AgentKernelArena: Generalisierungsbewusstes Benchmarking von GPU-Kernel-Optimierungsagenten

Zusammenfassung

Die GPU-Kerneloptimierung wird zunehmend entscheidend für effiziente Deep-Learning-Systeme, doch das Schreiben leistungsstarker Kerne erfordert nach wie vor umfangreiche Fachkenntnisse auf niedriger Ebene. Neuere KI-Codierungsagenten können Code iterativ lesen, Compiler und Profiler aufrufen und Implementierungen verfeinern. Allerdings bewerten bestehende Kernel-Benchmarks einzelne LLM-Aufrufe und nicht vollständige Agenten-Workflows, und keiner umfasst sowohl Kernel-zu-Kernel-Optimierung als auch Generalisierungstests auf unbekannte Konfigurationen. Wir stellen AgentKernelArena vor, einen quelloffenen Benchmark zur Bewertung von KI-Codierungsagenten bei der GPU-Kerneloptimierung. Der Benchmark umfasst 196 Aufgaben, die HIP-zu-HIP-Optimierung, Triton-zu-Triton-Optimierung und PyTorch-zu-HIP-Übersetzung abdecken, und bewertet vollständige Agenten-Workflows in isolierten Umgebungen mittels gesteuerter Kompilierung, Korrektheits- und Leistungsprüfungen, zentralisierter Bewertung sowie einem Protokoll zur Generalisierung auf unbekannte Konfigurationen, das testet, ob Optimierungen auf Eingabekonfigurationen übertragbar sind, die der Agent nie gesehen hat. Über Produktionsagenten wie Cursor Agent, Claude Code und Codex Agent hinweg stellen wir nahezu perfekte Kompilierungs- und hohe Korrektheitsraten bei den meisten Aufgabenkategorien fest, wobei die leistungsstärksten Konfigurationen mittlere Beschleunigungen von bis zu 6,89-fach bei PyTorch-zu-HIP, 6,69-fach bei HIP-zu-HIP und 2,13-fach bei Triton-zu-Triton-Aufgaben erzielen. Unsere Evaluierung auf unbekannte Konfigurationen zeigt, dass HIP-zu-HIP- und Triton-zu-Triton-Optimierungen weitgehend auf unbekannte Eingabeformen übertragbar sind, während PyTorch-zu-HIP erhebliche Korrektheitseinbußen aufweist, was darauf hindeutet, dass Agenten, die Kerne von Grund auf neu generieren, häufig formspezifische Annahmen fest codieren. AgentKernelArena ist als modulares, erweiterbares Framework für die rigorose Bewertung agentischer GPU-Kerneloptimierung über Agenten, Aufgaben und Hardwareziele hinweg konzipiert.

English

GPU kernel optimization is increasingly critical for efficient deep learning systems, but writing high-performance kernels still requires substantial low-level expertise. Recent AI coding agents can iteratively read code, invoke compilers and profilers, and refine implementations, yet existing kernel benchmarks evaluate single LLM calls rather than full agent workflows, and none include both kernel-to-kernel optimization and unseen-configuration generalization testing. We present AgentKernelArena, an open-source benchmark for measuring AI coding agents on GPU kernel optimization. The benchmark contains 196 tasks spanning HIP-to-HIP optimization, Triton-to-Triton optimization, and PyTorch-to-HIP translation, and evaluates complete agent workflows in isolated workspaces using gated compilation, correctness, and performance checks, centralized scoring and an unseen-configuration generalization protocol that tests whether optimizations transfer to input configurations the agent never observed. Across production agents including Cursor Agent, Claude Code, and Codex Agent, we find near-perfect compilation and high correctness rates on most task categories, with the strongest configurations achieving mean speedups of up to 6.89x on PyTorch-to-HIP, 6.69x on HIP-to-HIP, and 2.13x on Triton-to-Triton tasks. Our unseen-configuration evaluation shows that HIP-to-HIP and Triton-to-Triton optimizations largely transfer to unseen input shapes, while PyTorch-to-HIP exhibits substantial correctness drops, indicating that agents generating kernels from scratch frequently hardcode shape-specific assumptions. AgentKernelArena is designed as a modular, extensible framework for rigorous evaluation of agentic GPU kernel optimization across agents, tasks, and hardware targets.