilelang #3229

宿主侧包装器此前缺 uint64 的类型映射，遇到该类型参数直接报「不支持的 dtype」。修补后 Cython 与 NVRTC 两条宿主路径都能处理 uint64 实参，与设备侧的 uint64_t 声明对齐。属于小口子、但不补会在大整数索引与位运算类内核上直接撞墙。

1.5 TileOPs：MoE 索引小路由专家路径，H200 上对标 vLLM 全面领先（09-17）

日期：2026-09-17　来源：TileOPs #2141

算子库侧本窗口最有分量的一条。改动为共享融合 MoE 增加了索引式小路由专家路径：当路由分组稀疏、单专家实际收到的 token 很少时，改用按索引聚合的执行方式，避开大分组下的低效路径。公开接口不变，不支持的设备与形状、大路由分组、以及未验证的激活与布局组合一律保持既有回退。作者在 H200 上用 BF16、top-8 sigmoid 路由加修正偏置、CUPTI 设备占用计时并做 L2 冲刷，与 vLLM 对比三套模型：GLM-4.5 在 4096 token 档领先 25.85%，DeepSeek-V3 同档领先 16.03%，Kimi K2 领先 8.65%，小 token 档也普遍占先。基准自身也被重建（此前基线不可信），并给出 FusedTopK 至少 49.3%、PermuteAlign 至少 59.6% 的整组提升；对照数据说明路由为固定种子的合成路由而非真实 checkpoint 轨迹，属如实披露。

1.6 TileOPs：内核选择与构建分派重构，四处算子参数迁入构造函数（09-16/09-17）

日期：2026-09-16 至 2026-09-17　来源：TileOPs #2146、TileOPs #2145

结构与 1.5 的性能改动同日发生，属同一轮内部整理。一是分派模型改为「先选出内核、再问它怎么构建」（Op.kernel_for / Op.entry_for），GEMM 家族全部改走选中的类分派，不再由调用点判断；二是四处原本按调用传参的算子把参数移到构造阶段，其中 MHP 前向若有外部目标首次调用会直接抛属性错误、分页预填充算子持有一个构造时从未赋值的序列长度字段，均属真实缺陷；另把六个算子的输出类型参数统一改名为 out_dtype，FP8 GEMM 与其批量版本改收 torch 数据类型而非字符串。作者明确本次未改内核主体与生成代码，因此不作性能主张，价值在于消除「选择时读一个设备的架构、构建时读另一个设备」这类漂移。

二、多后端适配（昇腾 / 沐曦 / 海光 / 摩尔线程）

本窗口的形态是四家国产后端同日在场：昇腾 6 条提交、沐曦 2 条、海光 1 条、摩尔线程 1 条（回移植分支文档）。这是本日报自采集中少见的密度——四家在同一天都有实质动作，而非各自错峰。

2.1 昇腾：NSA 前向与其变长版本同日入库，910B3 上进入 20 微秒量级（09-17）

日期：2026-09-17　来源：tilelang-ascend #1699、tilelang-ascend #1700

两条都落在昇腾专仓的 ascendc_pto 分支上，四分钟内先后合入（北京时间 11:44 与 11:49）。#1699 是原生稀疏注意力（NSA）前向算子：以开发者模式的混合写法实现，编译器自动切分 Cube 与 Vector 作用域、自动插入跨核同步标志，无需手写全局屏障、作用域声明或手工标志位；黄金配置下任务耗时 19.62 微秒，精度分层测试 27 例全过，最高绝对误差 1.95e-03。#1700 加上变长序列支持，单内核前向、持久化网格、四段流水，910B3 上测试配置耗时 20.34 微秒，21 例分层测试全过，按容差双闸门标准口径给出匹配比例 1.0000。两条一并看，昇腾侧对 DeepSeek 系稀疏注意力结构的覆盖从「有实现」走到「带变长与测试分层」。

2.2 昇腾：动态量化、RMSNorm 融合与 RoPE 示例补齐算子面（09-16/09-17）

日期：2026-09-16 至 2026-09-17　来源：tilelang-ascend #1688、tilelang-ascend #1673、tilelang-ascend #1580

