人间正道是沧桑

Qwen3.8，登顶英伟达榜单！_我的网站

一 |     Bonny 编译 受到大规模太阳风暴的影响，Transpower 延长了预防性电网的紧急通知。         美国国家海洋和大气管理局昨天表示，正在发生的“极端”G5 地磁风暴，其严重程度可能会影响电网、无线电信号以及卫星和通信系统。    智东西（公众号：zhidxcom）     作者 | 程茜     编辑 | 云鹏          智东西7月22日报道，昨日，阿里千问最新发布的Qwen3.8预览版模型在英伟达评估AI进行算子优化的榜单上登顶，排名超过腾讯混元、人类开发者、Cursor。

二 |          榜单中SOL得分指的是GPU的峰值算力与HBM带宽共同决定的理论性能极限。         Advertise with us          Transpower 昨天早上在一份声明中表示：“作为我们应急计划的一部分，作为预防措施，我们正在取消南岛的一些输电线路。模型这一分数越接近1，代表其生成和优化GPU算子能力越接近理论极限，可以在无需人类标注的情况下，通过与真实硬件环境的交互，自主产生训练信号、评估自身输出质量并持续改进算子。为了做到这一点，我们必须发布电网紧急通知，但是这一初步行动不会影响消费者的电力供应。”          北岛的一些线路后来被添加到紧急通知中。         今天上午，运营商发布了修改后的北岛和南岛线路的正式通知。

三 |          两项电网紧急声明均已延长，预计将于今晚 8 点结束。

四 |          在南岛，Manapouri、Roxburgh、North Makarewa、Benmore、Islington、Ashburton 和 Halfway Bush 的线路仍处于停运状态。

五 |          这一榜单中排名第二的是腾讯混元Hyra、排名第四的是人类开发者Amir M. Mir、排名第六的是美国AI创企doubleAI的全自动GPU内核生成智能体系统、排名第十的是AI编程独角兽Cursor，其他项目暂未找到公开打榜记录。         在北岛，Huntly Stratford、Hepburn Road、Brunswick、Haywards、Mangamaire 和 Wanganui 的线路仍处于暂停服务状态。

六 |          SOL-ExecBench榜单是今年3月，英伟达推出的GPU CUDA Kernel内核优化基准评测套件，面向Blackwell B200架构专门用来评测AI智能体、编译器、自动内核生成工具写出的GPU算子性能。Qwen3.8登顶的FlashInfer-Bench子集，就是专门用于测试和优化大语言模型推理系统中的GPU算子。

七 |          7月19日，阿里千问大模型团队宣布将很快发布并开源Qwen3.8。

八 |          今天早上，其他几条电路已从北岛通知中删除。

九 |          执行总经理John Clark昨天告诉 1News，太阳风暴在地球上感应出电流。         他说，电流“不好”流过电网，因此需要通过尽可能关闭传输电路来限制电流。         “这是一项先发制人的措施，以确保其他更重要的设备，即变压器和发电机不被损坏。我们能够为所有人供电，但我们在电力系统中还没有达到相同水平的冗余。该模型参数2.4T，可能是除了Fable 5外最强大的模型。昨晚，Qwen3.8-Max-Preview更新，前端（WebDev）表现更好。         一、从124个模型中提取，共235项CUDA内核优化任务          随着AI智能体生成与优化GPU内核的能力持续增强，现有基准评测的一大局限暴露，其只看重相对软件基线的加速比，而非内核执行方案本身贴近硬件最优效率的程度。而在现代数据中心中，未能充分利用硬件的kernel意味着算力与能源的双重浪费。”          最近一次类似或更严重的事件发生在 2003 年 10 月。那是一场 G5 级太阳风暴，对全球电力造成了严重破坏，特别是在瑞典和南非，发生了停电，变压器被毁的事故。         基于此，英伟达提出了SOL-ExecBench基准套件。

十 |          不过，太阳风暴，让极光照亮了全球的天空。         相关阅读：          近20年最严重地磁风暴来袭！奥克兰爆现极光……          注：本文为编译/原创，欢迎转发分享；但严禁复制等未经授权的非法使用。

十一 | 这一套件共有235项CUDA内核优化任务，提取自124个商用及前沿人工智能模型，覆盖大语言模型、扩散模型、计算机视觉、音频、视频以及混合架构，目标硬件为英伟达Blackwell系列GPU，涵盖BF16、FP8、NVFP4精度下的前向与反向计算负载。违反上述声明者，本网将追究其相关法律责任。         与以往基于软件性能来进行评估标准相比，SOL-ExecBench的评估目标有所不同。其通过“Speed-of-Light（SOL）”界限来评估内核性能，即由GPU的峰值算力与HBM带宽共同决定的理论性能极限。

十二 |          英伟达开发的SOLAR工具能够从FLOP数量、字节数、GPU峰值吞吐量以及带宽等方面，分析出这些基于硬件的SOL界限，然后将这些界限与预先定义的评分基准相结合，从而得出SOL评分。使用授权请联系[email protected]。

十三 |          具体来说，评分为0.5表示与基准值相当，评分为1.0表示达到了硬件上的SOL界限。         chineseherald.co.nz All Rights Reserved 版权所有          (责编：Bonny)          相关内容                新西兰女尸悬案，身上一器官曾切除过！30至50岁之间…           近20年最严重地磁风暴来袭！奥克兰爆现极光……           驻新西兰使领馆发布提醒：谨防这两类诈骗！           注意！奥克兰西区可能发生大规模斗殴，学生们尽量避开New Lynn车站！           WoF，路税贴纸都要取消了么？交通部长这么说……           今年最冷的早上，你被冻醒了么？电力公司警告，可能出现断电！           全球首例“牛传人”！新西兰需要担心吗？           明晨请减少用电！气温骤降供电不足，可能会停电。因此，这个评分不仅反映了相对于基准值的改进程度，还体现了与最大可实现硬件性能相比所剩余的优化空间。         为保证评分结果的可靠性和可重复性，SOL-ExecBench还包含一个沙盒评估工具。

