锦衣卫
Qwen3.8，登顶英伟达榜单！_我的网站
一 | 日报讯（记者崔丛丛）近日，省医保局联合省发展改革委、省卫生健康委研究制定了《关于医保支持基层医疗卫生服务发展若干措施》，对优化医保基金管理、深化支付方式改革、完善医保待遇政策、落实药品供应保障、优化价格与服务管理、提升基层业务能力等6方面16项工作进行落实，切实保障基层群众“好看病”“看好病”“少花钱”。
二 | 智东西（公众号：zhidxcom） 作者 | 程茜 编辑 | 云鹏 智东西7月22日报道，昨日，阿里千问最新发布的Qwen3.8预览版模型在英伟达评估AI进行算子优化的榜单上登顶，排名超过腾讯混元、人类开发者、Cursor。 榜单中SOL得分指的是GPU的峰值算力与HBM带宽共同决定的理论性能极限。若干措施提出，优化医保基金管理、强化基层倾斜保障，省下的钱留给基层。模型这一分数越接近1，代表其生成和优化GPU算子能力越接近理论极限，可以在无需人类标注的情况下，通过与真实硬件环境的交互，自主产生训练信号、评估自身输出质量并持续改进算子。科学编制基金总额预算，年度新增医保基金原则上要适当向基层倾斜；推进紧密型县域医共体总额付费，合理做好医共体内结余留用分配，加大向基层医疗卫生机构倾斜力度。此外，落实医保基金预付政策，向管理规范、基金支出占比高、信用良好等符合条件的基层定点医疗机构加大预付力度。 这一榜单中排名第二的是腾讯混元Hyra、排名第四的是人类开发者Amir M. Mir、排名第六的是美国AI创企doubleAI的全自动GPU内核生成智能体系统、排名第十的是AI编程独角兽Cursor，其他项目暂未找到公开打榜记录。省将深化支付方式改革、引导分级诊疗落地，把常见病留在基层。 SOL-ExecBench榜单是今年3月，英伟达推出的GPU CUDA Kernel内核优化基准评测套件，面向Blackwell B200架构专门用来评测AI智能体、编译器、自动内核生成工具写出的GPU算子性能。推行基层门诊多元支付，探索适宜基层的门诊按人头付费与慢病管理相结合的多元复合支付方式。扩大基层病种（组）数量，推动同病同付，完善住院按病种付费配套机制，加大对基层倾斜力度，在现行基层医疗卫生机构基本系数基础上增加不少于5%。完善医保待遇政策、提升基层就医获得感。职工医保普通门诊统筹起付标准原则上确定为100元，政策范围内支付比例不低于50%。Qwen3.8登顶的FlashInfer-Bench子集，就是专门用于测试和优化大语言模型推理系统中的GPU算子。对符合条件的慢病患者，基层医疗卫生机构可单次开具不超过12周用药的长期处方。同时，优化住院差别化支付，合理设置不同级别医疗机构住院报销比例。
三 | 7月19日，阿里千问大模型团队宣布将很快发布并开源Qwen3.8。该模型参数2.4T，可能是除了Fable 5外最强大的模型。昨晚，Qwen3.8-Max-Preview更新，前端（WebDev）表现更好。 一、从124个模型中提取，共235项CUDA内核优化任务 随着AI智能体生成与优化GPU内核的能力持续增强，现有基准评测的一大局限暴露，其只看重相对软件基线的加速比，而非内核执行方案本身贴近硬件最优效率的程度。
四 | 而在现代数据中心中，未能充分利用硬件的kernel意味着算力与能源的双重浪费。 基于此，英伟达提出了SOL-ExecBench基准套件。此外，扩大基层医保定点覆盖面，及时将符合条件的基层医疗卫生机构纳入医保定点管理。根据若干措施，省还将优化价格与服务管理、激发基层服务活力。
五 | 这一套件共有235项CUDA内核优化任务，提取自124个商用及前沿人工智能模型，覆盖大语言模型、扩散模型、计算机视觉、音频、视频以及混合架构，目标硬件为英伟达Blackwell系列GPU，涵盖BF16、FP8、NVFP4精度下的前向与反向计算负载。
六 | 与以往基于软件性能来进行评估标准相比，SOL-ExecBench的评估目标有所不同。其通过“Speed-of-Light（SOL）”界限来评估内核性能，即由GPU的峰值算力与HBM带宽共同决定的理论性能极限。 英伟达开发的SOLAR工具能够从FLOP数量、字节数、GPU峰值吞吐量以及带宽等方面，分析出这些基于硬件的SOL界限，然后将这些界限与预先定义的评分基准相结合，从而得出SOL评分。一是规范基层医疗服务价格项目，鼓励基层医疗卫生机构规范使用上门服务费、安宁疗护费等价格项目。 具体来说，评分为0.5表示与基准值相当，评分为1.0表示达到了硬件上的SOL界限。二是落实基层医疗卫生机构一般诊疗费政策，分类优化基层价格体系，合理缩小各级医疗机构间一、二级手术及护理、影像检查、检验等价格项目的价格差异；推进换药、注射、输液、采血等项目区域内价格相对协同。若干措施明确，健全医共体内药品“采购、配送、使用”一体化管理机制，实现县乡村处方规范流转、用药需求精准匹配，加强药品供应保障、确保基层用药安全。因此，这个评分不仅反映了相对于基准值的改进程度，还体现了与最大可实现硬件性能相比所剩余的优化空间。 为保证评分结果的可靠性和可重复性，SOL-ExecBench还包含一个沙盒评估工具。另外，省将不断丰富和拓展医保智能体场景应用等，增强基层业务能力、提高基层服务水平。此外基于其开发的智能优化算法，可以在相同的评估协议下改进提供的PyTorch参考实现，这种优化算法可以识别出那些试图操纵评估器的行为，即试图绕过评估机制以获得更快的运算结果。 此次Qwen3.8拿下第一的是FlashInfer-Bench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。 该子集包含26个来源于Llama-3.1-8B、Qwen3-30B-A3B、DeepSeek-V3/R1的问题。