三条示例层改动同时说明昇腾在补「推理链路上的常规算子」：动态量化算子（#1688）经 CANN 基准与在线评测，20 例精度全过、平均加速比 0.78 倍——即精度可用而性能仍落后厂商基线，属如实记录而非胜绩；叠加 RMSNorm 的动态量化融合算子（#1673）与旋转位置编码算子（#1580，覆盖半旋转与交错两种布局，附基准脚本与对标 torch_npu 的精度测试）补上了大模型推理前处理与位置编码两个环节。此外 #1603 为 T.tile.merge_sort 补了接口文档与测试用例。

2.3 沐曦：MACA 异步拷贝 GEMM 支持入库（09-17）

日期：2026-09-17　来源：tilelang-metax #156

沐曦侧为 MACA 平台补上异步拷贝 GEMM 路径，涉及异步内存拷贝原语、屏障指令与异步拷贝完成计数三个入口，使矩阵乘的数据搬运可以走异步流水；同日另有一条测试用例缺陷修复（#157）。对沐曦而言这是「从能跑到跑得快」的一步，因为异步拷贝正是 GEMM 流水重叠的前提。

2.4 海光：HCU 后端 rebase 多级存储与缓冲存储，流水改走 prefer_async（09-17）

日期：2026-09-17　来源：tilelang-hygon 提交 36db42e1

海光侧一条提交触及 19 个文件，动作是 rebase 多级存储（MLS）与缓冲存储的写入路径，并把流水线的拷贝调度改走 prefer_async。新增的缓冲偏移依赖检查器按「按块索引相关」与「按线程索引相关」两类分别判定，再以语法导向的方式把块基址与残余偏移拆开——注释里写明了这里的边界：缓冲注解就是调用方的安全契约，编译器不去做范围证明。这条与沐曦那条方向一致：两家都在把同步搬运换成异步流水。

2.5 摩尔线程：MUSA 5.3.0 文档补入回移植分支（09-17）

日期：2026-09-17　来源：tilelang-musa 分支列表

摩尔线程仓的窗口内推送落在 v0.1.12+musa.1 这条回移植分支上，内容是把 MUSA 5.3.0 的文档补进旧版本线，默认分支无窗口内提交。这条信号偏弱：主线的上一次实质提交是 09-11 的准备公开发布与 09-10 的一批运行时能力（对称 IPC 分配、IPC 与可选虚拟内存管理运行时、DLPack 设备兼容、系统级栅栏），MUSA 侧本期属维护性动作而非新能力。

2.6 产业侧：华为全联接大会 2026 公布昇腾 960 与 Atlas 960 超节点进展（09-17）

日期：2026-09-17　来源：华为全联接大会 2026 现场报道（每经，星岛环球网转载）、昇腾 960 定档 2027 年一季度（网易转载）

昇腾是 TileLang 国产后端里最活跃的一支，其硬件路线图对算子与内核的适配节奏有直接影响，故列一条产业侧动态。9 月 17 日在上海举行的华为全联接大会 2026 上，华为副董事长、轮值董事长汪涛宣布昇腾 960DT 提前至 2027 年第一季度发布、昇腾 960PR 提前至 2027 年第三季度；Atlas 960 超节点单个可实现 4096 颗 NPU 高速互联，依托灵衢架构与 Hi-ONE 光引擎，往返时延最低 2 微秒，并首次应用近封装光学（NPO）光引擎，液冷版计划 2027 年第三季度推出。会上另称超节点累计部署超一千套、服务 370 家以上客户。

作为背景（不在本窗口内）：9 月 8 日 PyTorch Conference China 2026 上，昇腾方面称其已成为 PyTorch 官方支持的第一个中国硬件，并计划与 PyTorch 共建面向超节点的原生软件栈。两条合看，昇腾的软件生态位在抬升，对算子 DSL 层（含 TileLang 昇腾后端）是顺风。

