[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-home-live-entry-setting":3,"site-header-contests":8,"site-header-camps":49,"news-detail-60d71ec8-450f-40b7-842f-44af5a77f836":104},{"enabled":4,"title":5,"statusText":5,"buttonText":5,"campSlug":5,"stage":6,"classroomId":7,"hasClassroom":4},false,"",0,null,{"total":9,"list":10,"pageNum":44,"pageSize":45,"size":9,"startRow":44,"endRow":9,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":48,"navigateFirstPage":44,"navigateLastPage":44},3,[11,25,35],{"slug":12,"title":13,"logo":7,"liveUrl":14,"prize":15,"sponsor":16,"description":17,"organizer":18,"startTime":19,"endTime":20,"registrationDeadline":21,"status":22,"dashboardVisibility":23,"createdAt":24},"spring2026","2026春季启元人工智能大赛","https:\u002F\u002Fwww.bilibili.com\u002Fblackboard\u002Flive\u002Flive-activity-player.html?cid=1822703816&quality=0","200,000","麒麟软件有限公司","“2026春季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。\n各参赛选手需在规定的比赛周期内，依据赛事规则选定赛题并完成相应挑战，优胜者将共同角逐总额20万元的赛事奖金池，并且还将有机会获得实习和知名企业优质岗位内推资格。","启元实验室","2026-04-19 16:00:00","2026-07-13 16:00:00","2026-06-16 16:00:00","ongoing","private","2026-04-16 08:00:00",{"slug":26,"title":27,"logo":7,"liveUrl":14,"prize":28,"sponsor":7,"description":29,"organizer":18,"startTime":30,"endTime":31,"registrationDeadline":32,"status":33,"dashboardVisibility":23,"createdAt":34},"autumn2025","2025秋季启元人工智能大赛","150,000","“2025秋季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。","2025-11-08 08:00:00","2026-01-13 08:00:00","2025-12-30 08:00:00","ended","2025-11-03 08:00:00",{"slug":36,"title":37,"logo":7,"liveUrl":14,"prize":38,"sponsor":7,"description":39,"organizer":18,"startTime":40,"endTime":41,"registrationDeadline":42,"status":33,"dashboardVisibility":23,"createdAt":43},"summer2025","启元人工智能大赛(系统方向)","80,000","启元人工智能大赛由启元实验室主办，其中系统赛道基于启元实验室九源软件栈的相关开源项目，通过拉动开源社区力量，一方面促进国产智能计算生态的发展，另一方面也为人工智能系统方向的学生及从业者提供一个实践平台。","2025-07-08 08:00:00","2025-08-25 08:00:00","2025-07-22 08:00:00","2025-06-22 08:00:00",1,5,true,8,[44],{"total":45,"list":50,"pageNum":44,"pageSize":45,"size":45,"startRow":44,"endRow":45,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":103,"navigateFirstPage":44,"navigateLastPage":44},[51,62,73,84,94],{"id":52,"slug":53,"title":54,"logo":55,"publicLiveEmbedUrl":14,"description":56,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":16,"startTime":58,"endTime":59,"status":22,"dashboardVisibility":60,"createdAt":58,"updatedAt":61},"019eeeff-6b00-7d55-a629-efafded3e232","summer2026","2026年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2026-06\u002F019eef7f-7816-7828-9309-79c2c61dd568.