Intel GPU 技术生态日报 (2026-10-09)

核心速览

[Merged] Triton XPU 为矩阵乘法自动调优增加 128 GRF 变体并调整 CRI 配置：调整 03a 矩阵乘法自动调优配置，新增 64x128x32 的 128 GRF 变体，并在 CRI 上改用 512 GRF。
[Merged] Triton XPU 移除 Chrome trace 回退 workaround：XPU profiler 在 API 退出时命名 launch op，使 dumpChromeTrace 不再需要向上遍历。
[Merged] Triton XPU 为全局原子内存语义插入 work-group barriers：移植上游 CTA barrier 插入逻辑，确保全局原子操作的内存语义正确。

下游优化与加速库 (intel/llm-scaler / Triton / OpenVINO)

[vLLM XPU] 取消跳过 vllm_deepgemm 测试（Triton 内核在 XPU 上运行）：所有 vllm_deepgemm 测试在 XPU 上通过，因此移除 skiplist，使这些测试在 CI 中运行。 [Commit #8290]

影响： 扩大了 XPU 上的测试覆盖，确保 deepgemm 相关功能在 XPU 上持续验证。
[vLLM XPU] 取消跳过最后一个 NIXL 测试：上游 vLLM 添加了缺失的 FakeNixlWrapper 补丁，当前 pin 已包含，因此移除最后一个 NIXL 测试的跳过。 [Commit #8315]

影响： NIXL 测试在 XPU 上全面运行，提升覆盖。
[vLLM XPU] 取消跳过 vllm_quant 测试（Triton 内核在 XPU 上运行）：取消跳过所有在 XPU 上运行的 Triton 内核测试，共 245 个用例。仍跳过的测试包括 test_fp8_quant.py，因为其依赖的 ops.scaled_fp8_quant 仅分发到 torch 路径。 [Commit #8219]

影响： 大幅扩展了 XPU 上的量化测试覆盖，但 fp8 量化测试仍被跳过，因为后端不支持。
[vLLM XPU] 修复 Intel CI 中 weight_transfer_metrics 测试的过期 ignore 路径：PR #57849 移动了 test_weight_operation_metrics.py 文件，但未更新 Intel CI 的 —ignore 路径，导致 CI 失败。此 PR 修复了路径。 [PR #60558]

影响： 修复 Intel CI 配置，避免测试被错误忽略。
[vLLM XPU] 用 torch.where 替换布尔掩码赋值以支持 XPU 图捕获：原始操作 inputs_embeds[positions == 0] = 0 在 XPU 图上失败，因为包含 D2H 拷贝。改用 torch.where 实现等价功能，可被图捕获，且不影响 CUDA 路径。 [PR #60529]

影响： 修复 XPU 图捕获问题，使该操作可在 XPU 图上运行。
[vLLM XPU] 为 B70 的 2 个更多形状添加调优的 Mamba SSU 配置：PR #50534 为 Intel Arc Pro B70 调优了 Mamba selective_state_update 配置，但只发布了 headdim=64,dstate=128 和 headdim=128,dstate=256，其他形状因缺少硬件而丢弃。此 PR 为另外两个形状添加配置。 [PR #57565]

影响： 扩展了 B70 上 Mamba SSU 的调优覆盖，可能提升性能。
[vLLM XPU] 拆分 Intel CI 作业以提高 B50 利用率：拆分 Intel CI 作业，以更好地利用 B50 资源，提高 CI 效率。 [PR #58817]

影响： 改善 CI 资源利用，可能缩短测试时间。

主流框架与上游集成 (PyTorch / vLLM / SGLang / llama.cpp / Ollama)

[Triton XPU] 03a-matrix-multiplication 自动调优：64x128x32 增加 128 GRF 变体，移除 8x512x64：该 PR 修改了 Triton XPU 后端中 03a 矩阵乘法示例的自动调优配置：为 64x128x32 形状新增 grf_mode=‘128’ 变体，同时移除 8x512x64 配置。这是对调优配置的调整，旨在覆盖更多硬件特性（如 GRF 模式），并非修复缺陷。 [Commit #8338]

