VKORE
VIDRAFT推出的软件加速层，可在不改动NPU硬件的前提下提升推理性能，并支持Transformer的LoRA训练，数值精度与标准PyTorch高度对齐。
核心事实
时间轴 (近 90 天)
VKORE 的路线存在权衡：重新发明跨硬件可移植的训练指令集会导致软件复杂度大幅上升，可能损失部分硬件级别的性能优化空间。
VKORE 的工作方式分为三层：计算图分解、梯度编排软件化、分布式状态管理，通过软件级调度在 NPU 阵列上管理梯度流动与累积。
VKORE 公开演示的里程碑包含：4600 万参数模型从零训练、运行在 32 块仅推理专用 NPU 芯片上、与 GPU 训练基线的损失相关性为 0.99。
VIDRAFT Lab 公布了一项实验：一块仅为推理设计的 NPU 阵列在 VKORE 软件层调度下完成了语言模型从零开始的完整预训练，其损失曲线与 GPU 基线的相关性达到 0.99。
以当前公开证据来看，NPU 还不能完全替代 GPU 做训练，因为 0.99 损失相关性仅成立于 4600 万参数、32 芯片的配置。
当模型规模向十亿参数推进时，内存带宽、持续 I/O 吞吐和热负载会变成更严苛的约束，仅推理 NPU 未必能通过软件抽象弥补这些物理限制。
目前 VKORE 和相关预训练框架尚未公开可用，来源报道中没有披露 Hugging Face 仓库、GitHub 链接或 API 端点。
VIDRAFT 尚未发布明确的互操作文档，团队在生产环境依赖 VKORE 生成的 LoRA adapter 与标准 PyTorch 或 Hugging Face 推理流水线的兼容性前应自行验证。
VKORE 与 PyTorch 在 LoRA 训练中的数值一致性达到 0.9999。
VKORE 的基准测试使用 Google 开源的 Gemma 4 26B 模型，运行在一台八卡、32 芯片的韩系 NPU 服务器上。
还有 37 条时间轴事件
全部知识事实 (20)
VKORE旨在NPU上重建类似CUDA的抽象层，向上提供统一的训练与推理接口，向下适配不同厂商的NPU指令集，使数据中心可以像更换存储或网卡一样更换加速器，而无需重写模型代码，从而打破单一供应商锁定。
65%部分验证VKORE是面向NPU的软件加速层，被设计为硬件无关，使数据中心可以混合使用GPU和NPU并仍从同一套栈进行训练和推理服务。
65%部分验证VKORE被定位为硬件无关的软件层，面向混合部署GPU和NPU的数据中心，不绑定特定芯片厂商。
65%待验证以当前公开证据来看，NPU 还不能完全替代 GPU 做训练，因为 0.99 损失相关性仅成立于 4600 万参数、32 芯片的配置。
50%待验证当模型规模向十亿参数推进时，内存带宽、持续 I/O 吞吐和热负载会变成更严苛的约束，仅推理 NPU 未必能通过软件抽象弥补这些物理限制。
50%待验证VKORE 的路线存在权衡：重新发明跨硬件可移植的训练指令集会导致软件复杂度大幅上升，可能损失部分硬件级别的性能优化空间。
50%待验证VKORE 的工作方式分为三层：计算图分解、梯度编排软件化、分布式状态管理，通过软件级调度在 NPU 阵列上管理梯度流动与累积。
50%待验证VKORE 与 PyTorch 在 LoRA 训练中的数值一致性达到 0.9999。
50%待验证评估闭源加速层如 VKORE 时，需警惕训练路径依赖厂商私有运行时可能导致的模型权重与 adapter 可移植性风险及迁移成本。
50%待验证VKORE 的基准测试使用 Google 开源的 Gemma 4 26B 模型，运行在一台八卡、32 芯片的韩系 NPU 服务器上。
50%待验证在 VKORE 场景中，0.9999 的数值一致性通常指两个计算后端（VKORE 与 PyTorch）在相同输入下输出张量的相关系数或逐元素匹配比例，并非位级相同。
50%待验证VKORE 扩展了 NPU 的可执行操作集以覆盖 LoRA 训练所需的反向传播原语，且据描述无需改动 NPU 固件。
50%待验证VKORE实现的推理加速效果为单用户3.8倍、服务器吞吐4.1倍。
50%待验证VIDRAFT正在构建的VKORE软件层目标是成为“NPU领域的CUDA”，覆盖推理加速、完整预训练和LoRA微调三项能力，此次发布的是预训练里程碑的公开验证产物。
50%待验证VIDRAFT验证了通用公开模型可以在同一块NPU上做推理和量化模型执行，说明VKORE层同时覆盖了训练和部署两端。
50%待验证LoRA微调是VKORE软件层的路线图项目，与推理加速和预训练并列，目前没有公开的时间表。
50%待验证VIDRAFT的同一套NPU方案已覆盖从零预训练、LoRA微调、推理加速（在通用开源模型上同样得到验证）、量化模型执行与加速等模型生命周期环节。
50%待验证VIDRAFT正在将上述能力整合为一个名为VKORE的NPU软件层，并将其定位类比为Nvidia通过CUDA构建的生态优势，描述为「NPU的CUDA」。
50%待验证VIDRAFT 计划将 VKORE 用于两类内部负载：AI 判断引擎（输出概率或分数而非自由文本）和递归自我改进模型（RSI，模型反复解题并把验证过的结果喂回自己的训练循环）。
50%待验证VIDRAFT 已提交 16 项与 VKORE 相关的专利。
50%