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=xCxotDQNpBJTqWfV5GLFkxjm7VU%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。","...","2026-06-22 08:00:00","2026-10-19 08:00:00","public","2026-10-12 08:00:00",{"id":63,"slug":64,"title":65,"logo":66,"publicLiveEmbedUrl":7,"description":67,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":68,"startTime":69,"endTime":70,"status":33,"dashboardVisibility":23,"createdAt":71,"updatedAt":72},"019af3f3-e06a-7245-aa8d-37dc99a69c73","winter2025","2025年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-12\u002F019afc69-b7ca-7805-91fb-605429671c01.png?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=pc6HtTwsWgr5dmvvjfNHzg1pESg%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。 \n","新华三技术有限公司","2025-12-25 08:00:00","2026-03-27 08:00:00","2025-12-06 08:00:00","2026-10-22 20:24:30",{"id":74,"slug":36,"title":75,"logo":76,"publicLiveEmbedUrl":7,"description":77,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":78,"startTime":79,"endTime":80,"status":81,"dashboardVisibility":23,"createdAt":82,"updatedAt":83},"01980342-208c-7803-b3f3-19e1d31960ba","2025年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-07\u002F0198045e-28fe-78f0-95fe-23835ce58395.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=1D70PAG3P6aj0gCBtsrIEBoun5I%3D","InfiniTensor大模型与人工智能系统训练营由启元实验室及清华大学 AI 系统方向团队发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营联合开源项目开发者、学术界大牛、工业界资深工程师参与授课与项目指导。课程采用「线上直播授课 + 在线答疑 + 项目实践辅导 」的方式进行，确保每位同学都能获得充分成长。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","北京积算科技有限公司","2025-07-14 08:00:00","2025-09-30 08:00:00","upcoming","2025-07-13 08:00:00","2026-10-22 20:24:58",{"id":85,"slug":86,"title":87,"logo":88,"publicLiveEmbedUrl":7,"description":89,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":90,"endTime":91,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":93},"01980cf9-a7d8-7796-ae86-0bbe05334add","winter2024","2024年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-ce23-7624-a287-9f07dd0d85f6.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。报名学员请阅读“导学”课程页的训练营介绍。","2025-01-05 08:00:00","2025-03-22 08:00:00","2025-07-15 08:00:00","2026-10-22 20:24:39",{"id":95,"slug":96,"title":97,"logo":98,"publicLiveEmbedUrl":7,"description":99,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":100,"endTime":101,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":102},"01980c20-363a-7dc3-8f5a-58a68e08dcc4","summer2024","2024年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-fbfa-788a-afcd-17fa9be74ff9.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区和高校，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过课程、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","2024-07-20 08:00:00","2024-09-29 08:00:00","2026-10-22 20:24:49",[44],{"newsDetail":105,"processedData":127},{"publishTime":106,"img":107,"keywords":108,"treeType":44,"description":109,"showStatus":44,"updateTime":110,"type":44,"title":111,"content":112,"nextArticle":113,"createTime":118,"sortOrder":6,"canonicalPath":119,"id":120,"contentType":121,"prevArticle":122},"2026-11-02 16:00:00","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002Faef39236-baf5-4f24-b2a4-2c72f0a0152b.