AgentKernelArena: Benchmarking Consciente da Generalização de Agentes de Otimização de Kernels de GPU

Resumo

A otimização de kernels de GPU é cada vez mais crítica para sistemas eficientes de aprendizado profundo, mas a criação de kernels de alto desempenho ainda exige conhecimento substancial de baixo nível. Agentes de codificação de IA recentes podem ler código iterativamente, invocar compiladores e profilers e refinar implementações; no entanto, os benchmarks de kernel existentes avaliam chamadas únicas de LLM, e não fluxos de trabalho completos de agentes, e nenhum deles inclui tanto a otimização de kernel para kernel quanto testes de generalização para configurações não vistas. Apresentamos o AgentKernelArena, um benchmark de código aberto para medir agentes de codificação de IA na otimização de kernels de GPU. O benchmark contém 196 tarefas que abrangem otimização HIP-para-HIP, otimização Triton-para-Triton e tradução PyTorch-para-HIP, e avalia fluxos de trabalho completos de agentes em espaços de trabalho isolados usando compilação controlada, verificações de correção e desempenho, pontuação centralizada e um protocolo de generalização para configurações não vistas que testa se as otimizações são transferidas para configurações de entrada que o agente nunca observou. Em agentes de produção, incluindo Cursor Agent, Claude Code e Codex Agent, encontramos compilação quase perfeita e altas taxas de correção na maioria das categorias de tarefas, com as configurações mais fortes alcançando acelerações médias de até 6,89x em tarefas PyTorch-para-HIP, 6,69x em HIP-para-HIP e 2,13x em Triton-para-Triton. Nossa avaliação de configurações não vistas mostra que as otimizações HIP-para-HIP e Triton-para-Triton são amplamente transferidas para formas de entrada não observadas, enquanto PyTorch-para-HIP apresenta quedas substanciais de correção, indicando que agentes que geram kernels do zero frequentemente codificam suposições específicas de forma. O AgentKernelArena é projetado como uma estrutura modular e extensível para avaliação rigorosa da otimização agentiva de kernels de GPU em agentes, tarefas e alvos 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.