在AI技术飞速发展的背景下，Qwen系列模型因其强大的性能和广泛的应用前景而备受关注。然而，随着模型参数规模的不断扩大和推理成本的持续下降，如何进一步提高模型的性能成为了一个关键问题。本次大会将聚焦于AI基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等50+头部科技企业技术负责人、科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨AI技术从能力到系统、从实验到生产的真实路径。
--91likeyou---
阿里巴巴 Qwen 团队算法工程师章程瑞东已确认出席 “AI Infra、推理工程与异构计算” 专题，并发表题为《面向 Qwen 系列模型线性注意力的高性能优化实践》的主题分享。自 Qwen-3.5 采用混合注意力结构以来，Qwen 系列模型的线性注意力层 Gated Delta Network（GDN）在训练与推理中的开销日益显著。现有实现面临两大难题：一是多步算子需要反复读写 HBM，访存瓶颈严重；二是状态递推的串行性使算子并行度受限于注意力头数，在长序列、小 batch 或 TP 场景下 GPU 利用率低下。为此，他们提出 FlashQLA —— 基于 TileLang 的高性能线性注意力算子库。核心方案包括：将 GDN Chunked Prefill 的前向与反向流程各拆分为两个融合算子，通过数据复用降低访存开销，并在算子内通过 warp-specialization 实现不同计算的重叠；基于门控衰减的自动化卡内序列并行，并建立数学模型动态调节并行粒度；针对具有指数衰减特性的注意力头，舍弃昂贵的修正矩阵计算，改用轻量级预热获得精确状态。在 Hopper 显卡上，FlashQLA 相比 FLA Triton kernel 实现前向 2–3 倍、反向 2 倍加速，且在 TP 增大时加速比持续提升，显著优化了预训练与端侧推理效率。在本次演讲中，章程瑞东将对此展开详细介绍。
章程瑞东，阿里 Qwen 团队算法工程师，主要工作领域为线性注意力与稀疏注意力的算子-算法联合优化，在 Qwen 3.5 及后续模型的预训练与后训练过程中提供相关 infra 支持。曾就职于微软亚洲研究院，参与稀疏注意力优化算法 MInference(Neurips'24) / MMInference(ICML'25) / MTraining(MLSys'26)，上下文窗口拓展算法 LongRoPE(ICML'24)、分布式 LLM 服务系统 ParrotServe(OSDI'24) 等，并参与 Phi-3 系列模型研发。近期主导开发了 GDN Chunked-Prefill 优化方案 FlashQLA，在 Qwen 系列混合注意力模型的训练和推理场景下均有显著的加速效果。他在本次会议的详细演讲内容如下：
演讲提纲：
1. 背景与挑战
Qwen 模型训练与推理 Prefill 过程中 GDN 模块的耗时
性能瓶颈剖析：
访存密集型：分步 kernel 大量读写 HBM，中间变量开销大
并行度受限：状态递推依赖导致 thread block 数量不足，SM 利用率低（尤其在 TP、小 batch 场景）
2. 优化方案
设计目标：兼顾访存优化与序列并行，避免极端方案（Fully-fused / 多步算子）的缺陷
核心策略：
拆分为两个 fused kernel，在 kernel 间插入 CP 预处理，平衡数据重用与并行度
门控驱动的动态并行：根据 batch_size × num_heads 和序列长度自动开启卡内序列并行
利用门控衰减性质：采用 warmup 替代昂贵的修正矩阵计算，大幅降低预处理开销
3. 系统设计思路
对前向与反向流程做等价的代数改写，降低计算复杂度
从门控衰减到滑动窗口及背后的代数原理
自动卡内序列并行的参数设计
4. 算子实现细节
计算与访存负载分析
片上资源分析
如何用 Tilelang 手动实现 warp-specialization
5. 性能评估
6. 开放问题
GDN 模块剩余的优化空间
KDA 及其他线性注意力结构的优化方案
芯片硬件方面对线性注意力算子的限制
实践痛点
不能覆盖所有场景
算子复用性较差
听众收益
线性注意力模块在系统上的一些性质
与算法创新相结合的系统优化流程
复习线性代数
除此之外，本次大会还策划了AI Infra、推理工程与异构计算、超级个体与蜂群智能的共生进化、迈向机器人 AGI 的关键技术与产业实践、Agent 安全：从风险到可控、端侧智能与 AI 原生终端、AI Agent 高价值商业场景实战等 11 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 50+资深专家在现场带来前沿技术洞察和一线实践经验。
大会限时早鸟票享 8 折专属优惠，现在报名立减 1160，更多详情可扫码或 进行咨询。
🔥 热词：#Qwen · #AI · #50 · #面向 · #系列模型线性注意力的高性能优化实践 · #AICon深圳 · #Agent · #时代