社区

在近日举行的天数智芯2026媒体开放日上，天垓300首次面向开放实机演示，并释放了一个关键信息：在第三方实测中，天垓300的折算单卡端到端吞吐达到H200的1.05倍。这是国内首个实测性能达到H200水平的通用GPU。与此同时，软件栈展示“用AI开发AI”的新路径，彤央TY1200在实测中超越Thor T5000。

这标志着国产通用GPU迈过了一道具有重要意义的性能门槛，开始具备在复杂AI任务和高算力市场中立足的实力。这也意味着国产GPU正在进入新阶段——从解决“能不能用”的问题，转向比拼实际产出、运行效率和经济价值。

▌实测单卡吞吐达英伟达H200的1.05倍

据第三方权威机构今年完成的实测显示，在大模型典型的PD分离部署下，天垓300折算单卡整体端到端吞吐达到H200的1.05倍。

天数智芯性能实验室的实测进一步覆盖典型业务场景：在64K长上下文下，天垓300的Attention性能为H200的1.05倍；GLM-5.3模型64K规模下，保障同等用户体验的同时，MoE吞吐为H200的1.15倍；8K至128K长上下文场景下Agent首字延迟较H200降低约10%—30%；多模态生成推理吞吐相较H200提升约2%—5%；在搜广推等在线业务中，推荐推理吞吐提升21%、轻量计算时延降低26%。

这些指标各自对应着用户能够感知的体验：长上下文处理关系到长文档分析和复杂Agent能否高效运行；MoE吞吐影响同等服务要求下系统承接请求的能力；首字延迟则直接关系到用户发出请求后的等待时间。此次对标说明天垓300已在多类关键负载上进入与国际主流高水平GPU直接比较的区间。

训练方面，在基于Qwen3-32B模型的8卡整机FP8精度训练演示中，天垓300每卡有效吞吐达到H100的1.33倍。目前，强化学习已成为OpenAI、Google、Meta、xAI以及DeepSeek、Qwen、Minimax、Kimi等国内外主力模型公开采用的核心后训练路线。天垓300同样胜任强化学习训练，据条件性工程估算，以1024张卡对已有预训练基座开展一次强化学习，在40B激活参数的中心情景下，约26天可完成约1T总参数MoE模型的500亿生成Token强化学习任务。

随着日均Token调用量较2024年初增长上千倍，Token工厂正成为算力规模化落地的热门形态，也是高质量算力三要素的集中检验场。在前述第三方测试条件下，天垓300折算单卡端到端吞吐达到H200的1.05倍，为单位时间内生产更多有效Token提供了性能基础。

Token工厂不能只在短时测试中跑得快，还要在长时间满负荷运行时保持稳定。天垓300满负荷运行的步时波动为0.43%，低于对比Hopper方案的0.76%，长时间高负载不掉链子，直接保障利用率与可用率。

此外，天垓300通用架构原生支持CUDA语义，主流框架均已适配，并提供从加速卡、服务器到超节点的不同部署形态，面向多种模型与业务需求。

在规模化交付侧，天垓300已形成从加速卡、一机8卡服务器到超节点的完整系统方案。天垓300 IXL144超节点在单个标准机柜内集成144颗GPU、聚合约10.1TB显存，是目前业界密度最高的单机柜GPU超节点。据测算，其每百万有效Token成本较国际主流方案可降低约40%。其新一代P2P互联引擎面向Scale-up和Scale-out，目标是将域内单次传输延迟由3—5微秒降至1微秒；支持统一内存语义编程；同时支持大EP，将专家权重分散到更多核心。该方案已在工博会公开亮相，面向不同算力规模与机房条件的其他超节点方案也将陆续推出。

▌用AI开发AI，推动软件生态纵深发展

长期以来，GPU的讨论大多围绕算力、带宽和硬件规格展开，参数表上的数字几乎成了衡量芯片价值的默认标尺。然而，对模型与应用开发者而言，存在另一个同样重要的问题，这些能力，究竟怎样才能更快、更稳定地转化为真实可感的业务价值？

对此，天数智芯给出了自己的解法，让AI参与AI系统自身的开发，让软件能力以更易用的方式交付。天数智芯副总裁石加圣将GPGPU软件栈的升级方向概括为三个层次——易于使用、易于优化、易于开发。

易于使用，是把环境安装、配置检查与模型部署组织为智能体可调用的工具与技能，由AI协助执行并检查结果，减少开发者反复查阅文档、手动配置和排查问题的负担。数据显示，在模型PD分离部署实测中，环境准备与服务部署整体用时由1小时缩短至10分钟，人工操作由数十步减少至1步，助力开发者更便捷地使用先进推理架构。

