AWQ：为什么 4-bit 权重量化要先观察 Activation
从显著通道、等价缩放到 W4A16 Kernel 与端到端 Serving 收益
AI Infra · Systems · Performance
拆解复杂系统，
记录工程实践。
关注大模型推理、GPU 性能优化与云原生基础设施。这里沉淀原理推导，也记录真实工程里的取舍。
$ focus --on
LLM inference systems
GPU kernel optimization
Cloud native infrastructure
$ posts --count 87
87篇技术文章
24个技术主题
2021开始记录
Open持续更新
Latest writing
最新文章
SmoothQuant：把 Activation Outlier 迁移到 Weight
从等价通道缩放到 W8A8 INT8 GEMM、Q/DQ 融合与 Serving 收益
FP8 推理：E4M3、E5M2、Scale 与 Tensor Core 到底怎样配合
分清权重存储、Activation 量化、GEMM、KV Cache 与通信的五条低精度路径
torch.compile：LLM Serving 从 Python Forward 到融合 GPU Kernel
沿着 Dynamo、FX、Guards、Inductor 与 Graph Break 理解编译收益和冷启动
CUDA Graph：把动态 LLM Serving 装进可重放的静态执行图
从 Kernel Launch 开销到 Batch Bucket、静态地址与 Piecewise Capture
Wide EP：当 MoE Expert Parallel 横跨几十张 GPU
从 Attention DP、跨节点 All-to-All 到 P/D 两套并行布局
DeepEP：把 MoE 的 Dispatch 与 Combine 做成专用数据面
理解变长通信、两级互联、低延迟路径、FP8 传输与计算重叠
MoE 负载均衡：从 Router 偏置到 Expert 副本与 EPLB
分清训练时均衡、推理时重排，以及不改变 Top-k 语义的热点分流
Expert Parallel：MoE Token 为什么要两次穿过 GPU 网络
从 EP 分组、All-to-All 通信量到 Prefill/Decode 的并行选择
分布式 LLM 推理故障恢复：一条流式请求怎样活下来
从健康检测、请求迁移到 KV 状态、优雅下线与过载保护