今天能点开核对的原发，在 NVIDIA 技术博客和 PyTorch 博客。文中数字一律按官方提交或作者自述转述，不是本刊复现。
今天先看哪两条
- 边缘 / AI：TensorRT Edge-LLM 在一块 Jetson AGX Thor 上跑完 MLPerf Inference v6.1 Edge Agentic，官方对比 llama.cpp 快 6.4 倍。
- 实验室 / 具身：Omniverse 上的智能体工作流给 Blender 场景补语义、物理、传感器和校验，准备送进机器人仿真。
边缘：一块 Thor 上的代理基准数字
NVIDIA 技术博客（2026-09-16）写：TensorRT Edge-LLM 在单块 NVIDIA Jetson AGX Thor Developer Kit 上跑 Qwen3.6-27B，于 MLPerf Inference v6.1 Edge Agentic 基准给出 52.33 tokens/s。性能负载全部 1,007 轮用时 24 分 36 秒；同文给出的 llama.cpp 参考跑法是 2 小时 37 分，官方据此计为 6.4 倍。
加速手段也写在同一篇里，不是第三方复测：权重和激活用 NVFP4，KV cache 用 FP8，再加基于树的多 token 预测，以及跨代理轮次的 KV cache 复用。文中称约 96% 的 prompt token 命中热缓存，用来少做重复 prefill。以上都是提交方自述。
同日 PyTorch 博客可并读、但不要和上面那条混成一次实测：作者把 FlashAttention-4 扩到 MXFP8 前向和反向，文中写在 Blackwell 上达到 2.85 PF/s。另一篇 NVIDIA 博客写 cuTile Rust：TileGym 仓库里的智能体技能把 cuTile Python / Triton-TileIR kernel 译成 cuTile Rust，移植全部 24 个公开算子，作者称平均达到 cuTile Python 性能的 99.5%；流水线带分阶段、可机检的裁决，并用相对参考 Tile IR 的 IR diff 先核结构再做功能测试。PyTorch Conference North America 2026 则定在 10 月 20–21 日、圣何塞，主题是开源研究、工具链和性能优化——这是日程，不是发版。
实验室：进仿真前的场景交给智能体
另一篇 NVIDIA 技术博客（同日）把对象从「跑基准」换成「把创作场景做成可仿真资产」。工作流基于 NVIDIA Omniverse Libraries：给 Blender 场景加语义标签、面向仿真的材质、传感器、物理属性和校验，目标是机器人仿真，而不是把原场景拍扁。
协调层文中写的是 Codex 或 Claude 总控任务；NVIDIA NemoClaw 再拉起专门的 Hermes 子智能体。点名的工具包括：ovphysx 做物理编写，ovrtx 做视觉预飞渲染，以及按目标 profile 做 SimReady 校验。OpenUSD 被写成共享合同层，用来保住层级和元数据，让智能体迭代写标签、碰撞网格、刚体属性和传感器定义。场景侧通过 Blender 的 Model Context Protocol 服务器查看，再编写 USD、给 prim 打与任务相关的类别、配置相机等。这是厂商工作流说明，不是实验室独立复现。