问题一：BladeDISC是如何处理动态shape问题的？
BladeDISC是如何处理动态shape问题的？
参考回答：
BladeDISC通过扩展MLIR的HLO IR，增加了一套具有完备动态shape表达能力的IR，并增加了相应的基础设施以及前端框架的算子转换逻辑，从而解决了动态shape问题。这部分实现已经完整贡献给了MHLO社区。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674494
问题二：BladeDISC的整体架构是基于什么项目？
BladeDISC的整体架构是基于什么项目？
参考回答：
BladeDISC的整体架构是基于MLIR（Multi-Level Intermediate Representation）项目，MLIR是一套灵活的多层IR基础设施和编译器实用工具库，深受LLVM的影响，并重用其许多优秀理念。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674495
问题三：BladeDISC在哪些方面进行了持续的研发投入？
BladeDISC在哪些方面进行了持续的研发投入？
参考回答：
BladeDISC从2020年第二季度开始，持续在性能、算子覆盖率和鲁棒性、CPU及新硬件支持、前端框架支持等方面进行了研发投入，以逐渐完善并替换掉团队过往基于XLA和TVM等静态shape框架上的工作。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674496
问题四：BladeDISC在哪一年更名为BladeDISC并完成了初版开源？
BladeDISC在哪一年更名为BladeDISC并完成了初版开源？
参考回答：
BladeDISC在2021年底为了吸引更多的技术交流和合作共建需要，以及更大范围的用户反馈，正式更名为BladeDISC并完成了初版开源。
关于本问题的更多问答可点击原文查看：
https://developer.aliyun.com/ask/674497
问题五：深度学习编译器的鲁棒性体现在哪些方面？
深度学习编译器的鲁棒性体现在哪些方面？
参考回答：
深度学习编译器的鲁棒性主要体现在能否顺利完成输入计算图的编译、保证计算结果的正确性，以及在各种情况下避免极端性能下降。目前主流的AI编译器项目多处于实验性质，距离工业级应用的成熟度还有较大差距，需要在这些方面进一步提升。
关于本问题的更多问答可点击原文查看：
