FBTriton 用 Triton 重写 Table Batched Embedding（TBE）的前向与反向内核，在相关推荐系统负载上超过遗留 CUDA 内核。在 GB200 的 307 个 shard 配置中，中位前向加速比为 1.28×。在一个大型 B200 配置中，前向与反向合计延迟从 79.537 ms 降至 66.183 ms，下降 16.8%。
推荐理由：文章把 FBTriton 与遗留 CUDA TBE 内核放在多种 shard 配置下比较，并拆解负载不均与寄存器占用等优化如何影响性能。
作者将 Helion 集成进 vLLM 的 Linear Backend，通过按形状自动调优统一 Standard GEMM、Split-K 和 Swap-AB，并在 NVIDIA Hopper GPU 上采用混合分发。
推荐理由：文章展示了 Helion 如何通过按形状自动调优和混合分发统一多种 GEMM 变体，并量化其性能收益与调优维护成本。
PyTorch团队使用TLX在NVIDIA Blackwell B200上重写Meta Generative Ads Model的Jagged Flash Attention内核，约3.2K行代码在生产Jagged形状上相较FA4的forward快约13%、backward快约50%。
推荐理由：文章以B200上的实测对比拆解TLX优化Jagged Flash Attention的关键方法，展示高层Triton代码如何兼顾性能与迭代效率。