Cursor 与 NVIDIA 展示了一套面向 NVIDIA Blackwell 200 GPU 的多智能体优化系统。它在三周内处理了 235 个 CUDA kernel 优化任务,相对由单个智能体优化的 PyTorch 基线取得 38% 的几何平均提速;但以 2026 年 4 月 14 日的发布时点衡量,这项结果已经过去约七个月,属于需要重新验证的旧进展。

CUDA kernel 是让 GPU 执行矩阵计算、注意力与量化等底层任务的核心程序。过去工程师往往先把模型拆成若干独立运算,再逐项调优,这便于理解和测试,却可能错过跨环节联合调度带来的收益。多智能体系统要解决的核心问题,是在没有标准答案的条件下扩大搜索空间,而不是只生成一段“看起来合理”的代码。
其机制可理解为规划器加执行循环:规划器依据性能指标,把不同 kernel 任务分给多个 worker;worker 分别尝试 CUDA C、包含内联 PTX 的底层实现或 CuTe DSL,再自动调用基准流水线测试、调试和迭代。协调规则仅写在一个 Markdown 文件中,说明这种能力重点来自角色分工、可量化反馈和持续试错,而非某个模型突然获得完整硬件知识。
实验使用的 SOL-ExecBench 从 124 个以上生产级开源模型构造了 235 个真实约束问题,覆盖语言、扩散、视觉、音频、视频和多模态工作负载,并在 27 块 Blackwell 200 GPU 上运行。评测会对照软件基线与理论硬件上限,也会判定超过 B200 能力上限的缓存或作弊结果无效,从而降低“跑分看似正确”的风险。

结果是 235 个问题中有 149 个超过基线,占 63%;几何平均达到 1.38 倍,其中 45 个问题超过两倍。注意力案例获得 0.9722 的 SOL 分数,NVFP4 MoE 案例通过阈值分桶把 FP32 直接映射到 FP4 编码,取得 39% 几何平均提速;这些案例说明智能体能根据瓶颈选择不同策略,而非套用单一模板。
能力边界同样清晰:总成绩的中位 SOL 分数只有 0.56,说明多数方案距离硬件极限仍远;生成的 BF16 矩阵乘法 kernel 达到 cuBLAS 的 86%,small-M 场景甚至最多高出 9%,但这不代表它能普遍替代成熟库。实验还受限于 27 块 GPU 和三周运行规模,因此“更多算力即可继续大幅提升”目前仍是待验证判断。

这项工作的真正意义并非证明 AI 已能全面取代 kernel 专家,而是显示多智能体协作可以把性能验证嵌入开发循环,让原本依赖少数资深工程师、且没有唯一写法的长尾优化任务变得可并行探索。它展示的是一种新的软件工程分工:模型提出和试验候选方案,机器负责高频测量,人类则需要定义约束、审查正确性并判断优化是否值得合入。
OpenClaw—AI研究