6.7
深览指数
科技智东西·程 茜··AI 生成
Qwen3.8，登顶英伟达榜单！
阿里通义千问最新发布的Qwen3.8预览版模型，在英伟达专为Blackwell架构设计的GPU算子优化基准测试SOL-ExecBench中登顶，得分超过腾讯混元、人类专家及AI编程工具Cursor。该榜单评估的是模型生成CUDA内核逼近硬件理论性能极限（SOL）的能力。文章详细介绍了测试基准的构成（235项任务、基于B200 GPU）以及Qwen3.8夺冠背后的技术细节，包括其基于真实GPU环境的强化学习训练和阿里巴巴Atrex推理框架，标志着大模型在底层算力自动化优化领域迈出关键一步。适合关注AI前沿技术、大模型应用及硬件协同的读者阅读。原文 ↗
核心观点
- ▍阿里Qwen3.8模型在英伟达SOL-ExecBench榜单上登顶，证明大模型已具备在底层硬件（GPU算子）层面进行自动化、闭环优化，并逼近理论性能极限的能力，这标志着AI在硬件工程自动化领域获得突破性进展。
- 01榜单排名：Qwen3.8在专为LLM推理设计的FlashInfer-Bench子集上排名第一，超越了腾讯混元Hyra、人类开发者以及Cursor等知名AI编程工具。
- 02基准测试细节：SOL-ExecBench包含235项CUDA优化任务，提取自124个商用及前沿模型，目标硬件为英伟达Blackwell系列B200 GPU，评估标准是“Speed-of-Light (SOL)”，即接近硬件理论性能极限的程度。
- 03训练方法：千问团队构建了基于真实GPU环境的强化学习体系，使用沙盒编译、真实Kernel仓库作为训练数据，并对RL基础设施进行优化以支持超长工具调用序列（平均2.9万轮）。
- 04推理框架：在推理侧使用阿里巴巴Atrex Kernel Agent框架，该框架承载了算子优化的完整分析迭代流程与经验沉淀机制，使模型能在数万轮迭代中保持方向一致性。
- 05硬件与精度：所有测试在真实NVIDIA B200 GPU上隔离执行，GPU时钟锁定在1500 MHz，涵盖BF16与FP8两种精度格式，覆盖了融合注意力、FP8 MoE和RMSNorm等关键推理算子。
反方 / 局限
- — 文章主要关注于Qwen3.8在特定基准测试上的成功，对其局限性提及较少。例如，测试仅针对Blackwell架构，模型在其他架构（如Hopper、AMD GPU）上的泛化能力未知；且自动化优化是否能完全替代人类专家在复杂、非标准场景下的创造力，尚存疑问。
9 分钟 · 3 卡片 · 7 资料
读原文 →