Rust 实现 LLM 推理引擎深度工程实战：从 Flash Attention 内核到 Continuous Batching
深入拆解如何用 Rust 从零构建 LLM 推理引擎：Flash Attention V2 内核的 SIMD 与 Online Softmax 分块优化、PagedKVCache 的 Copy-on-Write 内存管理、连续批处理调度器的迭代级调度策略。
GPU
Linux内核DMA-BUF显式同步与跨驱动缓冲区共享：从零构建零拷贝GPU计算管线
在现代AI推理管线中，数据搬运的耗时往往超过计算本身。CPU与GPU、GPU与GPU、存储与加速器之间的零拷贝数据共享，是突破性能瓶颈的关键。Linux内核的DMA-BUF子系统正是解决这一问题的核心基础设施，而显式同步机制（explicit fencing）则是保证多设备并发访问正确性的基石。本文将深入DMA-BUF的内部机制，从零实现一个跨驱动的零拷贝GPU计算管线。
Apache Arrow 列存内存格式深度工程：零拷贝数据交换的事实标准
深入剖析 Apache Arrow 列式内存格式的物理布局、IPC 零拷贝协议、CUDA Buffer GPU 互操作、字典编码机制，并提供 Rust 实战代码示例展示跨语言数据共享的最佳实践。
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。
Mojo：AI 时代的系统编程语言——从 MLIR 编译器架构到高性能 AI 编程实战
深入探索 Mojo 语言如何通过 MLIR 编译器架构将 Python 的易用性与 C++ 的性能合二为一，涵盖多层级中间表示、编译期元编程、所有权系统、SIMD 自动向量化、AI 硬件加速统一编程模型，以及 FlashAttention 2 实战实现。
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。
TensorRT-LLM 深度工程实践：从模型到生产级推理服务
深度剖析 TensorRT-LLM 架构设计哲学、编译-运行时协作模式、跨算子融合、请求调度、KV Cache 管理与并行策略优化，含与 vLLM 对比及生产级部署实践。
DeepSeek 模型显存量化与消费级 GPU 部署工程实践
从工程实践层面，深入剖析如何在有限消费级 GPU 显存上通过 GGUF 量化、KV Cache 压缩和投机解码实现 DeepSeek 系列模型的高效本地部署
异构计算的跨平台统一编程：oneAPI、SYCL 与 C++ 标准并行算法的工程实战
深度解析异构计算的跨平台统一编程模型：从CUDA生态锁定问题出发，剖析SYCL分层抽象、oneAPI工具链、C++17/20标准并行算法的工程实战。包含四种矩阵乘法实现的完整性能对比，以及从实验到生产的完整CheckList。
机密计算 × GPU AI 推理 —— TEE 环境下的隐私保护机器学习实战
深度解析GPU TEE技术在AI推理场景的实战应用，涵盖NVIDIA Confidential Computing架构、远程证明流程、Kubernetes部署、性能优化策略和攻防实战
