خيال 5 يكتب ميغاكرنل CUDA على KernelBench-Mega: تسريع بمقدار 18.7x في 2.5 ساعة

مقدمة

أصبح Fable 5 محور نقاش جديد في الهندسة الذكاء الاصطناعي بعد أن كتب، وفقًا للتقارير، أول ميغاكرنل CUDA حقيقي يُقدم إلى KernelBench-Mega. النتيجة مذهلة: تسريع فك التشفير بمقدار 18.71x على إعداد RTX PRO 6000 Blackwell، تم إنتاجه خلال جلسة مستقلة واحدة استمرت حوالي 2.5 ساعة.

العنوان الرئيسي ليس فقط أن نظام الذكاء الاصطناعي كتب كودًا منخفض المستوى سريعًا. النقطة الأكثر أهمية هي شكل الحل. بدلاً من تجميع عدة نوى GPU أصغر حجمًا، قام Fable 5 بدمج سير عمل فك التشفير في إطلاق نواة تعاونية واحدة لكل رمز. هذا هو الجزء الذي جعل الباحثين والمهندسين ينتبهون.

يحافظ هذا المقال على الهيكل الأصلي والمعنى التقني، لكنه يعيد كتابة القصة بلغة إنجليزية أوضح للنشر. يشرح المقال ما يختبره KernelBench-Mega، ولماذا هذه النتيجة مهمة، وكيف يختلف الميغاكرنل عن توليد نوى GPU العادية، ولماذا يربطه بعض الباحثين بفكرة التحسين الذاتي التكراري.

Fable 5 يحقق 18.7x ويتقدم على GPT-5.5

تأتي نتيجة المعيار من KernelBench-Mega، وهو معيار يركز على توليد الميغاكرنل الكامل بدلاً من تحسين المشغل المعزول. في هذه الجولة، استهدف Fable 5 مهمة 02_kimi_linear_decode، وهي مهمة فك تشفير هجين من نوع Kimi-Linear W4A16 تستخدم أوزان 4 بت وتفعيلات bf16.

كان الإعداد المبلغ عنه صارمًا: جلسة مستقلة واحدة، سقف زمني مدته 3 ساعات، وحزام اختبار حقيقي. ضمن هذا الحد، حقق Fable 5 تسريعًا في فك التشفير بمقدار 18.71x مقارنة بالمرجع المحسّن لـ PyTorch.

المقارنة تجعل النتيجة أسهل في الفهم:

النموذج	التسريع المبلغ عنه	ملاحظات
Fable 5	18.71x	ميغاكرنل CUDA، مسار إطلاق مدمج واحد
Claude Opus 4.8	14.40x	نتيجة قوية، لكن ليس نفس نمط ميغاكرنل CUDA الفردي
GPT-5.5	4.34x	تسريع أقل بكثير في هذه المهمة
Claude Sonnet 5	4.03x	نطاق مشابه لـ GPT-5.5 في عرض لوحة المتصدرين هذا

oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/ce6c9cad-7360-4ac5-854b-279a01ab49ee-04-4d685459-6d03-4b22-840d-4e6787d38b10.png)

تفصيل طول السياق مهم أيضًا. وفقًا للوحة المتصدرة المعروضة، ظل نموذج Fable 5 قويًا مع زيادة طول السياق:

• سياق 2K: حوالي 17.8x
• سياق 8K: حوالي 18.9x
• سياق 16K: حوالي 19.5x

قد يبدو هذا غير بديهي في البداية. عادةً ما يزيد السياق الأطول من تكلفة معالجة الانتباه وذاكرة التخزين المؤقت KV. وتبدأ العديد من الأنظمة في فقدان الأداء عند هذه النقطة. تشير نتيجة Fable 5 إلى أن التصميم المدمج قلل من الحمل الزائد للإطلاق بما يكفي لجعل ميزته النسبية أكبر مع زيادة عبء العمل.

