技术文章 Ken Shirriff 2026/09/26
文章围绕 Intel 8087 浮点协处理器的 FPTAN 正切指令，作者通过开盖显微成像、微码 ROM 逆向和数值分析，解释其如何把 CORDIC 与 Padé 有理逼近结合起来。CORDIC 用 arctan(2^-n) 特角序列与移位加减实现旋转，但 16 步仅约 16 位精度；8087 先用 CORDIC 伪除法确定 16 个旋转决策位，再把剩余小角度交给 3x/(3-x^2) 有理逼近，最后通过伪乘法逆序应用旋转得到 X、Y。文中还给出微码级实现、隐式定点指数缩放、移位寄存器、SQUARE 子程序及 0.95 输入的分步示例，并讨论参数范围、精度异常和性能占比。结论是这种混合算法以较少硬件兼顾速度与 64 位精度，而 Pentium 后转向多项式是因为快速乘法器已普及。其边界在于历史硬件逆向，并非现代浮点库实现指南。
推荐收录。文章以开盖显微照片、微码 ROM 反汇编和逐步数值表为直接证据，完整还原 FPTAN 的 CORDIC 伪除法、有理逼近与伪乘法流程，技术细节可验证且远超一般科普。适合计算机体系结构、浮点运算、逆向工程与数值算法读者，可迁移价值在于混合算法设计、隐式定点指数管理和微码性能分析。
工程实践 NVIDIA Technical Blog 2026/09/22
本文由 NVIDIA 工程师撰写，介绍开源工具 Topograph 如何为 AI 工厂/GPU 集群提供拓扑感知的工作负载调度。核心问题是：分布式训练与推理需要通信局部性，若调度器不掌握当前的 GPU 与网络互连关系，工作负载会被打散到远端拓扑域，导致跨链路竞争、吞吐下降与成本上升。Topograph 通过 provider（从云 API 或本地 InfiniBand/Spectrum-X/MNNVL 发现拓扑）与 engine（输出 K8s 节点标签、NFD 资源、Slurm topology.conf 或 Slinky ConfigMap）两层抽象，把异构环境归一化为统一模型，并由 API Server、Node Observer、Node Data Broker 等组件在集群变化时自动重算。文章给出 Helm/native 包部署、节点标签校验、亲和性配置，以及与 KAI Scheduler、Kueue、Slurm、Slinky 集成的完整示例。主要边界是：它反映的是上报而非预期拓扑，部分能力依赖特定 provider、版本或 alpha 特性开关，且文中未给出量化性能收益。
推荐收录，因为它用可验证的仓库、Helm chart 和 API 端点具体展示了 GPU 集群拓扑感知调度的架构权衡与落地步骤，而非泛泛宣传。适合负责 AI 基础设施、GPU 调度、Kubernetes/Slurm 集群运维的工程师参考，其 provider/engine 抽象、标签层级与自动刷新机制可迁移到其他异构算力调度场景。风险在于其性能收益未量化，且部分特性依赖 alpha 开关与特定版本。
技术文章 Daniel Lemire 2026/09/15
文章用 C++ 微基准测试 IEEE 次正规浮点数在不同处理器上的性能代价，覆盖乘法、数组相加、除法和依赖乘法链，并对比正常、全部次正规及 1% 次正规输入。实验在 GCC 15/clang 17 的 O3 -march=native 下运行，覆盖 Intel Granite Rapids、Emerald Rapids、AMD Zen 5、AWS Graviton 5 和 Apple M4 Max。结果显示 Intel 上次正规乘法约慢 45–50 倍，除法约慢 18 倍，依赖链每步从约 1 ns 增至 30 ns 以上，乘法延迟从 4 周期升至 128 周期；加减法不受影响，正常输入产生次正规输出同样慢。AMD 乘加基本全速，依赖链约慢三分之一，除法约慢一倍；Arm 几乎无惩罚。作者认为最新 AMD/ARM 上可较少担心次正规性能，但 Intel 仍是显著问题；结论来自微基准，实际负载仍需验证。
推荐收录：文章给出跨 Intel、AMD、Arm 五款处理器的可复现微基准与源码，量化了次正规浮点在 Intel 上乘法约慢 45–50 倍、除法约慢 18 倍等关键数据。对做数值计算、HPC、机器学习或游戏引擎的读者，可用于判断何时规避次正规数；但结果属微基准，迁移到真实负载前需结合向量化和数据分布验证。
科研议题 Microsoft Research Blog 2026/08/20
文章介绍微软研究院推出的 Skala 1.1，一种基于深度学习训练的 DFT 交换关联泛函。相比上一版本，训练数据量扩大 2.5 倍，在 GMTKN55 基准上加权平均误差达到 2.8 kcal/mol，以 meta-GGA 计算成本超越全局杂化泛函，并改善了电子密度、偶极矩和分子几何结构预测。Skala 已集成到 CP2K，并正在接入 Psi4、FHI-aims、ORCA 和 VASP 等主流电子结构软件。文中展示了 CP2K 与 PySCF 实现之间的数值一致性验证，误差在 0.1 kcal/mol 以内，同时给出 CPU/GPU 性能对比，并推出持续更新的性能基准报告。整体体现了连续改进的模型迭代思路，但作为项目进展公告，未深入展开模型架构与训练细节。
