---
format: "aidr-story-markdown/v1"
id: "7e4662fd94a38d37106a915c19ec39f01efe3688bc5937e9c1ba39ca42fadead"
canonical_url: "https://aidr.today/7e4662fd?lang=vi"
title: "AscendGYM: Benchmark tối ưu hóa kernel quan tâm đến chi phí cho các khối lượng công việc thực tế trên Ascend NPUs"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-18T00:00:00.000Z"
category: "Open Source"
topics: ["llm","open-source"]
source_urls: ["https://huggingface.co/papers/2611.17621"]
summary: "Tối ưu hóa kernel là yếu tố then chốt để huấn luyện và inference LLM hiệu quả trên Ascend NPUs. Các benchmark kernel cho Ascend hiện nay chủ yếu tập trung vào việc tạo kernel, ít chú trọng đến khả năng của các agent trong việc tối ưu hóa các bản triển khai sẵn có dựa trên cấu hình đầu vào từ khối lượng công việc thực tế. Để giải quyết yêu cầu này, nhóm tác giả giới thiệu AscendGYM, một benchmark với bộ công cụ ban đầu gồm 48 kernel chia theo ba mức độ khó. Mỗi kernel đi kèm với các trường hợp kiểm thử có kiểu dữ liệu và hình dạng tensor được thu thập từ các tác vụ huấn luyện và inference thực tế. Nhờ đó, những cải thiện về hiệu suất trên AscendGYM sẽ tương ứng trực tiếp với các khối lượng công việc tương đương. Về khả năng sử dụng, AscendGYM hỗ trợ hai chế độ đánh giá: đánh giá mô hình và đánh giá model-harness. Hệ thống cho phép đo lường khả năng tối ưu hóa kernel của cả các mô hình đã huấn luyện và các agent tùy chỉnh. AscendGYM cung cấp môi trường thực thi hoàn chỉnh, tái hiện sát sao cách các kernel Ascend được gọi trong các pipeline thực tế. Đối với chế độ đánh giá mô hình, hệ thống còn tích hợp sẵn một harness hỗ trợ điều phối tìm kiếm và tích lũy kinh nghiệm."
---

# AscendGYM: Benchmark tối ưu hóa kernel quan tâm đến chi phí cho các khối lượng công việc thực tế trên Ascend NPUs

> [Open the canonical story](<https://aidr.today/7e4662fd?lang=vi>)

**Published:** 2026-11-18T00:00:00.000Z
**Category:** Open Source
**Topics:** llm, open\-source

## Summary

Tối ưu hóa kernel là yếu tố then chốt để huấn luyện và inference LLM hiệu quả trên Ascend NPUs\. Các benchmark kernel cho Ascend hiện nay chủ yếu tập trung vào việc tạo kernel, ít chú trọng đến khả năng của các agent trong việc tối ưu hóa các bản triển khai sẵn có dựa trên cấu hình đầu vào từ khối lượng công việc thực tế\. Để giải quyết yêu cầu này, nhóm tác giả giới thiệu AscendGYM, một benchmark với bộ công cụ ban đầu gồm 48 kernel chia theo ba mức độ khó\. Mỗi kernel đi kèm với các trường hợp kiểm thử có kiểu dữ liệu và hình dạng tensor được thu thập từ các tác vụ huấn luyện và inference thực tế\. Nhờ đó, những cải thiện về hiệu suất trên AscendGYM sẽ tương ứng trực tiếp với các khối lượng công việc tương đương\. Về khả năng sử dụng, AscendGYM hỗ trợ hai chế độ đánh giá: đánh giá mô hình và đánh giá model\-harness\. Hệ thống cho phép đo lường khả năng tối ưu hóa kernel của cả các mô hình đã huấn luyện và các agent tùy chỉnh\. AscendGYM cung cấp môi trường thực thi hoàn chỉnh, tái hiện sát sao cách các kernel Ascend được gọi trong các pipeline thực tế\. Đối với chế độ đánh giá mô hình, hệ thống còn tích hợp sẵn một harness hỗ trợ điều phối tìm kiếm và tích lũy kinh nghiệm\.

## Sources

- [Story source](<https://huggingface.co/papers/2611.17621>)

