報告週期：2026 年 10 月 12 日（週一）至 10 月 16 日（週五），共 5 個工作日、5 期日報素材 素材來源：本刊每日 TileLang 動態日報 5 期（10-12、10-13、10-14、10-15、10-16）；另經 tile-ai 組織 29 個倉庫的 168 小時視窗補充核查、夜間流水線六份快照的測試結果逐份復算與各倉庫釋出後設資料複核（詳見附錄）

一、本週要聞

  • 主倉 ROCm 線連續四日收筆，DeepSeek 新架構核心成為第三收筆線（10-13 ~ 10-14）：10-13 合入 DeepSeek NSA 前向/單 token 解碼的 64 lane 單波實現（#3152，+111/-2）與 flash-decoding 的 LDS/VGPR 預算自適應瓦片（#3149，+82/-5）；10-14 凌晨再合入 mHC（流形約束超連線）前/後處理核心（#3156，2 檔案 +83/-6，HIP 側改在完整 64 lane 波前上分工並把 FP32 混合權重轉 BF16 供 MFMA）與 safe-gated KDA 解碼示例（#3249，+360，含 GLM-5.3-Flash TP8 專用化配置）；10-14 另有 cumsum/cummax 的 64 lane 段寬修復（#2326）。四筆共同指向「按裝置現實自適應」：gfx942 波前尺寸、MFMA 輸入型別、LDS/VGPR 預算逐項清償，ROCm 支援從「跑通」轉入「與新架構釋出同步」。

  • 昇騰 PTO 由「獨立目標」升為「一等執行路徑」，NSA 雙遷移與回滾紀律同周發生（10-12 ~ 10-15）：10-15 合入執行路由 #3316——target="ascend" 與 execution_backend="pto" 組合經執行感知的目標規範化後直連 CodeGenTileLangPTO，auto 路徑維持 AscendC + TVM-FFI；前置的示例目標選擇 #3474（10-14 合入，移除硬編碼 target="ascend"，CI 對 ascend / pto 雙目標各跑一遍）與本視窗在審的 tvm_ffi 後端、VMI 向量化、SS buffer、部分 L0 複製 pitch 等七筆構成家族。同周 10-12，昇騰 NSA Decode（#1701，+755，28 例分層測試）與 NSA Bwd（#1730，+1593，20 例）合入；10-14 三筆「文件事實核查」PR（#1612、#1676、#1681）因低優先順序預期失敗用例的異常正則不匹配被整批迴滾（#1888 至 #1890），bitwise_rshift 以 重做版 #1893 刪減預期失敗斷言後重新提交；10-15 開出 dav-3510 上 gemm_v0 的靜默數值錯誤修復（#1900），暴露 --npu-arch 無條件取 dav-2201 導致 A5 核心瞄錯架構。

  • TileOPs 一週 52 筆合入：Op 基類重構定稿、MoE 雙運算元落定、SM89 成為第二平臺（10-12 ~ 10-16）：10-11 合入的 Op 基類重構（#2520，363 檔案、+3362/-5227，自稱「釋出前」收口）把帶與不帶編譯邊界的運算元統一經 _run_call 執行、select_kernel_key/select_implementation 合併為 key_for、編譯邊界改從 manifest 推導，文件站次日跟進《Op 基類指南》；10-13 MoE 雙運算元同日落定——masked FP8 分組 GEMM（#2521，20 檔案 +1788/-37，對齊 deep_gemm masked 語義）與 DeepSeek 分組 top-k（#2535，15 檔案 +1193/-69，對齊 vLLM grouped_topk 並修 T=512 時 32/132 SM 的排程問題）；SM89 從 10-12 起成批收口（GQA 預填/解碼、GDN / DeltaNet 預填、GLA / DeltaNet 反向、KDA 預填、Norm 全譜），RTX 40 系與 L40 / 6000 Ada 級工作站在運算元庫側與 Hopper 並列。

  • 夜間底盤六份快照：正確性 1032 → 1134（+102）、基準 1947 → 1989（+42），全程零失敗（10-12 ~ 10-16）：本週六份快照的正確性用例由 1032 項升至 1134 項、基準由 1947 項（52 套件）升至 1989 項（55 套件），六份均為零失敗零錯誤、各 1 項跳過。單日最大增幅出現在 10-15（+41，與 TileOPs 16 筆合入同拍）；10-16 出現兩次快照（凌晨與夜間各一），為本週首次單日雙快照。評測環境為 H200、CUDA 13.2、torch 2.13.0+cu132、tilelang 0.1.12（詳見第四章表格）。

  • 多後端同版本收口：海光 v0.1.15 升級落地並開出分散式 IPC 線，沐曦追平上游，摩爾執行緒全周靜默（10-13 ~ 10-16）：海光 10-14 合入 v0.1.15 全量升級（#20，保留 HCU 後端並新增塊縮放 GEMM 的 scale 緩衝佈局規劃）並建立 v0.1.15-release 分支，同日以 #19（+2577/-28，44 檔案）開出 Distributed 線（統一程序啟動器、IPC allreduce 測試、IPC GEMM allreduce 示例等）；10-15 以 #21 把塊縮放非同步複製佈局當日開、當日合進 v0.1.12-release 維護線；10-16 再合入 #22（K-major 打包 scale 複製與原生 FP32 MLS GEMM）。沐曦 10-13 將 main 推至上游 v0.1.15 節點（映象 #3309），10-16 dev 線合入上游 main 並修一處 xfail 用例。摩爾執行緒自 09-30 後全周無活動，是四家中唯一未對齊 v0.1.15 的後端。

