面壁智能ForgeKernel开源：Agent零源码写出算子，B200上比DeepSeek FlashMLA快9.8%

面壁智能的算子生成系统ForgeKernel在10月30日的一场公开直播中，仅凭算子的数学定义和目标硬件约束，从零开始为英伟达B200编写DeepSeek-V4.1的FlashMLA Prefill算子，全程无人参与、无源码参考。直播持续22.5小时，经历42轮迭代、留下32个版本，消耗1张B200和22个GPU小时，人类手写代码为0行。 性能曲线在直播中逐步公开：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小时前后一次核心结构突破使其先超过自己的上一代版本，随后首次超过FlashMLA；最终版本耗时472微秒，FlashMLA为518微秒，快9.8%。后期系统还自行发现Q的突发加载与KV数据搬运争抢访存资源，主动控制Q请求节奏，又压下2.4%耗时。 这并非ForgeKernel首次亮相。10月27日昇腾CANN官方发文称其同时登顶CANNBench 950DT、950PR、A3三大硬件榜单：950DT榜总分4010.75、领先第二名27.8%，基准加速比1.533×；950PR榜总分4165.94、基准加速比1.638×；A3（昇腾910C）榜总分4341.16、基准加速比1.898×。直播跑在B200的CUDA生态，三张榜单跑在昇腾独立架构与工具链上，同一套系统在两边均取得第一。 方法上，团队与清华大学等机构于10月27日在arXiv发布JustGoal论文，只给模型优化目标、不提供算子知识，结果在B200上10个算子中8个跑赢人类维护的开源库。ForgeKernel在此基础上补足整体架构设计短板，做法分三部分：把架构设计与实现能力分离并将架构设计抽象成里程碑；把实测验证过的硬件经验存入知识库供新算子复用；把自身最好版本当作下一轮对手持续自进化。在29项对比中24项打平或超越专家实现。 迁移到国产芯片时，只需把性能分析工具从NCU换成msprof，硬件知识由模型在新芯片上边测边积累。团队称同样做法在国产芯片上可提速20%～30%，在英伟达上为5%～10%。目前生成的算子已接入训练框架，在国产芯片与英伟达平台完成MiniCPM5-1B长训测试。直播结束后，智能进化实验室联合OpenBMB社区宣布开源。