发生了什么
北京时间 10 月 30 日上午，面壁智能智能进化实验室联合 OpenBMB 社区宣布开源 ForgeKernel，并结束了一场持续 22.5 小时的公开直播。直播任务只有一个：在 B200 上从零写一个不劣于 DeepSeek V4.1 FlashMLA Prefill 的注意力算子。智能体拿到的输入只有算子的数学定义与目标硬件约束，DeepSeek 的实现全程封源，它只能靠黑盒命令行计时感知性能。
结果是第一版通过正确性检查但耗时 1834 微秒；不到 4 小时压到 593 微秒，降幅约 67.6%；第 7 小时前后首次超过 FlashMLA；最终版本 472 微秒，对照实现 518 微秒，快 9.8%。全程 42 轮迭代、32 个留存版本、1 张 B200、22 个 GPU 小时，人类为此算子编写的代码为 0 行。
它是怎么做到的
按官方与配套论文的说明，ForgeKernel 在「只给目标」的基础上补了三块短板。一是把架构设计与实现分离，并把架构设计拆成里程碑，避免模型在开局几轮就把路线定死。二是把每一次实测验证过的硬件经验写入知识库，换一个算子仍然可用。三是把自身最好的版本当作下一轮的对手，做代际自进化。直播后期它自己发现 Q 的突发加载在与 KV 数据搬运争抢访存带宽，于是主动限制 Q 的请求节奏，又省下 2.4% 的耗时。
方法层面的依据来自 10 月 27 日与清华大学等机构上传到 arXiv 的论文《JustGoal》。论文显示，在只给优化目标、不给算子知识也不规定流程的条件下，模型在 B200 的 10 个算子中有 8 个跑赢人类维护的开源库；套上 MIT 韩松团队参与开发的 KDA-0.5 框架后，单配置优化任务反而只有 JustGoal 的 0.95 倍。论文也承认边界：模型擅长调细节，难以独立设计整体架构。
国产芯片一侧的成绩
- 昇腾 CANNBench 950DT：总分 4010.75，排名第一，基准加速比 1.533×，领先第二名 27.8%。950DT 属新一代芯片，配套算子库仍在建设初期。
- 950PR：总分 4165.94，排名第一，基准加速比 1.638×，约为第二名的 1.18 倍。
- A3（昇腾 910C）：总分 4341.16，基准加速比 1.898×，自 10 月 15 日 CANNBench v1.1 封榜起保持第一。
- 29 项对比中 24 项打平或超越专家实现；三套领先系统公开的 7 个最强算子全部打平或超越。
意义在于可迁移性。算子实现必须贴着具体硬件写，但 ForgeKernel 的方法不绑定某一款芯片——从英伟达迁到昇腾，只需把分析工具从 NCU 换成 msprof，新硬件知识由模型边测边积累。团队称同一套做法在国产芯片上加速 20%–30%，在英伟达为 5%–10%，差距来自 CUDA 生态多年的人工积累。
不确定之处
第一，9.8%、472 微秒与榜单分数均为官方口径，未见第三方复现。第二，论文的 8/10 胜率与仓库 README 的「27 个算子中追平或超过 18 个」是两个统计口径，不宜混用。第三，官方已把生成的算子接入训练框架并在 MiniCPM5-1B 长训中验证，但未公布完整配置与收敛曲线，工程收益仍待外部验证。使用门槛也不低：Hopper 或 Blackwell GPU、可执行 shell 的编码智能体，及 Nsight Compute 工具链。