GPU 通信与本地 Agent，自动化需要运行边界

GPU 通信与编译器｜优化提交路径之前，先分清成本在哪里

《GPU-Initiated Communication: Dissecting Down to the Bone》拆开 GPU 到网卡的操作路径，比较最小 GPU 传输与 CPU 代理实现，并在 H100、H200、B200、GB200 平台上测量多种通信库。作者指出，队列管理、内存排序和完成范围会增加库层开销；空闲条件下调优后的 CPU 代理可以匹配或超过 GPU 路径，但需要专用 CPU 核，性能又受其运行状态影响。

编辑判断是，MoE 的细粒度通信选型不能只按“是否 GPU 发起”分类，还应同时测量消息发出、完成、队列竞争和计算资源占用。本文属于受控机制测量，不能直接视为某个生产 MoE 模型的端到端排名；与大流量共用队列、连接数和 SM 时钟变化，都可能改变结论。发布日期：2026-10-01；近期补充。

来源 A 级：GPU 发起通信原论文与实验代码入口。

Crusoe 发布的 Triton 工程教程提供了互补的测量视角：沿着 PyTorch 操作向下观察 CUDA kernel、线程组织和内存层级，并提供 CUDA 与 Triton 向量加法、分析器和基准代码。其 L40S 示例用 GPU 时间线上的 CUDA events 测量执行，在特定带宽实验中还处理缓存状态，避免把 CPU 提交时间误当成设备完成时间。

编辑判断是，编译器融合的价值需要从少一次启动、少一次内存往返解释，而不能只看某个短 kernel 的倍数。教程以简单算子说明方法，没有发布通用模型性能纪录；缓存处理方式也应随目标负载调整，不能把冷缓存测量机械地套到具有真实复用的服务。

发布日期：2026-10-07。来源 B 级：Triton 工程材料与配套代码。

训练与容量规划｜资源入口、授权和调度要分别设计

AWS 的 HyperPod 管理指南把控制拆为组织、项目、集群和工作负载四层，明确 Unified Studio 项目是协作入口，不能代替运行时安全边界。EKS 的配额、借用与抢占决定已经获授权的任务何时获得资源，RBAC、工作负载身份、数据与网络策略决定它能访问什么；Slurm 则使用自身的账户、QoS、公平份额与抢占机制，不能假设两种调度器有完全相同的借用模型。

对 FDE 和平台团队的启示是，先建立租户身份与数据边界，再把业务优先级翻译成调度策略。指南是运营设计材料，不是新的利用率基准；低利用率还可能来自任务规模、依赖或数据管线，应结合等待、抢占和历史作业信息定位。

发布日期：2026-10-06。来源 B 级：HyperPod 管理与治理官方指南。

容量规划的输入也在细化。Lenovo LLM Sizing Tool 2.0 的变更记录注明 10 月 6 日发布，加入 CPU 推理容量规划、GPU 内存分解、电力估算和更多硬件与模型，并改进 MoE 与长上下文的估算。工具让并发、输入输出长度和精度进入部署计算，输出内存与延迟等估计，帮助把“装得下模型”推进为“满足目标工作负载”。

编辑判断是，方案评审应保存参数假设，再用真实请求分布和目标服务等级验证；分析模型与基准数据不能保证生产性能。CPU 与云成本比较也需要重算本地电力、运行时长和硬件周期，不能把默认预设直接当成采购结论。发布日期：2026-10-06，页面更新于 10 月 7 日。

来源 A 级：Lenovo LLM Sizing Tool 2.0 原始版本记录。

Agent 运行时｜把动作历史纳入策略，同时承认可见性边界

Strands Box 以开发者预览发布，将操作系统隔离与 Dogwood 策略引擎结合，通过网络出口、Shell、Python 和 MCP 执行点共享事件历史，使权限可以依赖此前动作、顺序与累计限制。它当前从 macOS 起步，扩展操作系统及部署平台仍属于后续方向。

编辑判断是，长任务需要能在模型进程之外执行的策略，不能只要求模型自己记住限制。但发布材料也明确：直接授予的文件路径若由 harness 内置工具访问，可能只受隔离约束而不进入策略历史；外置解释器则扩大了可信计算基。评审时因此要逐条核对动作经过哪个执行点，不能把支持时序规则写成完整的信息流追踪或跨平台保证。

发布日期：2026-10-07。来源 A 级：Strands Box 原始开源发布。

Microsoft 同日宣布 Microsoft Execution Containers 在 Windows 11 正式可用，把文件和网络策略的运行时执行、Agent 身份与组织管理放进本地 Agent 基础设施。其混合智能方案还宣布 Windows ML 的 llama.cpp 支持，并规划由 HydraFusion 在本地与云模型之间路由任务。

这里应区分状态：MXC 是正式可用公告，相关 GitHub 混合路由体验计划于 10 月晚些时候进入实验预览，Copilot 混合能力则预计未来数月逐步推出。编辑判断是，本地推理与工具隔离正在成为平台接口，但“本地运行”本身不能证明全部数据留在设备；模型路由、网络权限和上下文传输仍须分别核验。公告也不足以证明任意设备、Agent 或模型都有相同支持范围。

发布日期：2026-10-07。来源 A 级：Windows 混合智能与运行时原始发布。

科研计算｜一次成功之后，还要检验结构修订与持续收益

《Learning to Outgrow a Theory》研究科学发现中一个容易被忽略的失败：所有候选都缺少同一机制时，模型之间可能趋于一致，却仍共同错误。论文把结构编辑与诊断实验联合选择，并用序贯证据在当前模型类被拒绝后触发修订，在受控动力学环境和模型库任务上评估。编辑判断是，科学搜索的实验预算不能只用来区分现有候选，还应允许检验假设空间本身是否足够表达现象。作者的结果受可编辑语法、任务构造和验证标准限制；检测到库不足与发现真实机制是两个不同终点，不能把模拟环境的恢复能力外推为真实实验领域的普遍发现能力。

发布日期：2026-10-06。来源 A 级：实验驱动模型类修订原论文。

ScienceClaw 则把固定模型参数下的程序自演化纳入评测，在覆盖 23 个学科的连续任务中考察正确性、改进收益、保留、迁移与成本。其框架将重新执行验证过的修复轨迹转为 Skill 与 Operator 候选，要求源任务重放能够复现修复、独立科学任务也有改善，才保留更新。

这为科研运行时提供了比“记下成功步骤”更严格的更新门槛。编辑判断是，长期 Agent 的知识积累应有版本、重放和独立评估，不能只依赖生成文本的自我评价；程序自演化也不等于基础模型权重学习。基准中的收益仍依赖任务序列、验证器、工具环境和预算，实际科研软件、数值容差与依赖变化后需要重新验收。

发布日期：2026-10-06。来源 A 级：ScienceClaw 原论文与代码入口。