Helion 1.0新特性全解析：PyTorch Conference Europe发布亮点回顾

【免费下载链接】helionA Python-embedded DSL that makes it easy to write fast, scalable ML kernels with minimal boilerplate.项目地址: https://gitcode.com/gh_mirrors/hel/helion

Helion 1.0是一个Python嵌入式DSL，旨在帮助开发者轻松编写快速、可扩展的机器学习内核，同时最大限度地减少样板代码。在2026年PyTorch Conference Europe上，Helion 1.0正式发布，带来了诸多令人期待的新特性，为机器学习内核开发带来了全新的体验。

全新后端支持：CUTE与TileIR

Helion 1.0引入了对CUTE和TileIR后端的支持，为开发者提供了更多的选择。CUTE后端基于PyTorch的CUTE库，能够充分利用GPU的计算能力，实现高效的内核计算。而TileIR后端则是Triton的TileIR驱动，通过设置ENABLE_TILE=1和HELION_BACKEND=tileir环境变量即可启用。在TileIR支持的硬件上，自动调谐器会自动搜索num_ctas和occupancy值，优化搜索空间，提高自动调谐效率。相关配置可参考TileIR Backend Guide。

增强的自动调谐器：智能优化内核性能

Helion 1.0的自动调谐器得到了显著增强，能够更智能地优化内核性能。自动调谐器支持多种搜索策略，如LFBOTreeSearch、LLMGuidedSearch等。其中，LFBOTreeSearch是默认的自动调谐器，它结合了局部搜索和贝叶斯优化的优点，能够快速找到最优的内核配置。LLMGuidedSearch则利用大型语言模型来提出初始配置，进一步提高搜索效率。通过设置HELION_AUTOTUNER环境变量，可以选择不同的自动调谐器实现。详细信息可查阅autotuner模块文档。

自动调谐器还引入了新的启发式算法，如CuteFlashAttentionHeuristic和CuteTcgen05ClusterM2Heuristic等，这些算法能够根据不同的内核类型和硬件特性，提供更精准的调谐建议。此外，自动调谐器还支持预编译模式，通过设置autotune_precompile参数，可以选择不同的预编译模式，提高并行性和调谐速度。

简化的内核开发流程：减少样板代码

Helion 1.0致力于简化内核开发流程，减少样板代码。通过使用@helion.kernel装饰器，开发者可以轻松定义内核函数，而无需编写复杂的设备代码。例如，在矩阵乘法示例中，开发者只需关注核心的计算逻辑，自动调谐器会自动确定最佳的分块大小和线程配置。相关示例可参考examples/matmul.py。

此外，Helion 1.0还提供了丰富的内置操作和函数，如tile()函数用于创建并行循环，matmul()函数用于矩阵乘法等。这些函数经过优化，能够充分利用底层硬件的性能。同时，Helion 1.0还支持自动微分，开发者可以使用helion.experimental.autodiff模块轻松实现内核的自动微分。

更好的性能和可移植性

Helion 1.0在性能和可移植性方面也有了很大的提升。通过优化的代码生成和自动调谐，Helion 1.0能够在不同的硬件平台上实现高效的内核计算。例如，在NVIDIA H100上，使用Helion的自动调谐器对内核进行调谐后，性能得到了显著提升。相关的预调谐内核可参考pretuned_kernels/目录。

此外，Helion 1.0还支持多种数据类型，如FP8、BF16等，能够满足不同精度要求的应用场景。同时，Helion 1.0还提供了对分布式计算的支持，开发者可以使用examples/distributed/目录下的示例代码，实现分布式环境下的内核计算。

总结

Helion 1.0在PyTorch Conference Europe的发布，为机器学习内核开发带来了诸多新特性。全新的后端支持、增强的自动调谐器、简化的开发流程以及更好的性能和可移植性，使得Helion 1.0成为开发者编写高效机器学习内核的理想选择。如果你还没有尝试过Helion，不妨通过以下命令克隆仓库，开始你的高效内核开发之旅：

git clone https://gitcode.com/gh_mirrors/hel/helion

相信随着Helion的不断发展，它将在机器学习领域发挥越来越重要的作用。

【免费下载链接】helionA Python-embedded DSL that makes it easy to write fast, scalable ML kernels with minimal boilerplate.项目地址: https://gitcode.com/gh_mirrors/hel/helion