|
|
|
برنامج AI Systems DevLabs لصيف 2026 في سانيفيل
التاريخ: 23 و24 يونيو 2026
الموقع الجغرافي: سانيفيل، كاليفورنيا
يمكن العثور على تسجيلات هذه الفعالية في قائمة تشغيل AI Systems DevLabs لصيف 2026 على قناة OpenXLA على YouTube.
وصف الحدث
توفّر هذه الفعالية فرصة غير رسمية وعملية للتعرّف على عملية التطوير والالتقاء بأعضاء آخرين في المنتدى والتعمّق في احتياجات محدّدة مع مهندسين من Google.
الجدولة
يُرجى الاطّلاع على الجدول الزمني الكامل لمعرفة تفاصيل الجلسات.
التسجيلات
قائمة تشغيل تسجيلات الفعاليات على YouTube
| # | العنوان | رابط |
|---|---|---|
| 1 | برنامج تعليمي حول Pallas، في DevLabs 2026 | التسجيل |
| 2 | JAX: الميزات الجديدة | التسجيل |
| 3 | تحسين الأداء باستخدام Xprof | التسجيل |
| 4 | Tokamax: مكتبة من النواة المخصّصة العالية الأداء | التسجيل |
| 5 | Grain: معالجة البيانات لنماذج JAX | التسجيل |
| 6 | Ragged Paged Attention: نواة استنتاج مرنة وعالية الأداء للنماذج اللغوية الكبيرة على وحدات معالجة الموتّرات | التسجيل |
| 7 | FastAFD: فصل طبقات الانتباه عن طبقات الشبكات العصبية الأمامية (FFN) على نطاق واسع ومفتوح المصدر لتقديم نماذج خليط الخبراء (MoE) بكفاءة | التسجيل |
| 8 | مقارنة أداء vLLM على واجهات XLA الخلفية: من CUDA إلى OpenXLA لتشغيل النماذج اللغوية الكبيرة | التسجيل |
| 9 | NNX v2: تبسيط واجهات برمجة التطبيقات للشبكات العصبية | التسجيل |
| 10 | جلسة حوارية مع "جيف دين" | التسجيل |
| 11 | UniDFlow: إطار عمل موحّد للتدفق المنفصل للاستدلال والإنشاء المتعدّد الوسائط | التسجيل |
| 12 | Pallas Compiler: Mosaic | التسجيل |
| 13 | Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection w/o Fine-Tuning | التسجيل |
| 14 | ورشة عمل تطبيقية: تحليل أداء أعباء العمل في JAX/OpenXLA وتصحيح أخطائها | التسجيل |
| 15 | نواة Pallas على TPU SparseCore | التسجيل |
| 16 | Enhancing Medical Knowledge in LLMs via Supervised Continued Pretraining on Clinical Notes | التسجيل |
| 17 | MaxText للتدريب المسبق على نطاق واسع | التسجيل |
| 18 | TorchTPU: تشغيل PyTorch بشكلٍ أصلي على وحدات معالجة الموتّرات (TPU) | التسجيل |
| 19 | استخدام شبكات الحركة ونموذج Gemma على الجهاز لترجمة لغة الإشارة الإندونيسية في الوقت الفعلي | التسجيل |
| 20 | الوكلاء المخصّصون لتطوير تعلُّم الآلة - MaxCode/MaxKernel | التسجيل |
| 21 | تنفيذ طلبات البحث العلائقية المستندة إلى الموتّرات على وحدات معالجة الموتّرات من Google | التسجيل |
| 22 | JAXQuantum: تسريع محاكاة الأجهزة الكمومية باستخدام وحدات معالجة الموتّرات | التسجيل |
| 23 | Kinetic: توسيع نطاق تعلُّم الآلة بدون عمليات تشغيل لـ JAX وKeras | التسجيل |
| 24 | Joint Sharding and Placement for Video Generation on TPUs | التسجيل |
| 25 | من Triton إلى Pallas: نقل النواة التطوّرية المستندة إلى الوكلاء إلى JAX | التسجيل |
