新智元报道

编辑：定慧 好困

垄断全球的CUDA，迎来重大更新。

就在这个周末，英伟达干了两件大事。

不仅在硬件底层生态上扔下了一枚深水炸弹，还在软实力上秀了一把肌肉。

两件大事：

1.软件生态的「地基」重塑：NVIDIA CUDA 13.1正式推出。这是CUDA平台诞生二十年来最大、最全面的一次更新。它引入了CUDA Tile编程模型，旨在屏蔽底层硬件细节，让开发者能更轻松地驾驭下一代GPU（如Blackwell）的恐怖性能。

2.赢下AGI比赛：Kaggle ARC Prize 2025竞赛中，特级大师团队KGMoN以27.64%的分数夺得冠军。令人震惊的是，他们使用的并非千亿参数的巨型模型，而是一个仅4B的小模型变体，单次任务推理成本仅需20美分。

这周五，来自英伟达的Ivan Sorokin和Jean-Francois Puget，在Kaggle ARC Prize 2025的公开榜单上，以27.64%的分数夺得冠军。

这场比赛被业内许多人视为衡量人类向通用AGI进度的「实时晴雨表」。

值得一提的是，他们的方案是在ARC-AGI-2基准测试背后的同一数据集上进行评估的。

NVARC一下子超过Claude Opus 4.5，并且成本很低（注意横轴每个任务消耗为对数坐标轴）！

与此同时，英伟达还推出了自CUDA平台诞生二十年以来最大、最全面的更新——NVIDIA CUDA 13.1。

NVIDIA CUDA Tile：基于Tile的编程模型，用于屏蔽包括Tensor Core在内的专用硬件底层细节。

Green Context：正式向运行时API开放。

NVIDIA cuBLAS：支持双精度和单精度模拟。

CUDA编程指南：完全重写，专为CUDA新手和资深程序员设计。

拿下AGI「圣杯」

4B小模型碾压全场

如今，ARC-AGI已经成为了观察AI通用推理真正进展的，最受关注的指标之一。

跟典型的机器学习基准不同，ARC-AGI的任务没法靠堆规模、死记硬背或者抓取模式来搞定。

它是AI界公认的「智商测试」，由Keras之父François Chollet提出，专门测试AI面对陌生问题的举一反三能力，而不仅仅是死记硬背。

核心秘诀：320万合成数据的「暴力美学」

NVARC方案最震撼的地方，在于他们构建了一个极其复杂的合成数据生成流水线。

他们没有依赖原本稀缺的几百个训练题，而是自己造了320万个！

他们的逻辑很简单：如果AI没见过类似的推理题，那就生成无穷无尽的类似题目让它看个够。

思路：合成数据、测试时训练（Test-timetraining）以及严谨的工程化。

数据生成的「四步走」战略

他们使用了一个120B参数的开源大模型（gpt-oss-120b），通过NeMo-Skills框架搭建了如下流水线：

收集描述（Descriptions）：收集ARC题目的人类自然语言描述（比如「把红色方块向右移动直到碰到墙壁」）。

混合重组（MixSummaries）：让LLM将两个不同谜题的描述「杂交」，生成一个新的、更复杂的谜题描述。这一步生成了26万+的新创意。

生成输入逻辑（InputLogic）：这是最关键的一步！他们不直接生成像素图，而是让LLM写Python代码来生成输入网格。为什么？因为代码蕴含了逻辑，比纯像素更「懂」推理。

