近日，线程摩尔线程正式开源TileLang-MUSA项目，开源开实现对TileLang编程语言的高效完整支持。
该项目已成功在摩尔线程多代全功能GPU上完成功能验证与特性开发，代码旨在通过高层抽象与编译器优化，精简大幅降低开发门槛，线程国产17.c为国产算力平台提供更高效的开源开AI与高性能计算开发体验。
▼ TileLang-MUSA开源地址：
https://github.com/MooreThreads/tilelang_musa
TileLang是高效一款基于张量分块（Tiling）抽象的高性能AI算子编程语言，属于领域特定语言（DSL）。代码
它采用声明式语法与类Python前端，精简使开发者能够以接近数学公式的线程形式描述计算意图，并由编译器自动完成循环优化、开源开内存调度与代码生成，高效在保持底层性能的代码同时大幅降低GPU及异构计算平台的编程复杂度。
在实际应用中，精简TileLang通过三大核心作用显著提升GPU计算的开发效率：
－ 通过高级抽象降低开发门槛，开发者无需深入底层硬件知识即可生成高性能代码；
－ 具备跨平台能力，实现“一次编写、多架构运行”，快播色狗有效解决多元算力生态的适配难题；
－ 编译器自动执行Layout推导、线程映射、Warp特化、流水线排布、内存优化等复杂优化，在保障性能的同时提升开发效率。
TileLang已广泛应用于多个关键领域，例如：
在AI与机器学习中，研究人员可用其快速定义新型算子（如注意力机制）；
在科学计算中，性吧最新地址发布器可便捷移植大型数值模拟程序至不同硬件平台；
对硬件厂商而言，TileLang可作为构建芯片软件生态的基础工具链。
在产业实践中，DeepSeek-V3的研发已采用TileLang进行算子快速原型设计与性能验证，证明了其在大规模模型训练中的实战价值。
摩尔线程此次开源的 TileLang-MUSA项目，旨在充分释放摩尔线程全功能GPU的性能潜力。它提供了一种介于底层汇编与高层DSL之间的“中间层”抽象，在保留硬件控制力的恋老网址同时，显著降低了编程复杂度。
具体特性如下：
▼ 广泛的硬件架构覆盖：
TileLang-MUSA已在摩尔线程多代全功能GPU上完成功能验证与打通，包括训推一体全功能智算卡 MTT S5000和MTT S4000，展现了良好的硬件兼容性。
▼ 核心计算特性的深度映射：
项目团队实现了TileLang高层语义到摩尔线程GPU底层MUSA架构的精准映射。
－ Tensor Core 加速：
编译器能够自动调用MUSA的MMA（矩阵乘累加）指令，充分发挥硬件张量核心的峰值计算能力；
－ Tile-Level Pipeline：
自动处理从全局内存（Global Memory）到共享内存（Shared Memory）再到寄存器（Registers）的多级数据搬运，利用MUSA异步拷贝指令掩盖访存延迟；
－ Warp级并行优化：
完整支持Warp Specialization特性。
目前，惊声尖笑5下载基于MUSA架构的TileLang原生算子单元测试覆盖率已超过80%，为大规模应用提供了可靠保障。
开发者在完成环境配置后，可保留原有的import tilelang习惯，通过Cython编译后端直接在MUSA环境中运行TileLang代码。
以下是一个基于TileLang-MUSA的高性能矩阵乘法实现示例：通过简洁明了的语法描述计算逻辑，编译器能够自动生成高度优化的MUSA内核代码。依托TileLang丰富且经过深度调优的原语算子库（primitives），开发者借助TileLang-MUSA不仅能够显著提升编码效率，更能直接调用底层硬件的计算潜力，实现媲美手工优化性能的矩阵运算。
import tilelang
import tilelang.language as T
import torch
from tilelang.primitives.gemm.base import GemmWarpPolicy
def matmul(M, N, K, block_M, block_N, block_K, dtype="float16", accum_dtype="float"):
@T.prim_func
def matmul_kernel(
A: T.Tensor((M, K), dtype),
B: T.Tensor((K, N), dtype),
C: T.Tensor((M, N), dtype),
):
with T.Kernel(T.ceildiv(N, block_N), T.ceildiv(M, block_M), threads=512) as (bx, by):
T.use_swizzle(panel_size=4, order='col')
A_shared = T.alloc_shared((block_M, block_K), dtype)
B_shared = T.alloc_shared((block_K, block_N), dtype)
C_local = T.alloc_fragment((block_M, block_N), accum_dtype)
T.clear(C_local)
for k in T.Pipelined(T.ceildiv(K, block_K), num_stages=3):
T.copy(A[by * block_M, k * block_K], A_shared)
T.copy(B[k * block_K, bx * block_N], B_shared)
T.gemm(A_shared, B_shared, C_local, policy=T.GemmWarpPolicy.Square)
T.copy(C_local, C[by * block_M, bx * block_N])
return matmul_kernel
def main():
M, N, K, BLOCK_M, BLOCK_N, BLOCK_K = 8192, 7168, 16384, 256, 256, 64
device = "musa"
A = torch.randn((M, K), dtype=torch.float16, device=device)
B = torch.randn((K, N), dtype=torch.float16, device=device)
