铁石心肠
Qwen3.8，登顶英伟达榜单！_我的网站
A | 一年一度的新 iPhone “抽奖”活动，终于还是来了。 这里说的抽奖，不是那些博主“我们给大家抽一款全新 iPhone！”的抽奖，而是在小红书、贴吧等平台上，有这么一群 iPhone 用户，他们利用苹果的 14 天无理由退换货政策，不断退货、换货，誓要“抽”到一台显示没有色差、没有色偏、字体通透，且必须屏幕产自三星的 iPhone。 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。
B | 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。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。
C | 当前用在 iPhone 上的三星面板，型号一般是“G9N”“G9P”“G9Q”， LG 的则是“GVC”“GH3”。所以，只为一个“G9N”开头的屏幕面板，他们可以换货 3 次、5 次，甚至 10 次、15 次，和售后磨破嘴皮子、和客服耍足心眼子。 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。 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。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。 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。 有人说，这是浪费时间的吹毛求疵；有人说，这是花了万把块买手机该有的完美主义。先不论立场和对错，大家口中的“三星屏”，真有如此优秀，值得着了魔一样地频繁退换机？ 这背后的原因，比一句“吹毛求疵”、“完美主义”复杂得多。
D | 该模型参数2.4T，可能是除了Fable 5外最强大的模型。 一、退换货的源动力 手机这样的产品，有时候买到有一点品相瑕疵、功能问题的，退换货一次两次也很正常，但在功能正常的前提下，去退换三五次，甚至十几次，难道真的单纯为了个“三星屏”？ 当然不是。 目前 iPhone 上三星和 LG 屏幕面板的对比中，普遍认为三星的屏幕颜色更正、大角度不偏色、颜色更通透和字体不发虚。 在小红书和 B 站上，不少人放出了不同屏幕的显示效果实拍图，确实可以看到，标注为 LG 屏幕的 iPhone，的确在大角度下会更加偏绿一点。昨晚，Qwen3.8-Max-Preview更新，前端（WebDev）表现更好。 另一方面，有一些用户反馈的 LG 屏幕字体发虚，特别是白底黑字这样反差最明显的时候；而三星的屏幕字体边缘更加清晰锐利。 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。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。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。 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。 此外还有用户认为 LG 屏的 iPhone 在屏幕显示纯色（尤其是中低亮度的灰色）时，能看到屏幕亮度不均匀，好像屏幕没擦干净一样，有“脏污”或“条纹”感，会认为 LG 的屏幕都是“抹布屏”，显示颜色或者图片时远没有三星的那么通透。 现在在小红书、B 站上还能轻松找到一大堆罗列 LG 屏幕面板的“罪状”，甚至还有一些账号搞了个“一等奖苹果手机对照表”，写明哪些手机零配件的供应商是最好的，哪些是差的，全部用上最好零部件供应商的苹果手机才是“一等奖手机”，放大用户的焦虑。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。 在这么一通组合拳下，不同零部件供应商组成的 iPhone 实际体验有没有差距先不说，要是真买到了如小红书所言的“一等奖手机”，情绪价值这块啊，被拿捏住了。 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。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。
E | 那“三星屏幕的显示效果远好于 LG”，“一等奖手机”这类说法，是不是真的？ 二、“屏幕抽奖”的真相 很遗憾，从结论上来看，三星供应的屏幕，的确在大部分情况里要比 LG 的要更好一些。 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。
F | 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。这个残酷的事实，意味着一部分人买的 iPhone 手机，的确是“二等公民”。 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。 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。 首先，最容易被用户感知到的“字体边缘更清晰”，其根本原因在于三星独家的“钻石排列”（Diamond Pixel）专利技术。
G | 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。这种技术的特点是红蓝共用的 Pentile 布局下，绿色子像素最多并呈椭圆形，红蓝子像素为菱形（钻石状）且尺寸较大。 这种排列方式是三星的专利，它在“像素填充率”和“抗锯齿”方面做了深度优化。 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。
H | 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。其绿色子像素的密度最高，而人眼对绿色最敏感，因此在渲染文字和精细线条时，其有效解析度（Effective PPI）非常高，文字边缘“黑白分明”，观感最锐利。 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。 同时为了规避三星的专利，其他厂商必须采用不同的“类钻石排列”方案。
