没有发布芯片，但这场发布会还是“出圈”了。

5 月 18 日，摩尔线程在北京举办主题为“词元时代，万物智能”的年度产品发布会，现场座无虚席。摩尔线程用接近 2 个小时的时间，一口气完成六大重磅发布：

从万卡级规模的夸娥智算集群，到自研“长江”SoC 驱动的智能终端 MTT AICUBE 和 MTT AIBOOK；从数字世界智能体“小麦”，到加速物理 AI 落地的首个全栈具身智能仿真平台 MT Lambda，再到持续进化的 MUSA 生态。

摩尔线程全面展示了一个覆盖“云 - 边 - 端”的全栈智算矩阵，每个都值得深入讨论。但在笔者看来，这场发布会带来的最大惊喜，是压轴发布的 MUSA 生态进化。

过去几年，国产 GPU 已经验证了硬件能力。通过架构迭代、工程优化，国产 GPU 是能够在硬件上交出高分答卷的。但企业采购 GPU 从来不是只买一张卡，而是在押注其背后的软件生态和开发体系。摩尔线程用一场发布会向开发者证明，MUSA 不只是国产 GPU 的生态底座，更是一个开放、自进化、与开发者共同成长的智能生态。

国产 GPU，加速融入全球开源生态

在过去很长一段时间里，国产 GPU 软件生态与全球主流开源生态之间，始终存在一道微妙的裂痕。国产 GPU 能支持不少主流框架运行，却少有人能进入真正的牌桌，融入全球开源生态。

这意味着，即便开发者能在国产 GPU 上完成训练或推理任务，但需要做的额外工作一点也不少。最显著的代价是，维护成本高昂。同样的模型跑在国产 GPU 上，如果缺乏原生支持，开发者需要针对不同训练或推理框架单独维护适配层，不少核心算子也无法直接调用，需要开发者手动替换实现方案，甚至重新编写部分 kernel。如果上游框架迭代，开发者还需要投入额外的精力维护 patch、跟进版本更新和兼容测试。

开发者用大量的时间和精力，填补生态上的空白。这也是为什么，MUSA 近期在开源生态层面的进展，值得拿来放到发布会上压轴讨论。

在当前最主流的两个大模型推理框架 SGLang 和 vLLM 上，MUSA 都带来了好消息：

• SGLang 方面，MUSA 后端正式加入 SGLang 的官方支持体系，相关代码也已成功合入 SGLang 主线。截至 5 月 12 日，摩尔线程已向 SGLang 提交 47 个 PR，其中 41 个完成合并，并成功进入 SGLang 2026 年 Q2 官方硬件支持矩阵，与 GB200/GB300、AMD、TPU 等主流算力平台并列。

• vLLM 方面，MUSA 成为 vLLM 的官方后端，并开源 vLLM-MUSA，开发者可原生获得摩尔线程 GPU 加速能力。

与单纯地多支持了一个框架相比，加入大模型推理框架官方后端矩阵意味着，国产 GPU 在生态适配上拥有更充分、更直接的兼容路径。以 SGLang 为例，无论开发者使用的是 SGLang 框架本体 sglang、高性能算子库 sgl-kernel，还是多模态生成组件 multimodal_gen，都能在原生框架环境中直接调用摩尔线程 GPU，开发者不需要维护额外分支或适配层，就能在熟悉的工作流中完成推理部署和性能优化。

除了推理框架，摩尔线程在底层编译生态上也有关键进展。

据介绍，摩尔线程正与智源研究院合作推进 Triton 生态，Triton-MUSA 已升级支持至 Triton 3.6 最新版本。基于 Triton 的 FlagOS 正在成为连接不同 AI 芯片的软件中间层，其重要性不言而喻。此前，在一场由摩尔线程举办的技术 Meetup 上，智源研究院展示了打通多种 AI 芯片的统一开源软件栈 FlagOS，其 FlagGEMs 算子库已涵盖超 497 个算子，并依托 FlagTree 编译器与 Triton-TLE 语言扩展，实现了跨芯片的高性能算子生成。

