gpu

全文 - DOCA GPUNetIO Open Source 仓库 README原文：DOCA GPUNetIO Open Source 仓库 README（github.com/NVIDIA-DOCA/gpunetio）

WebGPU 和 WebTransport 2026 真的能上生产了吗？📖 摘要：2026 年浏览器平台迎来一波"能力基线"落地：WebGPU 在年初进入 Baseline，WebTransport 在 3 月进入 Baseline，WebCodecs 接近 Baseline。但它们真能上生产吗？本文逐一给出版本状态、真实可落地的场景与"现在用 / 再等等"的判断，并附 WebGPU 计算与 WebTransport 客户端的运行示例。读完你能快速决定哪些 API 该进明年路线图，哪些还要兜底。

论文复现现场

课程作业要跑 PyTorch 训练，学校机房不够用去哪租？云 GPU 选型、环境迁移与防丢数据指南课程截止日期临近、学校 GPU 又排不上时，可以临时租云 GPU。先按显存、训练时长、PyTorch/CUDA 环境和数据保存方式筛选，再用一小批数据试跑；不要只看显卡型号或小时单价。

赋创小助手

多GPU服务器交付验收：GPU健康、P2P、NCCL与稳定性测试思路高端GPU服务器的验收不能只停留在 nvidia-smi。对于4卡、8卡等多GPU平台，比较完整的验证链路通常是：

全文 - 05 part - NVIDIA 集合通信库（NCCL）文档NCCL 官方语言绑定的 API 规范。NCCL 核心 API 使用 C/C++ 实现（参见 NCCL API）。语言绑定在该实现之上提供封装，使其他编程语言也能使用 NCCL 的功能。

探索云原生

Kueue + HAMi vGPU 实战：显存与算力配额管理上一篇我们用 Kueue + NVIDIA 原生 DRA 跑通了 GPU 整卡配额：Job 先进入队列，Kueue 判断配额够不够，够了再放行给调度器。

海光 DCU 怎么接入 Kubernetes 和 AI 平台？CubeStudio 海光 DCU 适配实操（整卡 / 共享 / 两种 vDCU 虚拟化 + DeepSeek 部署）CubeStudio 是一款国产化、云原生的一站式开源人工智能平台，同时覆盖传统机器学习、深度学习与大模型全链路（MLOps / MaaS / 算力调度 / 训推平台），开源协议 MIT，开源免费商用，开源版本已有数千家企业私有化部署。平台提供多租户与算力纳管调度、算力租赁与 Token 中转站、拖拉拽 Pipeline 任务流编排、多机多卡分布式训练、超参搜索、推理服务、vGPU 虚拟化、云边端协同与边缘计算、图文音多模态自动化标注、大模型 SFT 微调 / 奖励模型 / 强化学习训练、vLLM / O

阿里云大数据AI技术

EMR Serverless Spark：CPU + GPU 异构计算使用指南想做 AI 推理、模型训练、或者 GPU 加速的数据处理？阿里云 EMR Serverless Spark 支持 CPU 和 GPU 异构计算，开箱即用，不用自己花费时间搭集群。本文手把手教你怎么在EMR Serverless Spark产品中买到 GPU 资源，买到之后怎么跑起来。

NVTx 主旨介绍NVIDIA NVTX（NVIDIA Tools Extension SDK）的核心主旨是：为应用程序提供一套轻量级、跨平台的代码注释 API，让开发者工具（如 Nsight Systems、Nsight Compute 等）能够获取程序运行时的上下文信息，从而在性能分析和调试时呈现更具语义的时间线视图。

NVLS 简介核心要义NVLS：< 1.> 每个参与集合通信贡献一块物理显存，登记进本地，也登记进交换机（nvswitch）； < 2.> 实际上发起集合通信的主角，是交换机（nvswitch）。当要做 sum 集合通信时，实际上是某一个 gpu 发出了一条特别的 gpu 指令，发送到交换机；交换机解析这个信息报后就知道要把众 gpu 的登记进来的显存的对应位置的数据一并 ld 到交换机本地（通过交换结构）；然后使用本地的cpu中的算力 sum 起来。最后将 sum 结果广播送回各个 GPU。

Intel Core Ultra X9 388H全面性能对比分析报告GPU 对比 AMD Radeon E8860 ｜ CPU 对比 Intel Xeon D-2183IT

全文 - 03 part - NVIDIA 集合通信库（NCCL）文档以下各节描述 NCCL 的方法与操作。以下函数是 NCCL 公开的用于创建和管理集合通信操作的公共 API。

每日出拳老爷子

【AI】Ollama 更新后 skipping CUDA 掉回 CPU我这次看到的是 Ollama GitHub issue 里的一组对照日志，不是我在自己 3060 上复现出来的结果。麻烦的地方在于，Ollama 升到 0.32.14 以后，三十系 / sm_86 显卡不是直接报“CUDA 不可用”，而是日志里跳过 CUDA 设备，最后静默掉回 CPU。这篇文章只处理这一件事：看到 skipping CUDA device - compute capability not in compiled architectures 时，先判断是不是 0.32.14 的后端库选

NVIDIA GPU 架构演进学习笔记（GPT-5.6 Terra 生成）更新：2026-09-04 范围：以 NVIDIA 近代独立 GPU 的架构演进为主，重点解释 GeForce RTX 4090、RTX 50 系列，以及专业卡中容易混淆的 “RTX 6000” 命名。

GXF 构建依赖清单setup_env.sh 负责搭建 GXF 构建环境：下载/编译全部第三方依赖并导出环境变量。本文档罗列其全部依赖的下载方式、构建方法、安装路径。

游戏 Shader 与材质怎么测：丢失、变粉、编译卡顿与平台差异摘要：Shader问题常表现为粉色材质、闪烁、透明错误或首次使用卡顿，需要结合资源版本和GPU环境定位。

众人皆醒我独醉

Kubernetes GPU 调度与管理的完整机制——从节点上架到 Pod 拿到 GPUGPU 云平台系列 · 第 2 篇第 1 篇讲了 GPU 云平台的六大挑战。这一篇聚焦其中的调度层——一个 Pod 从 kubectl apply 到拿到 GPU 并开始计算，中间经过多少层机制？每层在做什么、配置在哪里、出了问题怎么排查。

CPU与GPU的区别及应用场景详解CPU（Central Processing Unit，中央处理器）和GPU（Graphics Processing Unit，图形处理器）是当前计算设备中最核心的两种处理器芯片。两者设计目标不同，决定了它们在架构、性能和适用场景上的根本性差异。

全文 - 第1部分 - NVIDIA Fabric Manager User Guide原文随着深度学习神经网络变得越来越复杂，其规模和复杂度持续膨胀，导致在合理时间内训练这些网络所需的算力呈指数级增长。为应对这一挑战，应用已转向多 GPU 实现。

全文 - Scale-up fabrics随着 AI 工作负载扩展到数千个加速器，机架级系统的互连结构（也称 scale-up 互连结构）正受到高度关注。2025 年，多项重大进展正在重塑 scale-up 互连的格局。