生成输出逻辑（OutputLogic）：有了输入代码，再让LLM写出将输入变换为输出的Python代码（即解题规则）。

最终，他们构建了一个包含320万个增强样本的超级数据集！

模型选择：小模型，大智慧

有了海量数据，用什么模型来学呢？

NVARC并没有使用乃至微调那种几千亿参数的巨型模型，而是选择了Qwen3（4B参数）。

为什么选小模型？

1.速度快：ARC竞赛有严格的时间限制，小模型推理飞快。

2.效果好：在特定领域（Coding/Reasoning）的海量高质量合成数据喂养下，4B模型的表现完全可以吊打未经微调的巨型模型。

他们使用NeMoRL框架和Megatron后端进行了高效的全量微调（SFT），让模型学会了「看图写代码」的能力。

推理时的魔法：TTT与DFS

模型训练好了，在考场上（推理阶段）怎么发挥最大威力？

NVARC用了两个大招：

测试时训练（Test-Time Training，TTT）

对于测试集中的每一个新谜题，他们不会直接预测答案，而是先利用该谜题给出的几个示例，快速用LoRA技术微调一下模型。

让模型在做题前，先「适应」一下这个题目的独特风格。

深度优先搜索（DFS）

模型生成的不仅仅是答案，而是生成答案的Python代码。这意味着，他们可以运行这些代码来验证结果是否符合示例。

通过Batch DFS算法，他们批量生成多种可能的代码路径，一旦某段代码完美解决了所有示例，大概率也能解决测试题。

在比赛的最后10天，NVARC团队还尝试引入了ARC社区非常火的TRM（微型递归模型）。

虽然由于时间仓促，TRM并没有成为得分的主力（主要还是靠Qwen3+合成数据），但这种将「递归推理」与「大模型直觉」结合的思路，非常有启发性。

在最终的集成方案中，TRM也为分数的提升贡献了微薄但宝贵的力量。

NVARC的胜利再次证明了Scaling Law在推理任务上的有效性，但这次Scaling的对象不是模型参数量，而是高质量的合成推理数据。

数据：用LLM生成代码，用代码生成数据。

模型：专精的小模型+针对性微调。

策略：推理时不要只做一次预测，要利用测试样本进行TTT。

通往AGI的路上，也许不需要更复杂的架构，只需要更聪明的「造题」方法。

为此，团队除了合成数据，还用了一些真实的谜题数据集。

最终数据集包含了320万个增强样本，每个样本包含多达7对输入/输出。

在后训练（post-training）阶段，团队基于NeMoRL框架，并用Megatron后端进行了监督微调（SFT），这样能高效利用多节点H100GPU的显存和计算资源。

期间，为了全量微调4B模型，团队用了4个8xH100节点跑了27个小时。

在测试时，团队对每个谜题独立进行了LoRA微调（test-timefine-tuning），参数设为r=256和alpha=32。

期间，既要去掉梯度检查点，也要去掉4-bit量化，并且微调要用bfloat16精度去跑。

除了这些，团队还配合Unsloth框架使用了FlashAttention2。

开源项目：https://github.com/1ytic/NVARC

技术报告：https://github.com/1ytic/NVARC/blob/main/nvarc_2025.pdf

团队在ARChitects方法中做的主要优化，是在解码阶段实现了深度优先搜索（DFS）算法的批处理（batch）。

并且，还使用了额外的增强（augmentations）来对DFS阶段的候选结果进行重打分。

团队在这里做了一点小改动。

也就是，对每个候选解只用了8次增强，但确保对每个候选解使用完全相同的增强。

如此一来，不同解法的分数更有可比性。

比赛期间，团队在不同比例的合成数据上微调了模型。

从下图中可以看到，在预训练阶段增加更多数据对损失函数的影响。

最好的模型在比赛期间拿到了27.64%的分数。

20年最大更新

CUDA 13.1彻底重构

CUDA Tile编程

为了帮助开发者为当前和未来的GPU构建软件，CUDA 13.1重磅推出了CUDA Tile。

基于此，开发者可以直接在SIMT之上的一层编写GPU Kernel（核函数）。

在SIMT编程中，开发者需要通过划分数据和定义每个线程的执行路径来指定Kernel。而通过CUDA Tile，则可以将代码提升一个层级，指定为Tile数据块。

开发者只需指定要在这些Tile上执行的数学运算，编译器和运行时会自动确定将工作分发到各个线程的最佳方式。

不仅如此，由于Tile模型屏蔽了使用Tensor Core等专用硬件的细节，因此开发者现在写的Tile代码将直接兼容未来的GPU架构。

除此之外，CUDA13.1还发布了两个用于Tile编程的组件：

CUDATileIR：一种用于对英伟达GPU进行编程的新虚拟指令集架构（ISA）。

cuTile Python：一种新的领域特定语言（DSL），用于在Python中编写基于数组和Tile的Kernel。

CUDA软件更新

Green Context现已向运行时API开放

CUDA中的Green Context（绿色上下文）是传统CUDA Context的轻量级替代方案，目的是在为开发者提供一种在GPU上进行更细粒度空间分区和资源预置的机制。