لماذا يعتبر KernelBench-Mega أصعب من اختبار Kernel العادي

لا يطلب KernelBench-Mega من النموذج مجرد تحسين مشغل صغير واحد، بل يطلب من الوكيل دمج كتلة نموذج أكبر في نواة عملاقة (Megakernel) كاملة. هذا مهم لأن الجزء الصعب لم يعد مجرد كتابة كود CUDA أو Triton صحيح نحويًا، بل أصبح إدارة العديد من مراحل الحوسبة المتفاعلة داخل مسار واحد فعال.

تتضمن مهمة 02_kimi_linear_decode عبء عمل فك تشفير هجين لـ Kimi-Linear W4A16. من الناحية العملية، يتعين على النموذج التعامل مع الأوزان الكمية، والتنشيطات من نوع bf16، والحالة المتعلقة بالانتباه، والتوجيه، والتطبيع، وسلوك ذاكرة التخزين المؤقت.

لهذا السبب يعد هذا الاختبار مقياسًا هامًا لاختبار كود الأداء منخفض المستوى الذي يولده الذكاء الاصطناعي. إن تسريعًا بسيطًا لعامل تشغيل صغير معزول مفيد، ولكن النواة العملاقة للكتلة الكاملة أقرب إلى نوع أعمال التحسين التي يمكن أن تؤثر على أنظمة الاستدلال الحقيقية.

أول "نواة عملاقة" حقيقية

أهم ادعاء تقني هو أن Fable 5 أنتج أول نواة عملاقة حقيقية في تاريخ KernelBench-Mega.

تقوم النواة العملاقة بضغط مسار استدلال أكبر في نواة واحدة. بدلاً من إطلاق عدة نوى منفصلة ونقل التحكم ذهابًا وإيابًا، فإنها تبقي العمل داخل تدفق تنفيذ منسق واحد. هذا صعب لأن النواة يجب أن تنسق عدة مراحل مع الحفاظ على الصحة الحسابية.

في هذه الحالة، يقول التقرير إن torch.profiler أظهر عملية إطلاق نواة تعاونية واحدة فقط لكل رمز مفكك. تعامل هذا الإطلاق الواحد مع عمل كان سيتم تقسيمه عادةً إلى عدة مراحل، بما في ذلك:

• إزالة التكميم من نوع int4
• الالتفاف (Convolution)
• تنشيط SiLU
• حالة دلتا المبوّبة KDA
• معالجة الانتباه الكامن MLA
• توجيه MoE واختيار أفضل 8 خبراء
• عمليات متعلقة بـ RMSNorm
• كتابة ذاكرة التخزين المؤقت KV

![الصورة عبارة عن تغريدة، محتواها أن Fable هو أول نموذج ينتج نواة عملاقة حقيقية لوحدة معالجة الرسوميات، بسرعة تنفيذ أسرع بمقدار 18.7 مرة من التنفيذ المرجعي. تقتبس التغريدة قول مؤسس Fable، Fabien Mikol: "النوى العملاقة (Megakernels) هي من أصعب ما يمكن إنتاجه في برمجة GPU - فقط عدد قليل جدًا من الناس في العالم يمكنهم كتابتها." أسفل الصورة يوجد خيار "قيّم هذه الترجمة" وعرض لبيانات تشغيل بطاقة RTX 4090 مع نماذج مختلفة، حيث تبلغ سرعة Fable 10.71x. ترتبط هذه الصورة ارتباطًا وثيقًا بالسياق، وتعرض بشكل مرئي ميزة Fable في النوى العملاقة لوحدة معالجة الرسوميات.](https://we0-cms.oss-cn-beijing.aliyuncs.

com/cms-assets/image/2026/07/0284bb32-eef6-4fc5-93a4-b8b21ae807ea-06-8afeece2-a6c6-493a-ba7e-b089780ec8a1.png)

يُذكر أن الإدخالات الأخرى الحاصلة على درجات عالية قسّمت العمل إلى ما بين 4 و14 إطلاقًا منفصلاً للنواة. أما Fable 5 فقد دفعت المسار الموقوت إلى إطلاق تعاوني واحد مدمج. وهذا هو الفرق بين "كود النواة المُنشأ بسرعة" وأداة برمجة GPU أكثر عدوانية.

