中国AI刷爆英伟达GPU性能榜，这家公司拿下88项第一

SOL-ExecBench是NVIDIA Research于2026年3月19日推出的算子优化Benchmark。SOL是Speed of Light的缩写，意为“光速”，在这里指代基于硬件能力推导出的理论性能边界。

与传统评测主要比较相对软件基线的加速效果不同，SOL-ExecBench引入了以硬件性能上限为参照的SOL Score，并在高性能计算卡上进行实际测试。

榜单包含从124个真实及前沿AI模型中提取的235道算子优化题目，覆盖语言、视觉、语音、视频及多模态等领域，并划分为四大赛道：

SOL-ExecBench的一个突出特点是，从真实前沿模型的计算图中直接提取工作负载，并重点考察这些计算在新一代GPU上的性能极限。

注：这是一个持续竞争、高频动态刷新的全球榜单。随着各支团队不断提交新的优化方案，排名也会随之变化，竞争十分激烈。

截至2026年10月26日，无问芯穹仍在L1与Quant两大赛道总分位列全球第一，L2与FlashInfer-Bench赛道总分位列全球第二；在全部235道GPU算子优化题目中，以88项单题第一，位居所有参赛团队之首，超过第二名单题第一数量的2倍。

尤其是在考验复杂计算优化能力的L2融合算子赛道，无问芯穹拿下82道题目中的39项第一，接近半数。

这场汇集全球顶尖AI基础设施和智能体研发力量的竞争，正在成为检验新一代AI算力优化能力的重要舞台。

AI生产力的价值落地，背后是一条“投入-电/卡-Token-生产力-价值”的完整转化链条。

在早期Scaling Law的推动下，投入更多计算资源，最大化GPU效率，是推动模型性能突破、提高Token生产的重要手段。

而随着Agent的发展，Token成为任务执行的投入，而非最终交付物，模型可以通过更长的推理、更多轮的尝试和验证，突破原本难以解决的问题，但单纯增加Token投入却并不必然带来任务效果的提升。

如果始终重复相似的尝试，无法从执行反馈中修正方向，再多的Token也可能消耗在原地打转之中。

行业关注的核心正从GPU Maxxing进一步走向Token Maxxing：不仅要提升从“电”到“Token”的转化效率，还要让更多Token真正转化为模型能力与任务成果，实现从“Token”到“生产力”的高效转化。

SOL-ExecBench为检验这一能力提供了具体场景。它从真实前沿模型中提取计算负载，覆盖基础算子、复杂融合、低精度计算与推理优化，要求提交的代码同时满足正确性与性能要求。在这里，Agent需要经历代码生成、编译运行、性能分析与反复调优，其工作成果最终由真实硬件上的执行结果衡量。

这一评测吸引了包括全球数据与AI平台企业Databricks、Y Combinator孵化的AI Infra创业公司SF Tensor、知名AI编程工具团队Cursor，以及Recursive、doubleAI、Geometric等活跃于自动化算子优化领域的技术团队参与。

据SF Tensor于2026年9月25日公布的数据，当时已有583支团队累计提交超过3.1万次评测，以平均约每8分钟一条公开提交的高频次，持续推动榜单刷新。

众多参赛团队借助Agent自动生成、测试和优化底层计算代码，使这场竞赛既考验GPU Kernel优化水平，也考验如何将模型能力组织成能够持续完成复杂工程任务的系统。

在这样激烈的全球竞逐中，无问芯穹先后取得L1、L2、Quant与FlashInfer-Bench四大赛道全球第一。

这既体现了团队在算子优化与软硬件协同方面的技术积累，也检验了团队通过Agentic Infra将Token投入转化为经过验证的计算性能收益，并以此探索AI自主完成复杂任务的有效路径的能力。

从资源投入到Token生产，再到实际生产力的交付与价值兑现，无问芯穹Agentic Infra始终致力于推动这条链路从单向推进走向闭环进化。

团队希望让Agent不仅消耗Token完成任务，更能够将创造的生产力反哺于基础设施本身，持续提升Token的生产，探索AI基础设施RSI的实现路径。

算子优化任务，为探索这一过程提供了具体切入点：GPU Kernel的执行效率直接影响硬件性能的发挥；Agent找到的高效实现，在经过验证并应用于训练与推理系统后，有望进一步降低计算开销，让算子优化的收益延伸至Token的生产环节。

沿着这一方向，首先需要解决的是如何让Agent持续产出可靠的优化成果。代码能否正确执行、性能瓶颈在哪里、一次修改是否带来了真实收益，都需要通过实际运行来判断，并成为下一轮探索的依据。

为此，无问芯穹围绕SOL-ExecBench构建了一套算子优化Agent，将代码生成、执行验证、性能分析与经验积累组织成连续的工作流程。

下面将从容器隔离执行、Skills感知与共享Memory，以及面向不同任务的优化策略这三个方面，介绍无问芯穹具体如何支持Agent在真实硬件反馈下实现持续改进。

在执行架构上，系统采用容器化隔离，将Agent工作区、评测区与调试区解耦。Agent在允许联网、不直接分配GPU的工作区中，通过外部挂载加载Skills、共享Memory与优化策略，完成代码编写并提交计算请求。

宿主侧资源调度器统一管理GPU，对请求进行排队与按需分配，分别在与官方评测环境对齐的镜像、集成性能剖析工具的镜像中执行评测与调试。两类执行容器均禁用网络访问，结果回传至Agent，形成“代码生成—评测验证—性能分析—策略调整”的迭代闭环。

这一隔离设计服务可以防止Agent在自动优化过程中绕过评测约束。当Agent以性能指标为优化目标时，其探索可能偏离算子实现本身，转而尝试修改评测脚本、干预计时逻辑、访问参考结果或利用环境漏洞，获得并非来自真实计算效率提升的分数。容器隔离、权限控制与受控提交接口共同构成执行边界，使Agent能够持续优化候选算子，同时限制其对评测过程本身的干预。

在Agent能力构建上，系统不仅通过模块化Skills接入开源社区的技术积累，还通过专门的框架感知Skill，帮助Agent理解并使用相关框架，同时利用共享Memory持续沉淀与复用优化经验。

这些机制共同驱动Agent调用专业能力、正确使用运行框架，并在持续迭代中积累经验、减少重复探索。