摘要：随着人工智能加速器架构日益多样化，将不同架构整合到统一系统中正逐渐成为一种新型的异构计算范式。GPU与WSE在计算、内存和通信组织等方面存在显著差异，这既带来了架构上的互补性，也增加了额外的开销；然而，如何将这种异构性转化为实际的性能提升，目前仍不明确。为填补这一空白，我们提出了一种分层基准测试方法，用于刻画GPU—WSE异构执行特性及发挥互补性的条件，并构建了一个分析型性能模型，用以识别何时异构性会成为性能瓶颈，又在何种情况下能够带来系统级的性能收益。
主题：分布式、并行与集群计算（cs.DC）；硬件体系结构（cs.AR） 引用格式：arXiv:2610.39222 [cs.DC] | （或
arXiv:2610.39222v1 [cs.DC]（此版本） | https://doi.org/10.48550/arXiv.2610.39222
点击了解更多信息
由 DataCite 提供的 arXiv 发布 DOI
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。