Qwen3.8，登頂英偉達榜單！

# 阿里千问Qwen3.8登顶英伟达算子优化榜，超人类开发者与Cursor

7月21日，阿里巴巴千问大模型团队推出的Qwen3.8预览版在英伟达最新发布的GPU算子优化基准评测中一举夺魁，超越了腾讯混元、人类开发者以及AI编程明星产品Cursor，引发业界广泛关注。这一结果意味着AI模型在底层硬件优化领域已展现出接近甚至超越人类专家的潜力。 ## 英伟达基准评测转向“理论极限”标尺

今年3月，英伟达推出了全新的SOL-ExecBench基准测试套件，专门用于评估AI智能体、编译器和自动内核生成工具所编写的GPU算子（Kernel）性能。与传统基准只关注相对软件基线的加速比不同，SOL-ExecBench引入“Speed-of-Light（SOL）”概念——由GPU的峰值算力和HBM显存带宽共同决定的理论性能极限。模型得分越接近1，代表其生成的算子越接近硬件的绝对效率上限，从而避免算力与能源的浪费。

该套件面向英伟达Blackwell B200架构，包含235项CUDA内核优化任务，提取自124个商用及前沿AI模型，涵盖大语言模型、扩散模型、计算机视觉、音频、视频以及混合架构，精度格式包括BF16、FP8、NVFP4。英伟达同时提供了SOLAR工具，从FLOP数量、字节数、峰值吞吐量等维度分析出硬件的SOL界限，并结合评分基准给出得分：0.5表示与基准相当，1.0则为硬件极限。为确保可比性，所有提交均在真实B200 GPU上隔离执行，GPU时钟锁定在1500MHz。## 榜单排名揭晓：Qwen3.8超越腾讯混元与人类专家

在SOL-ExecBench的FlashInfer-Bench子集上，Qwen3.8预览版排名第一，得分领先。该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，包含26个来源于Llama-3.1-8B、Qwen3-30B-A3B、DeepSeek-V3/R1的问题，覆盖BF16和FP8精度，每个问题提供7-48个动态形状输入配置，真实模拟生产环境。典型任务涵盖融合注意力（Fused Attention）、FP8混合专家（MoE）和RMSNorm等核心推理算子。紧随其后排名第二的是腾讯混元Hyra，第四名是人类开发者Amir M.

Mir，第六名为美国AI创企doubleAI的全自动GPU内核生成智能体系统，而近来备受关注的AI编程独角兽Cursor仅位列第十。这一结果突显了专业AI模型在算子优化这一高度技术化领域中的竞争力。## 模型自主进化能力成为关键

千问团队指出，Kernel优化是少数提供清晰、客观、可量化反馈信号的工程任务：运行时间和带宽利用率可以精确测量，与硬件理论极限的差距没有歧义，每轮优化结果又可作为下一轮起点。这意味着模型无需人类标注，仅通过与真实硬件环境交互，就能自主产生训练信号、评估输出质量并持续改进。 在SOL-ExecBench上表现靠前，意味着模型具备一系列高级能力：长程因果推理——优化决策之间存在复杂依赖链，局部改动可能影响全局；工具使用与策略规划——根据每次执行反馈动态调整优化方向；稀疏反馈下的探索能力——在大量无效方向中识别真正有价值的路径；以及系统抽象与具体实现之间的双向翻译——从算法语义到底层硬件指令，再反向推导优化方向。 ## 训练与推理双管齐下，千问团队披露方法论

在训练侧，千问团队构建了基于沙盒的真实GPU环境，为模型提供丰富硬件文档与可交互工作空间，使其通过真实编译、执行与性能测量获取物理奖励信号，而非依赖模拟器或代理指标。研究团队还系统性收集了大规模工程级Kernel优化代码作为训练数据，涵盖广泛的优化模式与硬件适配策略。针对Kernel优化需超长工具调用序列的特点——单次优化可能涉及数百轮编译-执行-分析循环——千问对强化学习基础设施进行了专项优化，以高效支持超长多轮工具调用的训练。在推理侧，团队使用了阿里巴巴Atrex Kernel Agent框架来承载完整的分析迭代流程与经验沉淀机制。评测中，Qwen3.

8完成了平均29354轮工具调用的持续迭代，每轮对Kernel实现进行编译、执行、性能分析与策略调整，逐步将性能推向硬件理论极限。数万轮迭代中保持方向一致且不陷入局部震荡，正是其长程持续优化能力区别于普通代码生成的核心所在。## 从手写算子到AI自动生成调优，底层算力优化范式加速转变

Qwen3.8的登顶表明，AI模型已具备承担底层算力优化复杂工程任务的能力，能够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。这有望进一步压缩人工介入算子开发的环节，让大模型在理解硬件架构、推演访存瓶颈、自主迭代调参方面释放更大价值。 千问团队于7月19日宣布，将很快发布并开源Qwen3.8，该模型参数规模达2.4T，可能是仅次于Fable 5的最强模型。Qwen3.8-Max-Preview版本也已更新，前端表现进一步优化。业界分析认为，随着模型能力的持续升级，模型侧与编译层在算力优化方面将形成双向反馈，硬件规格、算子实现、模型架构三者协同演进的趋势有望成为常态，并加速AI基础设施建设向更高效、更智能的方向演进。