易于优化，是结合自研性能分析工具与调优经验，让AI依据真实运行数据定位瓶颈、提出优化方案，并通过测试验证效果。根据某大模型调优任务实测，工作周期由7天缩短至2小时内；在相同硬件、模型和精度要求下，相关任务运行性能较优化前接近翻倍。开发者能够更快开展优化、获得反馈，减少对厂商技术支持的依赖。

在易于开发方面，作为首家深度接入FlyDSL的国产GPGPU厂商，天数智芯通过Agent与FlyDSL协同，让AI参与代码生成、编译、测试和性能优化。开发者明确目标与约束，AI协助生成或修改候选实现，再根据正确性检查和性能测试结果持续调整，最终完成自主开发、验证与迭代，形成从目标提出到结果验收的工程闭环。在某主流模型适配与调优实测中，过去10人天完成的工作，现在1人在小时级内就能完成，编译速度提升90%以上，理想状态可用1%的编译时间实现99%的运行性能，为更快支持新模型、尝试更多实现方案创造条件。

这些效率提升的意义，并不止于“AI写代码”的概念，更在于它触及了国产GPU生态建设中的一个结构性难题：算子开发和模型适配的人力瓶颈。国产GPU厂商普遍需要各自搭建算子生态，开发资源分散，模型厂商每适配一家芯片都需要重复投入。如果Agent能够把资深工程师的调优经验沉淀为可复用的工具与技能，客观上压缩的是新模型Day0支持和性能调优之间的时间差，恰恰是硬件参数表上看不到、却在客户采购决策中权重极高的变量。

▌把云端能力带到端侧，彤央TY1200实测超Thor T5000

随着物理AI时代数据量爆发，用户时延要求进入毫秒级，算力离数据越近、价值兑现越快；数据资产成为战略核心，财务、合同、核心源代码等高保密高合规场景需要把数据“留在本地”。同时，小参数量模型能力追平上一代大参数模型，这让大模型能力下沉，边端落地前置条件成熟。

“云端GPU厂商做端侧，不是把芯片做小，而是把能力下沉。”天数智芯彤央产品市场负责人宋远盈表示。天数智芯在云侧大规模训练与推理中积累的模型压缩、量化、蒸馏和软硬协同能力，连同通用GPU架构、编译器、算子库和性能工具，被一起带到边端。模型因此可以“生在云、长在边”：云端训练、边端部署，需要时再由云端复判，模型能力与精度保持衔接。在客户现场积累的高负载交付经验，也为工业应用、具身智能等高度要求稳定性的场景交付提供能力基础。

比如，彤央TY1200端侧算力终端标称300 TOPS稠密算力，而非行业惯用的稀疏峰值；在Qwen3.8-27B、Qwen3.6-35B-A3B等LLM模型实测中，TY1200性能达到Thor T5000的1.2倍。以实测稠密算力超越标称算力更高的芯片。

在物理AI方面，TY1200首次在国产端侧产品上实现了基于MuJoCo-Warp的GPU加速物理仿真，且整个训练与验证链路完全离线完成，不依赖云端资源。这让TY1200有望成为具身智能设备的大脑，不仅可以内置，还可“外挂”。

在现场演示中，搭载TY1000算力模组的机器狗在本地完成人脸识别与跟随主人，形成“感知—决策—行动”闭环。世界模型等物理AI负载同样在本地运行，在Cosmos-R2-2B和Cosmos-R2-8B测试中，TY1200的实测性能分别达到Thor T5000的158%和180%。

据了解，天数智芯的下一代端侧产品彤央TY2000，预计算力将达600T，把云端能力下沉的边界再向前推进一步。

▌结语

对于天数智芯，多家券商已经给出了积极的判断：国盛证券维持“买入”评级，预计2026—2028年营收30.99/64.66/105.31亿元；麦格理维持“跑赢大市”及1060港元目标价，理由是打入CSP客户且新一代GPGPU贡献逐步提升；美银证券此前也首次给予天数智芯“买入”评级，

这次天垓300的实测数据，把天数智芯的市场位置从“国产替代的选项之一”推向了“在训推主战场上具备可验证产出的供应商”。越过这条线之后，下一道门槛不再是芯片参数表上的数字，而是系统交付的成熟度和生态复用的规模，那是一个更难、但也更值得争夺的战场。

国产通用GPU的竞争基准线，也随之从“能不能跑起来”转向“在真实负载下跑得怎么样、在系统规模下跑得稳不稳、在开发者手里用得顺不顺”。在这场竞争中，天数智芯凭借天垓300、IXL144、异构协同和软件栈Agentic化，率先搭建起从单卡到系统再到场景的布局链条。

$天数智芯(09903)$

@话题虎