目前，基于MUSA的SGLang已支持DeepSeek、Qwen、GLM等主流大模型及Wan、LTX等视频生成模型，在MTT S5000等硬件上实现真正的“开箱即用”与无缝加速，显著降低了开发者的算力迁移门槛。通过与SGLang、TileLang、Triton、Mooncake等开源社区的紧密协作，摩尔线程不仅推动了MUSA平台与主流AI框架的深度适配，更。，未来12个月应优先建立跨层级的统一抽象

摘要：5月10日北京将举办"SGLang×MUSA"技术沙龙，聚焦国产GPU与全球开源生态融合。摩尔线程MUSA后端正式加入开源推理框架SGLang官方支持体系，开发者可原生调用摩尔线程GPU实现高性能推理。活动将探讨框架适配、算子优化及生态共建等议题，涵盖SGLang核心功能、MUSA移植落地等内容。通过线下交流与线上直播，为AI开发者提供与专家深度对话的机会，推动国产GPU

摩尔线程与智源FlagOS社区合作，在MTTS5000 GPU上实现对DeepSeek-V4-Flash大模型的Day-0适配，完成全量算子优化。该模型采用284B参数的MoE架构，支持百万token上下文，并创新使用FP4+FP8混合精度策略。摩尔线程凭借原生FP8支持优势，通过FlagTree编译器和FlagOS-Tune自动调优技术，使FP8与SparseAttention算子性能显著提升，

目前，基于MUSA的SGLang已支持DeepSeek、Qwen、GLM等主流大模型及Wan、LTX等视频生成模型，在MTT S5000等硬件上实现真正的“开箱即用”与无缝加速，显著降低了开发者的算力迁移门槛。通过与SGLang、TileLang、Triton、Mooncake等开源社区的紧密协作，摩尔线程不仅推动了MUSA平台与主流AI框架的深度适配，更。，未来12个月应优先建立跨层级的统一抽象

一次请求进入MTClaw后，“前台助理”经历“判断→执行→检查”三个步骤，先决定该任务由“轻量模型直办”还是“交给大模型”，执行完成后确认是否需要大模型补充完善。该模式下，单次任务成功率达100%，平均完成时间为7.61秒，相较传统方式，不仅成功率更高（100% vs 99%），还实现约5倍的速度提升。MTClaw不仅适用于桌面控制场景，也有望延伸至代码辅助、自动化测试、多模态任务编排等更广泛的A

RAGBASE所代表的，不仅是一套本地知识库工具，更是一种更个人化、更可信赖的人机知识协同范式——让AI在全程保障数据隐私的前提下，真正理解并激活私有数据的价值。整个过程不依赖网络，从根源上解决了数据隐私与云端依赖的痛点——即使在完全断网环境下，也能提供安全、精准、高效的私有知识库服务，展现了端侧RAG技术在安全性、精准度和推理效率上的领先性。从文档上传、基于hash值的文件去重、智能解析，到向量

精准适配不同操作场景的滑动节奏，完有效缓解滑动滞涩与手感脱节问题，触控响应更加及时，日常办公与页面浏览的操控舒适度提升。，在全核心满载工作状态下，可实现主频额外提升100MHz，处理器极限算力得到充分释放，高强度办公、多程序并行、轻量化创作等场景的响应速度提升。，有效提升网页图形渲染精度、降低高清视频播放功耗，实现网页浏览、在线影音与Web应用运行的高效稳定输出，带来极速、高清、流畅的沉浸式上网体

这一开源举措将有助于提升MUSA在AI开发者社区的可见度，推动MUSA Kernel、编译工具链及运行时生态建设，吸引社区围绕MUSA进行算子优化、KernelBench适配和代码生成模型微调等工作，全面展示摩尔线程在国产GPU、大模型训练、执行反馈强化学习和AI编程工具链方向的综合能力。随着大模型代码生成能力不断提升，行业对代码模型的评估重心正在发生变化：从过去关注“语法是否正确”“能否写出完整

未来，摩尔线程将持续秉持“灯塔计划”的宗旨，深化与高校、科研机构的合作，并携手广大开发者及产业伙伴一道，以全功能GPU与MUSA软件栈为坚实底座，为前沿科研和产业创新提供持续的算力与工程支持，共同推动人工智能技术突破，加速产业高质量发展。从分布式训练框架、丰富的算子支持，到高效的卡间通信与软硬件协同优化，MUSA软件栈支撑了这一以扩散式生成为核心、融合多模态时空建模的新型世界模型，从适配到稳定训练

一次请求进入MTClaw后，“前台助理”经历“判断→执行→检查”三个步骤，先决定该任务由“轻量模型直办”还是“交给大模型”，执行完成后确认是否需要大模型补充完善。该模式下，单次任务成功率达100%，平均完成时间为7.61秒，相较传统方式，不仅成功率更高（100% vs 99%），还实现约5倍的速度提升。MTClaw不仅适用于桌面控制场景，也有望延伸至代码辅助、自动化测试、多模态任务编排等更广泛的A