program = matmul(M, N, K, BLOCK_M, BLOCK_N, BLOCK_K, dtype="float16", accum_dtype="float32")
kernel = tilelang.compile(
program,
out_idx=-1,
target="musa",
execution_backend="cython",
verbose=True,
)
ref_out = torch.mm(A, B)
C = kernel(A, B)
torch.testing.assert_close(ref_out.to(torch.float16), C.to(torch.float16), rtol=1.25e-1, atol=1.25e-1)
if __name__ == "__main__":
main()
TileLang-MUSA的设计理念是让开发者“写得快”且“跑得快”。在实际算子开发实践中，这一目标已得到验证。
以大语言模型中至关重要的FlashAttention-3和GEMM（通用矩阵乘）算子为例，在摩尔线程MTT S5000上的测试结果显示：
▼ 开发效率倍增：
相较手写MUSA C++代码，使用TileLang-MUSA的代码量减少了约90%，且代码逻辑更加清晰，极大降低了开发与维护成本。
▼ 性能媲美手写：
得益于TileLang-MUSA优秀的编译器优化，生成的算子性能在典型配置下，Gemm最高可达到手写优化版本的95%, FlashAttention-3可以达到手写优化版本的85%。
▼ 自动化调优：
借助TileLang-MUSA的Auto-tuning机制，开发者可以在MUSA架构的全功能GPU上快速搜索最优的分块策略（Tile Size）和流水线级数，轻松超越未经深度优化的基准实现。
TileLang-MUSA的推出，为开发者带来了三大核心价值：
▼ 无缝迁移：
TileLang用户可以近乎零成本地将算子逻辑迁移至摩尔线程GPU；
▼ 降低门槛：
TileLang-MUSA为不熟悉MUSA指令集的AI工程师提供了高层次的开发入口，大幅降低了国产GPU的应用门槛；
▼ 赋能大模型：
TileLang-MUSA通过支持FlashAttention等关键算子的高效开发，将有力加速大语言模型等前沿AI应用在国产算力平台上的部署与落地。
TileLang-MUSA的开源是摩尔线程构建国产算力生态的关键一步。
以此为起点，摩尔线程将持续推进平台与生态建设，致力于打造一个覆盖从单算子到完整大模型的国产算力统一加速平台：
持续进行性能优化，开发更多MUSA架构定制扩展，使生成代码性能稳定达到手写优化版本的90%以上；
深度集成SGLang等主流AI框架，实现训练与推理场景的端到端无缝加速；
从单算子优化延伸至Transformer、MoE等复杂模型架构的跨算子调度与全局优化；
完善调试和性能分析工具链，为开发者提供全流程支持。
泉州18万农村实用人才助力乡村振兴
本报讯 （记者许雅玲 通讯员戴国能）记者从市农业农村局获悉，近年来，泉州市以新型职业农民为培育主体，以提高科技素质、职业技能和经营能力为工作核心，加快培育一支“有文化、懂技术、善经营、会管理”的农村实用人才队伍。目前，我市共培育18万农村实用人才，为实施乡村振兴战略提供人才支撑。
我市坚持以教育培训为人才工作的重要抓手，实施乡村人才技能培训计划，对具有劳动能力和一定文化素质的农村劳动力、高校毕业生等返乡下乡创业人员，开展就业创业创新培训。以农产品市场行情、选种育苗、病虫害防治、种植管理、农机服务和农副产品深加工技术等为重点开展农村实用技术培训。同时，开展“送科技下乡”“送智下乡”等活动，培育一批农业职业经理人、经纪人、电子商务人才、文化能人和非遗传承人等。此外，实施农村实用技术远程培训工程，依据农事季节和农民需求定制培训课程，通过网络视频等形式每年培训农民5万人次。每年选送200名符合条件的学员，采取单列考试入学、免费培训办法，依托福建农业职业技术学院等农业院校免费进行学历教育和技能培训。
这些优秀农村实用人才分布于特色水果、设施蔬菜、茶叶种植及加工、水产养殖、畜禽养殖、乡村旅游、传统工艺等产业。据不完全统计，仅2019年，我市优秀农村实用人才所在企业总产值5.6亿多元，人均800多万元，26家企业或个人取得专利106项，列入省级以上示范区（片、点）37个。
特朗普手机T1拆解实锤 实为HTC U24 Pro换壳
专业拆解机构iFixit将特朗普手机T1与HTC U24 Pro进行拆解对比后发现，两款手机内部结构几乎完全一致。显然，特朗普手机T1不可能实现其最初宣传的 "美国制造"。
PChome 6月12日消息，特朗普手机T1于去年公布并开启预订，历经多次跳票后，这款手机现已开始送抵部分媒体手中。拆解结果显示，特朗普手机T1大概率是一款换壳机型，原型为2024年推出的HTC U24 Pro，仅配色和背板设计有所不同。
专业拆解机构iFixit将特朗普手机T1与HTC U24 Pro进行拆解对比后发现，两款手机内部结构几乎完全一致。显然，特朗普手机T1不可能实现其最初宣传的 "美国制造"，即便目前官方改口的 "在美国组装" 一说，可信度也要大打折扣。
两款手机的内部排布几乎没有区别，仅闪光灯和摄像头的外观位置略有差异，但闪光灯本身的触点位置并未改变，只是通过延长排线实现了外观位置的调整。
iFixit 确认，T1搭载骁龙7 Gen3芯片，与HTC U24 Pro完全一致。存储方案存在差异，T1采用美光存储芯片，HTC则使用 SK 海力士。值得注意的是，iFixit将HTC U24 Pro的主板直接装入T1机身，手机仍可正常运行，证明二者硬件兼容性极高。
另外，两款手机在电池配置上存在差异，T1配备5000mAh电池，容量大于HTC的4600mAh电池，但T1将充电功率限制在30W，而HTC U24 Pro支持60W快充。
HTC多年前已将手机业务出售给谷歌，此后每年仅发布极少机型，且仅在少数市场发售。外媒据此推断，HTC正与一家中国ODM合作，由该ODM完成产品设计并为HTC贴牌代工。而特朗普手机很可能恰好也与同一家ODM签约，选择了同款公模方案，因此才会出现两款机型外观与内部结构高度一致的情况。
相关新闻 （共 6 条）