賈揚清再創業，造了一支AI軍團，讓GLM-5.2提速534%

好的，這是一篇基於您提供資料重寫的完整新聞稿。 ---

## AI大牛賈揚清再創業「造軍團」，祭出三大殺手鐧，GLM-5.2推理速度狂飆534%

AI領域的傳奇人物賈揚清再次成為業界焦點。這位阿里雲前副總裁、Lepton AI創始人，在告別英偉達約一個月後，迅速啟動了新一輪創業項目「Intent Lab」，並組建了一支名為「Fleet」的自主AI團隊，目標是將使用者的模糊意圖直接轉化為可上線的生產級軟體系統，挑戰AI在軟體工程領域的能力邊界。不同於市面上主要負責生成代碼的「程式設計助手」，Fleet的定位更像是一家麻雀雖小、五臟俱全的「微型軟體公司」。它不僅要會寫程式，更要能完整承擔一支工程團隊的職責：從理解客戶需求、設計系統架構、協調團隊任務，到編寫代碼、進行嚴格的測試驗證，乃至產品上線後的持續監控與迭代，實現全流程的自動化閉環。

為了證明Fleet的實力，Intent Lab一舉公佈了三項極具震撼力的早期成果，涵蓋了模型推理優化、系統重構與底層基礎設施開發，展示了AI在複雜軟體工程中的巨大潛力。### 核心突破一：為GLM-5.2加速，效能提升534%

Fleet的第一個任務，是挑戰一個業界公認的難題：為已經過高度優化的AI推理引擎「TensorRT-LLM」進行二次優化，使其能在特定的英偉達計算節點上，以極致效率運行GLM-5.2大模型。由於TensorRT-LLM本身已是效能標杆，想要在此基礎上「擠出」更多潛力，難度極高。Fleet並未退縮，它像一位經驗豐富的系統工程師，從四個層面展開了系統性的效能剖析與優化。

首先是 **核心內核層**，通過內核融合與直接生成更底層的PTX、SASS代碼，減少了啟動開銷，使推理效能提升24%；其次是 **運行時層**，利用H2D批處理實現了解碼階段的零拷貝，再獲16%的性能增益；接著在 **通信層**，Fleet將集合通信、殘差相加和RMSNorm等操作進行融合，又帶來了18%的提升。最後的殺手鐧是引入了 **推測解碼技術（DSpark）**。模型不再逐個生成token，而是能一次提出並驗證多個候選token，將推理速度直接提升了約4倍。經過這一連串由Fleet自主發現、實現並驗證的優化組合拳，GLM-5.

2的端到端推理性能，從原來TensorRT-LLM的102 token/s，一舉躍升至驚人的**647 token/s**，整體提速**534%**。Intent Lab自豪地宣稱，這是目前GLM-5.2所能達到的最快推理速度，且整個過程完全由Fleet獨立完成，無任何人為干預。### 核心突破二：「一句話」從零造數據庫，成本僅350美元

Fleet的第二項成就更具科幻色彩。Intent Lab的研究人員只下達了一條簡單的指令：「構建一個與SQLite兼容的SQL數據庫引擎，使其能夠通過全部sqllogictest測試用例，性能達到或超過SQLite。」 他們沒有提供任何SQLite的源代碼或文檔，僅將公開的測試套件作為唯一的驗收標準。這項任務考驗的是Fleet從零開始設計並建構複雜系統的能力。Fleet內部模擬了軟體開發團隊的分工，將工作分解給「決策者」、「架構師」、「碼農」、「測試員」、「審查員」和「質保員」等不同角色。這些AI角色在整個開發過程中反覆協作，根據代碼的演變不斷調整設計，並進行迭代測試與審查。

整個開發過程堪稱一場巨量的「算力勞動」。整輪運行總共消耗了**8720萬個輸出token**，其中編碼（38.6%）和測試（21.7%）佔據了主體，但值得注意的是，決策和架構設計也分別佔了17.8%和13.3%，這表明Fleet並非簡單的「代碼複讀機」，它將大量精力花費在高層次的設計與驗證上。最終，Fleet不僅成功從無到有構建了一個全新的數據庫，更以百分之百的通過率，**一次性通過了全部600萬項驗收測試**。更令人驚訝的是，當全部使用開源模型時，整輪運行的成本僅約為**350美元**（約合人民幣2368元），展現了極高的成本效益。

### 核心突破三：打造Agent專屬文件系統，性能碾壓EFS

Fleet的第三個成果，是為AI Agent自身打造一個專用的分佈式文件系統——AgentFS。研究團隊發現，AI Agent在工作時，會頻繁地創建沙箱、掃描目錄、處理大量的小文件，這些工作負載特性與亞馬遜EFS或S3FS等傳統雲存儲方案並不匹配。為此，Fleet決定從頭開始，為Agent量身定制一個名為AgentFS的分佈式文件系統。結果令人震驚：在標準的mdtest性能測試中，AgentFS執行目錄和文件創建操作的速度是EFS的45倍，文件讀取速度為30倍。

而在Agent最常用的狀態查詢操作上，AgentFS的表現更是「降維打擊」，其**目錄狀態查詢速度達到EFS的驚人626倍，文件狀態查詢速度也達到了625倍**。在貼近實際應用的Git代碼庫操作測試中，AgentFS同樣表現出色，克隆、查詢狀態和刪除代碼庫的速度分別是EFS的2.5至3倍、6.9至9.5倍和13至14倍。除了性能，AgentFS還經歷了極為嚴格的可靠性驗證，Fleet檢查了31個模型中的約190萬個可達狀態，模擬了不同的順序、崩潰和競爭情況。驗證過程中，Fleet甚至自主發現並修復了一個由其他程式設計Agent引入的、可能導致數據損壞的潛在Bug，展現了其在品質保障上的嚴謹性。

從優化AI推理引擎，到從無到有構建數據庫，再到創造專用文件系統，賈揚清的Intent Lab正試圖透過Fleet，將AI從單純的「代碼生成工具」，升級為能夠獨立思考、自主規劃、協同作業並交付完整系統的「AI工程團隊」。雖然Fleet目前的成果仍帶有早期探索性質，能否穩定處理更大型、更複雜的真實商業項目尚需時間驗證，但它無疑為我們描繪了一幅AI驅動軟體工程的未來藍圖，預示著軟體開發模式可能正在迎來一場前所未有的變革。