工作流可以自我进化了，英伟达开源 SoL-Pi，每小时省13.5刀！- 大数跨境

AI科技评论

2026-09-11

导读：Token 砍半，活没少干，每小时还省13.5刀！

Token 消耗减半，效能显著提升，每小时节省成本高达 13.5 美元。

作者丨高允毅

编辑丨岑峰

利用 AI 优化 AI 工作流已成为降本增效的关键路径。英伟达最新开源了效率提升框架 SoL-Pi，该工具让 AI 充当“监工”，自动识别并修复 Agent 工作流中的冗余环节，实现自我迭代优化。

实测数据显示，SoL-Pi 可使 Token 消耗最高减少 64%，API 调用成本下降 50%–54%，在实际开发场景中，每小时可为企业节省 8.75 至 13.5 美元。

其核心优势源于严苛的筛选机制：英伟达让 AI 提出了 152 个优化构想，通过自动化流水线层层淘汰，最终仅保留 4 个最高效的机制作为 SoL-Pi 的核心骨架。该项目基于开源项目 Pi 改造而成。

AI 如何识别并消除低效行为？

AI 的低效问题主要体现在即时浪费与长期困境两个层面。在复杂的 Agent 协作场景中，随着任务周期拉长，上下文历史记录日益臃肿，工具调用频繁，导致大量冗余计算。此外，AI 缺乏人类变通能力，常将连续操作机械拆分为多次决策，累积造成巨大的资源浪费。

针对行业热议的 RSI（AI 自我优化）概念，盲目在线试错成本高昂且失败率超过 90%。英伟达采取了“离线筛选、在线应用”的策略：先让 AI 批量生成 152 个优化方案，在自动化沙盒中进行“自动研究循环”筛选，最终确立了三种管理模式的优劣：

一是计划经济模式，由主模型定死步骤，因过于僵化被弃用；二是中心化管理模式，由超级主管 AI 实时调度，虽灵活但导致主模型代码库臃肿不堪；三是共享快闪模式，系统仅维护最简模板，每个实验独立复制运行，结束后即丢弃临时代码。

最终，第三种“共享快闪模式”胜出，并从中提炼出四大核心机制：

▎机制 1：动作融合

传统流程中，AI 修改代码后需单独决策是否运行测试，增加了推理开销。优化后，系统将“改代码 + 跑测试”等固定连续动作合并，直接省去中间的决策环节。

▎机制 2：在线上下文压缩

针对 Transformer 架构上下文线性累加导致的成本激增问题，系统将大任务拆解为独立小任务。每完成一个小任务，即将历史记录压缩为精简版摘要，仅保留关键结论。仅在需要核对细节时，才调取原始记录。

▎机制 3：观察包

工具输出的长日志（如数百行测试结果）不再完整填入上下文。优化后，完整结果存于本地，上下文中仅保留“摘要 + 索引”。AI 按需调取具体段落，大幅节省空间。

▎机制 4：证据保存型简化器

在排查错误日志时，避免主模型全量阅读。系统利用低成本小模型将日志提炼为“诊断报告”，报告结论可回溯至原文具体位置。主模型仅需审阅精简报告，疑点处再核对原文。

为验证效果，英伟达构建了 535 个可验证环境，包含 495 个基于 GitHub 真实 Bug 还原的任务，以及 40 个无剧本的开放式沙盒探索任务。

在原生框架驱动的 GPT-5.6 Sol、Claude Opus 5、开源智能体底座 Pi 以及 SoL-Pi 的同台竞赛中，SoL-Pi 展现了卓越的降本能力。

对比结果显示：相较于 Pi 框架，SoL-Pi 的 Token 消耗减少 45%–49%，开发成本降低约三分之一；相较于模型原生官方代理框架，Token 消耗最高骤降 64%，API 成本最多下降 54%。

英伟达由此提出“效率即 RSI"的观点，倡导"Efficiency for efficiency"理念：通过提升当前工作效率节省预算，反哺更多实验尝试，从而加速 AI 能力的泛化与进步。

这四大机制挖掘的是 AI 工作流中的普遍“通病”，具有极强的通用性。在当前阶段，广泛尝试比单一方向深挖更为重要。即便不直接使用 SoL-Pi，这些优化思维亦可应用于各类 AI 工作流中。

参考链接：https://nvlabs.github.io/SoL-Pi/

【声明】内容源于网络

AI科技评论

聚焦AI前沿研究，关注AI工程落地。

内容 8948

粉丝 0

AI科技评论聚焦AI前沿研究，关注AI工程落地。

总阅读241.9k

粉丝0

内容8.9k