Mamba-2前向计算搬进Python内核：序列越长、状态越大，比Triton实现快1.14到1.82倍
Jane Street的机器学习工程师与NVIDIA合作，用NVIDIA CUDA Tile（cuTile）这一Python端GPU编程模型重写了Mamba-2的前向计算，并针对Blackwell张量核心做了调度与访存优化。Mamba-2兼有循环网络的固定大小隐状态和注意力式的矩阵乘法训练路径，但前向计算仍需高效内核。在单块B300上，这组内核比Triton实现快1.14到1.82倍，加速幅度随序列长度和状态规模增大而提高；这是内核级结果，端到端训练还取决于反向传播实现。