光子计算 AI 加速：硅光芯片矩阵乘法与混合计算架构的工程实践
深入剖析硅光芯片实现矩阵乘法的光学原理、MZI干涉仪相位调制机制、光电混合计算架构的工程挑战，以及光子AI加速器在推理场景的实际部署路径
推理优化
梯度提升树引擎深度工程实战：从加权分位数草图、直方图作差到 GPU 直方图构建与低延迟推理全链路
沿着 GBDT 引擎的执行链路拆解工程内核：加权分位数草图（GK summary）的分桶原理与 merge/prune 实现、直方图作差把一半构建成本抹掉的技巧、稀疏感知与默认方向、CatBoost 的 Ordered Target Statistics 与对称树无分支推理、分布式训练只传直方图的通信量下界分析、GPU 上 shared-memory 原子加直方图构建，以及 Treelite/FIL 把树编译成可执行代码的低延迟推理路径，并给出六条生产踩坑清单与选型建议。
大语言模型推理服务的多级优先级调度 — 从请求路由到内存预留的生产级实现
当LLM推理集群同时为实时对话、在线API任务和离线批量推理服务时，如何确保高优先级请求不被饿死，同时最大化GPU利用率？本文从生产视角拆解LLM推理服务的多级优先级调度架构。
Mamba状态空间模型的硬件感知推理优化：从选择性扫描到并行前缀和
深入分析Mamba架构选择性扫描的GPU硬件感知优化策略，包括并行前缀和、CUDA Kernel Fusion、FlashAttention风格IO-Aware Tiling等全链路优化方案，实测14倍加速。
RoPE 旋转位置编码深度工程实战：从复数旋转不变性、NTK/YaRN 长上下文外推到生产级上下文扩展
拆解 RoPE 旋转位置编码的数学本质（复数旋转与相对位置恒等式）与工程实现（rotate_half、fp32 相位精度、cache 复用），分析长度外推崩塌的真实机理（低频欠训练 + 高频 OOD），对比 PI / NTK-aware / YaRN / LongRoPE 四类修补方案，给出可运行的频率重映射代码、注意力温度补偿写法与 needle-in-haystack 评测骨架，并总结 GQA、Tensor Parallel、chunked prefill、mrope 多模态等六个生产落地陷阱。
eBPF 加速 LLM 推理调度：从内核级可观测到动态 Batch 决策的全栈实践
探索如何利用 eBPF 实现 LLM 推理服务的全栈可观测性与动态调度优化，涵盖 syscall 层、uprobe、kprobe 三层探针设计，以及基于实时指标的 Adaptive Batch Size 决策器，实现 P99 TTFT 降低 77% 的生产效果。
NVIDIA Blackwell 架构深度实战：第五代 Tensor Core、微切片与 AI 工厂时代的分离式推理
NVIDIA Blackwell GPU（B100/B200/GB200）标志着 AI 计算从"单机加速器"向"AI 工厂"的架构范式转变。本文从硬件微架构、CUDA 编程模型、分离式推理部署三个层面，深入剖析 Blackwell 的关键技术创新与工程落地。
CUDA Graph 动态形状捕获与 LLM 推理内存池优化深度实战
深入剖析 CUDA Graph 在 LLM 推理中的录制机制与动态形状挑战，提出 Chunked Prefill + 两阶段内存池 + 参数热更新的生产级优化方案
端侧 AI 推理引擎：从模型压缩到硬件加速的全栈工程实践
端侧AI推理引擎全栈技术解析：从模型量化（GPTQ/AWQ/BitNet）、推理引擎架构设计、NPU/GPU/CPU异构调度到KV Cache内存管理，系统拆解在毫瓦级设备上运行大模型的核心工程实践。
LLM 推理优化深度实战（最终版）
深入拆解现代LLM推理引擎核心技术——从PagedAttention的显存管理、Continuous Batching的吞吐优化，到Speculative Decoding的解码加速，附带完整代码示例和vLLM部署实践。
