PyTorch-Triton 3.7 introduces a plugin extensions system that lets developers load custom compiler passes, MLIR dialects, and DSL extensions into upstream Triton at runtime via shared libraries and the TRITON_PLUGIN_PATHS environment variable — no forking or recompiling required. Meta's Triton Language Extensions (TLX) are the first major consumer, now distributed as the standalone utlx Python package. TLX provides hardware-aware ops for explicit shared memory management, async loads, and asynchronous matrix multiply-accumulate, enabling persistent GEMM kernels. On NVIDIA H100, Triton+TLX matches or exceeds cuBLAS by up to 3.7%. On AMD MI350, it outperforms rocBLAS by 12–15% across all tested shapes. The plugin path produces identical PTX/AMDGCN codegen to the compiled-in fork, confirming zero overhead from dynamic loading. A real-world validation on a GPU Mode Trimul competition achieved 1.61x speedup over the cuBLAS+torch.compile baseline.
Nguồn: https://pytorch.org/blog/triton-plugin-extensions-enabling-tlx-and-custom-compiler-passes-out-of-the-box. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.
Đọc tin ở đây, luyện code, học theo lộ trình và luyện IELTS trên các sản phẩm anh em — tất cả kết nối với nhau trong hệ sinh thái 8 Sync Dev.
Cổng chính của hệ sinh thái: giới thiệu sản phẩm, blog và bảng giá trọn bộ.
Khám pháHọc theo lộ trình với video, quiz chấm tự động, certificate và mentor đang làm nghề.
Xem khóa họcLuyện thuật toán chấm tự động 7 ngôn ngữ, chạy code ngay trên trình duyệt.

TypeScript 7.0 ra mắt phiên bản biên dịch gốc bằng Go, cải thiện tốc độ build lên 8–12 lần …
AI cho doanh nghiệp B2B: chat đa kênh AI phản hồi, gom lead tiềm năng, phân loại khách hàng.
Sắp ra mắt
TypeScript 7.0 RC đã được phát hành với trình biên dịch (compiler) được viết lại bằng Go, giúp tăng tốc độ build lên gấp 10 lần so với phiên bản 6.0 nhờ sử dụng đa luồng (parallelism) và mã gốc (native code). Phiên bản mới cũng thay đổi mặc định (strict: true, module: esnext), loại bỏ các flags lỗi thời, đồng thời hỗ trợ cài đặt song song với phiên bản 6.0 qua package @typescript/typescript6.
Lập trình viên nên đọc để khám phá cách TypeScript 7.0 cải thiện hiệu suất gỡ lỗi và xây dựng dự án với tốc độ gấp 10 lần nhờ chuyển sang biên dịch viên Go, đồng thời nâng cấp tính năng mới như chế độ strict mặc định và cải tiến trong VS Code.
Google Cloud vừa giới thiệu TPU Developer Hub, một nền tảng giáo dục tập trung dành cho nhà phát triển ML sử dụng TPU, bao gồm kiến trúc phần cứng, stack phần mềm (XLA, Pallas kernels), công cụ gỡ lỗi XProf, chiến lược tối ưu hóa (như offloading KV cache) cùng networking và bảo mật. Nội dung đa dạng từ Colabs tương tác, mã nguồn mở đến tài liệu chuyên sâu, hỗ trợ tích hợp AI-assisted development.
Lập trình viên ML nên đọc để hiểu cách tối ưu hóa hiệu suất và chi phí của mô hình trên TPU với các công cụ mới như XLA, Pallas và các chiến lược parallelism, từ đó tiết kiệm thời gian và nguồn lực trong triển khai sản phẩm AI.
