0
| 本文作者： 陆毅 | 2026-11-10 14:11 |
编辑丨李希
不到 1 毫秒。 在英伟达公开榜单的一道视频算子题上，来自中国的视频公司帧跃科技（Leadde AI）位列第一，实测运行延迟约为 0.993 毫秒。
这项成绩来自帧跃科技自研的 Agentic Infra 系统RiSE。根据该轮榜单记录，在RiSE全自动算子生成能力的支持下，经过 24 小时优化，强势包揽全部34个多模态相关算子的第一名，实现全项登顶，涉及视频、扩散模型、视觉和音频等计算任务。
一家做交互视频的公司，为什么要优化 GPU 算子？
24 小时拿下 34 个单项第一，又意味着什么？
生成视频所需的大量计算，要靠 GPU 算子执行。帧跃科技用自研的 Agentic Infra，让多个 AI Agent 分工理解任务、编写代码，再把代码放到真实 GPU 上验算、计时，根据实测结果一轮轮改进。
当视频走向实时交互，用户发出指令后要等多久，也成了产品体验的一部分。这次登榜展示了帧跃科技为此把研发做到了哪一层：深入 GPU 底层，逐项优化生成和交互背后的计算。
01
英伟达的硬核考题：
领先，需要通过真实 GPU 检验
大模型有自己的「竞技场」，GPU 算子也有。在 Chatbot Arena，不同模型回答同一个问题，由用户投票。在英伟达研究团队发布的 NVIDIA SOL-ExecBench，不同团队用代码解同一道计算题，成绩和排名公开可查。首发的 235 道题取自 124 个实际 AI 模型，覆盖语言、扩散、视觉、音频和视频等方向。
要在这张榜上领先，代码得先算得对，再到真实的 NVIDIA B200 GPU 上比速度。评分还会看代码离硬件理论性能极限有多远。越接近这个极限，每一点提速都越考验团队能否根据真机反馈，反复调整代码怎么读数据、怎么并行计算。
Databricks、SF Tensor、Cursor、Recursive、doubleAI、Geometric 等全球头部团队均参与了这项评测，无问芯穹、百度 LoongSage、面壁智能等国内知名团队也提交了实现。据官方接口记录，截至 10 月 30 日，评测累计收到 42,397 次提交，共有 674 名开发者参与。帧跃科技的 34 个单项第一，正是在这套公开规则和真机检验下取得的阶段性成绩。
02
从 34 项第一到与头部团队的同题比较
本轮成果涉及多种计算结构与硬件瓶颈。面对视频、扩散、视觉和音频相关任务，系统需要针对不同的数据流、输入形状和计算依赖选择优化方向。24 小时内取得 34 项第一，为观察这一系统跨任务的优化表现提供了具体结果。
对所选题目的公开成绩进行同题比较，Leadde AI RiSE 为 81.98 分，无问芯穹为 79.95 分，Databricks 为 77.15 分，Cursor 为 55.45 分。
从更大的技术背景看，随着模型后训练和 Agent 应用受到更多关注，AI Infra 面临的任务也在变得更复杂。以强化学习后训练为例，系统需要协调推理生成、结果验证、模型更新与资源调度；每个环节的执行效率，都可能影响整体迭代的速度和成本。
这意味着，模型能力之外，如何组织工具、评测与计算资源，也正成为值得关注的工程问题。NVIDIA 对强化学习后训练基础设施的介绍，同样将训练与推理之间的协同视为关键挑战。
RiSE 并非本次展示的后训练系统；这次算子成绩提供的观察点是，帧跃科技如何让多个 Agent 围绕真实硬件反馈完成代码探索与验证，以及如何把实验结果带入下一轮优化。
03
RiSE：
以真实硬件反馈驱动的自主优化系统
生成 CUDA 代码只是 GPU Kernel 优化的起点。系统还需要找到性能瓶颈，验证代码是否正确、运行是否更快，并据此决定下一轮改进方向。
Leadde 自研 RiSE 将这些环节连接起来：多 Agent 协作负责探索，真实 GPU 执行负责验证，递归改进让实验经验进入后续决策。
▎多 Agent 协作，让优化从想法走到实测
RiSE 由 Planner 制定策略，多个 CUDA Coding Agent 并行探索实现，Researcher 补充技术依据；Scout 利用硬件分析工具定位瓶颈，Solution Generator 汇总测试结果，Persistent Memory 保存实验经验。
每一轮候选代码都要经过正确性检查和性能测试。有效结果进入方案整合，失败记录与性能数据也会反馈给下一轮规划。