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=CV1rK%2BpuJRMBCKPsUub6G9JyjDc%3D","九齿,多后端,算子编译器,TileLang,开源技术周","九齿新增 TileLang、CUDA C 等多编译后端，算子代码仅编写一次，可生成多硬件实现，依托前后端分层架构，充分释放不同硬件算力性能。","2026-11-02 12:31:03","九源开源技术周 04 | 九齿多后端，让简单的算子代码跑得更快","![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002F40c05fac-5db4-42eb-9011-da9ed73fcf62.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=rpKBQKe7hNvw9%2FNr8o%2BLBDqZZu4%3D)\n\n\n\n\n\u003Cspan style=\"font-size:13px;color:#777;\">上一篇，我们把九齿矩阵乘里那一串难读的数据排布简化了。代码更好写了，接下来绕不开的问题是：**跑得怎么样？**\u003C\u002Fspan>\n\n九齿一直希望大家按串行的思路写计算，把并行化交给编译器。但代码写得简单，后面的实现也得把硬件用好。过去，九齿主要通过 Triton 生成算子。在实际使用中，我们发现，一些算子，特别是在部分国产平台上，性能会受到 Triton 后端的限制。上层已经把计算描述清楚了，后端生成的代码却未必能充分发挥硬件能力。\n\n为此，我们为九齿增加了 **TileLang、CUDA C、Ascend C 和 BANG C** 后端，让编译器有了更多生成实现的方式，针对不同硬件继续挖掘性能。\n\n### 性能还取决于后端怎样生成代码\n\n同样是矩阵乘，公式没有变，实际执行却有很多讲究：\n- 数据怎样成块搬运？\n- 搬数据和计算能不能重叠？\n- 块乘法能不能用好硬件的矩阵计算单元？\n\n这些工作完成得怎么样，都会直接影响最后的性能。\n\n如果所有实现都经过同一条编译路径，九齿能做出的选择也会受这条路径约束。当后端没有用好某些硬件能力时，单靠调整上层代码，未必就能补齐这部分差距。**多后端**让九齿可以利用不同编译体系的能力，也可以直接面向目标硬件生成原生代码。\n\n### 计算只写一次，后端可以生成不同实现\n\n在编程接口上，算子仍然由 **排布** 和 **计算** 两部分组成。拿最简单的向量加法来说，同一份定义可以分别交给 Triton 和 TileLang：\n\n```python\nimport ninetoothed as nt\n\ndef arrangement(x, y, out):\n    return tuple(t.tile((256,)) for t in (x, y, out))\n\ndef application(x, y, out):\n    out = x + y\n\ntensors = tuple(nt.Tensor(1) for _ in range(3))\n\ntriton_add = nt.make(\n    arrangement, application, tensors, backend=\"triton\"\n)\n\ntilelang_add = nt.make(\n    arrangement, application, tensors, backend=\"tilelang\"\n)\n```\n\n前面的排布和计算只定义一次，生成时指定后端。这样，我们可以保留同一份计算定义，在目标硬件上比较不同后端的表现，再确定采用哪种实现。\n\n### 一套前端和中端，支撑多个后端\n\n多后端能够共用同一份算子定义，背后是九齿对 **前端、中端和后端** 的清晰划分：\n\n-   **前端：** 负责读取排布和计算，整理成统一的中间表示；\n-   **中端：** 在这份表示上做公共分析和优化；\n-   **后端：** 结合目标硬件安排执行方式，生成对应语言的代码。\n\n![图 1 九齿编译器的职责分层](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002F2a891e52-051b-48aa-91ca-209e89850ef0.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=BnpkNjcNT2T4T%2FEhucb25drenz8%3D)\n\n\n\n比如消除重复计算、复用归约结果，这些公共优化可以在中端实现，再被多个后端沿用。中端完善了一项优化，接入这条编译流程的后端就能复用相应成果，不必为每种输出语言各做一遍。\n\n新增后端，也就不必从头实现一套编译器。前端对程序的理解、中端积累的公共优化都可以继续使用，后端开发集中在怎样把这些计算映射到目标硬件。\n\n### 既能接上 TileLang，也能直接生成原生代码\n#### 1. TileLang 后端\n以矩阵乘为例，九齿会分析输入怎样被访问、各个块怎样参与计算。在满足相应条件时，生成 `T.copy` 搬运数据块、`T.Pipelined` 组织流水循环、`T.gemm` 完成块矩阵乘，再由 TileLang 完成后续编译。\n\n开发者写的是分块计算，数据搬运与计算流水等实现细节可以由编译器接手。[1]\n\n> 📢 **联合发布预告**\n> 在10月31日举办的 2026 GAI+C 大会的九源智能计算系统创新与开放生态论坛上，我们还与 TileLang 进行了联合发布，介绍了九齿与 TileLang 结合的最新进展。\n\n#### 2. 原生后端\n原生后端则让九齿可以直接安排目标硬件上的执行方式。比如通过 **Ascend C** 和 **BANG C**，针对相应芯片组织数据搬运、向量计算和矩阵计算，让国产平台上的优化有更直接的实现空间。