Ein Entwickler hat in einem Monat eine dreiteilige Serie samt funktionierendem CLI-Tool namens „deplodock" veröffentlicht, das einen ML-Compiler vollständig in Python und rohem CUDA implementiert – ohne externe Bibliotheken. Ziel war es, die Konzepte hinter Produktions-Stacks wie TVM (500K+ Zeilen C++), PyTorch Dynamo/Inductor/Triton oder XLA zugänglich zu machen. Der Compiler nimmt kleine Transformer-Modelle (TinyLlama, Qwen2.5-7B) und senkt sie durch sechs Intermediate Representations (Torch IR → Tensor IR → Loop IR → Tile IR → Kernel IR → CUDA) auf ausführbare CUDA-Kernels ab. Teil 1 beschreibt die obere Pipeline-Hälfte am Beispiel eines RMSNorm-Layers. Teil 2 erklärt 16 mechanische Tile-IR-Passes, die ein Loop-Nest in ein GPU-Schedule verwandeln – inklusive Thread-Mapping, Shared-Memory-Staging und Double-Buffering. Teil 3 ersetzt handgepickte Heuristiken durch einen SP-MCTS-Suchalgorithmus, der über den Kreuzprodukt-Raum der Regelparameter autotuned. Auf einer RTX 5090 landet das Ergebnis bei einem geometrischen Mittel von 0,96× gegenüber dem PyTorch-Produktionsstack; 32 der 84 getesteten Kernel-Shapes schlagen PyTorchs handoptimierte Kernel, mit einem maximalen Speedup von 5,6×.