AgentKernelArena: Evaluación comparativa consciente de la generalización de agentes de optimización de kernels de GPU

Resumen

La optimización de kernels de GPU es cada vez más crítica para sistemas eficientes de aprendizaje profundo, pero escribir kernels de alto rendimiento aún requiere una experiencia considerable de bajo nivel. Los agentes de codificación de IA recientes pueden leer código de forma iterativa, invocar compiladores y perfiladores, y refinar implementaciones; sin embargo, los benchmarks existentes para kernels evalúan llamadas individuales a modelos de lenguaje en lugar de flujos de trabajo completos de agentes, y ninguno incluye tanto optimización entre kernels como pruebas de generalización a configuraciones no vistas. Presentamos AgentKernelArena, un benchmark de código abierto para medir agentes de codificación de IA en la optimización de kernels de GPU. El benchmark contiene 196 tareas que abarcan optimización de HIP a HIP, optimización de Triton a Triton y traducción de PyTorch a HIP, y evalúa flujos de trabajo completos de agentes en espacios de trabajo aislados mediante compilación controlada, verificaciones de corrección y rendimiento, puntuación centralizada y un protocolo de generalización a configuraciones no vistas que prueba si las optimizaciones se transfieren a configuraciones de entrada que el agente nunca observó. En agentes de producción como Cursor Agent, Claude Code y Codex Agent, encontramos una compilación casi perfecta y altas tasas de corrección en la mayoría de las categorías de tareas, con las configuraciones más fuertes logrando aceleraciones medias de hasta 6,89x en tareas de PyTorch a HIP, 6,69x en tareas de HIP a HIP y 2,13x en tareas de Triton a Triton. Nuestra evaluación con configuraciones no vistas muestra que las optimizaciones de HIP a HIP y de Triton a Triton se transfieren en gran medida a formas de entrada no vistas, mientras que PyTorch a HIP exhibe caídas sustanciales en la corrección, lo que indica que los agentes que generan kernels desde cero a menudo codifican supuestos específicos de forma. AgentKernelArena está diseñado como un marco modular y extensible para la evaluación rigurosa de la optimización agentiva de kernels de GPU en diferentes agentes, tareas y objetivos de hardware.

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.