  • TileFoundry 一週十筆合入：稀疏解碼貫通 TIR、Qwen3.8-27B 預填首次全長度超越 SGLang、核心重構與外部審計同期（10-12 ~ 10-16）：10-12 合入稀疏解碼貫通 TIR 的 #223（84 檔案、+4424/-1543，修丟失迴圈工作量、查詢計費過高與分階段更新錯誤）；10-13 合入 Qwen3.8-27B 預填示例 #229（89 檔案、+38069），為該倉首個在 1024 / 4096 / 8192 三個長度上全部快於 SGLang 的示例（8192 時打分只佔 FLOP 的 3.1%，負載超出 H200 拐點 36 倍）；10-15 同窗落地例項槽重構（#232，原始碼全套 1674 透過）與 lowering / printer 契約（#233）；10-16 補上 analysis 訪問上下文（#238）與 issue 237 的分配/lowering 修正（#241）。重構落地的同一視窗，第三方技能倉即把 TileFoundry vendor 進工作流並列出 4 個 emitter bug 與 2 個執行時 bug——進入外部審計期。

  • 採用方首次出現版本迭代：TileKernels v2.1.0 昇騰側重寫、FlashQLA 修復 Blackwell sm120（10-14）：DeepSeek TileKernels v2.1.0（16 檔案、+352/-382）是該倉 09-30 加入昇騰支援後的第一次版本迭代，改動集中在昇騰側（norm_forward_asc 大幅重寫、SwiGLU 前後向、Engram 門控），README 要求升至 TileLang 0.1.15、PyTorch 2.13、Ascend 950 NPU 與 CANN 9.2.0；Qwen FlashQLA #48（5 檔案、+82/-5）修復自 0.1.13 起 Blackwell sm120 前向/反向不可用（block_DV 被誤改為 128、缺 aggregate_card_state），RTX 5090 + tilelang 0.1.15 + CUDA 13.0 全部測試透過。

  • 硬體矩陣同周擴張：SM121 點亮、SM120 塊縮放雙線在審、D=256 解碼擴至 SM80/SM90、CPU OpenMP 網格並行落地（10-12 ~ 10-15）：SM121（GB10 / DGX Spark）塊縮放 MMA 於 10-11 點亮（#3430，DGX Spark 驅動 580.178.04 / CUDA 13.0 實測），此前 sm_121a 下所有塊縮放 MMA 會編譯成 BPT.TRAP；SM120 側的 MXFP8/MXFP4（#3495）與 mxf8f6f4 全運算元家族（#3099）全周在審。消費級與工作站側，D=256 FP16/BF16 稠密解碼由 SM89 擴至 SM80/SM90（#2563，附 Gemma-2B 8K cache 負載，同時修復稠密 RoPE split 忽略 softcap）；主倉 10-14 合入 CPU 後端的網格級 OpenMP 並行（#3109）與 Windows NVCC 改走 cl.exe（#3510）。

二、核心專案進展（主倉 tilelang）

版本與釋出

  • 主倉最新標籤與釋出仍為 v0.1.15（09-30 釋出），全周無新標籤、無新發布頁條目，至本週五已 16 天。釋出頁最近三條依次為 v0.1.15（09-30）、v0.1.14（09-02）、v0.1.13（08-03），此前的月度節奏在本週被打破。
  • 適配線標籤全周未動：昇騰 v0.1.2.000、MLIR 昇騰 v0.1.2.020.sglang.poc、沐曦 v0.1.14（10-13 僅 main 映象到 v0.1.15 節點、未打新標籤）、摩爾執行緒 v0.1.14+musa.1；海光以 v0.1.15 主線加 v0.1.12-release 維護線雙線並行。
  • 釋出靜默的對照面是下游約束上移：TileKernels v2.1.0 明確要求 TileLang 0.1.15 起，FlashQLA 的 sm120 修復亦在 0.1.15 上驗證——本週起「0.1.15 基線」成為採用方事實上的最低要求。

編譯器、執行路徑與語言層

  • PTO 執行路由（#3316，10-15 合入）：新增執行感知的目標規範化鉤子（掛在 BackendContext 建立處），昇騰專屬規範化器在解析前把原生 Ascend 目標專門化為 PTO 目標變體並保留 arch 等屬性，裝置程式碼生成改走 PTO_CODEGEN 與 target.build.tilelang_pto_without_compile；文件給出 TILELANG_DEFAULT_TARGET=ascend 加 TILELANG_EXECUTION_BACKEND=pto 的等價配置。測試覆蓋上下文解析、目標屬性保留、快取分發與環境變數選擇。
  • PTO DeepGEMM codegen（#3330，10-14 合入）：跨控制流跟蹤 tl.ascend_set_mmad_direction 並把生效方向編碼進 MAD 指令、拒絕衝突方向下可達的 MAD；支援 SIMD 後增量載入、混合 AIC/AIV 核心的 UB 地址到 PTODSL 指標轉換、動態 L0C→UB 維度與步長、int16 有符號打包 MX scale。自報 15 個 DeepGEMM PTO 用例 14 個透過，test_bf16_m_grouped_padding 仍受 PTOAS VPTO 後端無法合法化 FP32→BF16 轉換阻塞。
  • 獨立 AIV 執行（#3485，10-14 合入）：擴充套件 Ascend AutoSchedule，使 AIV0 與 AIV1 可在 sid 依賴下執行不同工作（交替收尾、反量化與收尾分工、不相交輸入分割槽、迴圈內角色切換）；AssignCore 提前到延遲估計與排程之前，併為 AIV 區域性 UB 緩衝與標量狀態建立獨立身份。
  • C 系 codegen 共享基類（#3289，10-14 合入）：CodeGenTileLangCBase 統一 CUDA、HIP、CPU C、Ascend C++、Metal 與 C 主機程式碼生成；修復 T.import_source、T.Kernel(prelude=...) 與 pragma_import_c 在源文字缺少末尾換行或以反斜槓結尾時吞掉下一生成行的問題。驗證：聚焦迴歸 83 透過、codegen 與 launch 套件 405 透過。
  • CPU 網格並行（#3109，10-14 合入）：新增 MaterializeCPUParallelGrid 把帶註解的 CPU grid 迴圈轉為 OpenMP 並行迴圈，配套迴圈 collapse、執行緒數配置、最小 trip 數門限與分配下沉，補齊 Linux / macOS / Windows 的編譯標誌——CPU 後端首次具備網格級並行。
  • Host IR 線全周在審：統一 CUDA 與 CuTeDSL 執行路徑的 #3473 與直連 Host IR JIT 加原生快取的 #3481 自 10-10 開出後未見合入，仍是主倉最大的在審方向。
  • PTO 家族七筆（10-15 起在審）：tvm_ffi 執行後端（#3516）、T.Parallel 到 PTO VMI 向量化（#3512）、SS buffer（#3514）、部分 L0 複製顯式 pitch（#3511）、NZ 緩衝 UB→L1 部分複製（#3530）、PTO Ramp 值按型別向量發射（#3535）、SIMT VF 內向量區域性訪問修復（#3523）。其中 SS buffer 於 10-16 上午合入（#3514，日報截點之後經補充核查確認）。