كيف يُغيّر إطلاق نواة واحدة ملف الأداء

إطلاق النواة ليس مجانيًا. كل إطلاق له تكاليف إضافية، وتكاليف مزامنة، وفجوات في الجدولة. في عبء عمل فك التشفير، يمكن أن تصبح هذه التكاليف مؤلمة بشكل خاص لأن العمل يتكرر رمزًا تلو الآخر.

يُقلل نهج Fable 5 من تلك التكاليف المتكررة من خلال وضع خطوات فك التشفير في مسار تعاوني واحد. يصف التقرير الأصلي الحل بأنه استخدام 14 حاجز شبكي لمراحل الحساب داخل نفس الإطلاق.

لهذا السبب لا تتعلق النتيجة فقط بالحسابات الذكية. بل تتعلق بالتنفيذ على مستوى نظام GPU. عندما تغادر الحلول الأخرى النوى وتدخلها بشكل متكرر، فإنها تفقد الوقت في عملية التسليم. يتجنب Fable 5 الكثير من تلك التكلفة من خلال إبقاء خط الأنابيب مدمجًا.

بعبارات بسيطة: الآخرون يقومون بالمهمة في عدة رحلات؛ Fable 5 تحاول القيام بها في رحلة واحدة.

2.5 ساعة وحوالي 550,000 رمز

جزء آخر ملحوظ من التشغيل هو كيف أمضى النموذج وقته. لم يبدأ على الفور في تفريغ كود CUDA النهائي. يُشير التتبع إلى سير عمل أكثر قياسًا.

لجزء كبير من الجلسة، قامت Fable 5 بقياس الأداء الأساسي، واستكشفت تكاليف حواجز الشبكة، وفكرت في عرض النطاق الترددي للذاكرة. يصف المقال هذا بأنه ما يقرب من 64% من الجلسة قد أُنفقت على القياس والتصميم قبل تنفيذ الجزء الرئيسي.

بمجرد كتابة النسخة الأولية، يُقال إن أول اختبار أداء وصل إلى حوالي 14.4x. ثم استخدمت Fable 5 الوقت المتبقي لإزالة الحواجز، وضبط إلغاء التكميم int4، واختبار التغييرات، والتراجع عن تحسين سلبي واحد عندما أظهر القياس أنه أسوأ.

استغرق التشغيل الكامل حوالي 2.5 ساعة واستخدم حوالي 550,000 رمز إخراج. التفاصيل الرئيسية ليست فقط في النطاق. إنها في السلوك: قياس الأداء، البناء، القياس، التراجع عند الحاجة، والتحسين بناءً على البيانات وليس الثقة.

يُشير المصدر الأصلي أيضًا إلى أن Fable 5 يُوصف بأنه نسخة أكثر أمانًا أو مُخففة من نموذج Mythos الداخلي لشركة Anthropic. يجب قراءة هذا الادعاء كجزء من سرد المصدر وليس كإعلان عن منتج عام.

"لقد بدأت حلقة التحسين الذاتي للذكاء الاصطناعي"

جاءت المناقشة الأوسع من النشرة الإخبارية Import AI التي كتبها جاك كلارك. في تلك

المشكلة، فقد صاغ (كلارك) نتيجة نواة وحدة معالجة الرسومات كدليل على أن أنظمة الذكاء الاصطناعي تتحسن في أتمتة أجزاء من أبحاث الذكاء الاصطناعي وتطويره ذاته.