这一能力已经在实际场景中得到验证。以 DeepSeek-V4 的 Day0 适配为例，基于摩尔线程专用张量加速引擎与 FlagOSTune 调优方案，模型首 Token 返回时延（TTFT）降低 56.7%，吞吐量提升 65.7%。

从这个角度看，Triton-MUSA 升级更大的意义在于，开发者可以基于 Triton 这一主流高性能算子开发工具，在 MUSA 上进行更高效的算子开发与优化，进一步降低底层开发门槛。

在全球开源社区中，TileLang-MUSA 已成功合入开源主线。作为近一年快速崛起的热门开源社区，TileLang 开源不足一年便斩获超 6000 Stars，其目标是解决 Triton 等现有方案在极致性能控制上的不足，让开发者用更少的代码实现专家级的算子性能。

目前，TileLang 正与 MUSA 生态深度联调，共同构建适配摩尔线程全功能 GPU 的高性能算子库。在 GEMM 类算子上，已经实现了 95% 以上的汇编级性能效率，Attention 类算子也达到了 90% 以上的效率。

从 SGLang 到 vLLM，再到 Triton、TileLang，MUSA 正在加速进入主流开源生态，串联起从上层应用到底层优化的完整路径。降低开发者维护成本的同时，也让国产 GPU 更有可能被大规模采用。这或许才是国产 GPU 生态走向成熟的重要分野。

100% 兼容，MUSA 把迁移成本打下来了

降低维护成本决定了开发者能否长期留下来，但在这之前，决定开发者是否愿意用起来的，是迁移成本。

正如前文所说，企业采购 GPU 从来不是只买一张卡，而是在押注其背后的软件生态和开发体系。代码能否复用、框架能否兼容、工作流是否需要重构，往往比单纯的算力参数更影响最终决策。

此次发布会上新的 MUSA SDK 5.1.0，直指的正是迁移痛点——它完全对标 CUDA 12.8，后者为 Blackwell 架构提供了完整、全工具链的支持，也是当前业界广泛使用的主力版本。

升级后，基于 CUDA 12.8 开发的 AI 模型、科学计算应用，都能以极高的效率运行在摩尔线程 GPU 上。MUSA 软件栈全链路覆盖了底层驱动、编译器、算子加速库、训练与推理框架，并且迁移流程得到了大幅简化：

兼容只是第一步，决定开发者体验的，还有性能。针对 FlashAttention3、Sage Attention、DSA、GDN、DeepGEMM 等当前业界最常用的计算算子，摩尔线程推出了 MATE（MUSA AI Tensor Engine）加速库，并围绕核心算子进行了专项性能增强。

其中，FlashAttention3 在摩尔线程 GPU 上的计算效率高达 95%，整体热点算子覆盖率突破 90%。在 Attention 类算子上，MATE 已实现全场景、全覆盖支持，为大规模语言模型提供了核心性能保障。

这些数据代表的是，迁移不再以牺牲性能为代价，开发者将现有 CUDA 应用迁移至 MUSA 后，在热点计算环节的实际运行速度与原有平台几乎无差别。

为了提升开发者应用体验，摩尔线程还提供了“产品化”的训练与推理套件。比如在训练侧，基于 MTT S5000 全功能 GPU 的超大规模集群训练能力已实现全面产品化，同时，强化了对强化学习的支持，兼容业界主流的 VeRL 与 Slime 框架，并完成了对多项微调框架的适配。无论是千卡集群训练，还是模型微调，MUSA 都能提供稳定高效的开发体验。

从兼容 CUDA，到强化热点算子性能，再到训练与推理能力产品化，这些“上新”直指的，是国产 GPU 在过去很长一段时间里，最深层的痛点——迁移门槛太高了。

过去，开发者迁移至国产 GPU，既要考虑底层兼容性问题，比如接口差异、调用习惯，又要考虑性能，比如算子执行效率是否打折。此外，训练和推理环境本身也存在迁移成本。一次迁移，往往需要重新验证训练流程、部署推理框架、适配集群环境和工具链。

