7月31日 CUDA 与 AI 系统加速速览：GPU kernel 隔离评测、编译器回归与推荐检索 (2026)

先看结论

这次挑选的几项更新，给出四个可复用的工程动作：隔离 GPU kernel 评测环境；把推理瓶颈拆成网络、计算、内存和搬运；为编译器前端建立按根因组织的正确性回归集；让推荐模型的 item embedding 可以预计算并进入 ANN serving。

GPU kernel：隔离评测环境

Union.ai 让每个 LLM 生成的 GPU kernel 在独立子进程中运行，并使用文件系统、网络隔离、超时和干净 GPU 状态；计时阶段 warmup 5 次，再用 CUDA event 测 20 次。1

在 1,000 个曾被标记为失败的 kernel 中，L40S 复测后 259 个通过，683 个编译成功但校验失败，58 个无法编译；4 张 L40S 完成评测约需 1 小时。这个结果适合提醒团队：比较 kernel 性能时要同时记录 GPU、软件栈、输入校验、warmup 和计时方法。1

推理运行时：先定位瓶颈

Google 7 月 30 日公开的 TPU microbenchmark suite 将测量拆成 network、compute、HBM、host transfer 和 Ragged-Paged Attention，并用 Roofline 区分 compute-bound、memory-bound 与 network-bound。一个 110B MoE 案例在 4×4×4 TPU 7x 上报告 dense-core forward 达到 1.85 PFLOPS，调优后训练 step time 下降 21.2%。这些数字属于 TPU 7x 案例；可迁移到 CUDA GPU 的是测量顺序，不是结果本身。2

AI 编译器：前端正确性回归

一篇 7 月 28 日的预印本整理了 123 个 TorchDynamo frontend bugs，并在 PyTorch 2.10 上用根因导向的测试生成方法产生 170 个测试，发现 23 个失败或错误，其中 15 个被确认是新的 bug。对依赖动态 shape 或 graph capture 的服务，编译器升级应先测数值一致性，再测编译时间和端到端延迟。3

推荐召回：two-tower 配合可预计算 embedding

《The Case Against Generation for Retrieval》用 cross-encoder teacher 训练 two-tower student；用户塔和物品塔共享 LLM encoder，物品 embedding 可预先计算并进入 ANN 索引。论文内部 serving 结果报告：FSQ compression 带来 19.7% QPS 增益，depth pruning 带来 10.6%，post-training quantization 带来 13.6%，同时约有 0.003% 的 NE 回归。部署时应把召回、QPS、更新新鲜度和量化误差放在同一张验收表。4

带回仓库的检查清单

固定 GPU 型号、CUDA/PyTorch/Triton 版本、warmup 和数值校验阈值，再比较 kernel 时间。
对推理服务分别测网络、HBM、主机搬运和 attention 原语，确认瓶颈后再改 kernel 或并行策略。
把编译器 correctness 按根因分层，覆盖固定 shape、动态 batch 和长尾输入。
先验证 item embedding 能否预计算和增量更新，再测 ANN 召回、QPS 与量化后的 NE/Recall。

7月31日 CUDA 与 AI 系统加速速览：GPU kernel 隔离评测、编译器回归与推荐检索