L'IA chinoise explose le classement des performances GPU de NVIDIA, cette entreprise décroche 88 premières places

Yunzhong, depuis Afeisi

QbitAI | Compte officiel QbitAI

Récemment, sur SOL-ExecBench [1], le classement d'évaluation des performances des opérateurs GPU lancé par NVIDIA Research, 无问芯穹 (Infinigence AI) a obtenu des résultats remarquables :

l'entreprise a successivement atteint la première place des quatre grandes catégories : les opérateurs de base L1, les opérateurs fusionnés L2, les opérateurs de quantification Quant et les opérateurs d'inférence FlashInfer-Bench.

Qu'est-ce que SOL-ExecBench ?

SOL-ExecBench est un benchmark d'optimisation d'opérateurs lancé par NVIDIA Research le 19 mars 2026. SOL est l'abréviation de Speed of Light, qui signifie « vitesse de la lumière », désignant ici la frontière théorique de performance dérivée des capacités matérielles.

Contrairement aux évaluations traditionnelles qui comparent principalement l'accélération par rapport à une base logicielle relative,SOL-ExecBench introduit un SOL Score prenant comme référence la limite de performance matérielle, et effectue des tests réels sur des cartes de calcul haute performance.

Le classement comprend 235 problèmes d'optimisation d'opérateurs extraits de 124 modèles d'IA réels et de pointe, couvrant les domaines du langage, de la vision, de la parole, de la vidéo et du multimodal, répartis en quatre grandes catégories :

• Opérateurs de base L1 :évalue la mise en œuvre efficace des modules de calcul fondamentaux.
• Opérateurs fusionnés L2 :évalue l'exécution fusionnée et l'optimisation conjointe de plusieurs étapes de calcul, afin de réduire les accès mémoire, le transfert de données et les coûts d'exécution.
• Opérateurs de quantification Quant :couvre les technologies de calcul basse précision telles que FP8 et NVFP4, étroitement liées aux performances et aux coûts de l'inférence des grands modèles.
• Opérateurs d'inférence FlashInfer-Bench :se concentre sur les calculs clés de l'inférence en ligne des grands modèles, tels que les mécanismes d'attention et les réseaux d'experts mixtes.

Une caractéristique remarquable de SOL-ExecBench estd'extraire directement les charges de travail des graphes de calcul de modèles de pointe réels, et de se concentrer sur les limites de performance de ces calculs sur les GPU de nouvelle génération.。

Remarque : il s'agit d'un classement mondial en compétition continue, Actualisé dynamiquement à haute fréquence. À mesure que les équipes soumettent de nouvelles solutions d'optimisation, les classements évoluent, et la compétition est très intense.

Au 26 octobre 2026, 无问芯穹 se maintient à la première place mondiale au score total dans les deux catégories L1 et Quant, et à la deuxième place mondiale dans les catégories L2 et FlashInfer-Bench ; parmi les 235 problèmes d'optimisation d'opérateurs GPU,Avec 88 premières places sur des problèmes individuels, l'équipe s'est classée en tête de toutes les équipes participantes, soit plus de 2 fois le nombre de premières places individuelles de la deuxième équipe.

En particulier, dans la piste des opérateurs fusionnés L2, qui met à l'épreuve les capacités d'optimisation de calculs complexes, 无问芯穹 a remporté, parmi les 82 problèmes,39 premières placessur 82 problèmes, soit près de la moitié.

Cette compétition, qui réunit les meilleures forces mondiales en matière d'infrastructure d'IA et de développement d'agents intelligents, devient une scène importante pour tester les capacités d'optimisation de la puissance de calcul d'IA de nouvelle génération.

Du GPU Maxxing au Token Maxxing, une compétition mondiale de conversion de la productivité de l'IA

La concrétisation de la valeur de la productivité de l'IA repose sur une chaîne de conversion complète « investissement - électricité/cartes - Tokens - productivité - valeur ».

Sous l'impulsion des premières Scaling Laws, investir davantage de ressources de calcul et maximiser l'efficacité des GPU constituaient des moyens importants pour faire progresser les performances des modèles et augmenter la production de Tokens.

Et avec le développement des Agents, le Token devient l'intrant de l'exécution des tâches plutôt que le livrable final,les modèles peuvent résoudre des problèmes initialement difficiles grâce à un raisonnement plus long, davantage de tentatives et de vérifications, mais augmenter simplement l'investissement en Tokens n'entraîne pas nécessairement une amélioration des résultats des tâches.

Si l'on répète sans cesse des tentatives similaires sans pouvoir corriger la direction à partir des retours d'exécution, même une grande quantité de Tokens peut être consommée à tourner en rond.

