深度分析
HASTE：群組共享固定輸入稀疏化提升極端多標籤分類效能
極端多標籤分類（XMC）面臨上百萬標籤的記憶體與運算瓶頸。研究提出 HASTE，採用群組共享固定 fan‑in 稀疏結構，讓語意相近的標籤共用稀疏特徵子集，同時將常見標籤以密集頭部處理，稀疏尾部則維持低記憶體開銷。
GPU 加速
深度分析
AssetGen：以 MeshGen、TextureGen 與 SDF 工程化實現可部署即時 3D 資產生成
論文提出 AssetGen，一個聚焦「可部署性」與「互動延遲」的影像到3D資產生成系統。輸入單張參考圖，系統在約30秒產出可用於即時渲染的紋理網格（含UV與烘焙法線），快速版本 AssetGen Flash 可將延遲降至約14秒。
深度分析
CUDA 生態系統解析：技術優勢、VUDA 跨庫共享與市場競爭
Nvidia透過CUDA建立AI軟體護城河，利用平行化讓GPU效能大幅提升；同時AMD、Intel的ROCm與OneAPI仍受限於生態鎖定。此格局影響未來AI開發成本與生態多樣性。在深度學習訓練與資料生成階段，CUDA的並行運算與專屬庫讓Nvidia GPU效率領先，同時VUDA的跨庫共享技術展示出新一代資源整合可能。
深度分析
Agent 驅動的自訂 CUDA 核心：高效能 GPU 加速實驗與實作指南
Hugging Face 開發 Agent 技能自動生成 CUDA 核心，支援 H100、A100、T4 等 GPU，提供完整建置與測試範例。實驗在 diffusers 影片生成與 transformers 大模型上分別達到約 1.9 倍加速。此技術降低開發門檻，預計加速 AI 晶片生態與社群共享。