面壁智能 ForgeKernel 直播22.5小时自写算子，反超 DeepSeek FlashMLA 9.8% 并开源

10月30日早间，一场持续22.5小时的直播结束：一个没有任何人参与的 Agent，在没有参考 DeepSeek 原始实现、没有源码也没有论文的条件下，只拿到算子的数学定义和目标硬件约束，就一轮轮改写，最终把 DeepSeek 最新的 FlashMLA Prefill 算子写得更快。

过程数字被完整摆在观众面前。第一版通过正确性检查，但耗时1834微秒；不到4小时，耗时压到593微秒，降幅约67.6%，已接近当时最佳实现的九成；第7小时前后，一次核心结构突破让它首次超过 FlashMLA；直播结束时，最终版本耗时472微秒，而 FlashMLA 为518微秒，快了9.8%。全程42轮迭代、留下32个版本，用掉1张 B200 和22个 GPU 小时，人类为这个算子写下的代码是0行。

被超越的对象并不弱。FlashMLA 是 DeepSeek 开源的注意力核心算子库，10月20日刚开源的推理框架 DeepInfer 也把它集成在内，出自业内公认基础设施能力最强的团队之一，长期被视为人类手写算子的高点。

这场直播也不是 ForgeKernel 的首次亮相。10月27日，昇腾 CANN 官方发文点名 ForgeKernel 同时登顶 CANNBench 的950DT、950PR、A3 三张硬件榜。在950DT 榜上它拿到4010.75分，排名第一，领先第二名27.8%，基准加速比1.533倍；950PR 榜总分4165.94，加速比1.638倍；面向广泛使用的昇腾910C 的 A3 榜总分4341.16，加速比1.898倍。

950DT 是新一代芯片，配套算子库仍在建设初期，人工适配周期长，ForgeKernel 率先完成适配并登顶，意味着新硬件从上市到算子就绪之间的空窗期正在被压缩。更关键的是，直播跑在英伟达 B200 与 CUDA 生态上，三张榜跑在昇腾自有的架构与工具链上，同一套系统在差别很大的软硬件环境里都拿到了第一。

方法层面，ForgeKernel 团队与清华大学等机构于10月27日在 arXiv 发布论文 JustGoal，核心设定是只给模型一个优化目标，不提供任何算子知识，也不规定固定流程。据论文结果，在 B200 上，模型在10个算子中的8个跑赢了人类维护的开源库。

直播结束后，智能进化实验室联合 OpenBMB 社区宣布将 ForgeKernel 开源。这一步把一次演示变成了可复现的工程资产：外部团队可以拿自己的芯片、模型和算子定义去验证这套自进化流程，而不是只看一段直播回放。

算子长期依赖资深工程师逐个手写调优，周期长、门槛高，而芯片与模型的迭代速度已经超过了专家供给。按该榜单的解读，同等硬件投入下可用算力增长接近50%，算力采购与部署成本可相应降低约一半。真正的考验在开源之后：社区能否复现结果，生成的算子在真实训练与推理负载下是否稳定，以及这套流程会不会改变国产芯片软件栈的适配节奏。