推荐收录，因为文章提供了明确的基准数值、跨软件集成验证和性能对比，展示了深度学习 DFT 从研究原型走向工程可用的路径。对计算化学、材料科学和 AI for Science 的读者有参考价值，尤其有助于了解 Skala 的集成方式和验证方法。需要注意这是项目公告，适合作为发展脉络的长期记录，而非方法论详述。
技术文章 NVIDIA Technical Blog 2026/07/20
文章系统介绍了NVIDIA NVLink技术在AI工厂中的横向扩展网络角色，从第一代到第五代的演进，重点解析了第五代NVLink提供的1.8 TB/s总带宽、NVSwitch实现的GPU全互联拓扑，以及NVLink-C2C实现Grace CPU与Blackwell GPU间内存一致性的片间互连。作者结合DGX和HGX系统实例，展示了NVLink如何支撑万亿参数模型训练和实时推理，并概览了未来NVLink 6和7的性能指标。文章主要基于NVIDIA官方视角，对NVLink技术的原理、性能和系统架构提供了深入描述，但内容局限于NVIDIA生态系统，未涉及替代方案或成本权衡。
推荐收录，因为文章详细解释了NVLink的协议设计、拓扑演进和性能数据，并提供了具体的系统集成案例，对于需要理解大规模AI训练基础设施的工程师和架构师具有明确参考价值。尽管带有官方宣传色彩，但其技术深度仍可帮助读者掌握GPU互连对系统设计和可扩展性的影响，适合作为硬件架构和AI系统工程的学习材料。
技术文章 NVIDIA Technical Blog 2026/07/10
本文深入探讨了CUDA中的内核融合技术，旨在缓解GPU计算与内存带宽之间的瓶颈。文章从GPU内存带宽不足以完全利用计算能力这一常见问题出发，详细解释了内核融合如何通过合并多个CUDA内核来减少内存传输和内核启动开销。文中介绍了多种实现融合的方法，包括手工编写融合内核、利用CUDA图动态融合以及通过编译指示自动融合等，并对比了各自的适用场景和潜在局限。文章还指出，内核融合虽然能够提升性能，但可能增加寄存器使用量和代码复杂度，需在具体情况下权衡。整体而言，该文为GPU性能优化提供了系统性的实践指导，特别适用于受内存带宽或启动延迟限制的计算密集型应用。
本文来自NVIDIA官方技术博客，从问题背景、优化原理到多种实现方式进行了系统阐述，并提供了可操作的代码示例和权衡分析。对于从事GPU编程、性能优化或HPC领域的开发者，文中关于减少内存瓶颈和启动开销的策略具有直接指导意义，可迁移至其他受类似约束的计算架构中。因此，该文具备长期参考价值，适合收录为技术深文。
工程实践 NVIDIA Technical Blog 2026/05/21
文章围绕 NVIDIA GB200 NVL72 这类高密度 GPU 机架如何通过 Slurm 的拓扑感知调度来提升作业性能，核心关注点是“任务如何放置”而不仅是“硬件有多快”。它强调在共享集群里，调度器需要理解节点、机架和互联拓扑，才能更好地把大模型训练或推理作业映射到合适的资源上，从而更接近整机架的性能上限。文章的适用边界主要在于面向 AI/HPC 集群管理与 Slurm 调度实践，尤其是对 NVIDIA 这类高带宽、强拓扑约束平台的资源编排问题。
推荐收录，因为它讨论的是大规模 GPU 集群中非常典型且长期存在的问题：如何通过拓扑感知调度减少性能损失、提升资源利用率。对做 AI 基础设施、HPC 集群管理和高性能作业编排的读者来说，这类经验具有较强的可迁移价值。
工程实践 NVIDIA Technical Blog 2026/04/07
文章围绕 NVIDIA GB200/GB300 NVL72 这类 rack-scale 超级计算机，说明其以 Blackwell 架构、18 个紧耦合计算托盘、GPU fabric 和高带宽网络组成统一系统。作者强调，AI 任务在这种硬件上运行时，关键不只是“把机器装进机柜”，而是要理解通信拓扑并据此做作业放置与调度。文章从硬件层次、网络/互联特性讲到 topology-aware scheduling，重点讨论如何减少跨托盘通信、匹配计算与通信密集型负载，并提升整体吞吐和资源利用。结论是，软硬件协同设计能明显改善大模型训练与推理的扩展性，但方案强依赖特定 rack-scale 平台，不宜直接照搬到普通集群。
有明确的硬件细节与调度方法，不是单纯产品介绍：文章直接讨论 rack-scale 互联结构、负载拓扑感知放置和性能收益。适合 AI 基础设施、HPC 平台和集群调度读者参考，但迁移时要注意它主要针对 NVIDIA NVL72 这类特定架构。