国产GPU开源生态加速 SGLang核心开发者加入共建

国产GPU的竞争格局，早已超越了单纯的芯片参数比拼，正悄然转向一个更深层次的战场：生态坐标之争。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

最近一场技术聚会，现场没有大厂高管站台，却挤满了开源圈的熟面孔。目光扫过台下，能对上好几个在GitHub上如雷贯耳的ID：

有目前大模型推理框架的顶流SGLang的核心开发者BBuf（Xiaoyu Zhang）；有主导下一代算子编程生态TileLang的维护者唐正举；有操刀KVCache解耦与传输神器Mooncake的核心贡献者马腾；有来自智源人工智能研究院、围绕Triton/FlagOS死磕AI编译器的肖航；还有像R0CKSTAR这样在GitHub上异常活跃的硬核开发者。

这场看似极客圈内部的面基会，却透着一股强烈的反差感——活动的攒局者，是国产GPU玩家，摩尔线程。

此事确实值得玩味。过去提到国产GPU，外界最容易联想到的关键词，往往还是硬件参数、显存容量、算力指标、生态替代、模型能不能跑起来。但这场“SGLang × MUSA Meetup”真正抛出的问题已经发生了转变：如何让国产GPU真正融入大模型推理的主流开源工程链路？

说得更直白一点，就是让SGLang、Triton/FlagOS、TileLang、Mooncake这些前沿工具链，以及KVCache、P/D分离、分布式通信、CI/CD、上游PR等核心工程实践，能够围绕国产GPU顺畅运转起来。

全程听下来，一个直观的感受愈发清晰：国产GPU的竞争，已经不只是芯片参数之争，转而开始迈向生态坐标之争。为什么这么说？我们继续往下看。

国产GPU开始“扩圈”了

先看这场Meetup本身。主题非常明确：SGLang × MUSA。

SGLang是当下大模型推理服务领域关注度极高的开源框架，面向LLM和多模态模型，核心目标是实现低延迟、高吞吐，覆盖从单卡到大规模分布式集群的部署场景。这类框架之所以关键，是因为今天的大模型落地，早已不是“模型训练好了，放上去跑”那么简单。真正进入生产环境后，系统要处理的是一整套复杂问题：例如prefill和decode阶段如何拆分，KVCache如何高效复用，长上下文如何节省成本，多轮对话如何降低首token延迟，大规模集群如何调度，新模型发布后如何实现Day-0支持，出现性能差距时如何定位到具体的内核。

第一个上台的是SGLang核心开发者BBuf。

△SGLang核心开发者BBuf

这个在GitHub上拥有27k星的开源推理框架，如今已是全球开发者部署大模型的首选之一。他带来的SGLang 2026年第二季度路线图，每一条都踩在行业的痛点上：针对DeepSeek V4的全链路优化，包括W4A16量化、MegaMoE加速和稀疏注意力支持；用jit_kernel全面替代传统的sgl-kernel，通过TVM-FFI将编译速度提升了数倍，告别了等待数小时构建wheel包的时代；Vibe Coding全面落地，利用AI agent自动分析性能剖析器、定位瓶颈并提交PR，5月前已完成超过60个优化任务；多模态能力全面升级，支持LTX2、Wan、混元视频等最新模型，性能相较其他框架最高提升5倍。

最令人印象深刻的是他展示的一组数据：SGLang通过P/D分离架构，在12个H100节点上跑出了每节点52.3k输入token/秒、22.3k输出token/秒的成绩，成本据称比DeepSeek最新API便宜5倍，且该结果已被全球十余个团队复现。

紧接着上台的摩尔线程贡献者R0CKSTAR，带来了全场最硬核的工程实践分享。

△摩尔线程工程师R0CKSTAR

他用一句话总结了过去半年的工作：“SGLang on MUSA已经完成了从环境构建到CI测试的全链路打通。”这意味着什么？现在开发者只要克隆SGLang的最新代码仓库，安装sgl-kernel和sglang，就能在摩尔线程MTT S5000显卡上直接运行几乎所有主流大模型。DeepSeek、通义千问3.5、GLM-4.5、FLUX、Wan这些热门模型，均已完成了深度优化。