\n\n### 把有效的优化留在编译器里\n\n比如用户写一行求和，编译器可以让多个线程各算一部分，再把结果合起来。怎样分配这些工作、怎样组织中间结果，不必在每个算子里重新写一遍。九齿的多后端设计已经能为不同语言生成合适的归约表达实现。\n\n我们希望九齿编译器能够让算子开发更加高效：\n- **大模型**负责设计算法、写出简洁的九齿代码；\n- **九齿编译器**负责生成高效算子；\n- 大模型在编译和运行过程中发现的优化方法，经验证后沉淀为九齿编译器的优化规则，供后续算子直接复用。\n\n这样，大模型探索的优化能力就能不断积累为编译器的能力，而编译器也能减少大模型优化过程中的重复试错。\n\n### 🔗 相关链接\n**【1】：**\nhttps:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\u002Fblob\u002Fab0c58c23f82ad94143066239f70a1d5ae941089\u002Fsrc\u002Fninetoothed\u002Fbackends\u002Femitters\u002Ftilelang.py\n\n**项目仓库：**\nhttps:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\n\n\n\n\n## 关注与交流\n\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002Fd8e64f02-bb52-4d84-9682-f180240a8f69.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=LJPoyZMz%2BKipyNsc0eycyQ9mQP4%3D)",{"publishTime":106,"createTime":114,"canonicalPath":115,"id":116,"title":117},"2026-11-02 12:17:11","\u002Fnews\u002F11f779a1-6089-4ce8-8dae-461ff1973e2a","11f779a1-6089-4ce8-8dae-461ff1973e2a","九源开源技术周 02 | 九齿简化编程接口：让 GPU 算子更好写","2026-11-02 12:24:05","\u002Fnews\u002F60d71ec8-450f-40b7-842f-44af5a77f836","60d71ec8-450f-40b7-842f-44af5a77f836","markdown",{"publishTime":106,"createTime":123,"canonicalPath":124,"id":125,"title":126},"2026-11-02 12:27:45","\u002Fnews\u002F70b72480-df03-4333-a4f3-2f7476646b6a","70b72480-df03-4333-a4f3-2f7476646b6a","九源开源技术周 05| 用 InfiniLM 和 InfiniTensor 把智能体跑起来",{"htmlContent":128,"headings":129},"\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002F40c05fac-5db4-42eb-9011-da9ed73fcf62.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=rpKBQKe7hNvw9%2FNr8o%2BLBDqZZu4%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>\u003Cspan style=\"font-size:13px;color:#777;\">上一篇，我们把九齿矩阵乘里那一串难读的数据排布简化了。代码更好写了，接下来绕不开的问题是：\u003Cstrong>跑得怎么样？\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>九齿一直希望大家按串行的思路写计算，把并行化交给编译器。但代码写得简单，后面的实现也得把硬件用好。过去，九齿主要通过 Triton 生成算子。在实际使用中，我们发现，一些算子，特别是在部分国产平台上，性能会受到 Triton 后端的限制。上层已经把计算描述清楚了，后端生成的代码却未必能充分发挥硬件能力。\u003C\u002Fp>\n\u003Cp>为此，我们为九齿增加了 \u003Cstrong>TileLang、CUDA C、Ascend C 和 BANG C\u003C\u002Fstrong> 后端，让编译器有了更多生成实现的方式，针对不同硬件继续挖掘性能。\u003C\u002Fp>\n\u003Ch3 id=\"性能还取决于后端怎样生成代码\">\u003Ca class=\"anchor\" href=\"#性能还取决于后端怎样生成代码\" aria-label=\"跳转到标题：性能还取决于后端怎样生成代码\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>性能还取决于后端怎样生成代码\u003C\u002Fh3>\u003Cp>同样是矩阵乘，公式没有变，实际执行却有很多讲究：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>数据怎样成块搬运？\u003C\u002Fli>\n\u003Cli>搬数据和计算能不能重叠？\u003C\u002Fli>\n\u003Cli>块乘法能不能用好硬件的矩阵计算单元？\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>这些工作完成得怎么样，都会直接影响最后的性能。\u003C\u002Fp>\n\u003Cp>如果所有实现都经过同一条编译路径，九齿能做出的选择也会受这条路径约束。当后端没有用好某些硬件能力时，单靠调整上层代码，未必就能补齐这部分差距。\u003Cstrong>多后端\u003C\u002Fstrong>让九齿可以利用不同编译体系的能力，也可以直接面向目标硬件生成原生代码。