正確性與缺陷修復

  • 10-12（週末視窗收口）：GEMM dtype 白名單（#3245，不支援組合在 CUDA codegen 前拒絕，缺陷單 #3004）、For 迴圈步長（#3427）、JIT 輸出索引歸一化汙染（#3318）、popcount 窄整數下沉（#3300，int8(-1) 計 8 位）、位歸約放行浮點源（#3332）、CuTeDSL 柵欄選舉（#3400，2D/3D 執行緒塊下多執行緒重複釋出到達）、NVRTC / CuTeDSL 引數身份（#3414）。
  • 10-13：thread_storage_sync 精確執行緒邊界（#3291，4 檔案 +292/-96，修 #2954）；昇騰 PTODSL 歸約助手 vendor（#3469，+555/-115）修復 CANN Weekly 下 ModuleNotFoundError。
  • 10-14：SimdVF 多緩衝 T.fill（#3455，多緩衝版本維導致整緩衝填充檢查拒絕）、bisheng 臨時檔案清理開關（#3461）、跨 warp allreduce 分組錯發（#3494）。
  • 10-15：JIT 拒絕不可雜湊編譯期引數（#3417，防止可變預設值靜默複用陳舊核心，91 透過）、測試編譯時間消除（#3517）、治理配置（#3513，CodeRabbit 自動標籤）。
  • 10-16（含日報截點後經補充核查確認）：Ascend SS buffer（#3514）、SimdVF dim=1 歸約逐行單元素儲存（#3437）、昇騰 RNG 跨核心狀態復位（#3331）、兄弟流水線共享緩衝防雙擴（#2342）、TMA-only 生產者限定 warp 0（#3503）。
  • 10-16 凌晨新開待審：cumsum 共享緩衝在 warp 特化下的修復（#3536）——消費者執行緒從 128 起編號而掃描模板未收到區間下界，導致 CumSum1D / CumSum2D 在消費者執行緒上提前返回、緩衝保持未寫；修後 #3528 復現用例 131072 項全對（main 上 129019 項錯）。另有 profiler L2 只讀刷寫（#3534）與共享掃描執行緒數診斷（#3532）。

效能與硬體矩陣

  • SM121（GB10 / DGX Spark）：#3430 讓 tl::sm120_mma_sync_blockscaled 按 arch 與家族同時接受 SM120 / SM121，NVF4 測試按 SM12x 家族門控，CuTeDSL TMA 架構表放行 sm_121 / sm_121a。
  • SM120 塊縮放：MXFP8（kind::mxf8f6f4、1X、UE8M0）與 MXFP4（mxf4nvf4、2X、UE8M0）擴充套件（#3495，+884/-51，FP32 累加、每 32 個 K 元素一標度）與全 f8f6f4 運算元家族（#3099）持續在審。
  • ROCm：除要聞四筆外，10-15 的 scan 波前修復（#2326）讓 cumsum / cummax 按目標波前寬度選擇段寬，32 執行緒塊在編譯期排除 64 lane 模板；B300 上 CUDA scan 套件 17 透過。
  • SM89 成批效能政策：MLA 解碼按批與頭塊數選 2/4/8/16 KV 分裂（#2511：單請求 bf16 4k 0.158→0.034 ms 約 4.6 倍、32k 1.170→0.162 ms 約 7.2 倍）、KDA 預填按 16 列值瓦片切分（#2510：4k/32k/64k 降 22.9%/19.8%/18.5%）、掃描加寬（#2574：4096~16384 token 由 8 值頭擴到 16 值頭，19 行提速 2.5%~19.7%）。
  • Windows / Metal：Windows NVCC 改走 MSVC（#3510，CUDA 13.3 下復現用例修復）；Metal 批十筆（#3194 至 #3210）在審，覆蓋段歸一累加器、simdgroup GEMM 片段、BF16 向量型別、短常量迴圈展開等。

評審佇列觀察

  • 主倉開放 PR：170（10-12）→ 168（10-13）→ 161（10-14）→ 160（10-15）→ 165（10-16），周內在 160 至 170 區間震盪；組織口徑的開放 PR 合計由 498（10-12）升至 507（10-13），至本週編制時為 532 筆。
  • 組織口徑的合入與產出：本週 PR 合入 109 筆、新開 158 筆（主倉 30、TileOPs 52、昇騰適配倉 8、TileFoundry 10、海光 3、MLIR 昇騰 2、沐曦 2、文件站 2；10-12 至 10-16 北京時間視窗，GitHub 檢索實測）。10-16 單日在審更新達 172 筆，為本週最高。
  • 結構性判斷延續並加強：主倉瘦身（170 → 165）、TileOPs 變厚（9 → 16 後回落）、昇騰適配倉回升（230 → 237）——「合入閘門收緊、在審佇列變厚」的格局貫穿全周，釋出靜默期的準備動作集中在評審側。

