与青春有关的日子Qwen3.8，登顶英伟达榜单！_我的网站
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 | 这个夏天，一群来自大山深处的少年，因为足球，来到南京。六天时间，他们第一次坐上飞机，第一次看见更大的城市，第一次走进数万人的足球赛场，第一次和南京的同龄人并肩奔跑。 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。这些“第一次”的背后，是一场跨越山海的公益行动，也是一份来自公益体彩的温暖力量。2026赛季“苏超”的战鼓擂响，绿茵场上，球员们为热爱奔跑；而在千里之外的山坳里，也有一群少年，在并不宽阔的校园球场上追逐着自己的足球梦想。这个夏天，南京体彩携手新华报业传媒集团《水滴公益》栏目，共同参与“乡村少年追风计划”，将体彩公益的力量带到孩子们身边，让一场足球之约，成为连接城市与乡村、梦想与未来的一次奔赴。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。从体彩公益，到少年足球梦每一张体育彩票背后，都凝聚着公众对公益事业的支持。多年来，体彩公益金持续用于体育事业和社会公益事业，为全民健身、竞技体育以及青少年体育发展提供支持。
C | 而这一次，公益体彩的力量托举起了乡村少年的梦想。南京体彩联合新华报业集团“水滴公益”，共同开展“乡村少年追风计划”，并向江苏省妇女儿童基金会捐赠2万元，用于支持项目开展，帮助更多乡村青少年接触体育、热爱运动，在奔跑中感受体育的快乐，在运动中拥有追逐梦想的勇气。
D | 同时，南京体彩还面向社会招募爱心家庭参与公益活动，让更多普通市民加入其中。孩子们成为公益义卖的小小“推广员”，家长和志愿者一起参与，义卖所得善款全部用于“乡村少年追风计划”。 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。从体彩工作人员，到爱心家庭，再到现场每一位关注公益的人，越来越多的人因为这群追风少年走到了一起。 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。对孩子们来说，公益不再只是一个抽象的词语。它变成了一次远行、一场比赛、一件运动装备。体彩让梦想照进现实，让梦想生出了翅膀，带孩子们看见比远方更远的光。这正是体彩希望传递的意义：让公益不止于“给予”，更成为陪伴成长的一种力量。
E | 一场苏超赛事，让山里的少年看见山外今年夏天，“苏超”再次点燃了足球热情。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。南京体彩也将公益行动融入这场全民参与的足球盛事。 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。昨晚，Qwen3.8-Max-Preview更新，前端（WebDev）表现更好。在南京队主场迎战扬州队的比赛现场，来自远方的少年带着乐小星走进南京奥体中心，在数万人的欢呼声中感受足球的魅力。他们站在曾经只能从电视和网络里看到的赛场，看球员在绿茵场上奔跑。
F | 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。
G | 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。今天，他们看见一座城市因为足球而沸腾。一场足球赛，因此有了另一层意义。它不仅是比分与胜负，也是一次关于爱与梦想的接力。如果说过去的公益更多是在为孩子们改善校园环境，那么今天，公益开始走进他们的兴趣、热爱与梦想。
H | 南京体彩的参与，也让“公益+体育”的结合有了更加具体的落点。 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。对于乡村少年而言，一块足球场，也许就是他们认识世界最早的窗口之一。 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。南京体彩的参与正是让这样的窗口能够开得更大一些。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。 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。让孩子们有机会走出校园、走进赛场、认识同龄人，也让他们知道，无论来自哪里，热爱都值得被看见，梦想都值得被鼓励。旅程结束，但体彩公益不会六天的夏令营结束了。少年们终将回到自己的家乡，回到熟悉的山路、校园和球场。 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。 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。但有些东西已经悄悄发生了改变。
I | 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。他们见过了更大的城市，站上过万人球场，也认识了来自远方的新朋友。更重要的是，他们知道，在山的另一边，有一群陌生的人关注他们，为他们的梦想鼓掌，也愿意为他们的奔跑添一把力。这或许就是公益最动人的地方。在过去的3年中，南京体彩联合新华报业传媒集团《水滴公益》栏目，通过“乡村校园改造计划”公益项目帮助西部乡村学校改造校园硬件设施。正是这样的一个个具体行动，让“公益”从数字变成故事，从善意变成陪伴，让一张张体育彩票汇聚的公益力量，抵达更多需要被看见的人。
J | 这个夏天，追风少年们曾经在南京奔跑。 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。
K | 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。而属于他们的追风之旅，还在继续。 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。
L | 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。
M | 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。
N | 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。
o | 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。
p | 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://k8u1.bainangmieruopanglaomen.sbs/xmrpf/3nwxp.html Published on:21:18:35 |
