问题一：BladeDISC与TensorRT等推理优化工具相比有哪些优势？
BladeDISC与TensorRT等推理优化工具相比有哪些优势？
参考回答：
BladeDISC相比TensorRT等推理优化工具的优势包括：完备的动态shape语义支持，基于compiler based的技术路径在非标准模型上的性能优势，以及更为灵活的部署模式选择，以插件形式支持前端框架的透明性优势。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674508
问题二：BladeDISC在新硬件支持方面有哪些特点和优势？
BladeDISC在新硬件支持方面有哪些特点和优势？
参考回答：
BladeDISC在新硬件支持方面具备较强的硬件泛化能力，其基于编译器的技术路径天然对硬件后端有一定的泛化能力，与硬件厂商的技术储备形成互补。在GPGPU和通用CPU体系结构上的储备相对成熟，能够将Nvidia GPU上的技术栈迁移至海光DCU和AMD GPU等体系结构相近的硬件上，解决新硬件适配的性能和可用性问题。 
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674509
问题三：BladeDISC在海光DCU上的性能表现如何？
BladeDISC在海光DCU上的性能表现如何？
参考回答：
BladeDISC在海光DCU上的性能表现显著，如在某识别类模型推理中，不同batchsize下性能提升达到2.21X至2.31X；在某检测类模型A推理中，性能提升1.73X至2.1X；在某检测类模型B推理中，性能提升1.04X至1.59X；在某分子动力学模型训练中，性能提升2.0X。这些数字展示了BladeDISC在新硬件上的高效适配和性能优化能力。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674510
问题四：为什么BladeDISC选择建设开源生态？
为什么BladeDISC选择建设开源生态？
参考回答：
BladeDISC选择建设开源生态主要是出于回馈社区、促进技术交流、获取真实业务场景反馈以及持续完善产品的考虑。我们希望将自身的经验和理解贡献给深度学习编译器和AI System的开发者，同时希望通过开源吸引更多用户反馈，以指导后续的产品迭代方向。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674511
问题五：BladeDISC的近期Roadmap包括哪些内容？
BladeDISC的近期Roadmap包括哪些内容？
参考回答：
BladeDISC的近期Roadmap包括持续的鲁棒性及性能改进、x86后端补齐计算密集型算子的支持、端到端完整开源x86后端的支持、GPGPU上基于Stitching的大颗粒度自动代码生成、AMD rocm GPU后端的支持，以及PyTorch训练场景的支持。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674512
