|
|
|
Sự kiện AI Systems DevLabs Summer 2026 tại Sunnyvale!
Ngày: Ngày 23 và 24 tháng 6 năm 2026
Địa điểm: Sunnyvale, California
Bạn có thể xem bản ghi của sự kiện này trong danh sách phát AI Systems DevLabs Summer 2026 trên kênh YouTube của OpenXLA.
Nội dung mô tả sự kiện
Sự kiện này mang đến cơ hội thực tế, thân mật để tìm hiểu về hoạt động phát triển, gặp gỡ các thành viên khác trong cộng đồng và tìm hiểu sâu về các nhu cầu cụ thể với các kỹ sư của Google.
Lên lịch
Vui lòng xem Lịch trình đầy đủ để biết thông tin chi tiết về phiên.
Bản ghi âm
Danh sách phát bản ghi sự kiện trên YouTube
| # | Tiêu đề | Đường liên kết |
|---|---|---|
| 1 | Hướng dẫn về Pallas, DevLabs 2026 | Bản ghi âm |
| 2 | JAX: Tính năng mới | Bản ghi âm |
| 3 | Tối ưu hoá hiệu suất bằng Xprof | Bản ghi âm |
| 4 | Tokamax: Thư viện hạt nhân tuỳ chỉnh hiệu suất cao | Bản ghi âm |
| 5 | Grain: Xử lý dữ liệu cho các mô hình JAX | Bản ghi âm |
| 6 | Ragged Paged Attention: Nhân suy luận LLM hiệu suất cao và linh hoạt cho TPU | Bản ghi âm |
| 7 | FastAFD: Phân tách Attention–FFN quy mô lớn nguồn mở để phân phát MoE hiệu quả | Bản ghi âm |
| 8 | Đo điểm chuẩn vLLM trên phần phụ trợ XLA: Từ CUDA đến OpenXLA để phân phát LLM | Bản ghi âm |
| 9 | NNX phiên bản 2: Đơn giản hoá API mạng nơron | Bản ghi âm |
| 10 | Trò chuyện thân mật với Jeff Dean | Bản ghi âm |
| 11 | UniDFlow: Khung dòng rời rạc hợp nhất cho việc suy luận và tạo sinh đa phương thức | Bản ghi âm |
| 12 | Trình biên dịch Pallas: Mosaic | Bản ghi âm |
| 13 | Mở rộng quy mô biểu diễn được huấn luyện trước giúp phát hiện dữ liệu ngoại lai không có nhãn mà không cần tinh chỉnh | Bản ghi âm |
| 14 | Hội thảo thực hành: Phân tích và gỡ lỗi khối lượng công việc JAX/OpenXLA | Bản ghi âm |
| 15 | Hạt nhân Pallas trên TPU SparseCore | Bản ghi âm |
| 16 | Nâng cao kiến thức y khoa trong LLM thông qua huấn luyện trước liên tục có giám sát trên ghi chú lâm sàng | Bản ghi âm |
| 17 | MaxText cho quá trình huấn luyện trước trên quy mô lớn | Bản ghi âm |
| 18 | TorchTPU: Chạy PyTorch gốc trên TPU | Bản ghi âm |
| 19 | Sử dụng lưới chuyển động và Gemma trên thiết bị để dịch ngôn ngữ ký hiệu Indonesia theo thời gian thực | Bản ghi âm |
| 20 | Tác nhân cho nhà phát triển ML – MaxCode/MaxKernel | Bản ghi âm |
| 21 | Thực thi truy vấn quan hệ dựa trên tensor trên TPU của Google | Bản ghi âm |
| 22 | JAXQuantum: tăng tốc mô phỏng phần cứng lượng tử bằng TPU | Bản ghi âm |
| 23 | Kinetic: Mở rộng quy mô học máy không cần vận hành cho JAX và Keras | Bản ghi âm |
| 24 | Phân đoạn và đặt vị trí chung để tạo video trên TPU | Bản ghi âm |
