Mamba 状态空间模型：从理论到生产级推理的 CUDA 内核优化实战
深入解析Mamba状态空间模型的核心原理与生产级推理部署：从选择性机制的数学基础，到Scan算法的硬件感知设计，再到CUDA/Triton内核优化实战。涵盖Mamba2的SSD理论、状态缓存优化、投机解码兼容性，以及在百万token长序列场景下的性能基准。
Triton
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。
LLM Inference 编译器图优化全栈实战：从算子融合到自动调优的深度工程解析
深入剖析 LLM 推理引擎的图优化技术栈：算子融合策略与实现、从 AITemplate 到 FlagGems 的算子库演进、Meta Schedule 自动调优机制、以及基于 Triton 的算子手写优化。通过完整 Transformer 层融合优化实战案例，揭示从计算图到高性能 CUDA kernel 的全链路工程方法论。
Triton GPU编程语言深度实战：从矩阵乘法到Flash Attention、内核融合与AI编译器优化的完全工程指南
Triton是由OpenAI开发的开源GPU编程语言，提供类似Python的高级语法同时达到接近手写CUDA的性能。本文深入讲解Triton的编程模型、矩阵乘法优化、Flash Attention实现、内核融合技术以及在PyTorch生产环境中的最佳实践。
PyTorch 2.x torch.compile 与 Inductor 后端深度工程：从 FX Graph 到 Triton kernel 的 AI 推理全栈优化
深入拆解 PyTorch 2.x torch.compile 的完整技术栈——从 TorchDynamo 的 Python 字节码拦截到 Inductor 的 Triton kernel 代码生成，结合生产级推理部署经验，给出可落地的工程指南。
PyTorch 2 torch.compile 深度工程实战：Dynamo 追踪与 Inductor 后端优化全链路剖析
本文从编译器工程视角，完整拆解 Dynamo 的前端追踪机制、Graph Capture 中的 Graph Break 处理策略、以及 Inductor 后端的 lowering 与 Triton kernel 生成路径，结合生产环境性能调优实战，帮助工程师理解编译管线的每一层细节。
FlashAttention 算法深度解析：从 IO-Aware 优化到 GPU 硬件极致
FlashAttention 通过 IO-Aware 的 Tiling + Recomputation 策略，将 Self-Attention 的 HBM 访问复杂度从 O(N²) 降至 O(N²/d)，在不牺牲数学精度的前提下实现 2-4× 端到端训练加速。本文深入推导 Online Softmax 数学基础、解析 FlashAttention/2/3 三代算法演进、剖析 Hopper/Tensor Core 适配优化，并给出一套完整的工程性能分析框架。
AI推理优化实战：模型压缩与服务化部署全链路
深入研究AI模型推理优化技术，覆盖知识蒸馏、量化、剪枝、推理服务化和AI芯片加速等核心方向
