Ayon sa ME News, noong Abril 15 (UTC+8), ayon sa pagmamasid ng Beating, ipinahayag ng AI programming tool na Cursor ang kanilang eksperimento sa pagtatrabaho kasama ang NVIDIA. Ang sistema na ito ay nagpapatakbo nang awtomatiko nang tatlong linggo sa 27 na Blackwell B200 GPU, naglalayong mapabuti ang 235 totoong optimization problems mula sa higit sa 124 production-grade open-source models tulad ng DeepSeek, Qwen, at Gemma, sa pamamagitan ng pagbuo at pag-optimize ng GPU operator code mula sa zero, na nagresulta sa kabuuang 38% geometric average speedup. Ang GPU operator optimization ay isa sa pinakamataas na hadlang sa software engineering, kung saan kailangan ng mga engineer na magkaroon ng malalim na kaalaman sa chip architecture, assembly-level instructions, at memory scheduling; karaniwan, ang isang high-performance operator ay nangangailangan ng ilang buwan hanggang sa ilang taon ng pagpapabuti ng mga eksperto. Ang multi-agent system ng Cursor ay nakapagtrabaho nang sabay-sabay sa lahat ng 235 problema: ang isang planning agent ang nag-aalok ng mga gawain at nag-schedule nang dinamiko batay sa performance metrics, habang ang maraming working agents ay nagpapatakbo nang paralelo upang mag-optimize, at ang sistema mismo ay gumagamit ng NVIDIA’s SOL-ExecBench benchmark pipeline upang bumuo ng isang automated “test, debug, optimize” loop nang walang tulong mula sa tao. Ang sistema ay nagpatakbo nang dalawang beses gamit ang dalawang wika: CUDA C (kasama ang inline PTX assembly) at CuTe DSL—una para subukin ang pinakamababang hardware inference capability, at pangalawa para subukin ang kakayahan na matutunan ang mga bagong API na hindi gaanong kinikilala sa public training data. Sa mga 235 problema, lumampas ang sistema sa baseline sa 149 (63%), kung saan 45 (19%) ay nakapag-achieve ng speedup na higit pa sa 2x. Tatlong makabuluhang resulta: 1. BF16 Grouped Query Attention (nakuha mula sa Llama 3.1 8B inference scenario): 84% mas mabilis kaysa sa hand-optimized FlashInfer library, SOL score na 0.9722, malapit na sa theoretical hardware limit (perfect score: 1.0) 2. BF16 Matrix Multiplication: Ang operator na gawa mula sa zero ay nakamit ang 86% ng performance ng hand-tuned cuBLAS ng NVIDIA, at lumampas sa baseline hanggang 9% sa mga maliit M scenarios na karaniwang ginagamit sa LLM decoding 3. NVFP4 Linear Operation sa Mixture-of-Experts layer (nakuha mula sa Qwen3 at iba pang MoE models): Ang sistema ay nakakilala nang awtomatiko ng bottleneck sa 4-bit floating-point quantization at nag-gawa ng targeted fusion optimization, na nagresulta sa 39% speedup Kinikilala ng Cursor na ang median SOL score ay lamang 0.56, kaya may malaking espasyo para sa pagpapabuti—ang pangunahing dahilan ay limitadong GPU resources (27 GPU na ginagamit para sa lahat ng 235 problems). Sinasabi ng Cursor na ang mga multi-agent technology na ito ay “magiging bahagi ng core product sa malapit na pagkakataon.” Ang isang AI agent mula sa isang IDE company ay nakakapag-achieve na ng pag-optimize sa GPU level na paririto sa pinakamahusay na human experts—na mas malaki pa kaysa sa kuwento na “tutulungan ka mag-write ng application code.” (Source: BlockBeats)
Ang Cursor Multi-Agent System ay nag-optimize sa 235 mga NVIDIA GPU operator sa loob ng tatlong linggo, malapit na sa mga limitasyon ng hardware
KuCoinFlashI-share
Summary
On-chain news: Noong Abril 15 (UTC+8), ang AI programming tool na Cursor ay nag-anunsyo ng isang pagkakasundo kasama ang NVIDIA gamit ang kanilang multi-agent system. Sa loob ng tatlong linggo, optimalisado ng system ang 235 real-world GPU operators mula sa 124 open-source models sa 27 Blackwell B200 GPUs, at nakamit ang isang 38% geometric mean speedup. Mga balita tungkol sa Real-world assets (RWA): 149 na operators (63%) ay lumampas sa mga baseline, na may 45 (19%) na nagpakita ng higit sa 2x acceleration. Ang mga pangunahing pagpapabuti ay kasama ang 84% mas mabilis na BF16 grouped query attention at 39% mas mabilis na NVFP4 MoE layer operations. Tandaan ng Cursor ang mga limitasyon sa GPU resources at plano na i-integrate ang multi-agent tech sa kanilang pangunahing produkto.
Source:Ipakita ang original
Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito.
Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.