#cuda-kernels Repositorios
Descubre 34 repositorios activos de código abierto de GitHub etiquetados con #cuda-kernels, que acumulan 129,157 estrellas en total (una media de 3,798 estrellas por proyecto). El líder de este tema es Dao-AILab/flash-attention, con 25,330 estrellas.
34 repositorios en total
Un libro de código abierto con apuntes de aprendizaje sobre CUDA moderno para principiantes: BF16/FP8/FP4, HGEMM, CuTe, Flash-Attention, etc.
Bloques de construcción de Transformers hackeables y optimizados, que admiten una construcción componible.
Ejemplos para desarrolladores de CUDA que demuestran funciones en el CUDA Toolkit
Ecosistema de bibliotecas y herramientas para escribir y ejecutar código GPU rápido completamente en Rust.
[MLSys 2024 Best Paper Award] AWQ: Cuantización de pesos sensible a la activación para la compresión y aceleración de LLM
Nvdiffrast - Primitivas modulares para renderizado diferenciable de alto rendimiento
Un proyecto que demuestra soluciones de IA relacionadas con Lidar, incluidas tres redes neuronales profundas (DL) de Lidar/cámara aceleradas por GPU (PointPillars, CenterPoint, BEVFusion) y las bibliotecas relacionadas (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Aprendizaje profundo en Rust, con tensores verificados por forma y redes neuronales
[ECCV 2024] Street Gaussians: Modelado de escenas urbanas dinámicas con dispersión gaussiana
BatchNorm Activado In Situ para el Entrenamiento Optimizado en Memoria de DNNs
Repositorio oficial de Pytorch para la Compresión Extrema de Modelos de Lenguaje Grandes mediante Cuantización Aditiva https://arxiv.org/pdf/2401.06118.pdf y PV-Tuning: Más allá de la Estimación Directa para la Compresión Extrema de LLMs https://arxiv.org/abs/2405.14852
Biblioteca de machine learning con API de TypeScript y backend en Rust. Compatibilidad con CUDA y WebGPU. Construida para entender cómo funcionan internamente los frameworks y modelos de ML.
cuDNN Frontend es el punto de entrada moderno y de código abierto de NVIDIA a la biblioteca cuDNN y a una creciente colección de kernels de código abierto de alto rendimiento.
Atención distribuida hacia la escalabilidad lineal para el entrenamiento de contextos ultralargos y datos heterogéneos
Un framework web de Rust basado en Axum, con núcleos de aplicación verificables con Lean 4 que se ejecutan en servidores, dispositivos integrados bare-metal y GPU, además de pruebas de seguridad integradas.
[MLSys'25] QServe: Cuantificación W4A8KV4 y codesign de sistemas para un servicio de LLM eficiente; [MLSys'25] LServe: Servicio eficiente de LLM para secuencias largas con atención dispersa unificada
FlashRT es un motor de inferencia en tiempo real de alto rendimiento para cargas de trabajo de IA de lotes pequeños y sensibles a la latencia. Su integración insignia es el control VLA de producción para Pi0, Pi0.5, GROOT N1.6 y Pi0-FAST. También admite LLM, por ejemplo, qwen3.6-27B.
Motor de inferencia LLM puro Rust + CUDA — sin PyTorch, compatible con OpenAI, sirve desde Qwen3 hasta Kimi-K2
Implementación de código abierto de **MV-DUSt3R+ Reconstrucción de escena de una sola etapa a partir de vistas dispersas en 2 segundos** de Meta Reality Labs. Página del proyecto https://mv-dust3rp.github.io/
CUDA-L2: Superando el rendimiento de cuBLAS en multiplicación de matrices mediante aprendizaje por refuerzo
[ICCV 2025] Un enfoque simple sin entrenamiento que adapta DUSt3R para escenas dinámicas.
Preguntas frecuentes
¿Cuál es el repositorio de #cuda-kernels más popular en GitHub?
El proyecto de código abierto de #cuda-kernels mejor posicionado en GitHub es Dao-AILab/flash-attention, con 25,330 estrellas. Atención exacta rápida y eficiente en memoria
¿Qué lenguajes de programación se utilizan más en los repositorios de #cuda-kernels?
Entre los proyectos de #cuda-kernels mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, Rust, Cuda.
¿Cómo se calcula la clasificación de los repositorios de #cuda-kernels?
Seguimos 34 repositorios activos de código abierto etiquetados con #cuda-kernels (500+ estrellas), que suman un total de 129,157 estrellas, con una media de 3,798 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.