Le centre d'attention du secteur passe désormais du GPU Maxxing au Token Maxxing :il ne s'agit plus seulement d'améliorer l'efficacité de la conversion de « l'électricité » en « Tokens », mais aussi de faire en sorte qu'un plus grand nombre de Tokens se transforment réellement en capacités du modèle et en résultats de tâches, réalisant une conversion efficace des « Tokens » en « productivité ».

SOL-ExecBench fournit un scénario concret pour tester cette capacité.Il extrait des charges de calcul de modèles de pointe réels, couvrant les opérateurs de base, les fusions complexes, le calcul basse précision et l'optimisation de l'inférence, et exige que le code soumis satisfasse à la fois des exigences de correction et de performance. Ici, l'Agent doit passer par la génération de code, la compilation et l'exécution, l'analyse des performances et des ajustements répétés, ses résultats étant finalement mesurés par les résultats d'exécution sur du matériel réel.

Cette évaluation a attiréla participation d'équipes techniques actives dans le domaine de l'optimisation automatique d'opérateurs, notamment l'entreprise mondiale de plateformes de données et d'IA Databricks, la start-up AI Infra SF Tensor incubée par Y Combinator, la célèbre équipe d'outils de programmation IA Cursor, ainsi que Recursive, doubleAI, Geometric et d'autres.。

Selon les données publiées par SF Tensor le 25 septembre 2026, à cette date, déjà583 équipes ont cumulé plus de 3.1万 soumissions d'évaluation, faisant continuellement progresser le classement à une fréquence moyenne d'environ une soumission publique toutes les 8 minutes.。

De nombreuses équipes participantes utilisent des Agents pour générer, tester et optimiser automatiquement du code de calcul de bas niveau, faisant de cette compétition à la fois un test d'optimisation de GPU Kernel et un test de la capacité à organiser les capacités du modèle en un système capable d'accomplir de manière continue des tâches d'ingénierie complexes.

Dans cette compétition mondiale intense, Infinigence AI a successivement obtenu la première place mondiale sur les quatre grandes pistes L1, L2, Quant et FlashInfer-Bench.

Celareflète à la fois l'accumulation d'expertise technique de l'équipe en optimisation d'opérateurs et en collaboration matériel-logiciel, et met à l'épreuve sa capacité à convertir l'investissement en Tokens en gains de performance de calcul vérifiés grâce à l'Agentic Infra, explorant ainsi des voies efficaces permettant à l'IA d'accomplir de manière autonome des tâches complexes.。

Valoriser la productivité de l'IA au service de l'évolution de l'Infra, et faire progresser la mise en œuvre industrielle du RSI par la pratique technique

De l'investissement en ressources à la production de Tokens, puis à la livraison concrète de productivité et à la réalisation de valeur, l'Agentic Infra de Wuxinwenqong s'attache toujours à faire évoluer cette chaîne d'une progression unidirectionnelle vers une évolution en boucle fermée.

L'équipe souhaiteque l'Agent ne se contente pas de consommer des Tokens pour accomplir des tâches, mais qu'il puisse également réinvestir la productivité créée dans l'infrastructure elle-même, améliorant continuellement la production de Tokens et explorant les voies de réalisation du RSI pour l'infrastructure IA.

La tâche d'optimisation des opérateurs offre un point d'entrée concret pour explorer ce processus :L'efficacité d'exécution des GPU Kernel affecte directement la performance du matériel ; les implémentations efficaces trouvées par l'Agent, une fois validées et appliquées aux systèmes d'entraînement et d'inférence, devraient permettre de réduire davantage les coûts de calcul, en étendant les bénéfices de l'optimisation des opérateurs à l'étape de production des Tokens.

Dans cette direction, la première chose à résoudre est de permettre à l'Agent de produire continuellement des résultats d'optimisation fiables. La bonne exécution du code, la localisation des goulots d'étranglement de performance, la question de savoir si une modification apporte un réel gain : tout doit être jugé par exécution effective et servir de base au cycle d'exploration suivant.

À cette fin, Wuxinwenqong a construit autour de SOL-ExecBench un Agent d'optimisation d'opérateurs, organisant la génération de code, la validation par exécution, l'analyse de performance et l'accumulation d'expérience en un flux de travail continu.

Nous présenterons ci-dessous, selon trois aspects — l'exécution isolée en conteneurs, la perception par Skills et la mémoire partagée, ainsi que les stratégies d'optimisation adaptées aux différentes tâches — la manière dont Wuxinwenqong permet concrètement à l'Agent de réaliser une amélioration continue grâce au retour du matériel réel.

Architecture d'isolation par conteneurs

Sur le plan de l'architecture d'exécution, le système adopte une isolation par conteneurs, découplant l'espace de travail de l'Agent, la zone d'évaluation et la zone de débogage.Dans un espace de travail autorisant l'accès réseau mais sans allocation directe de GPU, l'Agent charge les Skills, la mémoire partagée et les stratégies d'optimisation via des montages externes, rédige le code et soumet des requêtes de calcul.