三、多後端適配（昇騰 / 沐曦 / 海光 / 摩爾執行緒等）

昇騰（Ascend）：遷移合入、執行路徑收斂與回滾紀律

  • 遷移合入：NSA Decode（#1701，10-12，+755）以 Developer mode hybrid 實現單核解碼（seq_q=1），顯式 L1/L0C/UB 分配、5 段 GM workspace 經 workspace_idx=[6..10] 自動分配，編譯器自動切 Cube/Vector 作用域並插跨核 flag 同步；分層測試 28 例（L0 閾值、L1 功能含 DeepSeek-V3 典型配置 D=128/S=16/BS=64、L2 異常與邊界特值），910B3 fp16 實測。NSA Bwd（#1730，+1593）提供 nsa_fwd 與 nsa_bwd_single 兩枚 JIT 核，反向按 flashattn_bwd 正規化以片上直連 T.copy（L0C→UB、UB→L1）省去 9 枚 GM workspace，分層測試 20 例。
  • 回滾與重做：10-14 三筆文件事實核查 PR（round 語義 #1612、bitwise_rshift #1676、bitwise_xor #1681）被整批迴滾（#1888 至 #1890）。原因由重做版 #1893 說明：每日全量套件執行低優先順序用例時，預期失敗用例的異常正則不匹配——實際拋 AscendVectorInstructionSelection 的 InternalError 而非斷言的 Compilation Failed，而這些用例標記 low_priority、PR 階段 CI 不執行，由每日全量執行兜底發現。重做版刪除全部預期失敗斷言（支援表外 dtype 改由文件 dtype 支援表覆蓋），保留 docstring 重寫與真機測試。
  • 在審與佇列：dav-3510 gemm_v0 靜默數值錯誤（#1900，10-15 開出）為本週最值得跟蹤的一筆——無異常、無 NaN/Inf、無零值，多重集檢查全過，只在遠端表現為精度失敗；兩筆可分提交（--npu-arch 取自平臺、gemm_v0 staging 限制）以待驗證依賴順序。另有 KDA chunk_delta 反向/前向遷移（#1895 / #1896）、bitwise_xor 文件重做（#1899）、situ_glu（#1891）、cann-bench/lstm 示例（#1892）、indexer_bwd（#1887）。開放 PR 由 230 升至 237。
  • 主倉側：除要聞的 PTO 路由與獨立 AIV 外，示例目標選擇 #3474 讓 TILELANG_DEFAULT_TARGET 決定目標、DeepGEMM JIT 入口支援 execution_backend="auto"；跨 warp allreduce 分組修復 #3494 是對 #3469 合入後社群正確性回饋的響應，迴路在兩日內閉合。

MLIR 昇騰（tilelang-mlir-ascend）：顯式記憶體控制落地，知識庫修正

  • NPUIR 顯式記憶體與流水線控制 #190（10-13 合入，12 檔案、+1092/-102）：支援帶符號 pitch 的雙行 GM→UB 複製與連續 GM/L1 ND 複製、物理緩衝檢視與可變標量儲存、GEMM L0 ping-pong 事件與 MMAD / Fixpipe 單元標誌（含顯式同步要求）、執行時尺寸的 T.vbrc 區域；修復 Expert 有符號 floor 除/模、無符號算術與惰性條件降低。
  • 10-12 的全量效能報告（#197，7 運算元 112 例全部透過，CANN 8.5.0 / 910B2C / msprof）與 10-15 的知識庫修正（#202，ArgMax N-split 的 partial / merge 描述統一為單次 device launch 內完成）分別合入；T.Pipelined() 引數化（#199）、FloorDiv / FloorMod codegen（#200）、Cube 記憶體分配 API（#201）在審。開放 PR 穩定在 32 筆。

海光（Hygon）：三線結構成形——老線交付、新線追上游、新分支做分散式

  • 暫存器流水線（#18）：全周在審，49 檔案、+4144/-318，為後端加入暫存器流水線（與共享記憶體流水線協同、按流水級插入提交與屏障）及 warp 數超 4 時的 warp-diverge，作者自述 example_gemm 已達 rocblas 水準。
  • FP8 特性分支：feat/hcu-mqa-fp8 上 MLS channelwise FP8 GEMM 自報 432 TFLOPS，10-12 補「M≤32 時 fp8 解碼 GEMM 頻寬超越 hipblas」並收斂命名（均為分支內作者自測口徑，未關聯 PR）。
  • 主線與釋出線：10-14 合入 #20（整體升級到上游 v0.1.15，保留 HCU 後端與 build.sh 工作流，新增 HCU 塊縮放 GEMM 的 scale 緩衝佈局規劃與配套 LDS 佈局），並建 v0.1.15-release 分支；10-15 #21 把塊縮放非同步複製佈局當日開、當日合進 v0.1.12-release 維護線；10-16 合入 #22（K-major 打包 scale 複製與原生 FP32 MLS GEMM，日報截點之後）。
  • 分散式線：#19（+2577/-28，44 檔案）與 distributed 分支全周兩次推進，覆蓋統一分散式程序啟動器、IPC 後設資料初始化校驗、BF16 / 全對等 IPC allreduce 測試、IPC GEMM allreduce 示例、IPC 關閉與初始化失敗的傳播、無效 peer 守衛、STRIDE 遠端塊複製，並有一次「move distributed language APIs」重構。多卡集合通訊成為海光下一階段主線。

沐曦（MetaX）：追平上游後轉入 dev 線合流

  • 10-13 main 分支推至上游 v0.1.15 版本節點（映象 #3309），映象線追平釋出；dev（適配主工作線）此前停在 09-24。10-16 dev 合入上游 main（Merge branch 'main' ... into dev）並修一處 [fix bug][MetaXGPU] 的 xfail 用例——該筆（10-16 12:35）在 10-16 日報截點之後，經本週補充核查補錄。開放 PR 穩定在 16 筆。

摩爾執行緒（MUSA）與 Sunrise：全周靜默與依賴升級

  • 摩爾執行緒自 09-30 後全周無推送、開放 PR 6 筆，是四家國產後端中唯一未對齊 v0.1.15 的一家；v0.1.15+musa.1 仍是最新發布（09-30）。
  • Sunrise（S2/S3 的 TANG 後端倉）10-12 僅兩筆 Dependabot CI 依賴升級（#7、#8）在審，開放 PR 3 筆，無程式碼面動態。

