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。
GPU
从GPU内核到Token延迟：eBPF在LLM推理可观测性中的工程实践
如何利用eBPF从内核态穿透到GPU驱动层，构建LLM推理全链路可观测性体系。涵盖CUDA kernel追踪、TTFT/TPOT指标分析、多租户GPU争用分析及实战案例。
WebGPU 计算着色器深度实战：浏览器端 GPGPU 通用计算与深度学习推理
全面解析 WebGPU Compute Shader 编程模型：WGSL 着色器语言、Compute Pipeline 架构、Workgroup 内存优化、主机-设备数据交互实战。涵盖大规模矩阵乘法的 Tiling 优化、并行归约（Parallel Reduction）、2D 卷积GPU加速，以及与 CUDA/SYCL 的性能对比分析。
GPU Direct Storage：GPU 直接存储访问在 AI 推理数据管道中的工程实践
GDS让GPU显存直接与NVMe控制器建立DMA链路。深入剖析nvidia-fs驱动架构、cuFile API异步批量提交、GPU内存注册双缓冲策略，结合PyTorch容器化部署给出性能调优参数矩阵。
AI大模型分布式训练：张量并行与流水线并行深度实践
深入拆解大模型训练的两大核心并行策略——张量并行与流水线并行。从矩阵分块原理、1F1B 调度算法到 Megatron-LM 工程实现，配合 PyTorch 代码实战，详解 TP × PP × DP 三维并行体系如何在 3072 张 GPU 上跑出近线性加速比。
TVM TensorIR 自动化算子优化工程实践：从调度原语到硬件原生性能
深入解析Apache TVM的TensorIR调度原语体系和AutoTIR自动调优机制，涵盖循环变换、内存层次调度、rfactor归约分解等核心优化原语，以及在FlashAttention等真实推理场景中的工程落地与性能数据。
RDMA 深度实战：InfiniBand、RoCE、iWARP 从零拷贝到分布式存储与 AI 训练集群
从内核旁路与零拷贝原理出发，全面剖析 RDMA 三种主流实现（InfiniBand/RoCE/iWARP）的协议栈、硬件架构与性能特征，深入讲解 Verbs API 编程模型、QP/CQ/MR 核心机制，并附生产级实战：分布式存储引擎加速、NCCL GPUDirect RDMA、集群通信延迟优化。
Linux DRM/KMS 显示管理子系统深度实战：从 KMS 原子模式设置到 GPU 渲染管线的全链路架构
深度解析Linux DRM/KMS显示管理子系统：从CRTC/Encoder/Connector/Plane核心硬件抽象模型出发，详解Atomic Modesetting事务性提交机制、VBlank与Page Flip帧同步、DMA-BUF零拷贝共享、GEM显存管理、三大GPU驱动架构(amdgpu/i915/nouveau)、GPU重置恢复、与Xorg/Wayland合成器的协作，以及完整的用户态libdrm编程实战。
渐进式模型热更新：基于 CUDA IPC 与权重原子交换的 LLM 零停机部署工程实践
探讨如何利用 CUDA IPC 显存共享和双缓冲原子交换实现 LLM 推理服务的零停机模型更新。包含 C++ RAII 封装、VersionedTensor 引用计数、多 GPU 零拷贝同步等实现细节，以及基于 vLLM 的改造实践和自动回滚机制。
AI 推理服务生产化实战：从 Jupyter Notebook 到高可用推理集群
从 Jupyter Notebook 到生产级推理平台的完整工程路线图：覆盖多模型共享推理引擎、Continuous Batching 调优、基于排队论的自适应扩缩容、GPU 显存碎片整理与 KV Cache 管理、模型热更新与灰度发布、三级缓存架构与成本优化策略。