Green Context使开发者能够定义和管理GPU资源（主要是流多处理器，即SM）的独特分区，并将一组特定的SM专用给某个特定的Context。

然后，开发者可以启动CUDA Kernel，并管理仅在这个Green Context预置的资源内运行的流（Stream）。

CUDA13.1还引入了一个更可定制的split() API。

开发者可以构建以前需要多次API调用才能实现的SM分区，并且能够配置工作队列以最大限度地减少提交到不同Green Context的工作之间的虚假依赖。

CUDA多进程服务（MPS）更新

CUDA13.1为多进程服务（MPS）带来了新特性和功能，其中的一些亮点包括：

内存局部性优化分区

内存局部性优化分区（MLOPart）是部分Blackwell（计算能力10.0和10.3）及更新GPU上的一项功能。开发者可以创建专门用于提高内存局部性的专用CUDA设备。

在受支持的GPU上使用MLOPart时，每个分区都显示为一个独立的CUDA设备，具有关联的计算和内存资源。

静态流多处理器分区

作为MPS中当前动态执行资源预置的替代方案，静态流多处理器（SM）分区是Ampere架构（计算能力8.0）及更新GPU的一项功能，它提供了一种为MPS客户端创建独占SM分区的方法。

这个模式的主要目的是提供确定性的资源分配并改善MPS客户端之间的隔离，可以通过使用-S或--static-partitioning标志启动MPS控制守护进程来启用。

开发者工具

CUDA Tile Kernel分析

NVIDIA Nsight Compute 2025.4增加了对分析CUDA Tile Kernel的支持。

更新包括：

摘要页面上新的「Result Type（结果类型）」列，用于区分Tile与SIMT Kernel。

详情页面上新的「Tile Statistics（Tile统计）」部分总结了Tile维度和重要管道的利用率。

源页面还支持将指标映射到高级cuTile Kernel源码。

此外，还增加了对分析设备启动的Graph中的CUDA Graph节点的支持，以及源页面导航的改进，为编译器生成和用户生成的标签提供了可点击的链接。

Nsight Compute分析概况，突出显示了分析输出的Tile Statistics部分

编译时修补

NVIDIA Compute Sanitizer 2025.4通过-fdevice-sanitize=memcheck编译器标志增加了对CUDA编译器（NVCC）编译时修补的支持。这种修补增强了内存错误检测并提高了Compute Sanitizer的性能。