四、生態與採用方

TileOPs：52 筆合入的一週——重構定稿、MoE 收口、全運算元逐日刷榜

  • 治理：Op 基類重構 #2520（10-11 合入，363 檔案、+3362/-5227）以「先行為、後機械改名」的十個提交完成：帶與不帶編譯邊界的運算元統一走 _run_call、失敗時按是否由本呼叫選定目標決定回滾、子運算元不歸任何 delegate_for 階段則複合呼叫整體失敗、_validate_dtypes 移除、key_for 合併兩個選擇入口、編譯邊界改從 manifest 推導。文件站次日合入《Op 基類指南》（#69），程式碼與文件同拍。
  • MoE 雙落定：masked FP8 分組 GEMM #2521（20 檔案、+1788/-37，關閉 #2388）以 FP8 e4m3、1x128 / 128x128 塊標度、bf16 輸出對齊 deep_gemm masked 語義，核心為 TMA producer warp 加兩個 WGMMA consumer warpgroup 的持久網格，空瓦片不佔 CTA、每份權重瓦片只從 HBM 讀一次；清單收窄到 masked 佈局並配 14 行負載（E=8 兩行加 EP=8 解碼十二行，覆蓋 DeepSeek-V3、Qwen3-235B-A22B、Kimi-K2，batch 64 / 256），新增 moe.masked_routed_metadata 生成器模擬專家不均衡（DeepSeek-V3 b64 空 4/32、Kimi-K2 b64 空 13/48）。DeepSeek 分組 top-k #2535（15 檔案、+1193/-69，關閉 #2268）補齊 num_expert_group / topk_group / routed_scaling_factor 並對齊 vLLM grouped_topk，同時修復 T=512 時預設 TOKENS_PER_BLOCK 只佔 32/132 SM 的排程問題。收尾重構 #2551 刪除專用 TightRow 核心，佈局覆蓋擴至 SM80 / SM86。
  • SM89 成為第二平臺：10-12 三筆（D256 dense GQA 解碼 #2529、dense GQA 預填 #2528、GDN / DeltaNet 預填 #2527，21 例「失敗不可分發」轉透過），10-13 四筆（GLA 反向 #2546：共享記憶體 114688→81920 位元組；DeltaNet 反向 #2547：147968→98816；KDA 融合預填 #2548：256 執行緒分配 182528→101120；緊湊逐行分組 GEMM #2549），加 GQA split log-sum-exp 改 FP32 累加（#2550，bf16 大分數下 split 混合最多偏差 0.23，autotune 改按實際啟動程式計時）與 D=256 解碼擴至 SM80/SM90（#2563）。
  • 注意力家族收口：10-15 三筆同日合入——varlen GQA 匯聚與流水線滑窗（#2537，FP32 逐頭 sinks 覆蓋 varlen 部分）、分頁 GQA 的只讀 RoPE / 雙邊滑窗 / 逐頭 sinks（#2516）、分頁 KV 寫入運算元 PagedKVCacheWriteFwdOp（#2539，按呼叫方槽位原位散射、跳過 -1 槽、FP8 獨立 K/V 標度、保留 NaN 與溢位飽和語義，與 FlashInfer 及 vLLM 對照驗收）。此前 10-12 已合入 MLA 解碼 SM89（4.6 倍 / 7.2 倍）、MLA 調優分裂擴充套件（候選 24→40，冷調優 348.6 s→151.6 s）、WGMMA 描述符 lane 0 廣播（26 行基準快 0.7%~4.1%）、KDA 預填、NSA top-k 位排序、分頁 GQA TMA 特化核（H200 上被接管四行降至原 0.44~0.88 倍）。
  • foundry 效能批進入日更節奏：10-13 八筆合入加八筆新開、10-14 十一筆收口、10-15 三筆，代表性資料——softmax 暫存器駐留 _held_row 加 warp shuffle 摺疊（[#2570](https://github.com/tile-ai/TileOPs/p

ull/2570)：39/42 行領先 1.1%~78.1%，僅 lm-head 兩行落後 0.909x/0.934x）；TMA 無法定址 N 非 8 倍數輸出時逐行逐 warp 儲存（#2566：294.7→23.2 微秒，12.7 倍，快於 cublaslt-best 7.5 倍）；GELU erf 鏈縮短五條指令（#2557：1.125x）、SiluAndMul 16 位門快速除法（#2565：1.074x，torch-compile 比從 0.945x 翻正）、分組 GEMM 分塊收尾交替 staging（#2582：四行 MoE 負載全部領先 quack，fwd 1.015x / dgrad 1.012x / wgrad 1.033x）、W4A16 權重先行載入（#2586：decode-long-k 達 marlin-fp16 的 1.047 倍，8 行瓦片各提速 2.5%~7.6%）、sigmoid 免 IEEE 除法（#2588：1.020x~1.042x，測試節點 +2）。池化、歸一化、歸約、RoPE 一併鋪開（MaxPool1d/3d、AvgPool3d、RMSNorm 按寬度分行、InstanceNorm 至多 2048 元素整向量行、any/all 逐字測試、組瓦片計數 warp 掃描：4096 組在 32 執行緒下 62 暫存器而非 152）。

  • 線性注意力修復：KDA 預填求逆穩定化（#2584，相關鍵下 main 在 6 個 chunk 與 2 個 fused 用例失敗含 NaN，改為 16 行對角塊 FP32 求解並複用共享緩衝）、GLA 反向視訊記憶體複用（#2569，131072→98304 位元組落入 SM89 上限，PR 明示不主張加速）、GLA 預填狀態跳過（#2540，省去整張 FP32 初態張量的分配與讀取）、單瓦片解碼態載入規避 TMA 掛起（#2538）、MoE 專家搜尋跳過（#2575）、permute-align 收界（#2559）。
  • 佇列：開放 PR 9（10-12）→ 19（10-13）→ 26（10-14）→ 17（10-15）→ 16（10-16），一週內先增後減，合入速度與在審厚度交替主導。

