24小时34项第一，帧跃科技凭什么登顶英伟达GPU算子榜？

帧跃科技把 AI 视频做进了真实业务，还在 GPU 底层抠出了 34 个单项第一。

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。

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。

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。

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。

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。

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。对 GPU 算子、AI Infra 和视频生成技术感兴趣，欢迎在云栈社区与更多开发者一起交流。