编译时插桩将错误检测直接集成到NVCC中，以实现更快的运行速度，同时通过高级的基址和边界分析捕获更隐蔽的内存问题，例如相邻分配之间的非法访问。

这意味着用户可以在不牺牲速度的情况下调试内存问题，运行更多测试并保持生产力。

要使用此新功能，请使用如下NVCC标志编译代码：

nvcc -fdevice-sanitize=memcheck -o myapp myapp.cu

然后使用memcheck工具通过compute-sanitizer运行你的应用程序：

compute-sanitizer --tool memcheck myapp
NVIDIA Nsight Systems

NVIDIA Nsight Systems 2025.6.1与CUDA Toolkit 13.1同步发布，其中包括了多个全新的追踪功能：

系统级CUDA追踪：--cuda-trace-scope启用跨进程树或整个系统的追踪。

CUDA主机函数追踪：增加了对CUDA Graph主机函数节点和cudaLaunchHostFunc()的追踪支持，后者在主机上执行并阻塞Stream。

CUDA硬件追踪：在支持的情况下，基于硬件的追踪现在是默认设置；使用--trace=cuda-sw可恢复到软件模式。

Green Context时间轴行现在在工具提示中显示SM分配，帮助开发者了解GPU资源利用率。

数学库

核心CUDA Toolkit数学库的新功能包括：

NVIDIA cuBLAS

一个新的带有Grouped GEMM的实验性API，支持Blackwell GPU上的FP8和BF16/FP16。

针对上述数据类型的Grouped GEMM，提供了一种无需主机同步的实现，在MoE用例中比多流GEMM实现速度提升高达4倍。

NVIDIA cuSPARSE

一个新的稀疏矩阵向量乘法（SpMVOp）API，与CsrMV API相比性能有所提高。

此API支持CSR格式、32位索引、双精度和用户定义的epilogue（后处理）。

NVIDIA cuFFT

一组cuFFT device API，提供用于在C++头文件中查询或生成设备函数代码和数据库元数据的主机函数。

它专为cuFFTDx库设计，通过查询cuFFT来促进cuFFTDx代码块的生成，这些代码块可以与cuFFTDx应用程序链接来提高性能。

cuBLAS Blackwell性能

CUDA Toolkit 12.9在Blackwell上引入了块缩放（block-scaled）的FP4和FP8 matmul。

CUDA13.1增加了对这些数据类型和BF16的性能支持。

在不同数值精度下，Blackwell GPU相对于H200的加速比

cuSOLVER Blackwell性能

CUDA13.1继续改进用于特征值分解的批处理SYEVD和GEEV API，提供了性能增强。

批处理SYEV（cusolverDnXsyevBatched）是cuSOLVER SYEV例程的统一批处理版本，用于计算对称/厄米矩阵的特征值和特征向量，非常适合并行求解许多小矩阵。

在批量大小为5000（24-256行）的测试中，与L40S相比，RTX Pro 6000实现了约2倍的加速.

cusolverDnXgeev（GEEV）是一种混合CPU/GPU算法，用于计算一般（非对称）稠密矩阵的特征值和特征向量。

在矩阵大小从1024到32768的测试中，RTX PRO 6000相对于L40S实现了最大超1.5倍的性能。

NVIDIA CUDA Core Compute Libraries（CCCL）

确定性浮点归约

由于浮点加法的非结合性，cub::DeviceReduce历史上仅保证在同一GPU上的运行之间结果是按位相同的。这是作为一个两遍算法（two-passalgorithm）实现的。

作为CUDA 13.1的一部分，NVIDIA CCCL 3.1提供了两个额外的浮点确定性选项，以便在确定性和性能之间进行权衡。

不保证（Not-guaranteed）：使用原子操作的单遍归约。这不保证提供按位相同的结果。

GPU-to-GPU：基于Kate Clark在GTC 2024演讲中的可重现归约。结果总是按位相同的。

可以通过标志设置确定性选项，如下面的代码所示。

cub::DeviceReduce::Sum(..., env);

CUB::DeviceReduce的三种不同浮点确定性选择的归一化执行时间

更方便的单阶段CUB API

几乎每个CUB算法都需要临时存储用于中间暂存空间。

之前，开发者必须通过两阶段调用模式来查询和分配必要的临时存储，这种模式很繁琐，并且如果两次调用之间传递的参数不同，则容易出错。

CCCL 3.1为一些CUB算法添加了新的重载，这些算法接受一个memory resource（内存资源），因此开发者可以跳过临时存储的查询/分配/释放模式。

之前（两阶段）

cudaFreeAsync(temp_storage, stream);

之后（单阶段）

cub::DeviceScan::ExclusiveSum(d_input,..., mr);

参考资料：

https://developer.nvidia.com/blog/nvidia-cuda-13-1-powers-next-gen-gpu-programming-with-nvidia-cuda-tile-and-performance-gains

https://developer.nvidia.com/blog/nvidia-kaggle-grandmasters-win-artificial-general-intelligence-competition/

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！