TileOPs 夜間流水線：六份快照，正確性 1032 → 1134

  • 10-12 03:40 — 快照 fc2a2a91（基準 70cfdf84）：正確性 1032 項、基準 1947 項（52 套件），零失敗零錯誤、1 項跳過
  • 10-13 03:53 — 快照 4cd9f968（基準 6ec0d086）：正確性 1042 項、基準 1947 項（52 套件），零失敗零錯誤、1 項跳過
  • 10-14 04:18 — 快照 76e8cac2（基準 a79a21e4）：正確性 1064 項、基準 1966 項（53 套件），零失敗零錯誤、1 項跳過
  • 10-15 05:15 — 快照 56c2ab6b（基準 35a25677）：正確性 1105 項、基準 1970 項（53 套件），零失敗零錯誤、1 項跳過
  • 10-16 11:35 — 快照 d6ab1d14（基準 cb15bce7）：正確性 1129 項、基準 1982 項（54 套件），零失敗零錯誤、1 項跳過

  • 10-17 04:13 — 快照 d44ab6d3（基準 67250e81）：正確性 1134 項、基準 1989 項（55 套件），零失敗零錯誤、1 項跳過

  • 周淨增：正確性 +102 項、基準 +42 項、套件 +3；六份快照各有一項跳過（H200 上不適用的 SM89 調優用例、不支援的 KDA 配置等），無失敗無錯誤。評測環境 H200、CUDA 13.2、torch 2.13.0+cu132、tilelang 0.1.12，最新快照內 tileops 版本 0.0.1.dev1338+g67250e817。
  • 與合入的同拍關係：10-13 的 +10 對應 SM89 系列、10-14 的 +22 對應 MoE 與 SM89 反向/預填、10-15 的 +41 對應 TileOPs 16 筆合入（效能批普遍帶 test-node 增項）——「合入一筆、底盤爬一截」的滾動記賬在整週延續。
  • 需要說明的視窗差：10-16 日報生成時未見 10-15 夜間快照，實際該份於 10-16 11:35 落地（北京時間，晚於日報 07:00 截點），本週已補錄；表末的 10-17 04:13 一份為 10-16 夜間執行的產物，屬 10-16 當日的第二次快照。

TileFoundry：十筆合入——從稀疏解碼到可交付工程形態

  • 稀疏解碼貫通 TIR（#223，10-12 合入，84 檔案、+4424/-1543）：承接 #218 的 DSA 解碼遺留問題——修復丟失的迴圈工作量、查詢計費過高與分階段更新錯誤，落地索引式非同步收集、Bitcast 與 Where 下沉；分配約束改為單一訪問器（返回 Storage），捕獲更新直接寫入 tile（16B 共享記憶體），引數初始化的攜帶值獲得獨立儲存與前置複製；16 組 FixtureCase 守衛各含 CLI 呼叫與輸出檢查。
  • Qwen3.8-27B 預填（#229，10-13 合入，89 檔案、+38069）：64 層 gated-delta-net / attention 混合的文字預填，在 1024 / 4096 / 8192 三個長度上全部快於 SGLang；8192 時打分只佔 FLOP 的 3.1%、其餘是 GEMM，屬 FLOP 受限、無流量可省，示例把 analyze --roofline 作為決策輸入。邊界：SGLang 基線由人工給定，其兩列口徑在 8192 上相差 9.1%，示例需論證取列；此前該倉示例均為解碼且僅及 SGLang 零頭。
  • 重構與契約：例項槽重構（#232，10-15 合入）把模組子節點改為顯式共享例項槽（重複層共享定義、保留獨立資源與例項身份），放置地址按 SSA 葉子共享、活躍區間按定義快取並在呼叫點翻譯，刪除舊內聯機制與 Program，原始碼全套 1674 透過 / 11 跳過；lowering 與 printer 契約（#233，10-15）保留作者區域、儲存定義、更新視窗與分階段所有權，指令准入在推斷、候選生成、lowering 與 TIR 驗證之間共享。10-16 追加 analysis 訪問上下文（#238）與 issue 237 的分配/lowering 修正（#241）。
  • 工程化入口：scaffold 獨立工程（#227，10-13 合入，47 檔案、+1356/-368）按 Target codegen 生成可編輯的獨立 CMake 工程（引數檢視、特化分發、啟動器、主機註冊與佔位 CUDA 體），codegen 產物與連結拆為六個模組檔案；schedule CLI 加固（#231，10-14 合入）統一指令匹配器、新增 tf.empty、加 schedule finalize --dim，凍結全套原始碼 1617 透過 / 11 跳過。
  • 釋出與在審：釋出頁仍為 v0.0.2（09-10），全周無新版本；開放 PR 1→2→1→3→2。外部審計側，第三方 tilelang-cuda-skills 於 10-15 把 TileFoundry vendor 為子模組（固定 main 與 cutlass 提交），公開標註 compile() 路徑為實驗性並列出 4 個 emitter bug（Cast 發射、fill 張量字尾、tensor_view 座標等）與 2 個執行時 bug（reduce-workspace 收尾、warps_per_group 分派），同時指出缺失 host TMA tensor-map emitter，並劃出受支援路徑（HIR 生成、check / analyze、schedule finalize、TileLang 核心）。