\u003C\u002Fp>\n\u003Ch3 id=\"计算只写一次-后端可以生成不同实现\">\u003Ca class=\"anchor\" href=\"#计算只写一次-后端可以生成不同实现\" aria-label=\"跳转到标题：计算只写一次，后端可以生成不同实现\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>计算只写一次，后端可以生成不同实现\u003C\u002Fh3>\u003Cp>在编程接口上，算子仍然由 \u003Cstrong>排布\u003C\u002Fstrong> 和 \u003Cstrong>计算\u003C\u002Fstrong> 两部分组成。拿最简单的向量加法来说，同一份定义可以分别交给 Triton 和 TileLang：\u003C\u002Fp>\n\u003Cpre>\u003Ccode class=\"language-python\">import ninetoothed as nt\n\ndef arrangement(x, y, out):\n    return tuple(t.tile((256,)) for t in (x, y, out))\n\ndef application(x, y, out):\n    out = x + y\n\ntensors = tuple(nt.Tensor(1) for _ in range(3))\n\ntriton_add = nt.make(\n    arrangement, application, tensors, backend="triton"\n)\n\ntilelang_add = nt.make(\n    arrangement, application, tensors, backend="tilelang"\n)\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>前面的排布和计算只定义一次，生成时指定后端。这样，我们可以保留同一份计算定义，在目标硬件上比较不同后端的表现，再确定采用哪种实现。\u003C\u002Fp>\n\u003Ch3 id=\"一套前端和中端-支撑多个后端\">\u003Ca class=\"anchor\" href=\"#一套前端和中端-支撑多个后端\" aria-label=\"跳转到标题：一套前端和中端，支撑多个后端\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>一套前端和中端，支撑多个后端\u003C\u002Fh3>\u003Cp>多后端能够共用同一份算子定义，背后是九齿对 \u003Cstrong>前端、中端和后端\u003C\u002Fstrong> 的清晰划分：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>前端：\u003C\u002Fstrong> 负责读取排布和计算，整理成统一的中间表示；\u003C\u002Fli>\n\u003Cli>\u003Cstrong>中端：\u003C\u002Fstrong> 在这份表示上做公共分析和优化；\u003C\u002Fli>\n\u003Cli>\u003Cstrong>后端：\u003C\u002Fstrong> 结合目标硬件安排执行方式，生成对应语言的代码。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002F2a891e52-051b-48aa-91ca-209e89850ef0.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=BnpkNjcNT2T4T%2FEhucb25drenz8%3D\" alt=\"图 1 九齿编译器的职责分层\">\u003C\u002Fp>\n\u003Cp>比如消除重复计算、复用归约结果，这些公共优化可以在中端实现，再被多个后端沿用。中端完善了一项优化，接入这条编译流程的后端就能复用相应成果，不必为每种输出语言各做一遍。\u003C\u002Fp>\n\u003Cp>新增后端，也就不必从头实现一套编译器。前端对程序的理解、中端积累的公共优化都可以继续使用，后端开发集中在怎样把这些计算映射到目标硬件。\u003C\u002Fp>\n\u003Ch3 id=\"既能接上-tilelang-也能直接生成原生代码\">\u003Ca class=\"anchor\" href=\"#既能接上-tilelang-也能直接生成原生代码\" aria-label=\"跳转到标题：既能接上 TileLang，也能直接生成原生代码\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>既能接上 TileLang，也能直接生成原生代码\u003C\u002Fh3>\u003Ch4 id=\"1-tilelang-后端\">\u003Ca class=\"anchor\" href=\"#1-tilelang-后端\" aria-label=\"跳转到标题：1. TileLang 后端\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>1. TileLang 后端\u003C\u002Fh4>\u003Cp>以矩阵乘为例，九齿会分析输入怎样被访问、各个块怎样参与计算。在满足相应条件时，生成 \u003Ccode>T.copy\u003C\u002Fcode> 搬运数据块、\u003Ccode>T.Pipelined\u003C\u002Fcode> 组织流水循环、\u003Ccode>T.gemm\u003C\u002Fcode> 完成块矩阵乘，再由 TileLang 完成后续编译。\u003C\u002Fp>\n\u003Cp>开发者写的是分块计算，数据搬运与计算流水等实现细节可以由编译器接手。[1]\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>📢 \u003Cstrong>联合发布预告\u003C\u002Fstrong>\u003Cbr>在10月31日举办的 2026 GAI+C 大会的九源智能计算系统创新与开放生态论坛上，我们还与 TileLang 进行了联合发布，介绍了九齿与 TileLang 结合的最新进展。\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch4 id=\"2-原生后端\">\u003Ca class=\"anchor\" href=\"#2-原生后端\" aria-label=\"跳转到标题：2. 