Skip to main content

Vera CPU 智能体基准实测：10.8秒拉起千个沙盒，速度达 AMD EPYC 8倍

· 4 min read
AI Compute Cards Wiki Editorial
Industry Research Team

快科技10月10日消息，AI 代码执行平台 Daytona 公布了最新一轮智能体 AI 基准测试结果：NVIDIA Vera 处理器在沙盒启动速度和任务吞吐量两项核心指标上，均明显优于采用 AMD EPYC "Zen 5" 架构的产品。对正处爆发期的 Agentic AI 行业而言，这是第一次有一组公开数据，把"多智能体场景下的 CPU 选型"这个新命题摆上了台面。

测试数据：8倍的沙盒启动速度​

Daytona 的基准测试围绕多智能体协同集群场景展开，核心指标是沙盒（sandbox）的启动速度与智能体任务的吞吐量。数据差距相当悬殊：

指标NVIDIA VeraAMD EPYC 9755
上线1000个沙盒耗时10.8秒88.4秒
相对启动速度约8倍基准
2000个沙盒扩展耗时27.4秒—
任务吞吐量每秒13.3个（峰值）每秒11个左右趋平

三个关键数字：Vera 仅用 10.8秒就上线了1000个沙盒，启动速度约为 AMD 基准测试芯片的8倍；扩展到2000个沙盒也只耗时 27.4秒，扩展近乎线性；峰值吞吐量达到每秒13.3个智能体任务。而 EPYC 9755 上线同样规模的沙盒需要88.4秒，任务吞吐量在每秒11个左右就趋于平稳。

Vera Rubin 平台中的 Vera CPU​

Vera CPU 是 NVIDIA Vera Rubin 平台的组成部分。整套平台包括：Vera CPU、Rubin GPU、NVLink 6、ConnectX-9、BlueField-4、Spectrum-6，以及 Groq 3 LPX。

Vera CPU 的差异化关键在于 SCF（Scalable Coherency Fabric）架构与最高1.5TB LPDDR5X 内存的组合，提供 1.2TB/s 的内存带宽。传统服务器 CPU 的设计目标是跑数据库、跑虚拟机，内存带宽按"够用"标准配置；而智能体工作负载的本质是海量轻量级隔离环境的高频创建与销毁——每个沙盒都要分配独立内存、快速冷启动，这正是带宽与内存子系统的极限压测。

Agentic AI 时代，CPU 选型逻辑变了​

Daytona 这组数据最大的意义，是揭示了 CPU 选型标准的迁移：

  • 过去：SPECint/SPECfp、核心数、主频，看的是单线程性能与通用计算密度
  • 现在：沙盒密度、启动延迟、任务吞吐量，看的是隔离环境的编排效率

一个 AI Agent 平台一天可能要创建销毁数十万个沙盒，每个沙盒就是一段独立代码的执行环境。沙盒拉起速度直接决定用户体验：用户按下回车后等10秒还是等90秒，就是产品能不能用的区别。传统跑分体系完全没有覆盖这类指标，Daytona 这类平台原生基准的价值正在于此。

对 AMD EPYC 服务器业务的警示​

EPYC 9755 是 Zen 5 架构的旗舰级产品，传统算力规格不弱，但在沙盒编排场景下吞吐量"趋平于每秒11个"、启动速度仅为 Vera 的八分之一，这个差距不是靠堆核心能填平的。它指向一个结构性问题：如果 Agentic AI 真的成为下一轮算力需求的主引擎，那么服务器 CPU 市场的竞争维度将被 NVIDIA 重新定义，AMD 需要在内存子系统与编排架构上给出自己的答案，而不能只依赖 Zen 架构的迭代。

小结​

10.8秒拉起1000个沙盒、每秒13.3个任务的吞吐量、8倍于 EPYC 9755 的启动速度——Daytona 的基准测试给出了 Vera CPU 在 Agentic AI 场景下的第一份量化答卷。SCF 架构加1.5TB LPDDR5X、1.2TB/s 带宽的设计，说明 NVIDIA 从一开始就是按"多智能体协同"这个目标来设计 CPU 的。当沙盒密度和任务吞吐取代 SPEC 成为选型标准，服务器 CPU 市场的故事将被重新书写。