📖 AI 总结

Meta 团队发布 FBTriton，用 Triton 重新实现了推荐系统中表批嵌入（TBE）的前向与反向核心算子，用于支撑数千张分片 GPU 上的嵌入查找。实现上，通用 gather 路径按 bag 分程序、循环遍历特征表，并支持 int32 索引以减半存储与排序键宽，FP16/BF16 权重以 FP32 累加、FP32 权重以 FP64 累加以保证大维度精度；针对小表场景另设直方图与张量核专用路径，用 tl.dot 加速计数乘表运算。性能方面，在 B200 上边界检查环节最高取得 1.24 倍加速，整体 Triton 实现优于原有 CUDA 内核。该工作表明 Triton 已能胜任推荐系统大规模嵌入查找这类关键负载，并为后续优化留出空间。