原生后端\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>2. 原生后端\u003C\u002Fh4>\u003Cp>原生后端则让九齿可以直接安排目标硬件上的执行方式。比如通过 \u003Cstrong>Ascend C\u003C\u002Fstrong> 和 \u003Cstrong>BANG C\u003C\u002Fstrong>，针对相应芯片组织数据搬运、向量计算和矩阵计算，让国产平台上的优化有更直接的实现空间。\u003C\u002Fp>\n\u003Ch3 id=\"把有效的优化留在编译器里\">\u003Ca class=\"anchor\" href=\"#把有效的优化留在编译器里\" aria-label=\"跳转到标题：把有效的优化留在编译器里\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>把有效的优化留在编译器里\u003C\u002Fh3>\u003Cp>比如用户写一行求和，编译器可以让多个线程各算一部分，再把结果合起来。怎样分配这些工作、怎样组织中间结果，不必在每个算子里重新写一遍。九齿的多后端设计已经能为不同语言生成合适的归约表达实现。\u003C\u002Fp>\n\u003Cp>我们希望九齿编译器能够让算子开发更加高效：\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>大模型\u003C\u002Fstrong>负责设计算法、写出简洁的九齿代码；\u003C\u002Fli>\n\u003Cli>\u003Cstrong>九齿编译器\u003C\u002Fstrong>负责生成高效算子；\u003C\u002Fli>\n\u003Cli>大模型在编译和运行过程中发现的优化方法，经验证后沉淀为九齿编译器的优化规则，供后续算子直接复用。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>这样，大模型探索的优化能力就能不断积累为编译器的能力，而编译器也能减少大模型优化过程中的重复试错。\u003C\u002Fp>\n\u003Ch3 id=\"相关链接\">\u003Ca class=\"anchor\" href=\"#相关链接\" aria-label=\"跳转到标题：🔗 相关链接\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>🔗 相关链接\u003C\u002Fh3>\u003Cp>\u003Cstrong>【1】：\u003C\u002Fstrong>\u003Cbr>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\u002Fblob\u002Fab0c58c23f82ad94143066239f70a1d5ae941089\u002Fsrc\u002Fninetoothed\u002Fbackends\u002Femitters\u002Ftilelang.py\">https:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\u002Fblob\u002Fab0c58c23f82ad94143066239f70a1d5ae941089\u002Fsrc\u002Fninetoothed\u002Fbackends\u002Femitters\u002Ftilelang.py\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>项目仓库：\u003C\u002Fstrong>\u003Cbr>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\">https:\u002F\u002Fgithub.com\u002FInfiniTensor\u002Fninetoothed\u003C\u002Fa>\u003C\u002Fp>\n\u003Ch2 id=\"关注与交流\">\u003Ca class=\"anchor\" href=\"#关注与交流\" aria-label=\"跳转到标题：关注与交流\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>关注与交流\u003C\u002Fh2>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fdata\u002Fqy-test\u002Fuploads\u002F2026-11\u002Fd8e64f02-bb52-4d84-9682-f180240a8f69.jpg?Expires=1793615463&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=LJPoyZMz%2BKipyNsc0eycyQ9mQP4%3D\" alt=\"\">\u003C\u002Fp>\n",[130,132,135,138,141,145,148,150,153],{"id":131,"text":131,"level":9},"性能还取决于后端怎样生成代码",{"id":133,"text":134,"level":9},"计算只写一次-后端可以生成不同实现","计算只写一次，后端可以生成不同实现",{"id":136,"text":137,"level":9},"一套前端和中端-支撑多个后端","一套前端和中端，支撑多个后端",{"id":139,"text":140,"level":9},"既能接上-tilelang-也能直接生成原生代码","既能接上 TileLang，也能直接生成原生代码",{"id":142,"text":143,"level":144},"1-tilelang-后端","1. TileLang 后端",4,{"id":146,"text":147,"level":144},"2-原生后端","2. 原生后端",{"id":149,"text":149,"level":9},"把有效的优化留在编译器里",{"id":151,"text":152,"level":9},"相关链接","🔗 相关链接",{"id":154,"text":154,"level":155},"关注与交流",2]