研究人员开发了一种新颖的方法来优化机器学习系统的张量程序，将调度评估建模为潜在动态。这种受世界模型启发的 方法使用轻量级转换模型在连续潜在空间中预测程序状态，避免了昂贵的代码变异和编码。当在 TVM AutoScheduler 中实现时，与现有方法相比，它显著 降低了 GPU 和 CPU 上的子图延迟，并加速了全模型推理，所有这些都在减少的测量预算内完成。 AI
影响 这项研究通过优化底层张量计算，有望实现更高效的 AI 模型训练和推理。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.09312v1 Announce Type: new Abstract: Tensor program optimization is essential for modern machine learning systems, but its search space is enormous. Existing auto-schedulers reduce measurement cost with learned cost models, yet they usually evaluate each candidate as a…
Tensor program optimization is essential for modern machine learning systems, but its search space is enormous. Existing auto-schedulers reduce measurement cost with learned cost models, yet they usually evaluate each candidate as a static code snapshot, ignoring the schedule tra…