| 25 | Từ Triton đến Pallas: Chuyển đổi hạt nhân tiến hoá, dựa trên tác nhân sang JAX | Bản ghi âm |
| 26 | MaxText: Học tăng cường ở quy mô tiên phong trên Google Cloud | Bản ghi âm |
| 27 | Khoá học nhanh về XLA | Bản ghi âm |
| 28 | Tích hợp FlyDSL vào JAX/XLA trên AMD | Bản ghi âm |
| 29 | Giảm tải máy chủ lưu trữ để huấn luyện LLM nhanh hơn và tiết kiệm chi phí hơn bằng TPU và bộ xử lý Intel Xeon® | Bản ghi âm |
| 30 | Phần phụ trợ oneAPI cho GPU Intel | Bản ghi âm |
| 31 | Xây dựng quy trình học tăng cường (RL) có tác nhân quy mô lớn trên TPU | Bản ghi âm |
| 32 | JAX-AITER: Đưa nhân AI AMD ROCm vào JAX/XLA | Bản ghi âm |
| 33 | Làm chủ quy trình huấn luyện sau cho LLM bằng Tunix | Bản ghi âm |
| 34 | Chuyển QwenImage sang PyTorch XLA: Từ GPU sang TPU bằng tính năng tối ưu hoá dựa trên xprof | Bản ghi âm |
| 35 | Mở rộng quy mô suy luận LLM trên TPU: Những điểm phát triển, tối ưu hoá và tích hợp RL gần đây | Bản ghi âm |
| 36 | Tối ưu hoá hình dạng thiết bị nhiệt hạch bằng phương pháp phần tử hữu hạn trong JAX | Bản ghi âm |
| 37 | Tuỳ chỉnh ngăn xếp JAX bằng DSL nhân của NVIDIA | Bản ghi âm |
| 38 | Tăng tốc suy luận JAX trên GPU bằng nhân FlashInfer | Bản ghi âm |
| 39 | Mở rộng quy mô khối lượng công việc AI thế hệ mới: Kiến trúc Cloud TPU và ngăn xếp OSS | Bản ghi âm |
| 40 | Cách mở rộng quy mô mô hình trong JAX trên GPU NVIDIA | Bản ghi âm |
| 41 | Sự phát triển của Kubernetes: Xây dựng hệ điều hành phân tán cho AI | Bản ghi âm |
| 42 | Tận dụng tính năng giảm tải trong JAX trên GPU NVIDIA | Bản ghi âm |
| 43 | Tạo điểm kiểm tra bằng Orbax: Nâng cao hiệu suất trên quy mô lớn cho khối lượng công việc học tăng cường. | Bản ghi âm |
| 44 | Helion trên TPU: mở rộng Helion DSL để tự động phát ra các hạt nhân TPU chính xác và nhanh chóng | Bản ghi âm |
| 45 | Từ đầu đến cuối: Tái tạo TPU v1 và tương lai của giáo dục hệ thống AI nguồn mở | Bản ghi âm |
| 46 | Phát triển hệ sinh thái Ray cho TPU | Bản ghi âm |
| 47 | SGLang trên TPU: Phục vụ LLM hiệu suất cao, cấp sản xuất bằng PyTorch và JAX | Bản ghi âm |
| 48 | TPU SparseCore: Phần cứng và phần mềm | Bản ghi âm |
| 49 | Bong bóng suy nghĩ: Phương pháp không giám sát cho tư duy song song trong không gian tiềm ẩn | Bản ghi âm |
| 50 | Vượt xa chip: Tái cấu trúc siêu máy tính AI tối ưu | Bản ghi âm |
| 51 | Tái định hình điện toán kho dữ liệu cho công nghệ học máy | Bản ghi âm |
| 52 | Làm quen với TPU: Từ con số 0 đến chuyên gia | Bản ghi âm |
Bạn có câu hỏi? Bình luận? Chúng tôi muốn nghe ý kiến của bạn. Bạn có thể gửi email cho chúng tôi theo địa chỉ devlab@google.com