面壁 ForgeKernel：0 行人手写，B200 上比 FlashMLA 快约 9.8%

原文 · 量子位 · 2026-10-30

面壁智能开源算子生成系统 ForgeKernel。量子位报道一场直播：Agent 在无 DeepSeek 源码、无论文参考的前提下，仅凭算子数学定义与硬件约束，在英伟达 B200 上写出超过 DeepSeek FlashMLA Prefill 的实现——终局 472 μs vs FlashMLA 518 μs（约快 9.8%）。全程约 22.5 小时、42 轮迭代、留下 32 个版本，约 22 GPU·小时，人类为该算子手写代码 0 行。

此前 ForgeKernel 还被报道在昇腾 CANNBench 的 950DT / 950PR / A3 等榜单登顶（国产算力适配叙事）。团队与清华等有 JustGoal 论文铺垫：只给目标时模型常能在细节上超过专家库，但架构探索弱；ForgeKernel 补「架构里程碑 + 知识库 + 自进化」。

高性能算子长期靠资深工程师手写。CUDA 生态有多年专家积累；国产新芯片/新模型每次都要重新适配，专家数量跟不上迭代。FlashMLA 被报道称为人类手写注意力核心的标杆之一。

1. 输入：算子数学定义 + 目标硬件约束（直播设定下无参考实现）；
2. 把架构设计与实现能力分离，架构做成可检查的里程碑；
3. 实测验证过的硬件经验写入知识库，换算子可复用；
4. 以自身最佳版本为对手多轮自进化；直播轨迹：首版过正确性但 1834μs → 约 4 小时到 593μs → 约 7 小时起超 FlashMLA → 终局 472μs。

量子位报道 / 面壁演示口径（C）：B200 上 +9.8% vs FlashMLA；昇腾三榜第一等分数见报道（如 950DT 4010.75 分等）。

昇腾侧（报道转述 CANN 官方点名）：950DT 总分约 4010.75、基准加速比约 1.533×（约领先第二名 27.8%）；950PR 约 4165.94 / 1.638×；A3（910C）在 v2.0 仍居首，总分约 4341.16 / 1.898×。JustGoal 论文口径还称在 B200 上 10 个算子中 8 个超过人类维护的开源库。

• 正确性测试覆盖与数值稳定性边界未在新闻稿级写全。
• 直播设定是否允许任何中间人工改提示，报道称「无人参与」——外部难独立审计。
• CANNBench 分数与 B200 直播是不同硬件故事，不可混成同一实验。

可迁移点：算子/内核类任务适合「目标+实测」闭环；架构搜索要显式里程碑，否则易锁死初局。

minimal_trial：选一个小 CUDA/Triton kernel，只给公式与基准脚本，限时让 Agent 迭代，禁止粘贴参考实现。先量：正确性通过轮次、相对基线加速比。

• 量子位：AI 零帧起手写算子