AI Systems DevLabs Summer 2026

AI Systems DevLabs Summer 2026 à Sunnyvale !

Dates : 23 et 24 juin 2026
Lieu : Sunnyvale, Californie

Les enregistrements de cet événement sont disponibles dans la playlist AI Systems DevLabs Summer 2026 sur la chaîne YouTube OpenXLA.

Description de l'événement

Cet événement offre une opportunité informelle et pratique d'en apprendre plus sur le développement, de rencontrer d'autres membres de la communauté et d'approfondir des besoins spécifiques avec des ingénieurs de Google.

Planification

Pour en savoir plus sur les sessions, consultez le programme complet.

Enregistrements

Playlist des enregistrements de l'événement sur YouTube

# Titre Lien
1 Tutoriel Pallas, DevLabs 2026 Enregistrement
2 JAX : nouveautés Enregistrement
3 Optimisation des performances avec Xprof Enregistrement
4 Tokamax : une bibliothèque de noyaux personnalisés hautes performances Enregistrement
5 Grain : traitement des données pour les modèles JAX Enregistrement
6 Ragged Paged Attention : un kernel d'inférence LLM flexible et hautes performances pour TPU Enregistrement
7 FastAFD : désagrégation Attention-FFN Open Source à grande échelle pour une diffusion efficace des modèles MoE Enregistrement
8 Benchmarking vLLM on XLA Backends: From CUDA to OpenXLA for LLM Serving Enregistrement
9 NNX v2 : simplifier les API de réseaux de neurones Enregistrement
10 Discussion informelle avec Jeff Dean Enregistrement
11 UniDFlow: A Unified Discrete Flow Framework for Multimodal Reasoning and Generation Enregistrement
12 Compilateur Pallas : Mosaic Enregistrement
13 Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection w/o Fine-Tuning Enregistrement
14 Atelier pratique : Profiler et déboguer des charges de travail JAX/OpenXLA Enregistrement
15 Noyaux Pallas sur TPU SparseCore Enregistrement
16 Enhancing Medical Knowledge in LLMs via Supervised Continued Pretraining on Clinical Notes Enregistrement
17 MaxText pour le pré-entraînement à grande échelle Enregistrement
18 TorchTPU : exécuter PyTorch de manière native sur des TPU Enregistrement
19 Utiliser Motion Grids et Gemma sur l'appareil pour traduire la langue des signes indonésienne en temps réel Enregistrement
20 Agents pour le développement de ML : MaxCode/MaxKernel Enregistrement
21 Exécution de requêtes relationnelles basées sur des tenseurs sur les TPU Google Enregistrement
22 JAXQuantum : accélérer la simulation de matériel quantique avec des TPU Enregistrement
23 Kinetic : scaling du ML sans opérations pour JAX et Keras Enregistrement
24 Joint Sharding and Placement for Video Generation on TPUs Enregistrement
25 De Triton à Pallas : portage de kernel agentique et évolutif vers JAX Enregistrement
26 MaxText : apprentissage par renforcement à grande échelle sur Google Cloud Enregistrement
27 Cours d'initiation à XLA Enregistrement
28 Intégrer FlyDSL à JAX/XLA sur AMD Enregistrement
29 Déchargement de l'hôte pour un entraînement de LLM plus rapide et plus économique avec TPU et processeur Intel Xeon® Enregistrement
30 Backend oneAPI pour les GPU Intel Enregistrement
31 Concevoir un workflow d'apprentissage par renforcement agentif à grande échelle sur TPU Enregistrement
32 JAX-AITER : intégrer les kernels d'IA AMD ROCm dans JAX/XLA Enregistrement
33 Maîtriser le post-entraînement des LLM avec Tunix Enregistrement
34 Porting QwenImage to PyTorch XLA: From GPU to TPU with xprof-Guided Optimization Enregistrement
35 Scaling de l'inférence LLM sur les TPU : développements récents, optimisations et intégrations de RL Enregistrement
36 Optimisation de la forme des dispositifs de fusion avec des éléments finis dans JAX Enregistrement
37 Personnaliser la pile JAX avec les DSL de noyau de NVIDIA Enregistrement
38 Accélérer l'inférence JAX sur les GPU avec les kernels FlashInfer Enregistrement
39 Scaling Next-Generation AI Workloads: Cloud TPU Architecture and the OSS Stack Enregistrement
40 Mettre à l'échelle des modèles dans JAX sur un GPU NVIDIA Enregistrement
41 L'évolution de Kubernetes : créer l'OS distribué pour l'IA Enregistrement
42 Exploiter le déchargement dans JAX sur un GPU NVIDIA Enregistrement
43 Checkpointing with Orbax: Unlocking Performance at Scale for RL Workloads. Enregistrement
44 Helion sur TPU : étendre le DSL Helion pour émettre automatiquement des kernels TPU précis et rapides Enregistrement
45 From Scratch to Silicon: Recreating TPU v1 and the Future of Open-Source AI Systems Education Enregistrement
46 Faire évoluer l'écosystème Ray pour les TPU Enregistrement
47 SGLang sur les TPU : diffusion de LLM hautes performances de qualité production avec PyTorch et JAX Enregistrement
48 TPU SparseCore : matériel et logiciel Enregistrement
49 Thought bubbles: an Unsupervised Method for Parallel Thinking in Latent Space Enregistrement
50 Au-delà de la puce : repenser l'architecture de l'AI Hypercomputer ultime Enregistrement
51 Réinventer l'informatique d'entrepôt pour le ML Enregistrement
52 Premiers pas avec les TPU : de zéro à héros Enregistrement

Des questions ? Vous avez des remarques ? Votre avis nous intéresse. Vous pouvez nous envoyer un e-mail à l'adresse devlab@google.com.