CUDA Toolkit ۱۳٫۴ طبق اعلام رسمی انویدیا در ۹ سپتامبر ۲۰۲۶ در NVIDIA Technical Blog، پشتیبانی از توسعهٔ برنامه‌های CUDA روی ویندوز مبتنی بر معماری آرم را اضافه کرده‌است. پیش از این، پشتیبانی CUDA روی پلتفرم‌های آرم عمدتاً از مسیر لینوکس فراهم بود؛ این انتشار همان قابلیت را به Windows on Arm گسترش می‌دهد. افزون بر آن، پیش‌نمایش پشتیبانی از معماری گرافیکی روبین (Rubin)، لایهٔ کنترل تازه‌ای برای Multi-Process Service، گسترش CUDA Python و CCCL، و به‌روزرسانی ابزارهای Nsight در این نسخه آمده‌است.
پشتیبانی CUDA Toolkit ۱۳٫۴ از ویندوز روی آرم
بنا بر همان گزارش فنی، CUDA Toolkit ۱۳٫۴ امکان توسعهٔ اپلیکیشن‌های CUDA را روی Windows on Arm فراهم می‌کند. کتابخانه‌های ریاضی هسته‌ای این نسخه نیز برای اکوسیستم لپ‌تاپ مبتنی بر N1X پشتیبانی کارکردی Windows on Arm را اعلام کرده‌اند. این تغییر برای توسعه‌دهندگان ویندوز روی سخت‌افزار آرم، از جمله سامانه‌هایی که در مسیر پلتفرم‌های SoC مبتنی بر آرم عرضه می‌شوند، مسیر رسمی‌تری برای کامپایل، اشکال‌زدایی و اجرای بارهای CUDA می‌گشاید.
Nsight Systems نسخهٔ ۲۰۲۶٫۵٫۱ نیز پوشش پلتفرم را گسترش داده و پشتیبانی از CUDA ۱۳٫۴، GPUهای روبین و Windows on Arm را در انتشار وب خود ذکر کرده‌است. به این ترتیب، علاوه بر خود Toolkit، زنجیرهٔ پروفایل‌گیری نیز با همان پلتفرم هماهنگ شده‌است.
پیش‌نمایش معماری روبین و مدیریت GPU اشتراکی
نسخهٔ ۱۳٫۴ پشتیبانی کارکردی از معماری روبین را با قابلیت محاسبهٔ ۱۰۷ (compute capability 107) به‌صورت پیش‌نمایش اضافه کرده‌است تا توسعه‌دهندگان پیش از دسترسی عمومی کامل، انتقال برنامه‌ها را آغاز کنند. در بخش کامپایلر، هدف معماری SM_107 برای روبین و سازگاری میزبان با GCC ۱۶ و Clang ۲۲ در پلتفرم‌های پشتیبانی‌شده ذکر شده‌است.
Multi-Process Service نسخهٔ سوم (MPS V3) لایهٔ کنترل مدرن‌تری برای اشتراک GPU معرفی می‌کند: رابط خط فرمان قابل‌اسکریپت، نمونه‌های نام‌دار سرور، فضای نام برای سازمان‌دهی بارهای همزمان، پیکربندی TOML، کنترل پارتیشن SM و محدودیت حافظهٔ GPU یکپارچه با cgroup. هدف اعلام‌شده، پارتیشن‌بندی دقیق‌تر GPU در محیط‌های کانتینری همراه با جداسازی منابع است.
قابلیت CUDA Compute Fabric Transport نیز برای توسعه‌دهندگان کتابخانه‌های ارتباطی سطح پایین معرفی شده تا داده را روی پارچهٔ NVLink با نقاط پایانی منطقی نام‌دار و عملیات ناهمگام put/get/reduction جابه‌جا کنند؛ انویدیا تأکید کرده‌است که بیشتر برنامه‌نویسان کاربردی بهتر است همچنان از کتابخانه‌هایی مانند NCCL یا NVSHMEM استفاده کنند.
CUDA Python، CCCL و ابزارهای توسعه‌دهنده
در بخش پایتون، cuda.core نسخهٔ ۱٫۱٫۰ برنامه‌نویسی texture و surface، حافظهٔ مدیریت‌شدهٔ آگاه از NUMA و فایل‌های type stub با پسوند pyi را گسترش داده‌است. cuda.compute ۱٫۱ امکان کامپایل پیشاپیش الگوریتم‌های CCCL برای چند معماری GPU، حتی روی سامانه‌های بدون GPU، را فراهم می‌کند. CCCL ۳٫۴ نیز پیاده‌سازی warp-specialized تازه‌ای از cub::DeviceScan روی Blackwell اعلام کرده‌است که در بنچمارک‌های گزارش‌شده تا حدود ۹۲٪ بهره‌وری از پهنای باند حافظه رسیده‌است؛ همچنین APIهای تک‌فراخوانی برای الگوریتم‌های سطح دستگاه CUB و مدل الگوریتم موازی کتابخانهٔ استاندارد C++ در cuda::std آمده‌است.
از دیگر نکات اعلام‌شده می‌توان به جداشدن نصب درایور از بسته‌های Toolkit در نصب‌کننده‌های SDK، پیش‌فرض‌شدن Coherent Driver-based Memory Management روی پلتفرم‌های همدوس مانند Grace Hopper و Grace Blackwell، و به‌روزرسانی‌های Nsight Compute، Nsight Python ۱٫۰، Compute Sanitizer و کتابخانه‌های ریاضی هسته‌ای اشاره کرد. انویدیا برای جزئیات سازگاری و فهرست کامل قابلیت‌ها به یادداشت انتشار CUDA Toolkit ۱۳٫۴ ارجاع داده‌است.
آیا گسترش رسمی CUDA به ویندوز روی آرم، مسیر توسعهٔ نرم‌افزار GPU روی لپ‌تاپ‌های مبتنی بر SoC آرم را تغییر می‌دهد؟
بعد از خواندن مطلب بپرسید؛ پاسخ فقط از همین مقاله است.
این مطلب برایتان مفید بود؟
رایان جهانی خبرنگار موبایل، کامپیوتر و گجت فیسیت است. گوشی، لپ‌تاپ، قطعه و گجت را پوشش می‌دهد و مشخصات روی کاغذ را با واقعیت بازار ایران می‌سنجد؛ عدد بنچمارک را بدون قیمت، گارانتی و کاربرد روزمره رها نمی‌کند.
علاقه‌اش به این است که بفهمد یک دستگاه در دست کاربر چطور کار می‌کند، نه فقط روی اسلاید رونمایی. خبر معرفی و مقایسهٔ مدل‌های موبایل و سخت‌افزار را معمولاً او می‌نویسد.
انویدیا PAIR را در IFA معرفی کرد؛ پی‌سی‌های خانگی خوشه AI می‌شوند
کراداسترایک SafeMind را با مدل‌های Nemotron انویدیا معرفی کرد
پیش‌فروش لپ‌تاپ‌های RTX Spark ایسوس و ام‌اس‌آی قبل از عرضه تمام شد
نظرات کاربران