影响： 扩展了自动调优的配置空间，可能提升特定形状在支持 128 GRF 的硬件上的性能。
[Triton XPU] PROTON：移除 chrome trace walk-up workaround：XPU profiler 现在在 API 退出时（PTI 报告内核名）命名 launch op，使得内核直接落在正确的 op 上，因此 dumpChromeTrace 不再需要向上遍历来关联内核。该 workaround 已无用，故移除。 [Commit #8316]

影响： 简化了 profiler 的 trace 生成逻辑，消除了不必要的遍历，可能提升 trace 生成的准确性和性能。
[Triton XPU] 新增 launch-overhead 和 launch-overhead-cold 基准测试：上游的 launch_overhead.py 只测量单个固定场景（一个空内核），无法区分冷启动和热启动的开销。该 PR 新增了 launch-overhead 和 launch-overhead-cold 两个基准，以更细致地测量内核启动开销。 [Commit #8287]

影响： 为开发者提供了更精确的启动开销测量工具，有助于优化内核启动路径。
[Triton XPU] CI：从 Triton 基准中移除 flex-attention-causal-batch16：FlexAttention (batch_size=16) 的 causal mask 基准仅适用于 PVC，而 BMG 现在是主要基准平台，因此从基准套件中移除该测试，以避免在 BMG 上运行不兼容的测试。 [Commit #8348]

影响： 清理了 CI 基准套件，避免在 BMG 上运行无效测试，提高 CI 效率。
[Triton XPU] 为全局原子内存语义插入 work-group barriers：上游 triton-lang/triton#10816 将 CTA barrier 插入逻辑移至后端，该 PR 将其移植到 Intel XPU 后端，确保全局原子操作的内存语义正确。 [Commit #8346]

影响： 修复了全局原子操作可能存在的内存可见性问题，提升并发正确性。
[Triton XPU] AccelerateMatmul：使用 lhs/rhs_k_pack 选择 fp4 解包轴：之前 DecomposeScaledBlocked::scaleArg 和 UpcastScaledBlocked::upcastMatrix 通过比较操作数形状与结果形状来选择 fp4_to_fp 解包轴，这可能导致错误。现在改为使用 lhs/rhs_k_pack 信息，更可靠地确定解包轴。 [Commit #8268]

影响： 修复了 fp4 解包轴选择可能错误的问题，提升 fp4 矩阵乘法的正确性。
[Triton XPU] RemoveLayoutConversions：按每线程元素增加量计费重物化元素操作：修复 #8272，移植上游 triton-lang/triton#10129。isRematBeneficial 在 Intel RemoveLayoutConversions 中未正确计算重物化元素操作的成本，现在按每线程元素增加量计费，使成本评估更准确。 [Commit #8277]

影响： 改进了布局转换移除的决策，可能减少不必要的重物化，提升性能。
[Triton XPU] RemoveLayoutConversions：getValueAs 仅重用支配 remat：RemoveLayoutConversions 的前向传播通过 LayoutRematerialization::getValueAs 重写元素操作，之前会重用任何记录的 remat 而不检查支配关系，可能导致错误。现在仅重用支配的 remat。 [Commit #8242]

影响： 修复了可能的重物化重用错误，提升正确性。
[Triton XPU] 03-matrix-multiplication：在 CRI 上使用 512 GRF 模式：03-matrix-multiplication 的第一个 XPU 自动调优配置硬编码 grf_mode=‘256’，在支持 512 GRF 的 CRI 上，改用 ‘512’ 以匹配后端自动调优的默认模式。 [Commit #8337]

影响： 在 CRI 上使用更合适的 GRF 模式，可能提升性能。

社区实测与生态动态

[Linux x86] Rosaic Labs 聘请传奇 Linux x86 开发者 H. Peter Anvin：Rosaic Labs 是一家神秘的半导体初创公司，此前已获得 Intel Atom 技术访问权，现在聘请了传奇 x86 开发者 H. Peter Anvin，可能涉及 x86 相关开发。 [Phoronix]

影响： 可能影响未来 x86 生态，但具体影响尚不明确。