15 篇文档带有标签「MUSA」

Mooncake Transfer Engine MUSA Wheel 正式发布：从 PyPI 安装到 vLLM-MUSA 与 SGLang 接入

本文介绍 Mooncake Transfer Engine 的 MUSA 预编译 wheel 与自动发布流程，并给出在摩尔线程 GPU 环境中安装、校验，以及接入 vLLM-MUSA 和 SGLang Prefill-Decode 分离推理的基础方法。

Moore Perf System 1.1版本

Moore Perf System 是摩尔线程推出的GPU软件性能分析和调优工具，提供可视化界面，在时间轴上按时间顺序显示 CPU 和 GPU 的事件、吞吐和性能指标，帮助开发人员方便、快速、准确的定位到系统级别的性能瓶颈，进而进行针对性分析和优化，使程序性能满足需求。

MUSA Event 相关接口使用

MUSA是摩尔线程设计推出的统一系统架构，兼容CUDA，依托摩尔线程GPU，使用户更简单高效发挥出GPU的算力。Event（事件）是MUSA提供的一个便捷的工具，我们可以利用event来统计耗时、同步多stream等

MUSA Tensor Core GEMM 实践手记：把“能跑”变成“能交付”

一篇面向工程实践的 MUSA Tensor Core GEMM 教程。按 baseline、WMMA、muBLAS、muBLASLt、muDNN、MUTLASS 逐步展开；文末附录含完整可运行基准源码 bench_gemm_2048.mu，正文与附录自洽，不依赖外链。

摩尔线程 GPU（Moore Threads GPU, 简称MTGPU）作为全功能 GPU，拥有图形显示和计算这构筑元宇宙的两大功能，为了实现这一点摩尔线程设计出元计算统一系统架构（Meta-computing Unified System Architecture, 简称 MUSA），其底层框架提供对当今主流显示，高性能计算及AI应用库的兼容支持，让开发者能十分方便的在 MTGPU 算力底座上搭建元宇宙应用。本文着重讨论GPU的计算部分。向初学者介绍，计算任务使用 GPU 和 CPU 的区别，什么样的计算任务适合在GPU中计算，怎样才能充分发挥GPU的性能。

torchada：一行代码让 PyTorch CUDA 项目运行在摩尔线程 GPU 上

本文介绍 torchada —— 一个让基于 PyTorch CUDA 开发的项目无需修改代码即可在摩尔线程 GPU 上运行的适配器。文章详细介绍了 torchada 的设计理念、核心特性、使用方式和性能表现，并展示了 SGLang、Xinference、LightLLM、ComfyUI 等热门开源项目的成功适配案例。

从框架到 Kernel：在 MUSA 上用 Torch Profiler、MSYS 与 MCU 分级调优

一套可复制执行的 MUSA 性能分级调优流程：先无 Profiler 基准建立事实，再用 Torch Profiler 定位框架级重复调用，用 MSYS 查看系统时间线与真实热点 Kernel，最后用 MCU 验证单 Kernel 是否匹配硬件。

使用 ChatGPT 协助 MUSA 代码生成和运行

随着人工智能技术的蓬勃发展，智能对话系统如ChatGPT在许多领域中发挥着重要作用。这些系统不仅限于对话生成和问题回答，还可以用于编写代码和帮助软件开发。尤其是在生成特定领域语言代码方面，ChatGPT展现出了极大的潜力。本文将探讨如何使用ChatGPT生成MUSA代码，以及这项技术如何促进程序设计和开发过程的简化。MUSA是摩尔线程设计推出的统一系统架构，兼容CUDA，依托摩尔线程GPU，使用户更简单高效发挥出GPU的算力。