十四 | 此外基于其开发的智能优化算法，可以在相同的评估协议下改进提供的PyTorch参考实现，这种优化算法可以识别出那些试图操纵评估器的行为，即试图绕过评估机制以获得更快的运算结果。         此次Qwen3.8拿下第一的是FlashInfer-Bench子集，专门用于测试和优化大语言模型推理系统中的GPU算子。         该子集包含26个来源于Llama-3.1-8B、Qwen3-30B-A3B、DeepSeek-V3/R1的问题。         该子集覆盖的精度格式为BF16与FP8，每个问题提供7-48个动态形状的输入配置，覆盖真实生产场景，典型任务包括融合注意力（Fused Attention）、FP8 MoE和RMSNorm等推理关键算子。         根据官方披露，该测试套件中所有提交内容均在真实NVIDIA B200 GPU上隔离执行，GPU时钟锁定在1500 MHz以保证可复现性。         二、榜单排名靠前，意味模型具备闭环自我改进潜力          Kernel优化是少数几个可以提供清晰、客观、可量化反馈信号的真实工程任务之一：          反馈明确：运行时间、吞吐量、带宽利用率可以精确测量；     标准客观：距离硬件理论极限还有多远，没有歧义；     迭代自然：每一轮优化都可以作为下一轮的起点。

十五 |          这意味着模型可以在无需人类标注的情况下，通过与真实硬件环境的交互，自主产生训练信号、评估自身输出质量并持续改进。         在SOL-ExecBench FlashInfer-Bench子集上表现靠前，就意味着模型在下面几项能力上具有优势：          长程因果推理：优化决策之间存在复杂依赖链，局部改动会影响全局性能，模型需要跨越长上下文进行一致性推理。    工具使用与环境交互中的策略规划：现实世界智能体任务面对多轮工具调用，模型需要根据每次执行反馈动态调整策略，而非机械执行预设步骤。    稀疏反馈下的探索能力：性能提升往往不是线性的，模型需要在大量“看似合理但实际无效”的方向中识别真正有价值的优化路径。    系统级抽象与具体实现之间的双向翻译：从高层算法语义映射到底层硬件指令，再从硬件反馈反推优化方向，这种双向能力在科学计算、编译器设计、芯片设计等领域均有直接迁移价值。         这也意味着，能在SOL-ExecBench上持续进化的模型，具备在客观物理约束下进行闭环自我改进的能力。

十六 |          三、训练侧搭建真实GPU环境，推理侧引入阿里智能体框架          智东西从千问团队获悉，在训练、推理方面，千问团队均针对Kernel Self-Evolving进行了优化。         首先在训练侧，为了让模型真正具备kernel优化能力，而非仅仅学习表面的代码模式，其构建了一套基于真实GPU环境的大规模强化学习体系。         1、研究人员搭建了基于沙盒的真实GPU训练环境：          为模型提供丰富的硬件文档与可交互的Workspace，使模型能够通过真实编译、执行与性能测量获取来自硬件的奖励信号，而非依赖代理指标或模拟器。这可以确保每一个训练信号都有真实的物理意义。

十七 |          2、真实Kernel仓库作为训练数据          研究人员系统性收集了大规模真实的工程级kernel优化代码，以这些真实世界的kernel作为训练query。相比合成数据，真实反馈覆盖了更广泛的优化模式、硬件适配策略与工程取舍，为模型提供了更接近生产场景的学习信号。         3、RL基础设施的针对性优化          Kernel优化任务的一个显著特点是需要超长的工具调用序列，单次优化过程可能涉及数十乃至数百轮的编译-执行-分析循环。         为此，研究人员对强化学习训练基础设施进行了专项优化，使其能够高效支持超长多轮工具调用的训练，从而让模型真正学会跨越长序列的持续优化策略。         在推理侧，研究人员使用阿里巴巴Atrex Kernel Agent框架来承载算子优化的完整分析迭代流程与经验沉淀机制。         ▲阿里巴巴Atrex Kernel Agent框架和工作流（图源：GitHub）          在SOL-ExecBench FlashInfer-Bench子集的评测中，该模型完成了平均29354轮工具调用的持续迭代，在每一轮循环中对kernel实现进行编译、执行、性能分析与策略调整，将性能逐步推向硬件理论极限。         这意味着，模型在数万轮的迭代过程中可以保持方向一致性、持续产出有效优化、不陷入局部震荡，正是长程持续优化能力区别于普通代码生成能力的核心所在。         结语：从手写算子到AI生成、调优，Qwen3.8刷新自动化算子生成能力上限          Qwen3.8此次登顶，意味着其有能力承担底层算力优化的复杂工程任务，并进一步压缩人工介入算子开发的工作环节，其能直接对接真实硬件环境采集运行反馈，形成从算子生成到性能调优的自动化闭环。         自动化GPU算子生成赛道的长期竞争，未来或取决于大模型理解硬件架构、推演访存瓶颈、自主迭代调参的综合智能水平。长远来看，伴随大模型能力升级，模型侧与编译层在算力优化方面将形成持续双向反馈，硬件规格、算子实现、模型架构三者协同演进可能会成为常态。

Current article:http://bese73o.runtunpaixufenjuduishuang.pics/l0me9/3h2ffk.html

Published on:05:40:49