本文详细介绍了如何通过CUDA优化实现超越cuBLAS的矩阵乘法(SGEMM)性能。作者从基础实现出发，逐步引入6种优化技术：向量化读写、block tiling共享内存、矩阵转置、swizzle解决bank conflict、写回事务合并和双buffer流水线。在RTX 5060显卡上，最终将4096x4096矩阵乘法耗时从16.59ms优化到13.85ms，超越cuBLAS的14.33ms。文

本文介绍了一个基于GitHub Action和Google AI Studio的AI论文精选工具，可自动从arXiv抓取论文并使用大模型进行评分分类。该工具支持自定义研究领域关键词和arXiv分类，利用Gemini等模型每天处理最多500篇论文，精选各领域最高分论文并生成摘要。项目开源在GitHub，用户可自由配置和扩展功能。

本文介绍了一个基于GitHub Action和Google AI Studio的AI论文精选工具，可自动从arXiv抓取论文并使用大模型进行评分分类。该工具支持自定义研究领域关键词和arXiv分类，利用Gemini等模型每天处理最多500篇论文，精选各领域最高分论文并生成摘要。项目开源在GitHub，用户可自由配置和扩展功能。

文章摘要 本文介绍了针对 LLM decoding 场景优化的 flash decoding 实现，对比了 PyTorch native 和 flashinfer 两个基线。作者详细阐述了 kernel 设计思路，包括： 采用 BN=64 的 kv tile 分块策略 配置 128 线程的 block 大小 动态计算 chunk_size 以充分利用 SM 使用 TMA 和 float4 向量化优

本文介绍了一个基于GitHub Action和Google AI Studio的AI论文精选工具，可自动从arXiv抓取论文并使用大模型进行评分分类。该工具支持自定义研究领域关键词和arXiv分类，利用Gemini等模型每天处理最多500篇论文，精选各领域最高分论文并生成摘要。项目开源在GitHub，用户可自由配置和扩展功能。

本文介绍了一个基于GitHub Action和Google AI Studio的AI论文精选工具，可自动从arXiv抓取论文并使用大模型进行评分分类。该工具支持自定义研究领域关键词和arXiv分类，利用Gemini等模型每天处理最多500篇论文，精选各领域最高分论文并生成摘要。项目开源在GitHub，用户可自由配置和扩展功能。