| 26 | MaxText: التعلّم المعزّز على نطاق واسع في Google Cloud | التسجيل |
| 27 | دورة تدريبية مكثّفة حول XLA | التسجيل |
| 28 | دمج FlyDSL في JAX/XLA على AMD | التسجيل |
| 29 | ميزة Host Offloading لتدريب النماذج اللغوية الكبيرة بشكل أسرع وأكثر فعالية من حيث التكلفة باستخدام وحدة معالجة الموتّرات ومعالج Intel Xeon® | التسجيل |
| 30 | خلفية oneAPI لوحدات معالجة الرسومات من Intel | التسجيل |
| 31 | تصميم سير عمل واسع النطاق للتعلم المعزز المستند إلى الذكاء الاصطناعي الوكيل على وحدات TPU | التسجيل |
| 32 | JAX-AITER: دمج نواة الذكاء الاصطناعي AMD ROCm في JAX/XLA | التسجيل |
| 33 | إتقان تحسين النماذج اللغوية الكبيرة بعد التدريب باستخدام Tunix | التسجيل |
| 34 | نقل QwenImage إلى PyTorch XLA: من وحدة معالجة الرسومات إلى وحدة معالجة الموتّرات باستخدام ميزة "التحسين المستند إلى xprof" | التسجيل |
| 35 | توسيع نطاق استنتاج النماذج اللغوية الكبيرة على وحدات معالجة الموتّرات: التطورات الأخيرة والتحسينات وعمليات دمج التعلّم المعزّز | التسجيل |
| 36 | تحسين شكل جهاز الاندماج باستخدام العناصر المحدودة في JAX | التسجيل |
| 37 | تخصيص حزمة JAX باستخدام لغات DSL الخاصة بالنواة من NVIDIA | التسجيل |
| 38 | تسريع استنتاج JAX على وحدات معالجة الرسومات باستخدام نواة FlashInfer | التسجيل |
| 39 | توسيع نطاق مهام الذكاء الاصطناعي من الجيل التالي: بنية Cloud TPU وحزمة OSS | التسجيل |
| 40 | كيفية توسيع نطاق النماذج في JAX على وحدة معالجة الرسومات NVIDIA | التسجيل |
| 41 | تطوّر Kubernetes: إنشاء نظام التشغيل الموزَّع للذكاء الاصطناعي | التسجيل |
| 42 | الاستفادة من ميزة التفريغ في JAX على وحدة معالجة الرسومات NVIDIA | التسجيل |
| 43 | Checkpointing with Orbax: Unlocking Performance at Scale for RL Workloads. | التسجيل |
| 44 | Helion على وحدة TPU: توسيع لغة Helion DSL لإصدار نواة TPU دقيقة وسريعة تلقائيًا | التسجيل |
| 45 | من الصفر إلى السيليكون: إعادة إنشاء TPU v1 ومستقبل التعليم في أنظمة الذكاء الاصطناعي المفتوحة المصدر | التسجيل |
| 46 | تطوير منظومة Ray المتكاملة لوحدات معالجة الموتّرات | التسجيل |
| 47 | SGLang على وحدات معالجة الموتّرات: عرض النماذج اللغوية الكبيرة (LLM) عالية الأداء والجاهزة للاستخدام مع PyTorch وJAX | التسجيل |
| 48 | TPU SparseCore: الأجهزة والبرامج | التسجيل |
| 49 | فقاعات الأفكار: طريقة غير خاضعة للإشراف للتفكير الموازي في الفضاء الكامن | التسجيل |
| 50 | ما وراء الشريحة: إعادة تصميم أداة AI Hypercomputer الأفضل على الإطلاق | التسجيل |
| 51 | إعادة ابتكار الحوسبة في المستودعات لتعلُّم الآلة | التسجيل |
| 52 | بدء استخدام وحدات معالجة الموتّرات: من الصفر إلى الاحتراف | التسجيل |
هل لديك أسئلة؟ هل لديك تعليقات؟ نريد التواصل معك. يمكنك مراسلتنا عبر البريد الإلكتروني على العنوان devlab@google.com