摩尔线程 GPU 学习中心：从零开始掌握摩尔线程 GPU
非官方的摩尔线程（Moore Threads）GPU 与 MUSA 中文学习站：MUSA SDK 与驱动安装、MUSA 编程、torch_musa、vLLM-MUSA / SGLang 推理部署、大模型训练与量化，按 12 个模块循序渐进。
🧠 模块一：GPU与AI基础认知
从零开始理解GPU并行计算与AI的关系，认识摩尔线程的MUSA架构与产品家族。
- 什么是GPU？为什么AI需要GPU？
- 认识摩尔线程
- 摩尔线程产品家族：从 KUAE 集群到 MTT AICUBE/AIBOOK
- MUSA vs CUDA（即将推出）
🔧 模块二：MUSA开发环境搭建
从系统准备到SDK安装，搭建完整的摩尔线程GPU开发环境，掌握pymtml设备管理。
💻 模块三：MUSA编程入门
学习MUSA编程模型，编写你的第一个GPU并行程序。
🚀 模块四：AI模型训练实战
使用torch_musa在摩尔线程GPU上训练深度学习模型，覆盖v2.9.0的FSDP2与分布式训练。
- torch_musa入门
- 图像分类实战（即将推出）
- 模型训练流程（即将推出）
- 分布式训练与FSDP2
- 混合精度训练
🤖 模块五：AI模型推理部署
在摩尔线程GPU上部署大语言模型推理：Ollama、vLLM-MUSA、SGLang-MUSA全覆盖。
- 使用Ollama本地部署大模型
- 推理基础概念（即将推出）
- vLLM-MUSA推理部署实战
- SGLang-MUSA推理引擎
- 模型量化技术
🔄 模块六：CUDA代码迁移与进阶
从MUSIFY源码迁移到torchada运行时兼容，再到TileLang算子开发的进阶之路。
- MUSIFY迁移工具实战
- torchada兼容层实战
- TileLang-MUSA算子开发
- 多GPU编程（即将推出）
- KUAE集群概览（即将推出）
- MATE引擎：FlashAttention-3与高性能算子库
- MTClaw Function Router：本地工具路由加速实战
🧪 模块七：LLM 预训练与微调实战（MUSA）
torch_musa 全栈训练：分词器、预训练 mini-GPT、SFT、LoRA、DPO、RLHF；含 MusaCoder 原生 Kernel 生成框架（论文 + 实操，已开源 27B/9B）
- 分词器与数据管线（BPE / SentencePiece on MUSA）（即将推出）
- 从零预训练 124M GPT（torch_musa + FSDP2 + ZeRO-3）（即将推出）
- 指令微调 SFT 实战（LLaMA-Factory + torch_musa 后端）
- LoRA / QLoRA on MUSA
- DPO 直接偏好优化（trl + torch_musa）（即将推出）
- RLHF：Reward Model + PPO 完整流程（即将推出）
- 训练监控与故障定位（pymtml + Tensorboard + wandb）（即将推出）
- MusaCoder：MUSA 上的原生 Kernel 生成后训练框架（KernelBench SOTA）
- MusaCoder 模型实操：从 HuggingFace 下载到 PyTorch 算子 → MUSA Kernel 生成
⚡ 模块八：LLM 推理优化深度（MUSA）
从指标到深度：TTFT/TPOT、KV Cache、投机解码、FA3、MTP、量化、分离式部署、路由，含 SGLang-MUSA 全模型族部署
- 推理指标体系：TTFT / TPOT / ITL / Goodput / P99
- KV Cache 与 PagedAttention（vllm-musa 实战）
- 投机解码（MTP / DSpark on vLLM-MUSA）（即将推出）
- MTP / NSA / 差分注意力（DeepSeek-V4 风格）（即将推出）
- 分离式部署（Disaggregated Prefill/Decode + LMCache）（即将推出）
- 模型路由与多租户（LiteLLM + vllm-musa 集群）（即将推出）
- SGLang-MUSA 概览与环境准备（Docker镜像 v0.5.6.post3-ph1）
- SGLang-MUSA 模型部署实战：9 模型族 × 3 部署模板