المنطق مباشر:

1. أنظمة الذكاء الاصطناعي الأفضل يمكنها كتابة نوى منخفضة المستوى أفضل.
2. النوى الأفضل يمكنها جعل التدريب والاستدلال أسرع أو أرخص.
3. أنظمة الذكاء الاصطناعي الأسرع والأرخص يمكنها المساعدة في بناء الجيل التالي.
4. الجيل التالي قد يصبح أفضل في كتابة النوى.

لهذا السبب يظهر مصطلح "التحسين الذاتي التكراري" في هذه المناقشة. لا يعني ذلك أن حلقة هروب ذاتية كاملة قد حدثت بالفعل. بل يعني أن جزءًا واحدًا من الحلقة — وهو تحسين الذكاء الاصطناعي للبنية التحتية المستخدمة لبناء الذكاء الاصطناعي — أصبح أكثر وضوحًا وقابلية للقياس.

من كتابة النوى إلى العمل عن بُعد

تربط المقالة الأصلية أيضًا هذه النتيجة المتعلقة بالنوى بمعايير أوسع للأتمتة. يناقش Import AI مؤشر العمل عن بُعد، حيث يتم تقييم وكلاء الذكاء الاصطناعي في مشاريع عبر الإنترنت ذات جدوى اقتصادية.

النقطة ليست أن كتابة نوى CUDA وأتمتة المهام المستقلة هما الشيء نفسه. ليسا كذلك. لكن كلاهما يشير إلى نفس الاتجاه: أنظمة الذكاء الاصطناعي الحدودية تتحسن في المهام الأطول والأكثر تنظيمًا التي تتطلب التخطيط، واستخدام الأدوات، والتحقق، والتكرار.

يلخص أحد التعليقات في المصدر هذا القلق جيدًا: بمجرد أن يتمكن النموذج من كتابة نوى تجعل النماذج أسرع، فإن الأداة لم تعد تساعد المستخدمين فقط. بل تبدأ أيضًا في تحسين أجزاء من بنيتها الأساسية.

هنا يصبح التحقق أمرًا بالغ الأهمية. النواة التي تبدو صحيحة ليست بالضرورة أسرع. قد تحتوي النواة التي تبدو أسرع على مشاكل دقيقة في الصحة. مع العمل على مستوى GPU المنخفض، يجب أن تظل حلقة المراجعة صارمة.

تقدم سريع، حذر حقيقي

للقصة وجهان. من ناحية، النتيجة مثيرة. أنظمة الذكاء الاصطناعي تنتج الآن قطعًا أثرية للأداء منخفض المستوى كانت مقتصرة في السابق على عدد صغير من مبرمجي GPU الخبراء.

![صورة تظهر تعليقًا من مستخدم يُدعى "Pristine-Today-9177" نُشر قبل 9 ساعات. محتوى التعليق باللغة الإنجليزية، ويعبر عن الدهشة من أن هذا الاختناق الحرج للخبراء قد تمت أتمتته بمستوى فائق البشر، وأنه لشعور رائع أن نعيش في هذا العصر. أسفله ترجمته بالصينية. هذه الصورة موجودة في قسم "تقدم سريع، حذر حقيقي" من الوثيقة، وهي تعليق على ظاهرة أنظمة الذكاء الاصطناعي لتوليد كود أداء منخفض المستوى المذكورة أعلاه، وتعبر عن الدهشة والتقدير لهذا التقدم التكنولوجي.](https://we0-cms.oss-cn-beijing.aliyuncs.

com/cms-assets/image/2026/07/0fdc859f-d6a1-47e7-b2ba-5e2fefcf3a3f-12-593ae533-5c09-47f2-840c-11d03c53dc3a.png)

من ناحية أخرى، هذه هي بالضبط القدرة التي تستحق الاهتمام الدقيق. يتصور نفس العدد من النشرة الإخبارية مستقبلاً تصبح فيه الحوسبة العامة قوية وخطيرة لدرجة أن الناس يحاولون تقييدها. هذه النهاية الخيالية ليست تنبؤاً، لكنها تعكس القلق المحيط بتسارع النظم التقنية.