本次 MUSA 的更新，本质上就是在逐层拆解这些迁移障碍。这些变化对于开发者真正的意义，不只是把迁移门槛打下来。更重要的是，它尽可能保留了开发者既有的开发习惯和工作流，让整个迁移几乎零成本。

从兼容 CUDA 到构建自进化生态，为什么是摩尔线程？

从进入主流开源生态到 100% 兼容，不难看出，上市后的摩尔线程，技术路线更加清晰了，也再次印证了摩尔线程创始人、董事长兼 CEO 张建中此前的判断：生态体系才是 GPU 行业的核心护城河与价值所在。

过去十多年，英伟达围绕 CUDA 构建起来的 API、编译器、算子库、框架适配和开发者社区，铸就了其坚实壁垒。MUSA 的路径，某种程度上也是在验证这一逻辑。但不同的是，摩尔线程试图用更高效率的方式补齐生态短板——引入 AI 技术加速生态的自我演进。

为了降低 MUSA 编程门槛，本次发布会上，摩尔线程带来了面向开发者打造的新一代 AI 编程工具 MUSACODE。

MUSACODE 支持自然语言生成代码，能实现 30 天自动生成、测试 PP 库 12015 个算子，并基于 TileLang 自动调优 Group GEMM 算子实现 60% 性能提升。此外，MUSACODE 还支持 Python、C++、Rust、Go 等多种主流语言，并提供 MUSA VSCode Edition 官方插件，支持代码完全在本地端侧运行，保护企业的隐私与数据安全。

在编程辅助之外，摩尔线程还进一步引入了 AI Agent 自动化迁移体系，从工具层、基础层到使用层，全方位降低开发者接入门槛。

在工具层，Automusify Skill 能够实现零干预、自动化地将现有工程迁移至 MUSA 平台，无需手动修改代码，极大提升迁移效率；在基础层，实现了对 Top 100 人工智能与 Top 100 科学计算两大领域加速仓库的 100% 自动迁移；在使用层，MUSA 提供了加速库在线源，开发者可通过在线源直接获取编译后的仓库及开源代码，真正做到即拿即用、开箱即跑。

从自动迁移工具，到兼容核心 API，再到在线加速库和 AI 编程助手，摩尔线程正试图用一条完整的自动化链路，将生态建设从人力追赶推进到自进化。

在一众国产 GPU 厂商中，为什么是摩尔线程率先把生态建设推到这一阶段？

背后的答案，或许就藏在其长期坚持的技术路线中。

不同于单一场景导向的 GPU 产品思路，摩尔线程一直走的是 基于统一系统架构的全功能 GPU 路线，同一颗芯片同时支持 AI 计算、图形渲染、物理仿真和超高清视频编解码，具备极高的全场景全栈计算通用性。

也正因此，MUSA 从诞生之初就被放在了核心战略位置。

回看近几年摩尔线程围绕 MUSA 的持续投入，无论是硬件架构迭代、软件栈补齐，还是如今加速融入主流开源生态、引入 AI 驱动生态自进化，可以看出，摩尔线程对于 GPU 竞争终局的判断一直围绕着一个主线：开发者。

硬件层面，MUSA 架构从 2021 年的“苏堤”起步，历经“春晓”、“曲院”、“平湖”，再到去年年末预告的“花港”，持续围绕全功能 GPU 能力演进。相比聚焦单一 AI 场景的产品路线，统一系统架构能让开发者基于更统一的算力底座进行开发和部署，这本身就是开发效率的重要保障。

软件层面，从早期补齐驱动、运行时和编译器等基础能力，到逐步完善数学库、算子加速库、训练与推理框架支持，再到持续提升 CUDA 兼容能力并接入 SGLang、vLLM、Triton、TileLang 等主流开源生态，MUSA 正通过降低迁移成本让开发者用起来、降低维护成本让开发者留下来。

相比单纯比拼硬件参数，摩尔线程显然更早意识到，GPU 行业的竞争终局，从来不只是芯片本身，而是谁能赢得更多开发者。只有当开发者愿意用起来、留下来，一家 GPU 厂商才真正拥有长期竞争力。