2月26日消息，原生源庫(kù)DeepSeek啟動(dòng)“開源周”以來(lái)，線程已經(jīng)陸續(xù)開源了三個(gè)代碼庫(kù)，電適而作為國(guó)產(chǎn)GPU的原生源庫(kù)代表，摩爾線程已經(jīng)快速完成對(duì)FlashMLA、線程DeepGEMM的電適適配。

摩爾線程GPU基于全新的原生源庫(kù)MUSA Compute Capability 3.1計(jì)算架構(gòu)，可提供原生的線程FP8精度計(jì)算能力，同時(shí)升級(jí)了高性能線性代數(shù)模板庫(kù)MUTLASS，電適快速支持FlashMLA。原生源庫(kù)

不僅如此，線程摩爾線程還基于MUTLASS，電適在全新GPU架構(gòu)上優(yōu)化實(shí)現(xiàn)了FP8矩陣乘法，原生源庫(kù)支持DeepGEMM的線程相應(yīng)功能。

FlashMLA是電適一款高效的MLA推理內(nèi)核開源倉(cāng)庫(kù)，可以加速M(fèi)LA機(jī)制的計(jì)算，特別適用于DeepSeek系列模型，包括DeepSeek-V2、V3、R1。

DeepGEMM是一個(gè)支持密集矩陣與混合專家（MoE）矩陣乘法的FP8 GEMM庫(kù)，可以為V3/R1的訓(xùn)練與推理提供強(qiáng)大動(dòng)力。

這兩個(gè)重要的開源倉(cāng)庫(kù)，都基于高性能通用矩陣乘法（GEMM）的C++模板庫(kù)進(jìn)行開發(fā)。

摩爾線程基于新一代計(jì)算架構(gòu)MUSA Compute Capability 3.1的全功能GPU，具備全新的Tensor計(jì)算引擎及數(shù)據(jù)搬運(yùn)引擎，能夠提供原生FP8計(jì)算能力。

升級(jí)的MUTLASS高性能線性代數(shù)模板庫(kù)，支持MUSA Compute Capability 3.1的全新特性，并提供了若干算子的優(yōu)化參考實(shí)現(xiàn)，包括基于FlashAttention3思想實(shí)現(xiàn)的FlashMLA以及FP8矩陣乘算子，特別支持DeepSeek訓(xùn)練所需的Groupwise Scaling FP8矩陣乘法內(nèi)核函數(shù)。

得益于全新的Tensor計(jì)算引擎，F(xiàn)P8計(jì)算具有足夠高的累加精度，無(wú)需額外的二次精度修正，為前沿算法的探索打下了堅(jiān)實(shí)基礎(chǔ)。 

借助MUTLASS 0.2.0，摩爾線程發(fā)布了開源倉(cāng)庫(kù)MT-FlashMLA，能夠快速對(duì)DeepSeek FlashMLA進(jìn)行兼容部署。

同時(shí)，摩爾線程MUTLASS提供了一個(gè)全新的參考實(shí)現(xiàn)，充分汲取FlashAttention3的先進(jìn)算法思想，針對(duì)摩爾線程GPU設(shè)計(jì)了全新的計(jì)算流水線。

這一設(shè)計(jì)能夠有效掩藏?cái)?shù)據(jù)搬運(yùn)的延遲和Softmax計(jì)算的開銷，充分發(fā)揮摩爾線程MUSA Compute Capability 3.1全功能GPU的Tensor計(jì)算效率。

▼ MT-FlashMLA開源地址：

https://github.com/MooreThreads/MT-flashMLA

▼ MUTLASS FlashAttention3地址：

https://github.com/MooreThreads/mutlass/tree/main/experimental/mp31_flash_attention_fwd

▼ MUTLASS FP8 GEMM地址：

https://github.com/MooreThreads/mutlass/tree/main/examples/02_mp31_fp8_gemm_with_collective_builder

https://github.com/MooreThreads/mutlass/tree/main/examples/03_mp31_fp8_scaling_gemm