腾讯混元 AI Infra 团队开源 HPC-Ops，高性能 LLM 推理核心算子库

腾讯混元 AI Infra 团队最近开源了一款面向生产环境的 LLM 推理核心算子库——HPC-Ops。说白了，这就是一套专门用来解决大模型工业级部署中那些“跑不动、延迟高、优化难”问题的底层工具集。它不是拿现成框架拼凑出来的，而是完全基于 CUDA 和 CuTe 从零重构，结合了工程架构的抽象设计、GPU 微架构的深度适配，以及指令级别的精细化调优。目的很直接：降低底层算子开发门槛的同时，把关键算子的性能逼到硬件极限。这可不是小打小闹的优化，实测数据说明了一切。

根据官方介绍，HPC-Ops 是一套轻量、高吞吐、低延迟的 LLM 推理算子集合，专门为大规模模型服务场景定制。核心模块涵盖了融合专家混合（FusedMoE）、注意力机制（Attention）、设备内和跨设备通信（Intra-/Inter-node Communication）、归一化（Norm）、采样器（Sampler），以及多种高频小算子的深度融合实现。团队做了一件特别实在的事：他们把典型推理任务的数据流特征和 GPU 硬件的微架构特点做了细致拆解，然后精准匹配计算划分策略和底层指令执行模型，让并行效率尽可能拉满。与此同时，工程代码层的合理化抽象也让算法工程师能更专注于模型逻辑和算子语义本身，后续迭代和维护成本大幅降低——这对实际业务来说，才是真正的红利。

HPC-Ops 算子库的整体架构如下图所示：

来看实际数据。腾讯混元 AI Infra 团队公布的测试结果显示，在真实业务负载下，搭载 HPC-Ops 后，混元系列模型的推理 QPM（每分钟查询数）提升了 30%，DeepSeek 系列模型的 QPM 提升了 17%。单算子的表现更是亮眼：Attention 算子相比 FlashInfer / FlashAttention 最高提速 2.22 倍；GroupGEMM 相比 DeepGEMM 最高提速 1.88 倍；FusedMoE 相比 TensorRT-LLM 最高提速 1.49 倍。这些数字不是实验室里跑出来的理想值，而是从真实业务负载中压出来的硬指标。