Phân tích chi phí sơ lược cho thấy suy luận (inference) AI thực sự sinh lời, với chi phí ước tính khoảng 1 USD cho mỗi triệu token đầu ra, thấp hơn nhiều so với mức giá 4,5 USD trở lên của các nhà cung cấp như OpenAI, qua đó đạt biên lợi nhuận gộp 70–80%. Suy luận AI có lợi nhuận, nhưng các phòng thí nghiệm AI như OpenAI và Anthropic sử dụng khoản lợi nhuận này để bù đắp chi phí đào tạo mô hình tốn kém.
Là người phát triển muốn tối ưu chi phí cho ứng dụng AI của mình, bài viết này giúp bạn hiểu rõ về lợi nhuận thực tế của quá trình inference AI, từ đó có thể xây dựng mô hình kinh doanh hiệu quả và tránh bỏ lỡ cơ hội tiết kiệm chi phí mà không phụ thuộc vào sự hỗ trợ từ các công ty lớn.
OpenAI và Broadcom hợp tác phát triển chip AI tùy chỉnh Jalapeño nhằm cạnh tranh với Nvidia Blackwell và Google TPU, nhắm vào workloads inference. Chip này đã được thử nghiệm với mô hình GPT-5.3-Codex-Spark và dự kiến triển khai vào cuối năm 2025, trong khi tình trạng thiếu hụt HBM đang ảnh hưởng đến biên lợi nhuận của Broadcom.
Lập trình viên nên đọc bài này để hiểu cách các công ty lớn như OpenAI và Broadcom hợp tác phát triển chip AI chuyên dụng, giúp tối ưu hóa hiệu suất cho các mô hình lớn như GPT-5.3, ảnh hưởng trực tiếp đến hiệu năng và chi phí của các ứng dụng AI trong tương lai.
Bài viết thứ 3 trong loạt bài phân tích hiệu suất PyTorch tập trung vào cơ chế attention, so sánh chi tiết 4 backend SDPA (math, efficient/xformers-CUTLASS, FlashAttention-2, cuDNN). FlashAttention-2 đạt hiệu suất GPU tốt nhất nhờ sử dụng tối ưu thanh ghi và bộ nhớ chia sẻ, trong khi backend math chậm nhất do overhead ép kiểu FP32 và softmax an toàn.
Lập trình viên cần đọc bài này để hiểu cách tối ưu hóa chi tiết các cơ chế chú ý trong PyTorch, từ những lỗi nhỏ như memcpy không mong đợi đến sự khác biệt đáng kể giữa các backend khác nhau (như SDPA), giúp tiết kiệm thời gian và nguồn lực GPU hiệu quả.

AMD đang kích hoạt tính năng CACP trong driver AMDGPU mã nguồn mở trên Linux nhằm tối ưu tiết kiệm điện năng cho màn hình OLED. Bản vá cũng bổ sung hỗ trợ PSR, Panel Replay, IPS cho DCN42b và sửa lỗi phân tích chế độ 8K qua HDMI 2.1. Các thay đổi dự kiến sẽ được đưa vào nhân Linux phiên bản 7.3.
Lập trình viên phát triển phần mềm cho hệ điều hành Linux sẽ tìm hiểu về CACP để tối ưu hóa hiệu suất và tiết kiệm năng lượng cho các ứng dụng sử dụng màn hình OLED, đặc biệt là trong các dự án liên quan đến GPU AMD và giao diện người dùng.
Bolt Graphics ra mắt GPU Zeus dành cho kiến trúc sư, game thủ, nghệ sĩ và nhà nghiên cứu, hứa hẹn hiệu năng render/simulate nhanh hơn, tiết kiệm điện hơn, hỗ trợ real-time path tracing, photorealistic rendering, giảm thời gian render phim/TV cùng khả năng mô phỏng vật lý cho HPC.
Lập trình viên chuyên về đồ họa và AI nên đọc bài này để khám phá cách GPU mới như Zeus có thể tối ưu hóa các công cụ rendering và simulation cho các ứng dụng như ray tracing, vật lý và HPC, giúp phát triển các giải pháp hiệu quả hơn cho các dự án tương tác và thực tế ảo.