L'ordonnanceur de ressources côté hôte gère les GPU de manière centralisée, met les requêtes en file d'attente et les alloue à la demande, exécutant l'évaluation dans une image alignée sur l'environnement d'évaluation officiel et le débogage dans une image intégrant des outils de profiling de performance. Les deux types de conteneurs d'exécution ont l'accès réseau désactivé, et les résultats sont renvoyés à l'Agent, formant une boucle d'itération « génération de code — validation par évaluation — analyse de performance — ajustement de stratégie ».

Cette conception d'isolation peut servir àempêcher l'Agent de contourner les contraintes d'évaluation au cours du processus d'optimisation automatique.Lorsque l'Agent a pour objectif d'optimisation des métriques de performance, son exploration peut s'écarter de l'implémentation de l'opérateur elle-même et tenter de modifier les scripts d'évaluation, d'interférer avec la logique de chronométrage, d'accéder aux résultats de référence ou d'exploiter des failles de l'environnement, afin d'obtenir des scores ne provenant pas d'une réelle amélioration de l'efficacité du calcul.L'isolation par conteneurs, le contrôle des permissions et l'interface de soumission contrôlée constituent ensemble la frontière d'exécution, permettant à l'Agent d'optimiser continuellement les opérateurs candidats tout en limitant son intervention sur le processus d'évaluation lui-même.

Skills modulaires et mécanisme de mémoire partagée

Dans la construction des capacités de l'Agent, le système non seulement s'appuie sur des Skills modulaires pour intégrer l'accumulation technique de la communauté open source, mais aussi utilise un Skill dédié à la perception des frameworks pour aider l'Agent à comprendre et utiliser les frameworks concernés, tout en exploitant une mémoire partagée pour accumuler et réutiliser en continu l'expérience d'optimisation.

• Base de connaissances et Skills de débogage de performance : issus de la communauté open source, ils fournissent à l'Agent des supports de capacité tels que des connaissances en programmation GPU, des méthodes d'analyse de performance et des outils d'optimisation.
• Skill d'interaction avec le framework d'exécution : il permet à l'Agent dans l'espace de travail de connaître clairement son environnement d'exécution, les capacités appelables et les limites d'opération, et de lancer le débogage, soumettre des évaluations, consulter l'état des tâches et lire les résultats via une entrée CLI unifiée.
• Mémoire partagée : elle sert à enregistrer les stratégies validées comme efficaces au cours du processus réel d'optimisation, leurs conditions d'application et l'expérience pratique, permettant à différentes tâches de réutiliser les résultats d'exploration existants.

Ces mécanismes poussent ensemble l'Agent à mobiliser des capacités spécialisées, à utiliser correctement le framework d'exécution, et à accumuler de l'expérience en itérant continuellement tout en réduisant les explorations répétitives.

Stratégies d'optimisation raffinées selon les caractéristiques des tâches

Sur le plan des stratégies d'optimisation, le système organise une exploration à plusieurs niveaux autour des caractéristiques de la charge de travail, des goulots d'étranglement de performance et du budget temporel.

Le système guide l'Agent pour choisir les abstractions de programmation et les DSL (langages dédiés à un domaine) adaptés au budget de temps d'optimisation, en arbitrant entre l'efficacité de développement et le potentiel de performance entre des DSL de granularités différentes telles que Triton, TileLang et CuTe DSL, et en générant progressivement des langages de bas niveau (comme CUDA, PTX) pour exploiter continuellement la marge de performance du matériel.

Pour différents scénarios de calcul, les stratégies d'optimisation sont encore affinées :

• Tâches intensives en calcul : l'accent est mis sur l'évaluation de l'utilisation des Tensor Core, du mode de découpage en blocs et de la réutilisation des données, avec l'exploration du transfert de données asynchrone et du chevauchement de pipeline, tout en arbitrant entre l'occupation des registres et de la mémoire partagée et le parallélisme effectif.
• Tâches intensives en accès mémoire : Réduire en priorité les lectures/écritures redondantes et l'écriture au disque des résultats intermédiaires, optimiser la fusion des accès mémoire, les accès vectorisés et la réutilisation du cache, afin de diminuer la quantité de déplacement de données nécessaire par unité de calcul utile.
• Chaîne de calcul multi-opérateurs : Évaluer les bénéfices de la fusion d'opérateurs sur les accès mémoire et les coûts de lancement, tout en surveillant la pression sur les registres, la complexité de synchronisation et les variations de parallélisme après fusion. Pour les chaînes de dépendances applicables, il est possible d'explorer le lancement programmé de dépendances (PDL), permettant d'exécuter en avance dans le Kernel successeur les travaux qui ne dépendent pas des résultats précédents, et d'accomplir les synchronisations nécessaires avant la lecture des données dépendantes ; pour les tâches adaptées à une exécution persistante, explorer les Persistent Kernels, où les CTA restent résidents en continu et traitent plusieurs unités de travail en boucle, afin d'amortir les coûts de scheduling et d'initialisation des blocs de threads, et d'exploiter le parallélisme en pipeline pour améliorer davantage l'efficacité d'exécution.
• Tâches de petites Shapes et de faible latence : Se concentrer sur le contrôle du nombre de blocs de threads, des threads inutiles, du traitement des frontières, ainsi que des coûts d'instructions et de synchronisation, en évitant qu'un découpage excessif ou des pipelines complexes n'introduisent des coûts fixes trop importants pour être amortis par le calcul utile.

