FlashAttention-4
PulseAugur coverage of FlashAttention-4 — every cluster mentioning FlashAttention-4 across labs, papers, and developer communities, ranked by signal.
- 2026-05-22 product_launch Together AI released FlashAttention-4, an optimized algorithm for Blackwell GPUs. 来源
2 天有情绪数据
-
新的大语言模型研究致力于加速训练、领域适应和推理效率
多篇在 arXiv 上发表的研究论文探索了优化大语言模型（LLM）训练和推理的新方法。A-3PO 提出了一种近似策略优化方法，以加速 LLM 训练；Diffract 通过检查权重矩阵和注意力头来分析领域适应；ZeroLock 引入了一种无反向传播算法，用于内存高效的 LLM 训练；DistillCache 使用强化学习进行推理过程中的自适应 KV 缓存驱逐。其他研究则侧重于通过采样多样性提高 LLM 推理性能，防范针对 KV 缓存的侧…
-
新的X-Stage流水线优化提升DiT推理速度
研究人员发现了一个新的流水线阶段，称为X-Stage，可以优化扩散Transformer（DiT）推理过程中的通信-计算重叠。该阶段专注于通信启动后但尚未完全可见的期间，从而更好地预测和管理发送方背压。通过对这个X-Stage进行建模，研究人员重新设计了DeepGEMM MegaMoE和Ulysses序列并行注意力模型的通信-计算融合内核，与现有基线相比实现了显著的加速。
-
Together AI 发布 Inkling 多模态 MoE 模型，拥有 100 万上下文窗口
Together AI 推出了 Inkling，这是由 Thinking Machines Lab 开发的多模态混合专家（MoE）模型。该开放权重模型拥有 9750 亿总参数和 410 亿激活参数，100 万 token 的上下文窗口，并原生支持文本、图像和音频输入。Inkling 通过 Together 的 FlashAttention-4 内核进行了优化，以实现高效推理，现在可通过 Together Serverless Infe…
-
Thinking Machines Lab 发布 Inkling 多模态模型，支持可控推理
Thinking Machines Lab 推出了 Inkling，这是一款专为高效推理和多功能任务处理而设计的新型多模态模型。该模型接受文本、图像和音频输入，并具有可控的推理能力，以平衡推理深度与延迟和 token 使用量。Inkling 包含多项架构创新，包括混合专家（mixture-of-experts）方法和查询条件相对注意力（query-conditioned relative attention），并可在 Together…
-
Modal 优化 FlashAttention-4 以实现更快的 LLM 推理速度
Modal 改进了 FlashAttention-4 内核，以提高大型语言模型（LLM）的推理速度，尤其是在解码密集型工作负载方面。他们的贡献侧重于调整并行策略，例如从查询并行转向键/值并行，并使用张量内存加速器（TMA）支持不规则的全局内存访问。该公司发现 CUDA 模板领域特定语言（CuTe DSL）在开发方面非常有效，并预计随着对未来内核开发基于平铺的编程模型的增强支持，将会有进一步的改进。
-
Together AI发布FlashAttention-3和-4，加速大语言模型处理
Together AI发布了FlashAttention-3和FlashAttention-4，这是其用于大语言模型的GPU加速注意力机制的重大升级。FlashAttention-3专为Hopper GPU设计，通过利用张量核心（Tensor Cores）和张量内存加速器（Tensor Memory Accelerator）等新硬件特性并支持FP8精度，实现了高达75%的利用率和比前代产品快1.5-2倍的速度。FlashAttenti…
-
CuTeDSL成为LLM推理的新GPU内核路径，挑战CUTLASS
LLM推理的GPU内核工程领域正在发生转变，CuTeDSL正崭露头角，有望成为C++ CuTe/CUTLASS的后继者。这种演变体现在FlashAttention-4和TorchInductor等技术中的行业趋势。对于2026年的开发者来说，选择C++ CUTLASS还是基于Python的CuTeDSL正成为一个关键考量，PyTorch和NVIDIA在其中扮演着重要角色。