前言¶
智能体工作流不只在 GPU 上做推理：检索、查库、写代码与执行动作等环节都落在 CPU 上，任务过程中会在 GPU 推理与 CPU 执行之间反复切换。企业把更多智能体投入生产后，基础设施需要在有限功率内同时提高单智能体完成速度，并承载更多并发智能体；这在 x86 上往往要靠「快型号」和「高密度型号」混配来折中。
2026 年 11 月 5 日，NVIDIA 通过官方博客介绍 Vera CPU，强调在 AI 工厂场景下兼顾智能体速度与每瓦可承载的智能体规模，并给出百兆瓦级数据中心对比及多家合作方的生产向测试数据。来源：NVIDIA Blog。
Vera 针对的工作负载特征¶
官方描述中，智能体步骤对 CPU 的依赖是连续发生的：信息搜索、数据库查询、代码编写与测试、以及后续动作执行，都要求 CPU 侧低时延、高并发。AI 工厂运营商的常见约束是机房总功率封顶；在不能无限加电的前提下，需要提高「每瓦完成的智能体工作量」，并避免智能体因排队等待 CPU 而拉长端到端时延。
Vera 的定位是：用单一 CPU 产品线覆盖多种智能体负载，减少为平衡速度与容量而在不同 x86 部件之间混搭的运维与采购复杂度。博客未在此处展开微架构细节，重点落在智能体场景下的实测对比与合作方案例。
百兆瓦数据中心对比指标¶
NVIDIA 在博客中给出 100 megawatt 数据中心场景下的对比结论（具体对照的 x86 型号未在摘录中列出）：
- 与「最快 x86 CPU」相比：单颗 Vera 在智能体速度上表现更好，同时每瓦约可支撑 1.6 倍规模的智能体（官方表述为 1.6x more agents per watt versus the fastest x86 CPU）。
- 与「能效 leading 的 x86 CPU」相比：智能体速度约为 2 倍，且 Vera 侧仍具备领先的能效（2x faster agent speed with leading energy efficiency）。
上述数据来自 NVIDIA 自有对比；读者在选型时仍需结合自身负载模型、软件栈与机架功率做复现验证。
合作方披露的生产向测试¶
博客列出多家早期采用方在接近生产条件下的结果，节选如下。
智能体与编排¶
- Perplexity：智能体编码任务在 Vera 上较传统 CPU 快约 1.5 倍；计划在未来生产系统中部署 Vera。
- DeepInfra：在生产智能体编排负载上，相对测试中最佳 x86 最高约 2.2 倍；在四种架构中取得最快成绩。
- Modal：每核心沙箱吞吐量相对同类 x86 最高约 2 倍，高负载下增益更明显。
沙箱与批处理¶
- Daytona：使用 Vera 时 1,000 个智能体沙箱约 10.8 秒上线；2,000 并发沙箱下约 12.7 jobs/s。对照 x86 为 88.4 秒完成同类 1,000 沙箱上线（博客未给出 x86 在 2,000 并发下的 jobs/s 数字）。
分析与基准¶
- ClickHouse：标准二进制未经 Vera 专项调优，在 176 核心上接近线性扩展，并在 ClickBench 硬件排行榜登顶。
- DuckLabs：TPC-H SF1000 中位数性能约为 Intel Xeon 6 基线的 1.5 倍。
这些案例说明 Vera 除智能体编排外，在 OLAP、基准与沙箱隔离等 CPU 密集型路径上也有合作方公开数字；是否与读者业务一致，取决于 workload 是否与上述测试相近。
对 AI 基础设施叙事的衔接¶
NVIDIA 将 Vera 与「AI 工厂」、全栈协同（GPU 推理 + CPU 执行 + 功率预算）放在同一话语里。智能体规模化部署抬高了「高密度 + 低时延」CPU 的需求：若 CPU 成为切换与执行瓶颈，GPU 侧推理再快也难以缩短任务墙钟时间。Vera 作为新硬件支点，配合博客同日条目中的 AI Infrastructure、Agentic AI 等标签，延续其在数据中心内同时谈性能与能效的路线。
对行业而言，可观察的变化包括：云与托管推理厂商在功率封顶机房中重新评估 CPU /socket 与智能体并发模型的关系；合作方已公开的 1.5x–2.2x 量级数字，可能成为招标与 POC 中的参考基线，但最终仍以各厂商在相同软件版本下的复测为准。产品细节与规格可继续关注 NVIDIA 官方 Vera CPU 专题页面（博客文末 Learn more about the NVIDIA Vera CPU 链出）。
