一家中国团队站上英伟达自己的 GPU 榜单
近期，在英伟达研究院推出的 GPU 算子性能评测榜单 SOL-ExecBench 上，无问芯穹（Infinigence AI）交出的成绩引发关注。截至 2026 年 10 月 26 日，其在全部 235 道 GPU 算子优化题目中以 88 道单题头名位居所有参赛团队之首，数量超过第二名两倍；在 L1 基础算子与 Quant 量化两大赛道总分领跑全球，在 L2 融合算子与 FlashInfer-Bench 推理算子两大赛道总分位列第二。
这不是一次孤立的跑分。SOL-ExecBench 由英伟达研究院于 2026 年 3 月 19 日推出，题目来自 124 个真实及前沿 AI 模型的计算图，共提取 235 道算子优化题目，覆盖语言、视觉、语音、视频与多模态等领域，并划分为 L1 基础算子、L2 融合算子、Quant 量化算子（覆盖 FP8、NVFP4 等低精度技术）与 FlashInfer-Bench 推理算子（聚焦注意力机制与混合专家网络）四大赛道。
这个榜单测什么，含金量如何
与多数只比较「比默认实现快多少」的评测不同，SOL-ExecBench 引入了以硬件性能上限为参照的 SOL Score——SOL 即 Speed of Light，指代基于硬件能力推导出的理论性能边界。换句话说，它不只看相对软件基线的加速比，更看「离硬件理论上限还有多远」，并在高性能计算卡上进行实际测试。题目直接取自真实前沿模型的计算图，考察的是新一代 GPU 上的性能极限。
榜单的竞争密度也说明其分量。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，平均约每 8 分钟就有一条公开提交；参与者中既有 Databricks、Cursor、SF Tensor、Recursive 这类基础设施与智能体研发力量，也有 doubleAI、Geometric 等团队。能在这种高频刷新的全球榜上拿走 88 道头名并领跑两大赛道，含金量不低。
真正的新鲜点：智能体参与了底层算子优化
比名次更值得记的，是无问芯穹取得成绩的方式。据其介绍，团队搭建了一个算子优化智能体，围绕 SOL-ExecBench 把代码生成、执行验证、性能分析与经验累积连成闭环：用容器隔离区分工作、评测与调试环境，以模块化的 Skills 与共享 Memory 承载 GPU 编程知识并复用已验证的策略，并针对计算密集、访存密集、融合算子与小形状等不同任务采用差异化优化策略，跨 Triton、TileLang 与 CuTe DSL 等多种领域专用语言开展工作。
这套系统的目标，是把智能体消耗的 token 转化为可验证的算力性能增益，并朝递归自改进的方向探索——即让优化经验持续回流，喂给下一代优化流程。把底层、枯燥且高度依赖专家手调的 GPU 内核优化交给智能体去搜索与验证，本身就是「AI 改造基础设施」这一命题的一次具体落地。
为什么值得记：CUDA 护城河的一部分是软件可寻址的
长期以来，内核与算子优化被认为是 CUDA 生态护城河里最难逾越的一段——它既需要深厚的硬件知识，又依赖大量专家手调经验。一支用智能体搜索优化空间的团队，在英伟达自己的榜单上登顶，提示这段护城河至少部分是可以被软件追上的。对国产 AI 算力而言，这不只是一块跑分牌面，而是底层软件、软硬协同与智能体工程化能力的一次集中展示。
但榜单领先不等于生态竞争力。能否把榜单上的优化稳定迁移到真实生产负载、能否补齐工具链与社区，才是决定影响力的关键。硬件仍掌握在英伟达手里，软件优化能逼近理论上限，却替代不了架构本身。
冷静看：值得盯三件事
这份成绩有几个需要冷静对待的地方。其一，榜单高频刷新、名次动态变化，今天在 L1 与 Quant 两大赛道的头名未必能一直守住；其二，这是基准表现，不是生产部署，离真实业务负载还有距离；其三，它验证的是「软件可寻址」这一方向，而非国产 GPU 整体生态的成熟度。
接下来值得盯三件事：一是该智能体流程能否稳定迁移到更多算子与更多硬件，而不仅停留在榜单题目；二是社区与工具链能否围绕这类优化能力生长起来；三是这类「Agent for Infra」的打法，会不会从算子优化外溢到系统运维、资源调度等更宽的算力基础设施环节。榜单已经给出信号，真正的考验在榜单之外。