بعد ما يزيد قليلاً عن عام من العمل الأصلي لـ KernelBench والذي أظهر مدى صعوبة النوى المولدة بالذكاء الاصطناعي، تشير هذه النتيجة إلى قفزة كبيرة. لم يولد Fable 5 نواة قابلة للاستخدام فحسب، بل أنتج مسار نواة عملاقة مدمجة وصل إلى قمة معيار صعب في جلسة واحدة محدودة.

بالنسبة للبنية التحتية للذكاء الاصطناعي، هذه إشارة خطيرة.

ملاحظات المصدر

• المصدر الأصلي: مقالة BAAI Hub.
• يستشهد المقال الأصلي بتقارير ونقاشات من Import AI 464، وKernelBench-Mega، ومنشور Elliot Arledge على X، ونقاش على Reddit.
• يتضمن المقال الأصلي عدة فواصل ترويجية وشعارات زخرفية ورسومات تفاعلية وصورة شخصية. تم استبعادها عمداً لأنها ليست ضرورية لتدفق القراءة التقنية.
• لم تكن هناك أقسام كود مستقلة في المصدر. تم الحفاظ على المعرفات التقنية المضمنة مثل 02_kimi_linear_decode وtorch.profiler.

الأسئلة الشائعة

ما هو KernelBench-Mega؟

KernelBench-Mega هو معيار يركز على توليد نوى عملاقة للكتلة بأكملها. بدلاً من مطالبة النموذج بتحسين عامل واحد معزول، يطلب منه دمج عبء عمل أكبر في مسار نواة فعال ثم قياس الأداء الفعلي.

ما الذي حققه Fable 5 على KernelBench-Mega؟

حقق Fable 5 تسريعاً في فك التشفير بمقدار 18.71 ضعفاً مقارنة بالمرجع المحسن PyTorch في مهمة 02_kimi_linear_decode. تم إنتاج النتيجة ضمن جلسة مستقلة واحدة بسقف زمني قدره 3 ساعات.

لماذا يصعب كتابة نواة عملاقة CUDA؟

يجب على النواة العملاقة تنسيق مراحل متعددة من الحساب داخل إطلاق نواة واحدة. وهذا يعني أن التنفيذ يجب أن يدير نقل البيانات، والمزامنة، والصحة الرقمية، وعرض النطاق الترددي للذاكرة، وترتيب التنفيذ دون تقسيم العمل إلى نوى أصغر وأكثر أماناً.

لماذا يهم إطلاق نواة واحدة؟

كل إطلاق نواة GPU له تكلفة إضافية. في فك التشفير رمزاً برمز، يمكن أن تتراكم عمليات الإطلاق المتكررة بسرعة. يمكن للإطلاق المدمج الواحد تقليل تكاليف المزامنة والجدولة، وهذا هو السبب.

منهجية Fable 5 ذات دلالة تقنية.

هل هذا دليل على التحسين الذاتي التكراري؟

ليس دليلاً على حلقة تحسين ذاتي كاملة ومستقلة. بل يمكن فهمه بشكل أفضل على أنه إشارة ملموسة على أن أنظمة الذكاء الاصطناعي بدأت في أتمتة المهام التي يمكنها تحسين البنية التحتية للذكاء الاصطناعي، مثل تصميم النواة (kernel) وتحسين الاستدلال (inference).

هل يمكن استخدام كود CUDA الذي يولده الذكاء الاصطناعي في بيئة الإنتاج؟

ليس بشكل مباشر دون مراجعة دقيقة. يحتاج كود الأداء إلى فحوصات صارمة لصحة الأداء، وملفات تعريف الأداء (profiling)، واختبارات الانحدار (regression tests)، والتحقق الخاص بالأجهزة. نتيجة المعيار السريعة واعدة، لكن النشر في بيئة الإنتاج يتطلب تحققًا أكبر بكثير.

