#cuda-kernels Repositories
Entdecke 34 aktive Open-Source-GitHub-Repositories, die mit #cuda-kernels getaggt sind und insgesamt 129,157 Sterne gesammelt haben (durchschnittlich 3,798 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist Dao-AILab/flash-attention mit 25,330 Sternen.
Insgesamt 34 Repositories
Ein Open-Source-Buch mit Lernnotizen zu modernem CUDA für Anfänger – BF16/FP8/FP4, HGEMM, CuTe, Flash-Attention usw.
Hackbare und optimierte Transformer-Bausteine, die eine komponierbare Konstruktion unterstützen.
Ökosystem von Bibliotheken und Werkzeugen zum Schreiben und Ausführen von schnellem GPU-Code vollständig in Rust.
[MLSys 2024 Best Paper Award] AWQ: Aktivierungsabhängige Gewichtungsquantisierung für LLM-Kompression und -Beschleunigung
Nvdiffrast - Modulare Primitiven für hochleistungsfähiges differenzierbares Rendering
Ein Projekt, das Lidar-bezogene KI-Lösungen demonstriert, einschließlich dreier GPU-beschleunigter Lidar/Kamera-DL-Netzwerke (PointPillars, CenterPoint, BEVFusion) und der zugehörigen Bibliotheken (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
[ECCV 2024] Street Gaussians: Modellierung dynamischer städtischer Szenen mit Gaußschem Splatting
Offizielle Pytorch-Repository für Extreme Komprimierung von Large Language Models durch additive Quantisierung https://arxiv.org/pdf/2401.06118.pdf und PV-Tuning: Jenseits der Straight-Through-Schätzung für extreme LLM-Komprimierung https://arxiv.org/abs/2405.14852
Machine-Learning-Bibliothek mit TypeScript-API und Rust-Backend. Kompatibilität mit CUDA und WebGPU. Entwickelt, um zu verstehen, wie ML-Frameworks und -Modelle intern funktionieren.
cuDNN Frontend ist NVIDIAs moderner Open-Source-Einstiegspunkt zur cuDNN-Bibliothek und eine wachsende Sammlung von leistungsstarken Open-Source-Kernels.
Verteilte Aufmerksamkeit für lineare Skalierbarkeit beim Training mit ultra-langem Kontext und heterogenen Daten
Ein auf Axum basierendes Rust-Webframework mit Lean-4-verifizierbaren Anwendungskernen, die auf Servern, Bare-Metal-Einbettgeräten und GPUs laufen, sowie integrierten Sicherheitstests.
[MLSys'25] QServe: W4A8KV4 Quantisierung und System-Co-Design für effizientes LLM-Serving; [MLSys'25] LServe: Effizientes LLM-Serving für lange Sequenzen mit vereinheitlichter spärlicher Aufmerksamkeit
FlashRT ist eine leistungsstarke Echtzeit-Inferenz-Engine für KI-Workloads mit kleinen Batches und hoher Latenzempfindlichkeit. Die wichtigste Integration ist die produktive VLA-Steuerung für Pi0, Pi0.5, GROOT N1.6 und Pi0-FAST. Unterstützt auch LLMs, z. B. qwen3.6-27B.
Reine Rust + CUDA LLM-Inferenz-Engine — kein PyTorch, OpenAI-kompatibel, bedient Qwen3 bis Kimi-K2
Open-Source-Implementierung von **MV-DUSt3R+ Single-Stage Scene Reconstruction from Sparse Views In 2 Seconds** von Meta Reality Labs. Projektseite https://mv-dust3rp.github.io/
CUDA-L2: Übertrifft cuBLAS-Leistung bei Matrixmultiplikation durch Reinforcement Learning
[ICCV 2025] Ein einfaches, trainingsfreies Verfahren zur Anpassung von DUSt3R für dynamische Szenen.
Häufig gestellte Fragen
Welches ist das beliebteste #cuda-kernels-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#cuda-kernels-Projekt auf GitHub ist Dao-AILab/flash-attention mit 25,330 Sternen. Schnelle und speichereffiziente exakte Aufmerksamkeit
Welche Programmiersprachen werden in #cuda-kernels-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #cuda-kernels-Projekten auf GitHub sind Python, C++, Rust, Cuda die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #cuda-kernels-Repositories berechnet?
Wir verfolgen 34 aktive Open-Source-Repositories, die mit #cuda-kernels getaggt sind (500+ Sterne), mit insgesamt 129,157 Sternen und durchschnittlich 3,798 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.