**Inicio** Últimas noticias y reportajes **

Noticias**

**

AscendGYM: Evaluación de la optimización del kernel en las unidades de procesamiento neuronal (NPUs) Ascend**

**

AscendGYM presenta un nuevo conjunto de pruebas de rendimiento (benchmarks) para la optimización del kernel en las unidades de procesamiento neuronal (NPUs) Ascend, que incluye cargas de trabajo reales, métricas de rendimiento y herramientas de código abierto.** **** **Thematic editorial illustration** **** Ilustración editorial; no se trata de una captura de pantalla de un producto ni de una fotografía de un evento. **

En este artículo** **

** **
** **

El equipo de la plataforma de entrenamiento de IA, liderado por Bingwei Zhang, Jing Li, Amir Abdullin y otros, ha presentado AscendGYM, un nuevo conjunto de pruebas de rendimiento diseñado para evaluar las capacidades de optimización del kernel en las unidades de procesamiento neuronal (NPUs) Ascend. Publicado en arXiv el 18 de noviembre de 2026, este proyecto tiene como objetivo cerrar las lagunas de los benchmarks existentes al centrarse en cargas de trabajo reales y métricas de rendimiento que tengan en cuenta los costos.** **

** **

Descripción general y características de AscendGYM** **

** **

AscendGYM ofrece un conjunto de 48 kernels divididos en tres niveles de dificultad. Estos kernels se combinan con casos de prueba basados en tareas reales de entrenamiento e inferencia, lo que garantiza que las mejoras en el rendimiento se traduzcan directamente en aplicaciones prácticas. El benchmark admite dos modos de evaluación: evaluación del modelo y evaluación del entorno de ejecución del modelo.**Ambos modos permit la evaluación de modelos entrenados y agentes personalizados dentro de un entorno de ejecución completo que replica de manera cercana a los pipelines del kernel Ascend del mundo real. Una innovación notable es la introducción del Speedup-Token Score (STS), una métrica que equilibra la mejora en la velocidad de ejecución con el costo de los tokens. Esto permite a los usuarios evaluar las capacidades de optimización del kernel dentro de restricciones presupuestarias predefinidas, lo que hace que el benchmark sea especialmente relevante para implementaciones de IA sensibles al costo. El proyecto AscendGYM es de código abierto y se encuentra alojado en GitHub en la dirección https://github.com/SLAI-AITP/AscendGYM. El repositorio incluye definiciones de tareas, herramientas de evaluación y documentación para facilitar su adopción. Los usuarios pueden preparar tareas, realizar pruebas de corrección, medir el rendimiento y analizar los resultados a través de una interfaz unificada. El entorno de ejecución soporta tanto imágenes oficiales de AscendForge como servicios autoalojados, lo que garantiza flexibilidad para las diversas necesidades de los usuarios. Además, una tabla de líderes interactiva permite a los participantes comparar resultados entre modelos, herramientas y operadores; se muestran métricas como las ratios de velocidad, el consumo de tokens y las puntuaciones STS, lo que proporciona transparencia y fomenta la competencia entre los desarrolladores. Al abordar los desafíos prácticos de la optimización del kernel para grandes modelos de lenguaje en las unidades de procesamiento neuronal (NPUs) Ascend, AscendGYM establece un nuevo estándar para la realización de benchmarks en este campo. Su enfoque en cargas de trabajo reales y métricas sensibles al costo asegura su relevancia tanto para la investigación académica como para las aplicaciones industriales.A medida que el proyecto evoluciona, se espera que se integren tareas y funciones adicionales, lo que mejorará aún más su utilidad para la comunidad de IA.

  • ai
  • Optimización del kernel
  • Mejora del rendimiento de los NPUs
  • Medición de rendimiento
  • Código abierto
Inicie sesión para guardar este artículo Cuenta gratuita: cree su colección de investigación y vuelva a leerlo en cualquier momento.

```