TileSight、TileRT 與採用方

  • TileSight：10-13 建立 dev 分支並出現分支級推送，公開分支含 main 與 tilelang（後者含 TileLang 前端提交），無釋出內容、開放 PR 0。作為 09-23 開源的瓦片中心效能模型，本週處於分支整理期。
  • TileRT：全周無推送（最近一次 09-24），釋出頁仍為 v0.1.5.post2（08-06）；本週無釋出 PR、無 benchmark 文件更新。
  • TileKernels：v2.1.0 於 10-14 合入（詳見要聞），10-14 之後至本報告編制無新推送，開放 PR 計數回落。版本要求（TileLang 0.1.15 / PyTorch 2.13 / Ascend 950 / CANN 9.2.0）使它成為「0.1.15 基線」的第一份下游硬約束。
  • FlashQLA：sm120 修復（#48，10-14）恢復 block_DV=64 並補做 aggregate_card_state，RTX 5090 + tilelang 0.1.15 + CUDA 13.0 全部測試透過；PR 提出後續擬探索節點內 / 跨節點上下文並行。

五、社群、教程與活動

PTO-ISA：tilelangGym 新倉與 SuperNPUBench 的釋出節奏

  • tilelangGym 於 10-14 建立，定位「測試不同 benchmark / microbenchmark 的 PTO lowering 與效能敏感度」；10-15 七筆（06:47 至 07:59）把獨立 SimtVF 標準測試套件成型：SV / CF / SP 加 PTO-DSL 的種子提交與版本 pins、迴歸（#1），指令碼與佈局整理、SV1 SIMD keynote 與單張 PASS 表（#3），remat 頂點全 PASS 表與逐行 Simt 對 SIMD-DSL 對照（#4），並把 SIMD 約 85% 與 Simt IPC / bubble / ILP 分析鏈入 ANALYSIS——為 PTO lowering 的效能敏感度分析建立資料臺。
  • SuperNPUBench 全周高頻：10-12 四筆提交（rms_norm 16 KiB 瓦片分解 R=8192 歸約、gfsim RES_CHECK 檔案 IO 鎖步安全、matmul_test 簡化 4-PE、#225 合併）與兩個釋出（ops-20261012、ops-20261013，後者按 suite 拆 2 小包、含全部編譯產出 ELF）；10-13 釋出 ops-20261013.2 並推進 matmul_test 直連 CUBE TCVT、topk 可移植 gfsim fixture；10-14 三筆歸檔（rms_norm_dynamic_simt_32k、group_norm_grad 靜態核心進 V0、matmul reuseB 核心）；10-15 組歸一化反向單趟歸約與 gamma/beta 均衡（#245）。
  • tilelang-puzzles-ascend 的 simt_compare 分支全周推進：T.reduce_max 對序列掃描實測快 8.94 倍，12 個核心改用 T.reduce_absmax 摺疊並重測。

第三方工具與資料：從列表倉到外部審計

  • tilelang-debugger：10-10 兩筆（統一原始碼訪問捕獲 + 帶連結證據的離線 HTML 除錯報告），在 TileLang 0.1.12 與 0.1.15 上各跑 117 項 CPU / TIR 測試、H200 上 42 次採集與 66 對基線 / 插樁發射；本週（10-12 起）無新推送。
  • easy-tilelang 教程倉：10-13 推送「adapt tilelang new ascend」，含 Ascend A5 的 lower-trace 編譯觀察等條目；10-14 之後靜默。
  • TileMC（面向 manycore 架構的第三方目標）：10-14 一筆，擴充套件 FP32 支援、panel 對映與工作負載縮放。
  • BM1690 流水線倉（算能 TPU）：10-14 十八筆、10-15 六筆板級日誌——Matmul / RMSNorm 板級冒煙、Split-K 板級結果、RoPE 聯調與啟動超時診斷、驅動重初始化與退出語義、7.0.0-34 核心主機構建等，屬個人實驗倉的聯調記錄。
  • SwHwCodesign 資料線未成形：10-11 建立的 TileLang-Awesome 於 10-12 已不可訪問（404，搜尋無同名新倉），同賬號另建六個 AI-* 佔位倉，至 10-14 公開倉僅剩 2 個（AI-Compiler、AI-Infra）且無推送。
  • tilelang-cuda-skills：10-15 對 TileFoundry 的首批外部審計（內容見第四章），是「工具鏈被真實使用」的第一個公開樣本。

媒體與學術：報道潮之後的持續靜默

  • 10-10 至 10-11 的中文深度解讀（知危，風聞與知乎兩版）以 TileLang 為敘事核心，講 Tile 抽象、三檔程式設計介面與自動調優快取機制，並給出昇騰適配對標 Ascend C「效能幾乎無差別（A2 / A3）」的對比；10-11 境外聚合稿（tech-insider）屬轉引性質，非獨立信源。
  • 10-12 起連續四個視窗 Google News 中英文多組查詢零新增，Hacker News 無相關條目，arXiv 無新預印本（最近一篇仍為 07-24 的 TileSight 效能模型論文）。媒體側在 09-29 至 10-11 的報道潮之後進入平靜期，本週主體內容全部來自 GitHub 組織動態。

