AgentKernelArena : Évaluation comparative consciente de la généralisation des agents d'optimisation de noyaux GPU

Résumé

L'optimisation des noyaux GPU devient de plus en plus cruciale pour les systèmes d'apprentissage profond performants, mais l'écriture de noyaux haute performance nécessite encore une expertise de bas niveau substantielle. Les récents agents de codage IA peuvent lire du code de manière itérative, invoquer des compilateurs et des profileurs, et affiner les implémentations. Cependant, les benchmarks existants pour les noyaux évaluent des appels uniques à un LLM plutôt que des workflows complets d'agents, et aucun n'inclut à la fois l'optimisation de noyau à noyau et les tests de généralisation à des configurations non observées. Nous présentons AgentKernelArena, un benchmark open-source pour mesurer les agents de codage IA sur l'optimisation de noyaux GPU. Le benchmark contient 196 tâches couvrant l'optimisation HIP vers HIP, l'optimisation Triton vers Triton, et la traduction PyTorch vers HIP. Il évalue les workflows complets des agents dans des espaces de travail isolés en utilisant la compilation conditionnelle, des vérifications de justesse et de performance, un système de notation centralisé, et un protocole de généralisation à des configurations non observées qui teste si les optimisations se transfèrent à des configurations d'entrée que l'agent n'a jamais vues. Sur des agents de production incluant Cursor Agent, Claude Code et Codex Agent, nous constatons une compilation quasi parfaite et des taux de justesse élevés sur la plupart des catégories de tâches, les configurations les plus performantes atteignant des accélérations moyennes allant jusqu'à 6,89× pour PyTorch vers HIP, 6,69× pour HIP vers HIP et 2,13× pour Triton vers Triton. Notre évaluation sur configurations non observées montre que les optimisations HIP vers HIP et Triton vers Triton se transfèrent largement à des formes d'entrée non vues, tandis que la traduction PyTorch vers HIP présente des baisses substantielles de justesse, indiquant que les agents générant des noyaux à partir de zéro codent fréquemment des hypothèses spécifiques à la forme. AgentKernelArena est conçu comme un cadre modulaire et extensible pour l'évaluation rigoureuse de l'optimisation agentique de noyaux GPU à travers différents agents, tâches et cibles matérielles.

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.