七 | 该子集覆盖的精度格式为BF16与FP8，每个问题提供7-48个动态形状的输入配置，覆盖真实生产场景，典型任务包括融合注意力（Fused Attention）、FP8 MoE和RMSNorm等推理关键算子。 根据官方披露，该测试套件中所有提交内容均在真实NVIDIA B200 GPU上隔离执行，GPU时钟锁定在1500 MHz以保证可复现性。 二、榜单排名靠前，意味模型具备闭环自我改进潜力 Kernel优化是少数几个可以提供清晰、客观、可量化反馈信号的真实工程任务之一： 反馈明确：运行时间、吞吐量、带宽利用率可以精确测量； 标准客观：距离硬件理论极限还有多远，没有歧义； 迭代自然：每一轮优化都可以作为下一轮的起点。
八 | 这意味着模型可以在无需人类标注的情况下，通过与真实硬件环境的交互，自主产生训练信号、评估自身输出质量并持续改进。 在SOL-ExecBench FlashInfer-Bench子集上表现靠前，就意味着模型在下面几项能力上具有优势： 长程因果推理：优化决策之间存在复杂依赖链，局部改动会影响全局性能，模型需要跨越长上下文进行一致性推理。 工具使用与环境交互中的策略规划：现实世界智能体任务面对多轮工具调用，模型需要根据每次执行反馈动态调整策略，而非机械执行预设步骤。 稀疏反馈下的探索能力：性能提升往往不是线性的，模型需要在大量“看似合理但实际无效”的方向中识别真正有价值的优化路径。 系统级抽象与具体实现之间的双向翻译：从高层算法语义映射到底层硬件指令，再从硬件反馈反推优化方向，这种双向能力在科学计算、编译器设计、芯片设计等领域均有直接迁移价值。 这也意味着，能在SOL-ExecBench上持续进化的模型，具备在客观物理约束下进行闭环自我改进的能力。 三、训练侧搭建真实GPU环境，推理侧引入阿里智能体框架 智东西从千问团队获悉，在训练、推理方面，千问团队均针对Kernel Self-Evolving进行了优化。 首先在训练侧，为了让模型真正具备kernel优化能力，而非仅仅学习表面的代码模式，其构建了一套基于真实GPU环境的大规模强化学习体系。 1、研究人员搭建了基于沙盒的真实GPU训练环境： 为模型提供丰富的硬件文档与可交互的Workspace，使模型能够通过真实编译、执行与性能测量获取来自硬件的奖励信号，而非依赖代理指标或模拟器。这可以确保每一个训练信号都有真实的物理意义。 2、真实Kernel仓库作为训练数据 研究人员系统性收集了大规模真实的工程级kernel优化代码，以这些真实世界的kernel作为训练query。相比合成数据，真实反馈覆盖了更广泛的优化模式、硬件适配策略与工程取舍，为模型提供了更接近生产场景的学习信号。 3、RL基础设施的针对性优化 Kernel优化任务的一个显著特点是需要超长的工具调用序列，单次优化过程可能涉及数十乃至数百轮的编译-执行-分析循环。 为此，研究人员对强化学习训练基础设施进行了专项优化，使其能够高效支持超长多轮工具调用的训练，从而让模型真正学会跨越长序列的持续优化策略。 在推理侧，研究人员使用阿里巴巴Atrex Kernel Agent框架来承载算子优化的完整分析迭代流程与经验沉淀机制。 ▲阿里巴巴Atrex Kernel Agent框架和工作流（图源：GitHub） 在SOL-ExecBench FlashInfer-Bench子集的评测中，该模型完成了平均29354轮工具调用的持续迭代，在每一轮循环中对kernel实现进行编译、执行、性能分析与策略调整，将性能逐步推向硬件理论极限。 这意味着，模型在数万轮的迭代过程中可以保持方向一致性、持续产出有效优化、不陷入局部震荡，正是长程持续优化能力区别于普通代码生成能力的核心所在。 结语：从手写算子到AI生成、调优，Qwen3.8刷新自动化算子生成能力上限 Qwen3.8此次登顶，意味着其有能力承担底层算力优化的复杂工程任务，并进一步压缩人工介入算子开发的工作环节，其能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。 自动化GPU算子生成赛道的长期竞争，未来或取决于大模型理解硬件架构、推演访存瓶颈、自主迭代调参的综合智能水平。长远来看，伴随大模型能力升级，模型侧与编译层在算力优化方面将形成持续双向反馈，硬件规格、算子实现、模型架构三者协同演进可能会成为常态。
Current article:http://ybdt2.cuntoujuefourantapai.cfd/news/20260826_319.html
Published on:07:07:33