NVIDIA CUTLASS 3.9.0发布：Blackwell架构支持与性能优化全面升级

NVIDIA CUTLASS（CUDA Templates for Linear Algebra Subroutines）是一个开源的CUDA C++模板库，专门用于实现高性能矩阵乘法（GEMM）和相关计算。作为CUDA生态中的重要组成部分，CUTLASS通过模板化的设计提供了高度优化的矩阵运算实现，特别适合深度学习训练和推理中的线性代数运算。

近日发布的CUTLASS 3.9.0版本带来了对NVIDIA最新Blackwell架构的全面支持，特别是在GeForce GPU上的SM120内核支持，以及多项性能优化和功能增强。本文将详细介绍这一版本的主要技术特性和改进。

Blackwell SM120架构支持

块缩放数据类型支持

CUTLASS 3.9.0为Blackwell SM120架构引入了块缩放数据类型支持，包括：

1. 密集GEMM支持：新增了针对块缩放数据类型的集体主循环实现，支持包括NVFP4、MXFP8和MXFP6等新型数据格式。这些数据格式特别适合AI推理场景，可以在保持模型精度的同时显著减少内存占用和带宽需求。

2. 稀疏GEMM支持：扩展了稀疏矩阵乘法的支持，包括对块缩放数据类型的稀疏矩阵运算。这对于处理大规模稀疏模型（如推荐系统）特别有价值。

3. 混合精度支持：新增了混合输入数据类型的支持，例如可以同时处理MXFP8和MXFP6输入，输出BF16结果，为模型压缩和量化提供了更多灵活性。

新的调度策略

引入了全新的GEMM和尾声调度策略，包括：

• 集体操作的调度策略优化
• 内核层的智能调度
• 构建器的改进

这些策略共同工作，可以根据硬件特性和问题规模自动选择最优的执行路径。

尾声和融合操作

针对Blackwell SM120架构专门优化了尾声处理，包括：

• 新的尾声访存模式
• 完整的EVT（Epilogue Visitor Tree）融合支持
• 针对不同数据类型的特殊优化

Blackwell SM100架构增强

除了SM120支持外，3.9.0版本还加强了对Blackwell SM100架构的支持：

1. 稀疏GEMM主循环：新增了针对SM100的稀疏矩阵乘法集体主循环实现，充分利用了Blackwell架构的稀疏计算能力。

2. 多头部潜在注意力（MLA）：新增了针对SM100的FlashMLA式权重吸收解码用例实现，显著提升了注意力机制在大型语言模型中的效率。

3. FMHA反向传播内核：将五个反向传播矩阵乘法融合到单个内核中，大幅提高了训练效率。

4. 分布式GEMM支持：新增了针对Blackwell SM100的分布式矩阵乘法实现，为大规模模型并行训练提供了基础。

块级和组级GEMM增强

CUTLASS 3.9.0在块级和组级GEMM方面做了大量改进：

1. Hopper架构增强：

   • 块级GEMM的扩展支持
   • 组级GEMM的性能优化
   • 支持块级和组级缩放的群组GEMM

2. Blackwell架构新增支持：

   • 块级GEMM实现
   • 组级GEMM实现
   • 支持块级和组级缩放的群组GEMM

3. 性能分析器集成：在CUTLASS性能分析器中新增了对组级GEMM的支持，方便开发者评估不同配置的性能。

性能分析与自动调优增强

CUTLASS 3.9.0的性能分析器获得了显著改进：

1. 按性能排序：现在可以按GFLOPS/秒对性能结果进行排序，快速识别最优配置。

2. 全面搜索优化：新增了在固定GEMM形状下的全面参数搜索功能，自动探索不同内核参数以找到最佳配置。

3. 动态集群配置：支持动态调整计算集群配置，最大化硬件利用率。

其他改进

1. SM100内核尾声支持：现在支持在SM100内核尾声中使用void作为D元素，提供了更大的编程灵活性。

2. 示例代码丰富：新增了大量示例代码，展示如何利用新特性实现高性能矩阵运算。

总结

NVIDIA CUTLASS 3.9.0的发布标志着对Blackwell架构支持的全面就绪，特别是在GeForce GPU上的SM120内核支持。通过引入块缩放数据类型、增强稀疏计算能力、优化块级和组级GEMM实现，以及改进性能分析工具，这一版本为AI和高性能计算应用提供了更强大的矩阵运算基础。

对于深度学习框架开发者和高性能计算工程师来说，升级到CUTLASS 3.9.0将能够充分利用最新NVIDIA GPU的计算能力，特别是在处理新型数据格式和大规模稀疏模型时获得显著的性能提升。