ما الأدوات المفيدة لدراسة هذه النتيجة؟

يوفر موقع KernelBench-Mega لوحة المتصدرين ونتائج التشغيل. كما أن أدوات PyTorch profiler، وأدوات CUDA، ومجموعات بيانات تتبع Hugging Face، وأدوات ملفات تعريف GPU مفيدة لفهم سلوك النواة المولدة.

أدوات ذات صلة

• KernelBench-Mega: صفحة المعيار لنتائج النواة الضخمة الكاملة ونتائج التشغيل.
• مستودع KernelBench على GitHub: إطار المعيار الأصلي لتقييم نوى GPU التي يولدها LLM.
• NVIDIA CUDA Toolkit: المجموعة الأساسية من الأدوات لكتابة وتجميع وملفات تعريف أداء تطبيقات CUDA.
• PyTorch Profiler: أداة ملفات تعريف الأداء لفحص وقت التنفيذ وإطلاق النواة والسلوك الزمني في أعباء عمل PyTorch.
• Hugging Face Datasets: منصة لاستضافة مجموعات البيانات وتتبعات المعايير، بما في ذلك نتائج تشغيل KernelBench.
• Triton: لغة ومترجم لكتابة نوى GPU مخصصة غالبًا ما تستخدم في هندسة أداء الذكاء الاصطناعي.

روابط ذات صلة

• لوحة متصدرين KernelBench-Mega: لوحة المتصدرين الرسمية وشرح لمعيار النواة الضخمة.
• مركز نتائج KernelBench: نتائج المعايير العامة، ومشاهدات النصوص، ومجموعات البيانات.
• Import AI 464: عدد نشرة جاك كلارك الإخبارية يناقش Fable، ونوى GPU، وأتمتة الذكاء الاصطناعي، والحساب التماثلي.
• تتبع Fable 5 على KernelBench-Mega: تتبع التشغيل المشار إليه في المقال الأصلي.
• ورقة KernelBench على arXiv: الورقة البحثية التي تقدم KernelBench كمعيار لنوى GPU التي يولدها LLM.
• مستودع ScalingIntelligence KernelBench: الكود المصدري وأدوات التقييم لمشروع KernelBench الأصلي.
• نقاش على Reddit: النقاش المجتمعي المشار إليه في المصدر.

ملخص

تشرح هذه المقالة لماذا تعتبر نتيجة Fable 5 المبلغ عنها في KernelBench-Mega أكثر من مجرد فوز في معيار. التفاصيل المهمة هي

نواة ميجا أحادية الإطلاق من CUDA: مسار مدمج يعالج أعباء عمل فك الترميز المعقدة مع تكلفة إطلاق أقل بكثير مقارنة بالحلول متعددة النوى.

كما أن النتيجة مهمة لأنها تشير إلى أن أنظمة الذكاء الاصطناعي أصبحت أفضل في مهام هندسة الأداء التي تدعم تطوير الذكاء الاصطناعي نفسه. يمكن للنوى الأسرع أن تجعل الاستدلال والتدريب أكثر كفاءة، مما يخلق حلقة تغذية مرتدة تستحق المتابعة.

في الوقت نفسه، لا ينبغي التعامل مع الكود منخفض المستوى الذي يولده الذكاء الاصطناعي كمنتج جاهز للإنتاج بشكل افتراضي. لا تزال الصحة، وتحليل الأداء، وسلوك الأجهزة، واختبارات الانحدار مهمة.

الخلاصة الحقيقية: نواة ميجا في Fable 5 هي إشارة قوية على أن هندسة أداء وحدات معالجة الرسومات المدعومة بالذكاء الاصطناعي تنتقل من مرحلة العروض التوضيحية إلى العمل التحتية الجاد.