|
|
|
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.