芯東西（公眾號：aichip001）
作者 ZeR0
編輯 漠影

芯東西2月10日報道，今天，摩爾線程宣布近日開源TileLang-MUSA項目，實現(xiàn)對TileLang編程語言的完整支持，旨在充分釋放全功能GPU的性能潛力，大幅降低國產(chǎn)GPU開發(fā)門檻。

此前DeepSeek-V3大模型的研發(fā)已采用TileLang進行算子快速原型設計與性能驗證，證明了其在大規(guī)模模型訓練中的實戰(zhàn)價值。

TileLang_MUSA項目已在摩爾線程多代全功能GPU上完成功能驗證與特性開發(fā)，驗證了“高層語言+國產(chǎn)GPU”技術路線的可行性。

開源地址：https://github.com/MooreThreads/tilelang_musa

一、重新定義GPU算子編程，“零門檻”實現(xiàn)算子遷移

TileLang是一款基于張量分塊（Tiling）抽象的高性能AI算子編程語言，屬于領域特定語言（DSL），采用聲明式語法與類Python前端，使開發(fā)者能以接近數(shù)學公式的形式描述計算意圖，并由編譯器自動完成循環(huán)優(yōu)化、內(nèi)存調(diào)度與代碼生成，在保持底層性能的同時，大幅降低GPU及異構計算平臺的編程復雜度。

在實際應用中，TileLang通過高級抽象降低開發(fā)門檻，具備跨平臺能力，實現(xiàn)“一次編寫、多架構運行”，編譯器自動執(zhí)行Layout推導、線程映射、Warp特化、流水線排布、內(nèi)存優(yōu)化等復雜優(yōu)化，在保障性能的同時提升GPU計算的開發(fā)效率，已廣泛應用于AI與機器學習、科學計算等領域。

TileLang-MUSA項目提供了一種介于底層匯編與高層DSL之間的“中間層”抽象，
在保留硬件控制力的同時，顯著降低編程復雜度。

該項目硬件兼容性良好，已在摩爾線程多代全功能GPU上完成功能驗證與打通，包括訓推一體全功能智算卡MTT S5000和MTT S4000。

團隊還實現(xiàn)了TileLang高層語義到摩爾線程GPU底層MUSA架構的精準映射。

• Tensor Core加速：編譯器能夠自動調(diào)用MUSA的MMA（矩陣乘累加）指令，充分發(fā)揮硬件張量核心的峰值計算能力；
• Tile-Level Pipeline：自動處理從全局內(nèi)存（Global Memory）到共享內(nèi)存（Shared Memory）再到寄存器（Registers）的多級數(shù)據(jù)搬運，利用MUSA異步拷貝指令掩蓋訪存延遲；
• Warp級并行優(yōu)化：完整支持Warp Specialization特性。

目前，基于MUSA架構的TileLang原生算子單元測試覆蓋率已超過80%，為大規(guī)模應用提供了可靠保障。

在完成環(huán)境配置后，開發(fā)者可保留原有的import tilelang習慣，通過Cython編譯后端直接在MUSA環(huán)境中運行TileLang代碼。

二、實測兼顧開發(fā)效率與運行性能，代碼量減少約90%

在實際算子開發(fā)實踐中，TileLang-MUSA實現(xiàn)了讓開發(fā)者“寫得快”且“跑得快”。

以大語言模型中重要的FlashAttention-3和GEMM（通用矩陣乘）算子為例，在摩爾線程MTT S5000上的測試結果顯示：

（1）開發(fā)效率倍增：相較手寫MUSA C++代碼，使用TileLang-MUSA的代碼量減少了約90%，且代碼邏輯更加清晰，極大降低了開發(fā)與維護成本。

（2）性能媲美手寫：得益于編譯器優(yōu)化，生成的算子性能在典型配置下，Gemm最高可達手寫優(yōu)化版本的95%，F(xiàn)lashAttention-3可達手寫優(yōu)化版本的85%。

（3）自動化調(diào)優(yōu)：借助TileLang-MUSA的Auto-tuning機制，開發(fā)者可在MUSA架構的全功能GPU上快速搜索最優(yōu)的分塊策略（Tile Size）和流水線級數(shù)，輕松超越未經(jīng)深度優(yōu)化的基準實現(xiàn)。

TileLang-MUSA的推出，使TileLang用戶能近乎零成本地將算子邏輯遷移至摩爾線程GPU，還為不熟悉MUSA指令集的AI工程師提供了高層次的開發(fā)入口，并通過支持FlashAttention等關鍵算子的高效開發(fā)，加速大語言模型等前沿AI應用在國產(chǎn)算力平臺上的部署與落地。

結語：計劃打造基于MUSA的深度學習統(tǒng)一平臺

TileLang-MUSA的開源是摩爾線程構建國產(chǎn)算力生態(tài)的關鍵一步，摩爾線程計劃持續(xù)推進平臺與生態(tài)建設，致力于打造一個覆蓋從單算子到完整大模型的國產(chǎn)算力統(tǒng)一加速平臺。

其計劃包括深度集成SGLang等主流AI框架，實現(xiàn)Transformer、MoE等復雜模型架構的跨算子調(diào)度與全局優(yōu)化，完善調(diào)試和性能分析工具鏈，以及通過性能優(yōu)化，開發(fā)更多MUSA架構定制擴展，使生成代碼性能穩(wěn)定達到手寫優(yōu)化版本的90%以上。

這將為構建一個開放、易用的國產(chǎn)算力開發(fā)生態(tài)提供工具支撐。