用 NVIDIA CUDA Tile 中的高性能前向传播 kernel 加速 Mamba-2

NVIDIA 介绍如何在 CUDA Tile（cuTile）中编写高性能前向传播 kernel 来加速 Mamba-2。cuTile 是面向 NVIDIA GPU 的 Python DSL 与并行编程模型，通过 tile 级高层原语抽象线程和 warp 级调度，让开发者用 Python 编写 GPU kernel，同时由编译器自动优化以发挥硬件峰值性能。