AgentKernelArena: бенчмаркинг агентов оптимизации GPU-ядер с учетом обобщения

Аннотация

Оптимизация GPU-ядер становится все более критичной для эффективных систем глубокого обучения, однако написание высокопроизводительных ядер по-прежнему требует значительной низкоуровневой экспертизы. Современные ИИ-агенты кодирования могут итеративно читать код, вызывать компиляторы и профилировщики и уточнять реализации, однако существующие бенчмарки ядер оценивают одиночные вызовы LLM, а не полные рабочие процессы агентов, и ни один из них не включает как оптимизацию от ядра к ядру, так и тестирование обобщения на невиданные конфигурации. Мы представляем AgentKernelArena — открытый бенчмарк для оценки ИИ-агентов кодирования на задачах оптимизации GPU-ядер. Бенчмарк содержит 196 задач, охватывающих оптимизацию HIP-to-HIP, оптимизацию Triton-to-Triton и перевод PyTorch-to-HIP, и оценивает полные рабочие процессы агентов в изолированных рабочих пространствах, используя проверки компиляции, корректности и производительности, централизованную оценку и протокол обобщения на невиданные конфигурации, который проверяет, переносятся ли оптимизации на входные конфигурации, которые агент никогда не наблюдал. Среди продукционных агентов, включая Cursor Agent, Claude Code и Codex Agent, мы наблюдаем почти идеальную компиляцию и высокие показатели корректности на большинстве категорий задач, причем наиболее сильные конфигурации достигают среднего ускорения до 6,89 раза на задачах PyTorch-to-HIP, 6,69 раза на HIP-to-HIP и 2,13 раза на Triton-to-Triton. Наша оценка на невиданных конфигурациях показывает, что оптимизации HIP-to-HIP и Triton-to-Triton в значительной степени переносятся на невиданные формы входных данных, в то время как PyTorch-to-HIP демонстрирует значительное падение корректности, что указывает на то, что агенты, создающие ядра с нуля, часто жестко кодируют предположения, зависящие от формы. AgentKernelArena спроектирована как модульная, расширяемая структура для строгой оценки агентской оптимизации GPU-ядер в разрезе агентов, задач и аппаратных целей.

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.