三、生态与采用方

3.1 tilelang-mlir-ascend：TileOPs 多头注意力算子与自适应 LayerNorm 合入（09-16）

日期：2026-09-16　来源：tilelang-mlir-ascend 提交列表

该仓在 09-16 傍晚（贴近本窗口前边界）合入一条「把 TileOPs 的多头注意力算子接进来」的改动，并修复其基准脚本的缺陷；此前一天已补自适应 LayerNorm 内核。该仓同时把 CI 切到昇腾 A3 设备的 runner 标签上——说明昇腾侧不光在写算子，也在把验证搬进真实设备流水线。

3.2 采用方仓库窗口内安静：TileKernels、FlashQLA、TileRT 均无推送

日期：2026-09-17（核查）　来源：deepseek-ai/TileKernels、QwenLM/FlashQLA、tile-ai/TileRT

按本日报的核查清单，采用方与推理侧三个仓库窗口内均无推送：TileKernels 最近一次推送为 2026-04-23，FlashQLA 为 2026-08-26，TileRT 为 2026-08-13。TileRT 已连续五周无更新，是当前清单里安静时间最长的一个。这不构成负面结论，但值得继续跟踪——TileRT 面向的是低延迟推理运行时，长期停更会让「TileLang 生态已进入生产部署」的叙事缺少工程侧的新证据。

3.3 第三方：TileSight 性能分析技术路线文档公开（09-17）

日期：2026-09-17　来源：tilelang4tilesight-doc 仓库

第三方开发者公开了一套把 TileLang 程序与 TileSight 性能分析工具对接的技术文档，内容包括从 Python 与高层中间表示中提取语义、工作量与依赖，接入缓存与流水分析，并以运行时观测生成独立报告与联合预测；文档把性能问题分为流水瓶颈、跨层级搬运异常、缓存利用异常、计算与访存重叠失败、负载不均、模型预测偏差六类，并明确区分模型预测、运行时观测与证据不足三种结论强度，主要讨论平台为 H200。价值在于 TileLang 侧的观测与调优工具链正在被外部补齐。

四、社区、教程与活动

4.1 文档站随主仓持续同步（09-17）

日期：2026-09-17　来源：tilelang.github.io 提交列表

文档站在窗口内有一条自动同步提交（09-17 18:37 北京时间），此前 09-16、09-15、09-12 也各有一次，节奏与主仓合入基本对齐。站点当前版本为 0.1.14，工具区已含编译工具、性能分析器、布局可视化、自动增量调试、中间表示下降追溯与算子剖析等条目。文档站同步属机器人提交，本报告只作节奏记录。

4.2 学术与教程线：ICLR 2026 论文与 Hugging Face 内核教程（背景，窗口外）

日期：2026-04-23 至 2026-05-31（窗口外背景）　来源：ICLR 2026 海报页、TileLang 论文（arXiv:2504.17577）、Hugging Face 教程《Writing High-Performance Kernels in TileLang》

本窗口内 arXiv、Hacker News 与中英文新闻检索均未出现 TileLang 相关新内容，故此处只列窗口外已存在的学术与教程资产，供读者对照：论文声称在 H100 上最高相对 Triton 提速 5 倍、融合注意力内核代码量最多缩减 90%；Hugging Face 上的教程给出了从 GEMM 到多头潜在注意力的完整写法，并记录了一处真实收益——某个此前没有快速路径的模型配置，换成 TileLang 写的即插即用内核后从「直接报错」变为「可上线」。

五、趋势观察

5.1 国产四家后端同日并行演进，适配从单向跟随转为同步推进

昇腾、沐曦、海光、摩尔线程在同一个 24 小时窗口里都有落地动作，且方向高度趋同：都在补异步搬运与流水（沐曦的异步拷贝 GEMM、海光的 prefer_async、昇腾多段流水），都在补推理链路常规算子（动态量化、RMSNorm 融合、位置编码）。这说明国产后端的适配已经不是「等上游出特性再跟进」，而是在同一轮里各自补齐同一组能力。

