# Databricks возглавила рейтинг NVIDIA по оптимизации GPU с помощью автономных ИИ-агентов

> Компания Databricks заняла первое место в бенчмарке NVIDIA B200 SOL-ExecBench, применив автономных ИИ-агентов для оптимизации ядер графических процессоров.

- Canonical HTML: https://youragents.me/ru/media/news/databricks-vozglavila-rejting-nvidia-po-optimizacii-gpu-s-pomoshhju-avtonomnyh-ii-agentov
- Markdown: https://youragents.me/ru/media/news/databricks-vozglavila-rejting-nvidia-po-optimizacii-gpu-s-pomoshhju-avtonomnyh-ii-agentov.md
- Section: Новости
- Published: 2026-07-02T21:00:36+03:00
- Modified: 2026-07-02T21:00:36+03:00

Компания Databricks заняла первое место в бенчмарке NVIDIA B200 SOL-ExecBench, применив автономных ИИ-агентов для оптимизации ядер графических процессоров. Об этом сообщили представители компании и исследователи из Массачусетского технологического института (MIT) и Университетского колледжа Лондона (UCL). 

Databricks стала лидером рейтинга NVIDIA B200 SOL-ExecBench — бенчмарка, оценивающего производительность графических процессоров в задачах высокопроизводительных вычислений. Достижение стало результатом использования автономных ИИ-агентов, которые самостоятельно оптимизируют GPU-ядра без вмешательства человека.

По словам технического директора Databricks Матеи Захарии (Matei Zaharia), подход основан на технологии, разработанной совместно с исследователями из MIT и UCL. ИИ-агенты анализируют код ядер, выявляют узкие места и предлагают улучшения, которые затем автоматически тестируются и внедряются. «Это позволяет сократить время оптимизации с недель до часов», — отметил Захария.

Результаты тестирования показали, что решения Databricks превзошли аналогичные разработки других компаний, включая традиционные методы ручной оптимизации. В частности, на бенчмарке B200 SOL-ExecBench система продемонстрировала прирост производительности до 15% по сравнению с предыдущими лидерами рейтинга.

Исследователи подчеркивают, что автономные ИИ-агенты могут стать новым стандартом в оптимизации аппаратного обеспечения, особенно в условиях растущего спроса на вычислительные мощности для обучения моделей машинного обучения. Технология уже применяется в Databricks для ускорения работы с большими данными и моделями глубокого обучения.

Источники: X-пост Матеи Захарии (Matei Zaharia), 2 июля 2026; блог Databricks.