KernelBench Mega跑分出炉：Fable 5单内核融合方案，把同环境下GPT-5.5甩出一个数量级

编者按：同一套测试用例、同一张RTX PRO 6000 Blackwell、同样的3小时极限调参窗口，Fable 5跑出18.71倍加速，GPT-5.5仅4.34倍，Claude Opus 4.8为14.4倍，GLM-5.2为11.1倍。Fable 5的性能是GPT-5.5的4.3倍——这已不能用"小幅领先"形容，更接近代差。而真正让业内工程师在意的，不是跑分数字本身，而是Fable 5交出了KernelBench Mega评测史上第一份真正意义上的"巨型融合内核"代码。

单内核启动 vs 十四次分段调用：门槛卡在"融合"二字

KernelBench Mega选取的用例为 02_kimi-linear_decode，对应Kimi 4比特权重、16位浮点激活的混合解码任务。这道题的硬核之处不在于算子难度，而在于强制约束：整套推理全链路——Int4量化、卷积、SiLU激活、KDA门控状态更新、MLA隐变量吸收注意力、MoE专家路由搭配Top8专家归一化、KV缓存写入——必须全部收拢进单一内核，一次性完整执行。

在此之前，包括GPT-5.5在内的所有高分模型，都得把流程拆成4至14次独立内核启动，靠Triton流水线分段拼接拿分。纸面数据尚可，但过不了"原生单内核融合"这条硬校验。

Fable 5的突破点在PyTorch底层日志里有迹可循：每解码一个Token，内核仅精准启动一次。Int4反量化直接在寄存器内解包，全程不落地写显存；14重网格同步屏障串联各阶段；再用生产者-消费者自旋计数器，做实阶段内更细粒度的依赖调度。

别家拆十几次，它一步跑完。每一次内核重启，GPU都要中断计算、切上下文，空出一堆无效等待——这些冗余被Fable 5整个削掉。

更反直觉的是长上下文表现：2K下17.8倍、8K下18.9倍、16K下冲到19.5倍。KV扩容、注意力暴涨，本是解码内核最吃亏的环节，Fable 5反而靠单启动把屏障同步开销摊薄了；再加Int4矩阵向量运算吃满显存带宽，对比组越跑越卡，它越跑越顺。

六成时间静默推演，一击逼近屋顶线

比代码更值得拆的，是它的工作流。

完整调试窗口2.5小时，其中64%的时间在静默推演：基准测速、网格屏障微基准、推导"单Token吞吐量上限约29字节"的屋顶线边界。先摸清硬件物理极限，再动笔。

推演完一次性写完整套内核，首轮运行就跑出14.4倍，追平Opus 4.8的最终成绩。最后一小时用来精修：剔多余同步屏障，把Int4反量化压到近乎零损耗（仅一条LOP3配合HSUB2/HMUL2）。中间它试过更细的Split-K分片，实测不升反降，直接回滚，不纠结。

这套流程对标的是顶尖GPU工程师的干活顺序：测性能→验逻辑→落代码→调细节。区别只在于，人类要攒几年，它2.5小时走完。

反观GPT-5.5的4.34倍，倒不是模型"不行"，而是技术路线压根没往单内核融合走——它靠Triton搭分段流水线，别的榜还能打，碰上KernelBench Mega的硬约束，直接吃亏。

这还只是加了约束的安全版

更值得留一笔：Fable 5只是Anthropic内部模型Mythos 5的安全受限版，底层基座一致，但叠了多层安全锁；Mythos 5则是无约束完整版。一套戴枷锁的模型，2.5小时干完顶尖CUDA工程师可能要两周的活——那完整版能走到哪，目前没人给得出上限。

Anthropic联合创始人杰克·克拉克在第464期《Import AI》里给了一句定调："递归自我改进（RSI）周期自此拉开序幕。"逻辑链不复杂：AI写内核越强 → 大模型训练/推理越快 → 下一代AI又能更快写出更强内核。闭环一转，进化速度是指数的。

观察

同题、同卡、同时长，18.71倍对4.34倍，差的不只是一个数量级。

但更该被记住的，不是这个数字，而是Fable 5这一单内核方案把"Triton分段流水线刷出的高分"整体降维了——过去那批靠拆任务拼出来的纸面冠军，碰到"必须融合"的硬杠，原形毕露。

RSI是不是真来了，仍可争论。但更近的问题是：当AI能用两个半小时写完人类顶尖工程师两周才能磨出来的超融合内核时，"手工自研算子"这四个字的定义，已经被改写了一次。

延伸服务信息

KernelBench Mega这类 benchmark 本身就是检验大模型"写底层代码"能力的试金石——想亲自跑跑Fable 5所在的Anthropic系（Claude/Mythos）、或是GPT-5.5、Gemini、DeepSeek等最新版本，国内可通过UseAIAPI一站式接入。平台聚合上述全球主流大模型最新版本，支持企业级定制化部署，跨境链路与额度管控由平台侧兜底，调用稳定性对齐官方；价格维度常态化折扣可至官方定价的5折起，对高强度算子生成、推理调试、长会话调用这类烧额度的场景较为友好，长期跑成本比直连官方订阅可控得多。