他特别提到了MUSA的三层CUDA兼容栈。过去适配一个推理框架可能需要修改数千行代码，现在只需在开头添加一行“import torchada”，99%的CUDA代码就能直接运行。这个看似简单的改动，实则解决了国产GPU生态适配的一大痛点。据了解，截至5月12日，摩尔线程在SGLang主线累计提交了47个PR，其中41个已被合并，完成了从环境构建到分布式推理的全链路打通。

来自智源的肖航则分享了DeepSeek V4在MUSA上的Day-0适配成果。

△智源AI编译器研究员

通过FlagOS的Triton算子优化和摩尔线程的SQMMA张量加速引擎，他们将DeepSeek V4的首token延迟降低了56.7%，吞吐量提升了23%。对此，肖航表示：“我们没有做什么黑魔法，就是把两个最关键的算子优化到了极致。”FP8矩阵乘算子平均加速8.85倍，稀疏注意力算子平均加速6.01倍，这两个占推理时间80%的算子一旦优化，端到端性能自然水涨船高。

TileLang维护者唐正举的分享，则让与会者看到了下一代算子编程的未来。

△TileLang维护者唐正举

这个2025年2月才开源的项目，短短一年多就收获了6k星和133位贡献者，连DeepSeek V4的核心内核都是用TileLang编写的。正如唐正举所说：“用TileLang写FlashAttention，只要50行Python代码，性能和专家手写的CUDA一模一样。”现场展示的对比图也印证了这一点：同样的GEMM算子，TileLang用15行代码达到了CUTLASS的性能，代码量减少了90%。

最后上台的阿里云马腾，带来了Mooncake项目的最新进展。

△Mooncake Contributor 马腾

这个专注于KVCache解耦的项目，如今已是SGLang、vLLM等主流推理框架的标配。他展示了一组颇为亮眼的数据：通过RDMA P2P权重更新，Kimi K2 1T模型的权重同步时间从53秒降至7.2秒，加速了7.37倍；EPD三级解耦架构让多模态模型的首token延迟降低了6-8倍；HiCache + Mooncake后端让多轮对话的缓存命中率超过90%。

至此，这场Meetup的技术拼图基本完整——SGLang是推理框架主链路，MUSA是国产GPU底层平台，FlagOS/Triton解决关键算子优化，TileLang降低高性能内核编程门槛，Mooncake补上KVCache和生产部署的最后一块。这，便是一条较为完整的大模型推理工程链路。

为什么摩尔线程能把他们摇来？

这个问题的答案不能简单归结为“办了一场活动”。开源圈很现实，大家愿意来，核心原因不是谁会讲故事，而是这件事真的和他们正在攻坚的工程问题息息相关。

首先看MUSA本身的设计理念。摩尔线程CTO张钰勃在开场中解释，MUSA是Meta-computing Unified System Architecture。

△摩尔线程CTO张钰勃

“Meta-computing”指向通用计算，意味着摩尔线程希望GPU尽量拥抱通用计算，而不是给未来可计算的领域设限；“Unified”则意味着产品线遵循同一套统一标准，避免不同产品使用不同指令集和架构，导致软件生态无法积累。更关键的一句话是：“MUSA不希望开发者为了使用MUSA而重新学习一套东西。”这句话看似朴素，实则直指国产GPU生态的痛点。

开发者最怕什么？不是新硬件本身，而是为了适配新硬件，需要学习一整套全新的API，重写大量代码，改完后还进不了上游社区，社区一更新又要重新打补丁。如果一个国产GPU生态要求开发者从头学一遍，那它面对的将是巨大的迁移阻力。

所以MUSA的路线，是尽量贴近开发者已经熟悉的GPU编程方式、API接口和使用习惯。底层实现可以不同，但上层体验尽可能一致。三层CUDA兼容栈的意义就在于此：torch_musa负责连接PyTorch和MUSA的基础能力；torchada负责让CUDA优先的生态继续工作；mthreads-ml-py负责将设备管理、拓扑、显存、MTLink、P2P等信息暴露给上层框架。用更通俗的话说，摩尔线程在尽量“把原来的路修到自己门口”。

