#cuda-kernels Repository
Scopri 34 repository GitHub open source attivi contrassegnati con #cuda-kernels, che raccolgono un totale di 129,157 stelle (con una media di 3,798 stelle per progetto). Il progetto leader di questo argomento è Dao-AILab/flash-attention, con 25,330 stelle.
34 repository in totale
Un libro open source con appunti di apprendimento sul CUDA moderno per principianti: BF16/FP8/FP4, HGEMM, CuTe, Flash-Attention, ecc.
Blocchi costitutivi di Transformer modificabili e ottimizzati, che supportano una costruzione componibile.
Ecosistema di librerie e strumenti per scrivere ed eseguire codice GPU veloce interamente in Rust.
[MLSys 2024 Best Paper Award] AWQ: Quantizzazione dei pesi consapevole dell'attivazione per la compressione e l'accelerazione di LLM
Nvdiffrast - Primitive modulari per il rendering differenziabile ad alte prestazioni
Un progetto che dimostra soluzioni AI relative a Lidar, incluse tre reti DL Lidar/telecamera accelerate da GPU (PointPillars, CenterPoint, BEVFusion) e le librerie correlate (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD).
[ECCV 2024] Street Gaussians: Modellare scene urbane dinamiche con Gaussian Splatting
BatchNorm Attivato In-Place per l'Addestramento Ottimizzato per la Memoria di DNN
Repository ufficiale Pytorch per la compressione estrema di Large Language Models tramite quantizzazione additiva https://arxiv.org/pdf/2401.06118.pdf e PV-Tuning: Oltre la stima diretta per la compressione estrema di LLM https://arxiv.org/abs/2405.14852
Libreria di machine learning con API TypeScript e backend Rust. Compatibilità con CUDA e WebGPU. Costruita per comprendere il funzionamento interno dei framework e modelli ML.
cuDNN Frontend è il moderno punto di accesso open source di NVIDIA alla libreria cuDNN e a una crescente raccolta di kernel open source ad alte prestazioni.
Attenzione distribuita verso la scalabilità lineare per l'addestramento su contesti ultra-lunghi e dati eterogenei
Un framework web Rust basato su Axum, con kernel applicativi verificabili con Lean 4 ed eseguibili su server, dispositivi embedded bare metal e GPU, oltre a test di sicurezza integrati.
[MLSys'25] QServe: Quantizzazione W4A8KV4 e co-progettazione del sistema per un serving efficiente di LLM; [MLSys'25] LServe: Serving efficiente di LLM per sequenze lunghe con attenzione sparsa unificata
FlashRT è un motore di inferenza in tempo reale ad alte prestazioni per carichi di lavoro IA a piccoli batch sensibili alla latenza. L'integrazione di punta è il controllo VLA di produzione per Pi0, Pi0.5, GROOT N1.6 e Pi0-FAST. Supporta anche LLM, ad esempio qwen3.6-27B.
Motore di inferenza LLM puro Rust + CUDA — nessun PyTorch, compatibile con OpenAI, serve da Qwen3 a Kimi-K2
Implementazione open source di **MV-DUSt3R+ Ricostruzione di scene monofase da viste sparse in 2 secondi** da Meta Reality Labs. Pagina del progetto https://mv-dust3rp.github.io/
CUDA-L2: Superando le prestazioni di cuBLAS per la moltiplicazione di matrici tramite Reinforcement Learning
[ICCV 2025] Un approccio semplice senza addestramento che adatta DUSt3R per scene dinamiche.
Domande frequenti
Qual è il repository #cuda-kernels più popolare su GitHub?
Il progetto open source #cuda-kernels più alto in classifica su GitHub è Dao-AILab/flash-attention, con 25,330 stelle. Attenzione esatta veloce ed efficiente in termini di memoria
Quali linguaggi di programmazione sono più utilizzati nei repository #cuda-kernels?
Tra i progetti #cuda-kernels più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, C++, Rust, Cuda.
Come viene calcolata la classifica dei repository #cuda-kernels?
Monitoriamo 34 repository open source attivi contrassegnati con #cuda-kernels (500+ stelle), per un totale di 129,157 stelle e una media di 3,798 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.