▎递归改进，让经验服务后续任务
围绕同一个 Kernel，RiSE 根据 Benchmark 与 Profiling 结果持续调整实现；面对新任务，系统从历史记录中检索可参考的经验，并结合输入形状、数据类型和硬件条件提出新的优化假设。
进一步的目标，是把搜索策略、Prompt 和工具调用流程也纳入改进范围。历史经验能否提升后续任务表现，仍需通过实际对照验证。
▎面向视频生成，连接模型与硬件
视频生成涉及时空张量、注意力计算、扩散去噪和 VAE 编解码。RiSE 从模型计算需求出发，围绕数据布局、内存访问、矩阵计算、算子融合与数据复用探索 Kernel 实现，再通过真实 GPU 执行结果检验优化假设。
当瓶颈随实现变化而转移，Profiling 结果会参与下一轮策略调整。模型理解、代码实现与硬件反馈由此形成持续优化的路径。
04
从视频生成到交互沟通：
帧跃科技如何走进商业场景
同一份产品更新文档，客户关心新功能怎么用，销售团队关心怎么把它讲给客户，不同任务需要不同的讲法。
帧跃科技面向海外 Prosumer 和企业用户推出 AI 视频产品 leadde.ai，从这类具体的沟通任务切入，将文档和专业知识转化为视频，并探索如何把视频用于互动学习和实时讲解。
▎从课程讲解到产品演示，让专业内容看得见
在课堂上，教师可以把呼吸原理做成三维讲解，让学生看到膈肌下移、胸腔扩张和空气进入肺部的过程。
在新品发布时，产品团队可以把功能说明做成操作演示，让客户看到新功能在什么情况下用、具体怎么用。
一份行业报告可以围绕几张关键图表做成会前简报，一份品牌发展资料则可以做成在官网或活动现场播放的短片。
Leadde 的 Doc-to-Video 和 Video Agent 围绕这些任务展开，从理解讲解需求、规划脚本，到组织画面和生成视频。用户可以从已有的业务材料出发，按不同受众重新安排内容重点和讲解顺序。
▎从企业培训到产品介绍，友邦保险（AIA）用 AI 视频讲解专业内容
在企业培训中，AI 视频工具可以把专业材料批量制作成视频，便于企业在不同团队和培训场景中使用。
友邦保险（AIA）是帧跃科技的客户之一，已将 AI 视频用于企业培训和内外沟通，并使用 Leadde 将专业内容规模化制作成多语种视频材料，覆盖全球员工培训和客户沟通。这是 Leadde 进入实际业务的一个案例。
▎Leadde Live 计划探索实时交互视频
帧跃科技计划推出 Leadde Live，探索实时生成的可视化交互内容。
以一场业务汇报为例，当讲解进入不同地区的业绩对比时，画面可以实时呈现对比数据，数字人讲师可以指向正在讲的那组数据。在教学演示中，同样可以用来指出某个知识点在画面上的位置。当观众或学生提问时，画面可以随着讨论的问题实时变化。
RiSE 的算子优化为团队进一步探索底层计算提供了工程基础。它对产品延迟、成本和交付效率的实际贡献，仍需在完整产品链路中测量。
▎海外增长从一次真实的业务任务开始
Leadde 在海外采用产品驱动增长（PLG）路径。用户可以从手头的一份课件、产品说明或行业报告开始，用一次真实的讲解任务验证产品价值。企业团队也可以先在一门培训课或一次新品发布中试用，再根据实际需求扩展到更多内容、团队和业务场景。
Leadde 新发布的 Video agent 界面
05
帧跃科技：连接模型、交互与底层计算
帧跃科技围绕交互视频开展产品与技术研发，以 Leadde 为载体，探索将文档和专业知识转化为可用于教学、培训、讲解与沟通的视频内容。
创始人兼 CEO 杨昌鹏是南洋理工大学和加州大学伯克利分校联合培养博士，曾任华为云媒体创新 Lab 主任，上海交大行业博士生导师，长期从事实时交互媒体基础设施相关工作，曾获得云资源管理领域的最高奖 Franz Edelman 奖。联合创始人兼 CTO 李明磊是香港理工大学自然语言方向博士，曾负责华为初代盘古的训练，并担任华为云多模态方向首席专家。核心团队以 95 后为主，成员经历涵盖模型训练、强化学习和基础设施优化。
对交互视频而言，内容理解、视觉生成与底层计算需要共同工作：模型组织知识和画面，交互系统连接用户与内容，计算基础设施支持这些能力运行。此次 NVIDIA SOL-ExecBench 成绩，为观察帧跃科技的底层工程能力提供了公开参照。
从算子优化到海外产品，再到教育和保险等真实场景，下一步值得关注的是，这些技术积累如何进入完整产品链路，并在体验、成本和交付效率上形成可衡量的价值。