- 国产大模型 Day-0 适配方法论：LongCat-2.0 / Hy3 / GLM-5.2 on MTT S5000
- MUSA SDK 5.2.0 与 vLLM-MUSA FP8 MoE 推理调优实战
- Mooncake MUSA 预编译包与 PD 分离部署实操（vLLM / SGLang 双路径）
- Kimi K3 Day-0 适配剖析：KDA/Gated MLA 混合注意力、MXFP4 在线量化与 896 专家 MoE
🤖 模块九：LLM 应用层（RAG / Function Calling / MCP / Agent）
基于 MUSA 后端构建 Embedding → RAG → Function Calling → MCP → Agent → 多 Agent
- Embedding 模型在 MUSA 上的部署（bge / m3 / Qwen3-Embedding）
- 从零搭建 RAG（chunking → 检索 → rerank → 生成）（即将推出）
- 高级 RAG（HyDE / RAG-Fusion / ColPali 多模态）（即将推出）
- Function Calling 与结构化输出（outlines / xgrammar on vllm-musa）（即将推出）
- MCP 协议入门：构建 MUSA 后端的 MCP Server（即将推出）
- Agent 循环与 ReAct（集成 MTClaw 本地工具路由）（即将推出）
- 多 Agent 系统（LangGraph / AutoGen + 本地 MUSA LLM）（即将推出）
- Prompt Caching 与上下文缓存经济学（vllm-musa prefix cache）（即将推出）
🎯 模块十：多模态与生产 Capstone（MUSA）
VLM / 语音 / 扩散模型部署 + 三大端到端 Capstone（企业 RAG、Code Agent、实时语音）
- 视觉-语言模型部署（Qwen3-VL / OCR 模型 on MUSA）
- 语音端到端：Whisper + Qwen + CosyVoice 全链路（即将推出）
- 扩散模型推理（Stable Diffusion / FLUX on MUSA）（即将推出）
- Capstone A：企业级 RAG 客服系统（KUAE + vllm-musa）（即将推出）
- Capstone B：本地 Code Agent（MTClaw + Qwen3-Coder + MCP）（即将推出）
- Capstone C：实时语音助手（ASR → LLM → TTS < 500ms 端到端）（即将推出）
- MiniMax H3 多模态生成模型 MUSA 适配路径（SGLang-Diffusion）
📖 模块十一：官方教材精讲《摩尔线程GPU架构与编程实践》
基于摩尔线程官方、人民邮电出版社出版的《摩尔线程GPU架构与编程实践》逐章精讲，系统解析 MUSA 架构原理、编程模型、软件栈与实战。
- 官方教材导读：全书 10 章知识地图与学习路径
- 第1章精讲：GPU 原理与生态（摩尔定律 / Flynn / SIMT / MUSA 层级）
- 第2章精讲：MUSA 硬件架构（前端调度 / MP-MPE / 存储体系 / 张量核心）
- 第3章精讲：MUSA 编程模型（Kernel / Context / Stream / 内存管理）
- 第4章精讲：MUSA 软件架构（编译器工具链 / 计算加速库 / muDNN / MCCL）
- 第5章精讲：开发环境搭建（驱动 / SDK / 容器 / 冒烟验证）
- 第6章精讲：MUSA 编程基础（编译链接 / 索引 / 错误处理 / 归约实战）
- 第7章精讲：MUSA 程序调试（错误码 / musa-gdb / compute-sanitizer / 精度定位）
- 第8章精讲：性能优化与扩展（Occupancy / 访存 / Flash Attention / GEMM）
- 第9章精讲：性能分析工具（musa-profiler / Roofline / 时间线归因）
- 第10章精讲：应用实战（图像处理 / 科学计算 / AI 推理 / 多卡扩展）
🧱 模块十二：推理运行时与跨框架部署（MUSA）
面向非 LLM 与跨框架推理负载：ONNX Runtime MUSA Plugin EP 的 out-of-tree 架构、构建与部署，并跟踪 xLLM 等第三方运行时接入 MUSA 的进展。