TT-Forge™
TT-Forge 是 Tenstorrent 基于 MLIR 的编译器栈，可让你编译、优化、调试并扩展模型。
TT-Forge 现已进入公开测试阶段，由你共同塑造。你可以提出功能建议、制作原型，或领取赏金任务。
为创新而打造
TT-Forge 专为开源灵活性而设计，可与 OpenXLA、MLIR、ONNX、TVM、PyTorch 和 TensorFlow 连接。TT-Forge 为在定制硅片上推进 AI 工作负载提供了模块化基础。它将模型下沉为优化后的 IR，以便在 TT-NN 和 TT-Metalium 上执行；后者是 Tenstorrent 的底层 AI 硬件 SDK。
为什么选择 MLIR？
MLIR 具有模块化、可扩展，并支持多层级抽象。它跨越多个框架，支持自定义 dialect，并可处理从 AI 到 HPC 的各种工作负载。凭借 MLIR 的灵活设计，TT-Forge 能够快速采用新的 ops、框架和硬件目标。随着 MLIR 生态不断扩展，TT-Forge 也会同步演进。
几乎可从任何地方导入你的模型*
TT-XLA
面向 JAX 和 PyTorch 的多芯片项目
TT-XLA 是 Tenstorrent 基于 PJRT 的桥接层，用于在 Tenstorrent 硬件上编译并运行来自 JAX 和 PyTorch 的模型。它支持通过 StableHLO 进行 just-in-time (JIT) 编译，并将结果送入 TT-MLIR 以实现优化执行。
借助 JAX 的原生支持以及通过 PyTorch/XLA 的集成，TT-XLA 可将模型编译为在 Tenstorrent 硬件上运行，仅需对现有代码做极少修改，并支持多芯片执行。
TT-Forge-ONNX
面向 ONNX 和 TensorFlow 的单芯片项目
TT-Forge-ONNX 是 Tenstorrent 的框架无关前端，旨在优化并转换深度学习模型的计算图。它由 TT-TVM 提供支持，可接收 ONNX、TensorFlow 以及类似的 ML 框架，使你更容易高效地将模型带到 Tenstorrent 硬件上。
功能
性能
优化后的编译和自定义 dialect（TTIR、TTNN、TTKernel）可实现高效执行，最大化 Tenstorrent 硬件上的推理性能。借助 tt-explorer，性能优化也得以简化。
硬件感知编译
TT-Forge™ 不只是编译模型——它还理解模型所运行的硬件。借助 TTIR 等自定义 dialect，以及围绕 TT-MLIR 构建的编译器栈，它针对 Tenstorrent 的架构进行了优化，从而实现高利用率、高效内存访问，以及跨芯片的可扩展性能。
工具
Tenstorrent 的工具链简化了在 Tenstorrent 硬件上对 ML 模型进行编译、优化和执行的流程。关键工具包括：TT-Blacksmith（可直接运行的训练示例）、TT-Explorer（模型的可视化性能分析器）以及 TT-NPE（network-on-chip (NoC) 模拟器和分析器）。