当前位置：主页 > 孝感 >

pm2.5

Qwen3.8，登顶英伟达榜单！_我的网站

终极一家

A |     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。

B |          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。    

5月15日，在中欧小城汉德洛瓦，斯洛伐克内阁开完会议，总理菲佐出来会见民众，突然，一名男子对他大叫，菲佐还热情地走过去握手，男子突然对他连开数枪……
菲佐腹部、腿部多处中弹，反应过来的保镖，立刻将他塞入汽车，汽车疾驶而去，他被送入医院急救，外电一度传出消息，“他在为自己的生命力而战”。
好消息是，凶手没有瞄准最要害部位，经过连续多个小时的抢救，斯洛伐克官员透露，菲佐“应该能够幸存下来”。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。
事情很突然，但也不得不说，菲佐的保镖，真的很拉胯。
更让很多人，也包括我在内，完全意料不到，凶手是一个71岁的白发苍苍的斯洛伐克老诗人。         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。
没错，是老诗人，不是老实人，他出版过多本诗集，还是当地作家协会的成员。
看社交媒体上的视频，被抓的老人，喃喃自语：我不赞成菲佐的政策，不认同国家前进的方向。         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。
这有点像前几年的安倍遇刺，也是在日本街头，安倍正在演讲，凶手靠近，砰砰几枪，不幸的安倍与世长辞。
但安倍毕竟是卸任首相，菲佐可是在职总理。事后查明，刺杀安倍，更多是个人报复；刺杀菲佐，却夹杂着明显的政治动机。
在欧洲政坛，菲佐属于左翼，他是老资格的政治家，四度出任斯洛伐克总理。         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。该模型参数2.4T，可能是除了Fable 5外最强大的模型。
但他的一些政策主张，却不被欧洲主流待见，认为他太民粹、太亲俄。

C |

比如，菲佐公开反对乌克兰加入北约，称这“意味着第三次世界大战的开始”，“我们需要告诉全世界：自由来自东方，战争总是来自西方。昨晚，Qwen3.8-Max-Preview更新，前端（WebDev）表现更好。

D | ”

他还多次批评，西方对俄战略失败了。         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。而且，他还很欣赏普京，曾公开表示如果普京因战争罪遭到国际通缉，斯洛伐克会为他提供庇护。
德国不喜欢他，法国不认同他，在斯洛伐克，菲佐是总理不假，但也有不少激烈的反对者。
但在斯洛伐克，这一幕就在众目睽睽下发生了。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。欧洲政治撕裂暴力化，不由让人倒吸一口凉气。         基于此，英伟达提出了SOL-ExecBench基准套件。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。
还有，以前搞刺杀暗杀的，多是年轻人；但在斯洛伐克，这次掏枪的，却是一位71岁的老诗人。
菲佐遇刺后，我看到，西方社交媒体上，一些人惊呼：这是第三次世界大战的开端。
他们应该立刻想到了1914年的萨拉热窝事件。当时，奥匈帝国王位继承人斐迪南大公，在萨拉热窝遇刺身亡。         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。
这是第一次世界大战的导火索。萨拉热窝、斯洛伐克等地，都属于当时的奥匈帝国。

E | 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。

第三次世界大战，我觉得肯定是夸张。但我们也看到，欧洲领导人却不敢有丝毫大意，在这个大是大非的问题上，众口一律谴责。         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。
法国总统马克龙强烈谴责刺杀事件，说自己很震惊；德国总理朔尔茨说，他“对这次懦弱的袭击感到不安”。
欧盟委员会主席冯德莱恩谴责这次“卑鄙攻击”，北约秘书长斯托尔滕贝格说他对暗杀事件“感到沮丧”，乌克兰总统泽连斯基也表态，强烈谴责这种暴力行径，“应尽一切努力，确保暴力不会成为任何国家任何领域的常态”。         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。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。

F |

刺杀也是会传染的，尤其是带有政治动机的刺杀，因为刺杀者总认为自己是在替天行道。
既然对左翼的菲佐，可以这样下手；那欧洲政坛其他领导人，左翼的右翼的，肯定都有激烈反对者，是不是都可能遭遇同样的命运？
可以肯定地说，欧洲领导人的安保，最近绝对会升级；但也可以肯定地说，类似的暗杀，不会是最后一次。         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。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。

G |          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。         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。

H |          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。         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。         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。

I |          ▲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://www.qiniaohongfangfoguisenzhai.cyou/tdz1hlk/hsne.html

Published on:06:21:54


下一篇：赛后爆发冲突，输球输人，阿根廷需要从头再来 上一篇：活力中国调研行丨“首”字出圈，厦门构建消费新引力场,活力中国调研行丨“首”字出圈，厦门构建消费新引力场

猜你会喜欢....
    随机推荐

Copyright ＠ 2016-2017 我的网站 版权所有