六、趨勢觀察

  • 釋出靜默期的「靜態準備」在四個方向同時到位：TileOPs 的 Op 基類重構自稱釋出前收口、夜間底盤六份快照零失敗增長、TileFoundry 的示例從解碼跨到預填全長度超越、多後端 v0.1.15 對齊——主倉自 09-30 已 16 天無標籤，但下一版本的靜態準備在本週基本就位。是否釋出，取決於評審閘門而非內容。
  • 多後端從「版本對齊」走向「同語義收口」：海光完成 v0.1.15 全量升級並另立 v0.1.12 維護線，沐曦映象追平後轉入 dev 合流，昇騰把重心放在文件事實核查、快取語義與真機驗證（#1900），摩爾執行緒是唯一缺口。四家的差距已從「有沒有後端」變為「語義是否一致」。
  • ROCm 成為第二條與新模型釋出同步的線：連續四日 DeepSeek NSA、mHC、KDA 與 GLM-5.3 相關核心落地，技術債按裝置預算（波前 64 lane、MFMA 輸入型別、LDS/VGPR 上限）逐筆清償；與 SM121 / SM89 的多代並修合流後，後端拓撲已從「英偉達優先」轉為「多裝置同時維護」。
  • TileOPs 的效能工程從「重點運算元攻堅」轉為「全運算元逐日刷榜」：單日 8 至 11 筆、每筆帶外部對照（torch-compile / cuBLASLt / quack / FlashInfer / FLA），殘餘落後被公開寫進 PR（lm-head 兩行 0.909x、GLA 反向明確不主張加速）——把「落後」量化並留檔，比單點提速更能說明工程紀律。
  • 昇騰的治理口徑從「全部透過」轉向「斷言精確」：三筆文件核查因低優先順序用例的異常正則不匹配被整批迴滾再刪減重做，暴露 PR 階段不跑 low_priority、每日全量兜底的兩級 CI 結構；這類回滾不是退步，而是把「預期失敗」當成技術債清算的訊號。
  • TileFoundry 從編譯器工具轉向可交付產品形態：scaffold 獨立工程、例項槽與 lowering 契約、跨脊線的預填示例論證，重構落地的同一視窗即被第三方 vendor 並列出缺陷臺賬——產品化的典型軌跡是「底盤重構之後，介面契約收斂與缺陷公開化」。下一期需跟蹤這些 emitter / 執行時缺陷是否被吸收。
  • 下一期關注點：主倉 v0.1.16 是否釋出（已靜默 16 天）；SM120 塊縮放 MMA 雙線（#3495 / #3099）能否合入；cumsum warp 特化修復（#3536）與 PTO 家族七筆的推進；昇騰 #1900 的兩筆提交與 A5 真機驗證排期；海光分散式 IPC 是否出現首個合入的多卡 PR；TileOPs 已出現釋出流水線整理類提交（週末），其是否引出首個正式版本；TileFoundry 的外部缺陷清單是否被吸收。

附錄：素材與核查說明

  • 素材：本刊每日 TileLang 動態日報 5 期（10-12 至 10-16），對應採集視窗 10-10 07:00 至 10-16 07:00（北京時間）；週期內 10-16 白天與 10-16 夜間（北京時間 10-17 凌晨）的動態，經 168 小時視窗補充核查後納入本報告；10-17（週六）當日的組織動態併入下週一日報。
  • 補充核查（168 小時視窗，截至本報告編制）：tile-ai 組織 29 個倉庫中視窗內 12 個有推送（tilelang、TileOPs、TileFoundry、tilelang-ascend、tilelang-hygon、tilelang-metax、tilelang-mlir-ascend、TileSight、TileOPs-nightly、tilelang.github.io、TileOPs.github.io、tilelang-sunrise）；PR 合入與新建數按 10-12 至 10-16 北京時間視窗檢索實測；夜間流水線六份快照的 test_results.xml 與 bench_results.xml 逐份復算（用例、失敗、錯誤、跳過、套件數）。
  • 口徑與邊界：效能資料均為 PR 說明或釋出說明的自述（H100、H200、B300、RTX 5090、RTX 6000 Ada 等），本刊無對應硬體、未做獨立復現；夜間快照為單次流水線記錄，非橫向評測；釋出時間以各倉庫標籤與釋出頁複核為準，適配倉的釋出頁與分支推進可能存在滯後；TileKernels 的昇騰效能由其自身 README 宣告，非第三方評測。
  • 下一期週期建議：2026-10-19 ~ 2026-10-23。

信源核查表

信源 核查結果
tile-ai 組織（29 倉庫） 168 小時視窗內 12 個倉庫有推送；本週 PR 合入 109 筆、新開 158 筆；當前開放 PR 532 筆
主倉 tilelang 本週合入 30 筆；開放 PR 170→168→161→160→165；釋出頁與標籤全周無新增（最新 v0.1.15，09-30）
TileOPs 本週合入 52 筆；開放 PR 9→19→26→17→16；Op 基類重構、MoE 雙運算元、注意力三連、foundry 效能批同周落地
TileOPs-nightly 六份快照，正確性 1032→1134、基準 1947→1989（52→55 套件），全部零失敗零錯誤
TileFoundry 本週合入 10 筆（#223、#221、#227、#229、#231、#232、#233、#236、#238、#241）；開放 PR 1→2→1→3→2；釋出仍為 v0.0.2（09-10）
昇騰（ascend / mlir-ascend） ascend：合入 8 筆（#1701、#1730、#1612、#1676、#1681、#1888 至 #1890）；開放 PR 230→237。mlir-ascend：合入 2 筆（#190、#202）；開放 PR 32 筆
海光 / 沐曦 / 摩爾執行緒 海光：合入 3 筆（#20、#21、#22）、#19 與 distributed 分支在審/推進；沐曦：合入 2 筆（main 映象與 dev 合流）；摩爾執行緒：09-30 後無活動、開放 PR 6 筆
Sunrise 僅 Dependabot 兩筆 CI 依賴升級在審（#7、#8）；開放 PR 3 筆
採用方（TileKernels / FlashQLA） TileKernels v2.1.0（#38）與 FlashQLA sm120 修復（#48）均於 10-14 合入；10-14 之後無新推送
TileSight / TileRT TileSight 10-13 建 dev 分支並推送、無釋出；TileRT 全周無推送（最近 09-24）
PTO-ISA 與社群第三方 tilelangGym 新倉（10-14）與七筆 SimtVF 套件；SuperNPUBench 兩筆釋出加多筆歸檔；BM1690 24 筆板級日誌；tilelang-cuda-skills 1 筆外部審計；TileMC 1 筆；easy-tilelang 1 筆；tilelang-debugger 與 SwHwCodesign 無視窗內推送
媒體與學術 Google News 自 10-12 起連續四個視窗零新增；Hacker News 無相關條目；arXiv 無新預印本

主要引用

https://github.com/tile-ai/TileOPs/pull/2582

資料來源：每日 TileLang 動態日報（2026-10-12 至 2026-10-16 共五期）及本週期實測核查；報告週期為 2026 年 10 月 12 日至 10 月 16 日。