技术应用
CUDA迁到昇腾910C/910D，代码跑通只是开始
从 CUDA 切到昇腾后，框架安装只是起点。算子覆盖、AICore 报错、HCCL 通信和 HBM 占用会持续消耗工程时间。更稳妥的迁移顺序，是锁定基线，再按单卡、单机多卡、多机逐层验收。
阅读全文
Search
站内搜索
关键词：CUDA
找到 36 篇相关文章
技术应用
开发者生态
迁移昇腾 910C/910D，先查算子、显存和 HCCL
把 CUDA/PyTorch 项目迁到昇腾 910C/910D，常见卡点集中在自定义算子与动态 Shape、显存碎片、HCCL 多卡通信。文章按排查顺序给出配置示例，并说明哪些参数只能用于定位，不能代替根因分析。
阅读全文PyTorch 迁到昇腾 910C/910D，先改哪几处
把 PyTorch 项目从 CUDA 搬到昇腾，先处理设备、HCCL 和混合精度，再用 CANN 8 Profiling 查看算子、通信、内存与下发延迟。代码能启动只是入口，自定义算子和版本对齐更容易拖慢进度。
阅读全文昇腾910C迁移实录：从跑通到优化的真实成本账单
避开宏大叙事，本文通过一个70B参数模型从H100迁移至昇腾910C的真实案例，量化拆解代码适配、算子重写与HCCL调优的人力与时间成本，为技术负责人提供国产算力迁移的ROI决策参考。
阅读全文
产业动态
RTX Spark亮出45—80W，Arm AI PC还卡在哪
RTX Spark给出20核Arm CPU、6144个CUDA核心、128GB统一内存和45—80W功耗，N1、N1X也在推进。规格表更漂亮了，但智能体常驻之后，CPU调度、内存带宽和持续散热仍会决定AI PC的续航与响
阅读全文
前沿研究
华为2035报告之后，国产智算怎样降低CUDA依赖
华为把未来十年的AI重心落在产品价值、效率和成本上。对国产智算中心而言，API改写只是开头，真正费工的是算子、精度、通信、调度和开发工具。迁移顺序应由模型稳定度与交付边界决定。
阅读全文
开发者生态
从CUDA迁到昇腾910C的第三个月，三个性能坑才露出来
团队把基座模型微调从英伟达A100迁到8卡昇腾910C的Atlas 800。三个月后，最耗时的不是改接口，而是复合算子、显存碎片和跨机AllReduce。附内部实测与九项检查清单。
阅读全文昇腾910D对比B200：这笔推理成本账还缺什么
公开素材尚不足以算出910D与B200的可信成本差值。采购价、实测吞吐、整机功耗和迁移工时缺一不可。更稳妥的办法，是把这些投入统一折算到每百万有效输出Token，再判断国产方案能否摊平适配成本。
阅读全文B200、昇腾910C与RISC-V，争的不是同一笔订单
把三者放进同一张峰值算力榜，采购很容易算错。B200的门槛在CUDA迁移成本，昇腾910C要过算子与集群交付关，RISC-V则应在内存、功耗和散热受限的端侧设备上实测。
阅读全文
开发者生态
从CUDA迁到昇腾，跑通模型只是调优起点
torch_npu 能让 PyTorch 模型较快接入昇腾，但代码执行成功只解决了第一道问题。延迟、OOM、长尾算子和 CANN 日志定位，会直接影响迁移能否稳定交付。团队还要判断：继续用兼容层，还是为热点算子投入 As
阅读全文把PyTorch模型搬上昇腾910C，20天都花在哪了
把一套在 PyTorch 上训练半年的 VL-Mamba 模型搬到昇腾 910C 集群，20 天里真正耗时的是自定义算子、数值对齐和 HCCL。切到 MindSpore 并重写 Ascend C 算子后，项目平均 MFU
阅读全文
开发者生态
H200/H800迁到昇腾910C，先查算子、通信和显存
从H200/H800的CUDA环境迁到昇腾910C，费时的往往是算子兼容、HCCL通信和内存稳定性。纸面参数只划出边界，项目仍要按迁移分析、适配、精度调试和性能调优逐项验证。
阅读全文