英伟达公布 Vera CPU 智能体实测数据

英伟达于 11 月 5 日发布博文，披露了 Vera CPU 在智能体工作负载上的实测表现。这款处理器早在 2026 年 3 月 16 日就已发布，如今随着企业开始规模化部署 AI 智能体，其面向”智能体执行”的设计思路正受到越来越多关注。英伟达称，Vera 能在同一颗处理器中同时实现业界领先的智能体执行速度与每瓦吞吐量，帮助数据中心在有限电力条件下运行更多智能体。

为什么智能体会改变 CPU 的需求

与传统生成式 AI 不同，智能体不仅要生成答案，还要搜索资料、查询数据库、编写并测试代码，乃至实际执行任务。这些步骤大量依赖 CPU，并且需要在负责执行的 CPU 与负责推理的 GPU 之间反复切换。英伟达认为，随着企业把智能体投入生产，数据中心的核心瓶颈正从单纯的算力，转向”速度、并发能力和能耗”三者的平衡。而在电力受限的 AI 工厂里，运营方必须选择能让每一瓦特都产出最多工作的基础设施。

实测数据：每瓦可多支撑约 60% 智能体

在 100 兆瓦数据中心场景的对比测试中，Vera CPU 的表现如下：相较速度最快的 x86 CPU，它每瓦可支撑 1.6 倍（即多约 60%）数量的智能体；相较能效最高的 x86 CPU，智能体执行速度提升 2 倍，同时保持领先的能效水平。换句话说，过去运营方往往要混搭”快核心”与”高密度”两类 x86 芯片来平衡速度与容量，而 Vera 试图用单颗 CPU 同时覆盖这两类需求。

早期合作方实测反馈

多家早期合作方公布了生产级别的测试结果。Perplexity 表示，用 Vera 运行智能体编码任务比传统 CPU 快 1.5 倍，并计划将其投入生产系统。DeepInfra 在智能体编排任务中，Vera 比最佳 x86 处理器快至多 2.2 倍，是其所测四种架构中最快的一个。ClickHouse 称其标准软件无需专门优化，即可在 176 个核心上接近线性扩展，并登上 ClickBench 硬件排行榜。DuckLabs 则取得了约为英特尔至强 6 基线中位性能 1.5 倍的 TPC-H SF1000 成绩。

在并发场景中，Daytona 用 Vera 在 10.8 秒内启动 1000 个智能体沙箱，并在 2000 个并发沙箱下实现每秒完成 12.7 个任务；而 x86 平台完成同样启动需要 88.4 秒。Modal 则报告，Vera 每核心的沙箱吞吐量最高达到同类 x86 硬件的 2 倍，且负载越重优势越明显。

架构亮点：88 颗自研 Olympus 核心

Vera 的核心是一颗采用单芯片设计的处理器，内置 88 颗英伟达自研 Olympus 核心，兼容 Armv9.2 指令集，支持 176 个硬件线程，并拥有 164 MB 统一 L3 缓存。其内存子系统最高可配置 1.5 TB 的 LPDDR5X，提供 1.2 TB/s 的内存带宽，热设计功耗可在 250 至 450 瓦之间配置，并通过 1.8 TB/s 的 NVLink-C2C 带宽与 GPU 高速互联。

在第三方基准测试机构 Phoronix 的测试中，单路 Vera CPU（热设计功耗 450 瓦，内存功耗不足 30 瓦）展现了出色表现：相较上一代 Grace CPU，其几何均值提升 1.6 倍；相较最新一代 128 核 x86 处理器，整体性能领先 1.5 倍；较 AMD EPYC 9575F 5.0 GHz 高频处理器也快约 10%。它仅用 20 秒便编译完默认 Linux 内核，是 Phoronix 该项测试中最快的结果，按每核心计算比 128 核处理器快 2 倍。

内存方面，Vera 采用的第二代 LPDDR5X 子系统以不足 30 瓦的内存功耗提供高达 1.2 TB/s 带宽，而传统 DDR5 的内存功耗往往超过 100 瓦。在 STREAM TRIAD 测试中，Vera 维持了峰值带宽的 90%，每核心内存带宽达到传统 x86 的 4 倍以上。

行业意义

对于运行智能体的数据中心而言，Vera 的价值在于把”快”与”每瓦容量”两个此前难以兼得的指标压进同一颗 CPU。在 AI 工厂普遍受限于电力的当下，这意味着运营方可以用更少的芯片、更低的功耗，支撑更多的并发智能体任务，而不必在快核心与高密度核心之间反复权衡取舍。

AMD 与英特尔于 10 月 20 日共同宣布，将在 PyTorch 的 x86 中央处理器优化上展开合作：双方把各自的优化工作整合进开源深度学习库 oneDNN，为开发者提供跨两家处理器的统一软件路径。oneDNN 将作为 PyTorch 内部 x86 加速的默认开源库。

PyTorch 是广受学术界与产业界使用的开源深度学习框架，用于构建、训练和部署神经网络。过去，针对 AMD 或英特尔 CPU 的 PyTorch 负载往往要分别适配、调优；合作落地后，开发者有望通过同一条软件路径完成优化，降低 x86 人工智能生态的碎片化，减少重复开发与维护成本。

ZenDNN 并入，AMD 加入 UXL 基金会

公告称，AMD 将把其 ZenDNN 优化集成至 oneDNN，并加入统一加速基金会（UXL Foundation）担任指导委员会成员。促成这次罕见合作的是 x86 生态咨询组的推动，两家公司在中央处理器软件生态上「化竞争为协作」。若推进顺利，开发者、云服务商与企业用户都能在 x86 服务器、工作站与人工智能个人电脑上获得更一致的 PyTorch 性能体验。

下一代指令集 ACE 同步推进

除 oneDNN 外，AMD 与英特尔还在推进面向 x86 的「AI 计算扩展」（AI Compute Extensions，ACE）下一代指令集架构，重点加速矩阵乘法——人工智能训练与推理中的核心运算。相关能力计划未来通过 oneDNN 更新接入 PyTorch。

对构建、部署和跨平台迁移人工智能应用而言，统一的底层路径意味着更顺畅的开发体验。在英伟达在人工智能加速硬件上占据领先的背景下，x86 阵营选择在软件栈上抱团，折射出传统处理器厂商希望通过生态协同守住人工智能工作负载话语权的思路。