5.2 主仓两条线并行：新硬件分块量化能力与既有内核性能回补

主仓本窗口的两笔大改动性质相反却同日合入：一边给 Blackwell 世代的分块量化 GEMM 建统一入口与专用分派（避免降级与路径混淆），一边把此前一次改写造成的向量化回退修回来（嵌入反向提速近一倍）。分块量化对应的是 MXFP8/MXFP4 这类低位宽格式在推理侧的普及，性能回补对应的则是大词表推理的常驻内核——两者都不属于「新增算子」型扩张，而是编译器层的稳定性与效率工作，通常比分点算子更能说明项目进入工程成熟期。

5.3 TileOPs 的定位正从算子库转向可与推理引擎对表的生产级算子层

本窗口 TileOPs 同时做了两件事：一是给出对标 vLLM 的整表性能数据（GLM-4.5 4096 token 档领先 25.85%、DeepSeek-V3 同档 16.03%），二是把内核选择与构建分派重构干净、并把不一致的接口参数一次性收口。愿意公开与 vLLM 的逐档对比、并同时承认基准此前不可信，表明它的验收口径正在向生产可用靠拢；昇腾侧的 mlir 仓开始直接接入 TileOPs 算子，则是这套口径开始跨后端复用的信号。

5.4 本窗口的空白与风险点

需要如实指出四点空白：其一，新闻侧 24 小时内在中英文渠道均无 TileLang 本体命中，检索到的同名噪音（数据库产品更名为 Tile.ai、无关的 2048 强化学习仓库）不算动态；其二，采用方仓库（TileKernels、FlashQLA）与推理运行时 TileRT 全部安静，其中 TileRT 已停更五周；其三，学术侧窗口内无新论文；其四，昇腾分块量化之外的国产后端仍以「补齐常规能力」为主，尚无对标厂商基线并取胜的性能数据，昇腾动态量化算子 0.78 倍的加速比就是一例——精度通过而性能落后，需要后续窗口继续跟踪是否收敛。

附录：素材与核查说明

核对方式：所有条目均以仓库提交时间（committer 时间）为准，仓库推送时间与提交时间分别核对；本窗口内新增的提交逐条读过标题与 PR 说明，关键改动另读正文中的验证口径与基准数据；对分支推送仓库（摩尔线程）追认到具体分支，确认默认分支无窗口内提交；对无法取得正文的第三方链接（含部分媒体页）只作存在性引用并在正文中注明其性质。

局限性说明：其一，GitHub 接口在本机采集过程中触发过未认证限流（每小时 60 次），窗口末期对文档站、mlir 仓、TileFoundry、TileRT 的核查改由仓库提交流完成，覆盖仓库数略有取舍，已在正文标注每一步的核查方式；其二，昇腾与沐曦的实测数据来自提交说明与 PR 正文的自述，本机无对应硬件，未做独立复现；其三，产业侧动态来自公开报道，未取得厂商一手公告原文。

信源核查表

信源 核查结果
tile-ai 组织（28 仓库） 窗口内 9 个仓库有推送
提交明细复核 tilelang 4 条、tilelang-ascend 6 条、TileOPs 3 条、tilelang-metax 2 条、tilelang-hygon 1 条
tilelang-musa 默认分支无窗口内提交，推送落在回移植分支 v0.1.12+musa.1
tilelang-mlir-ascend 窗口内无推送，最近一次为 09-16 傍晚（窗口前边界外一小时）
TileFoundry / DeepStack / tilescale 窗口内无推送，最近一次分别为 09-15 / 09-15 / 08-25
TileRT 窗口内无推送，最近一次 2026-08-13，连续五周无更新
采用方仓库 TileKernels / FlashQLA 窗口内无推送，最近一次分别为 2026-04-23 / 2026-08-26
Google News RSS（中英文多组查询） 主题词与组件名窗口内零命中；命中的 TileDB 更名与 2048 强化学习仓库属同名噪音，已剔除
产业新闻渠道 华为全联接大会 2026 现场报道两条可用，已收录 1 条
Hacker News 窗口内无 TileLang 相关讨论
arXiv 窗口内无新论文，主论文为既有版本 v2

完整信源清单