这直接影响了与开源社区协作的可行性。因为上游项目最看重的是低侵入性、可维护性和可复用性。如果一个适配方案需要大面积改动主线代码，后续每次同步上游更新都会非常痛苦，上游也很难接受。反过来，如果适配可以通过更透明、更模块化的方式完成，提交的PR就更容易被审核，也更容易持续跟随社区迭代。这就是从“我自己维护一个分支”到“我进入主线”的本质区别。

再看具体的生态结合点：

SGLang × MUSA，是推理主链路的打通。摩尔线程从去年开始将SGLang作为重点接入和贡献的开源项目，经过大半年努力，MUSA后端近期已合入SGLang主线。后续不仅是跟随功能更新，更希望在框架层面贡献更多能力。这件事的意义在于，国产GPU不再只是某个框架的外部适配对象，已经开始成为主线生态的一部分。

FlagOS × MUSA，是关键算子和新模型适配。大模型推理的性能竞争，越来越多地发生在内核、编译器、调度、低精度和通信层。像DeepSeek V4 day-0适配这样的工作，本质上考验的是从模型发布到工程落地之间的反应速度。能否第一时间跑通，能否快速调优，能否在真实数据形态上找到更优配置，决定了生态能否跟上节奏。

Mooncake × MUSA，是推理解耦和生产部署。KVCache的价值在Agent、多轮对话、长上下文时代被进一步放大。Mooncake与MUSA的结合，不只是让某个缓存后端能跑在国产GPU上，更是在探索跨实例KVCache共享、弹性扩缩容、缓存复用、原地升级这类生产级问题。

TileLang × MUSA，则是下一代算子生态的提前布局。如果未来更多模型和硬件都需要定制内核，算子编程不能永远停留在少数专家手里。TileLang这类领域特定语言（DSL）的价值，在于把高性能内核编程变成更多开发者能上手的工程工具。

这四条技术线合在一起，才是摩尔线程能组起这个局的底气。它把自己放进了大模型推理的真实工程网络里，这个网络包括框架、算子、缓存、通信、部署、CI/CD、上游贡献等等。而这，也正是国产GPU生态真正需要补上的一课。

国产GPU的生态位，正在走向协作

如果把这场Meetup放在更宏大的算力发展背景下看，它的价值或许远超一次技术分享本身。

过去几年，国产GPU的生态困境是比较明显的。许多厂商习惯了闭门造车，自己从头写一套深度学习框架，自己攒一套算子库，结果因为不符合主流开发者的习惯，鲜有人问津。又或者，有的厂商只是拉一个私有的代码分支做适配，从来不向开源上游提交代码，导致主流框架一更新，自己的适配版本就成了无人维护的孤岛。

而现在，摩尔线程给出了一个完全不同的答案：全面融入全球开源生态，去和世界上最聪明的一批开发者一起做事。在这场活动中，频繁听到几个词：Day-0 Support、Upstream PR、CI/CD。这说明国产GPU的生态位正在发生质变。摩尔线程不再只满足于做一个被动的适配者，它要的是主动出击，成为核心代码的“贡献者”，甚至是未来架构的“共建者”。

他们不仅仅是丢一个单点的补丁过去，而是把一整套包含环境构建、PR提交、CI自动化测试、版本发布、文档维护在内的工程闭环，深深地嵌入到了SGLang等顶级项目的开发流程中。这种可持续的“上游优先”模式，才是真正掌握生态话语权的方式。

这场开源聚会还证明了一件事：国产GPU已经走上了大模型推理开源生态的公共牌桌。在这个牌桌上，已经坐着风头正劲的SGLang，坐着死磕底层编译的Triton/FlagOS，坐着重塑算子生态的TileLang，坐着主导解耦架构的Mooncake。而现在，国产GPU的代表，也可以拉开椅子，从容地坐下来，和这群明星玩家们一起，打好大模型时代最关键的这把牌。