I | 在 LG 这边，虽然也是红蓝共用的 Pentile 布局，但其子像素的形状和布局与三星不同，绿色子像素更接近圆形。
J | 最终，尽管在 PPI 相同的情况下，LG 的排列方式在渲染文字边缘时，其子像素的“组合”方式可能不如三星的钻石排列高效。这就可能导致在笔画的边缘出现轻微的“色边”（红或蓝的毛刺）或“虚化”，使人感觉字体“发虚”或不够清晰。 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。 另外，一些用户描述的“三星屏幕更通透”，在技术上对应的是“极佳的屏幕均匀性”（Uniformity），这种通透感的反面，就是俗称的“抹布感”或“阴阳屏”，其学名为 “Mura 效应”。
K | Mura 是日语“不均匀”的意思，源于 OLED 在复杂的制造过程中，无法保证数百万个像素点拥有绝对一致的电学特性。这可以确保每一个训练信号都有真实的物理意义。
L | 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。 举一个简单的例子：理想中，施加 1.5V 电压，A 像素和 B 像素应该发出完全相同的亮度。但现实中，由于制造公差，施加 1.5V，A 像素可能发出了 10 尼特的亮度，而 B 像素只发出了 9.8 尼特。 当这种千千万万的微小差异汇集在一起，在显示纯色，尤其是中低亮度灰色时，就会宏观地表现为亮度不均的“脏污”或“斑块”。 最后，还有“LG 屏偏绿”这件事，实际上并非指屏幕整体色温不准，而是专指在光线极暗的环境下，将屏幕亮度调至最低并显示深灰色内容时，屏幕出现不均匀的绿色。 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。 这就像一个由红、绿、蓝三个灯泡组成的调光灯组。当您试图把亮度调到几乎为零（显示深灰色）时，理想情况是三个灯泡都发出 1% 的微光。 但由于 OLED 中绿色子像素的“发光效率”最高，在极低电压下，它可能发出了 3% 的亮度，而红色和蓝色灯泡只发出了 1%。 这件事说白了，就是三星作为 OLED 屏幕的“霸主”，其制造工艺和对 Mura 效应的校准（Demura）技术更为成熟，而 LG 作为追赶者在这两个领域相比三星还有差距。 因此，消费者“抽”到具有可感知绿屏现象的 LG 屏幕的概率，在统计上就可能高于三星；在用户端体现的，就是 “LG 的屏幕更绿一些”。 三、被忽视的事实 不过，相比上面的这些技术分析，很多人都忽略了一个至关重要的变量：苹果的品控策略与大规模量产的现实。 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。 首先，苹果作为采购方拥有极其严苛的品控标准。 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。无论是三星、LG 还是京东方，它们交付的任何面板都必须首先满足苹果设定的下限。 这意味着，上述的理论差异在出厂时就会被严格筛选，在绝大多数情况下，这些不同供应商之间的差异已经非常细微，对于绝大部分普通用户来说，如果没有在专业的暗室环境下进行细致的 A/B 对比测试，这些差异是很难感知到的。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。 特别是当你只有一台手机、没有参照物的时候，绿一点、清晰一点、通透一点，仅凭肉眼，大多数人是看不出来的。 其次，“屏幕抽奖”不仅存在于品牌之间，更存在于品牌之内。 工业品的大规模量产，追求的是在可接受公差范围内的“良品率”，而不是制造“艺术品”。 以今年 iPhone 17 Pro Max所用的 LG GVC 面板为例，在同一个批次中，就有用户拿到了观感通透、色彩纯正的“完美屏”，甚至说这才是 iPhone 17 Pro Max 这代的“天花板”，同时也有用户报告了虽然抽到了三星屏，但出现了轻微的黄绿偏色或“抹布感”。 这说明了什么？有时候用户觉得屏幕不够好，不一定是供应商（LG vs 三星）的差异造成的，而仅仅是大规模生产中无法避免的、随机的品控公差造成的。
M | 退一万步来说，就算三星比 LG 好得多，苹果大概率也会把三星调到和 LG 一样。
N | 所以，今天我们所热议的“屏幕抽奖”，实际上是微小的技术差异、随机的量产品控公差这两者共同作用下的一个复杂现象。
o | 四、“抽奖”的喜与悲 那么，回归到最初的问题：为了追求那块“完美屏”而参与“屏幕抽奖”，到底值不值得？ 从执行消费者权益的角度来看，这似乎无可厚非。无论是苹果官方还是各大电商平台，都提供了“7天无理由退换货”、“14天无理由退换货”的消费保障。 消费者在规则范围内，通过退换来筛选一台自己最满意的设备，这在情理和法理上都站得住脚。 甚至于，那些同时购买十几台设备回来逐台挑选再退货的“专业玩家”，也只是在最大化地利用平台规则。
p | 但是，这种“合理”的行为背后，潜藏着一个容易被忽视的风险：触发风控检测。
q | 说到底，“无理由退货”是一项消费者福利，而非一项可以被无限利用的商业条款。 同样是坊间传言，根据Reddit、V2EX、酷安等网络社区的大量用户反馈，过于频繁、短时间内连续的退货行为，尤其是非质量问题的退货，确实有概率被苹果官方系统自动标记为“高风险账户”或“滥用退货政策”，不过暂时看来还不清楚会导致什么严重后果。 相比之下，电商平台的风控就更直接了，过高的退货率会显著影响用户的信用评分，一旦你的账号成了“黑户”，到了要抢购新品时，这个账号就有可能次次都失败。
r | 一边是“完美机器”的诱惑，一边是账号被黑的风险，各位苹果用户会如何权衡呢？ 本文来自微信公众号：蓝字计划，作者：Hayward。
Current article:http://www.liaoenxingunchuanglou.buzz/bt9/ouxkdl.xls
Published on:08:56:51