#cuda-kernels Dépôts
Découvrez 34 dépôts GitHub open source actifs associés à #cuda-kernels, cumulant 129,157 étoiles au total (soit une moyenne de 3,798 étoiles par projet). Le projet en tête de ce thème est Dao-AILab/flash-attention, avec 25,330 étoiles.
34 dépôts au total
Un livre open source contenant des notes d’apprentissage sur le CUDA moderne pour débutants : BF16/FP8/FP4, HGEMM, CuTe, Flash-Attention, etc.
Blocs de construction Transformers hackables et optimisés, prenant en charge une construction composable.
Exemples pour les développeurs CUDA qui démontrent les fonctionnalités dans le CUDA Toolkit
Écosystème de bibliothèques et d'outils pour écrire et exécuter du code GPU rapide entièrement en Rust.
[MLSys 2024 Best Paper Award] AWQ : Quantification des poids sensible à l'activation pour la compression et l'accélération des LLM
Nvdiffrast - Primitives modulaires pour le rendu différentiable haute performance
Un projet démontrant les solutions d'IA liées au Lidar, y compris trois réseaux DL Lidar/caméra accélérés par GPU (PointPillars, CenterPoint, BEVFusion) et les bibliothèques associées (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
Apprentissage profond en Rust, avec des tenseurs à forme vérifiée et des réseaux neuronaux
[ECCV 2024] Street Gaussians : Modélisation de scènes urbaines dynamiques avec Gaussian Splatting
Dépôt officiel Pytorch pour la compression extrême des grands modèles de langage via la quantification additive https://arxiv.org/pdf/2401.06118.pdf et PV-Tuning : Au-delà de l'estimation directe pour la compression extrême des LLM https://arxiv.org/abs/2405.14852
Bibliothèque d'apprentissage automatique avec une API TypeScript et un backend Rust. Compatibilité CUDA et WebGPU. Conçue pour comprendre le fonctionnement interne des frameworks et modèles ML.
cuDNN Frontend est le point d'entrée moderne et open source de NVIDIA vers la bibliothèque cuDNN et une collection croissante de noyaux open source hautes performances.
Une attention distribuée pour une évolutivité linéaire dans l'entraînement sur des contextes ultra-longs et des données hétérogènes
Un framework web Rust basé sur Axum, avec des noyaux applicatifs vérifiables avec Lean 4 et exécutables sur des serveurs, des appareils embarqués bare metal et des GPU, ainsi que des tests de sécurité intégrés.
[MLSys'25] QServe : Quantification W4A8KV4 et co-conception de systèmes pour un service LLM efficace ; [MLSys'25] LServe : Service LLM efficace pour les longues séquences avec attention éparse unifiée
FlashRT est un moteur d'inférence en temps réel haute performance pour les charges de travail IA à petits lots sensibles à la latence. Son intégration phare est le contrôle VLA de production pour Pi0, Pi0.5, GROOT N1.6 et Pi0-FAST. Il prend également en charge les LLM, par exemple qwen3.6-27B.
Moteur d'inférence LLM pur Rust + CUDA — pas de PyTorch, compatible OpenAI, sert de Qwen3 à Kimi-K2
Implémentation open source de **MV-DUSt3R+ Reconstruction de scène mono-étape à partir de vues éparses en 2 secondes** de Meta Reality Labs. Page du projet https://mv-dust3rp.github.io/
CUDA-L2 : Dépasser les performances de cuBLAS pour la multiplication de matrices par apprentissage par renforcement
[ICCV 2025] Une approche simple sans nécessité de formation qui adapte DUSt3R pour les scènes dynamiques.
Foire aux questions
Quel est le dépôt #cuda-kernels le plus populaire sur GitHub ?
Le projet #cuda-kernels open source le mieux classé sur GitHub est Dao-AILab/flash-attention, avec 25,330 étoiles. Attention exacte rapide et économe en mémoire
Quels langages de programmation sont les plus utilisés dans les dépôts #cuda-kernels ?
Parmi les projets #cuda-kernels les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Rust, Cuda.
Comment le classement des dépôts #cuda-kernels est-il calculé ?
Nous suivons 34 dépôts open source actifs associés à #cuda-kernels (500+ étoiles), totalisant 129,157 étoiles, avec une moyenne de 3,798 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.