Grâce à la combinaison de la réutilisation de capacités ouvertes, de l'optimisation des performances par couches et du retour des matériel réels, Infinigence souhaite transformer l'optimisation des opérateurs GPU, jusqu'ici très dépendante de l'expertise humaine, en un processus d'optimisation que les Agents peuvent explorer de manière autonome, apprendre en continu et exécuter à grande échelle.

Élargir les frontières de l'évolution intelligente grâce à une Agentic Infra en innovation continue

Les résultats de SOL-ExecBench ne constituent pas une percée technologique isolée, mais le prolongement naturel des travaux de longue date d'Infinigence en innovation technologique dans l'Agenetic Infra.

De la connexion entre « M modèles » et « N puces » à la stratégie Agentic Infra « boutique-atelier et un centre » centrée sur « l'hétérogénéité plurielle, la coordination logiciel-matériel et l'IA autonome », Infinigence poursuit inlassablement ses explorations et pratiques technologiques autour des maillons essentiels de la chaîne de productivité de l'IA.

Cette exploration et ces résultats obtenus sur SOL-ExecBench ne sont pas seulement une étape de sa feuille de route technologique de longue date dans le domaine de l'optimisation du calcul de bas niveau. Plus important encore, ils démontrentla faisabilité du chemin RSI consistant à confier davantage cette capacité d'optimisation de l'efficacité à l'IA elle-même, réalisant ainsi une première boucle évolutive allant de la production de Tokens à la création de productivité, puis de la productivité qui renforce en retour l'Infra.

À l'étape suivante, Infinigence AI souhaite étendre cette exploration au cadre d'exécution des tâches de l'Agent lui-même. En modifiant et en validant la planification des tâches, l'appel d'outils, la gestion de la mémoire et les mécanismes de retour d'information, il s'agit de permettre à l'Agent d'améliorer progressivement ses propres méthodes de résolution de problèmes au fur et à mesure de l'accomplissement de ses tâches.

Lorsque les résultats de l'optimisation permettent non seulement d'améliorer l'efficacité de calcul, mais aussi de perfectionner le mécanisme qui produit les solutions optimisées, l'exploration continue a alors la possibilité de se transformer en une croissance continue des capacités.

Face à l'évolution future vers le RSI et l'AGI, tout en étant pleinement confiant, l'équipe technique d'Infinigence AI est également consciente qu'il reste un long chemin à parcourir entre les percées technologiques ponctuelles et une véritable capacité au niveau du système ; pour que l'optimisation locale se transforme réellement en productivité concrète, davantage d'explorations techniques et de collaborations seront également nécessaires.

De l'amélioration de l'utilisation de la puissance de calcul par l'IA à la participation de l'IA à l'optimisation des systèmes de calcul eux-mêmes, Infinigence AI continue de faire évoluer les infrastructures : passer du soutien à l'innovation en IA vers une coévolution avec l'IA, explorant ainsi de nouvelles voies pour la livraison continue d'une productivité IA efficace.

Remerciements :
Communauté Humanize (https://github.com/humanfia/humanize)

Références :
[1] SOL-ExecBench : Speed-of-Light Benchmarking for Real-World GPU Kernels Against Hardware Limits. 2026. https://arxiv.org/abs/2603.19173
[2] KernelBench : Can LLMs Write Efficient GPU Kernels ? ICML 2025. https://arxiv.org/abs/2502.10517
[3] MultiKernelBench : A Multi-Platform Benchmark for Kernel Generation. 2025. https://arxiv.org/abs/2507.17773
[4] CANN Bench : Benchmarking Agent Generated Kernels against Real NPU and Algorithmic Limits. 2026. https://arxiv.org/abs/2607.20518

*Cet article est publié par QbitAI avec autorisation ; les points de vue exprimés demeurent la propriété de l'auteur original.