FP8 混合精度训练工程实践：从 H100 到大模型训练的范式跃迁
深入解析 FP8 混合精度训练的硬件原理与生产实践，覆盖 E4M3/E5M2 格式设计、Loss Scaling 策略、Transformer Engine 实战、分布式训练协同优化，以及 Blackwell 未来展望。
GPU
CXL 2.0 内存池化在 AI 推理中的工程实践：冷热分层、动态容量扩展与 vLLM 集成
深入解析 CXL 2.0 内存池化协议栈、Linux 内核 CXL 子系统驱动架构，以及与 vLLM/SGLang 推理框架集成的 KV Cache 冷热三级分层方案。探讨 PagingAttention 与 CXL swap space 扩展的实战工程路径，附实测性能对比与调优建议。
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。
本地LLM推理引擎深度对比：llama.cpp、Ollama、vLLM、LocalAI架构解析与性能优化
全面剖析四款主流本地LLM推理引擎的架构差异：llama.cpp（CPU加GGUF量化）、Ollama（全封装桌面流）、vLLM（GPU高吞吐服务化）、LocalAI（OpenAI兼容API），涵盖推理内核、量化策略、并发模型与性能优化实践。
LLM 推理引擎内部原理：PagedAttention、Continuous Batching 与现代推理架构剖析
深入剖析现代 LLM 推理引擎的核心机制——PagedAttention 内存管理和 Continuous Batching 调度策略，揭示 vLLM 如何将吞吐量提升 2-4 倍
Linux Kernel HMM 深度工程实战：CPU-GPU 统一虚拟地址空间从原理到驱动实现
深入解析 Linux 内核 HMM 子系统架构，拆解镜像页表、mmu_notifier 回调、migrate_vma 页面迁移协议，提供 GPU 驱动骨架代码。
用 eBPF 构建分布式 AI 训练集群的实时可观测性平台
本文深入讲解如何利用 eBPF 在操作系统内核层面对分布式 AI 训练任务做零侵入式实时观测，覆盖 GPU 计算间隙、NCCL 通信模式、PyTorch DataLoader 延迟与 GPUDirect Storage 带宽瓶颈四大维度
LLM推理PD分离架构深度工程实践：从Prefill-Decode异构到分布式KV Cache传输
深入剖析LLM推理PD分离架构的工程实践：从Prefill-Decode异构到分布式KV Cache传输，涵盖DistServe、Mooncake、NVIDIA Dynamo等系统的设计原理与传输协议优化。
LLM 推理解耦架构：Prefill-Decode 分离的生产级吞吐工程实践
深入分析 LLM 生产中 Prefill-Decode 阶段的计算特征差异导致的资源冲突问题，系统阐述 Disaggregated Inference 架构的拓扑设计、KV Cache 传输协议实现，并给出 Prefill Worker、Decode Worker、传输引擎和智能调度器的完整生产级代码实现。包含四路 A100 实测性能基准与架构演进方向。
PyTorch 2.0 Compiler 深度剖析：从 TorchDynamo FX Graph 到 TorchInductor Triton CodeGen 的完全工程指南
PyTorch 2.0 Compiler 深度剖析：从 TorchDynamo Python 字节码拦截、FX Graph 中间表示捕获、AOTAutograd 自动微分分解、TorchInductor Triton CodeGen GPU 内核代码生成、算子融合与内存优化、CUDA Graph 捕获、动态形状支持、分布式并行编译、到生产级部署与性能基准测试的完整工程指南。
