Der Graph-Compiler quantisiert Aktivierungen einmalig, fused Operationen und replayed Decode-Schritte als CUDA Graph – das zeigt, dass Perf-Gewinne über Kernel-Tuning hinaus durch Compiler-Architektur erreichbar sind. Prefill ist noch etwa halb so schnell wie llama.cpp; breite Modell- und Quantisierungsunterstützung fehlt noch.