Argus：用資料流不變式與 Python DSL 將 GPU 核心效能拉近手工最佳
背景：LLM程式設計代理能寫出正確GPU核心但效能不足。方法：Argus以資料流不變式與tile型PythonDSL，透過標註與編譯期斷言＋抽象詮釋與SMT驗證提供密集回饋且無執行期負擔。結果：在AMDMI300X上，生成核心接近手工最佳吞吐並顯著優於既有代理。
Argus 將資料流不變式帶入 GPU 核心生成
Argus 針對大型語言模型推論中耗時的核心運算提出新做法。作者指出，雖然 LLM 驅動的代理能產出功能正確的 GPU 核心，但要達到峰值效能需要跨多層優化的協調推理。
框架以資料流不變式（data-flow invariants）作為編譯期規範，並提供一套 tile 型、Python 式 DSL，揭露硬體指令與編譯器策略，同時封裝低階表示。DSL 支援標註函數與在使用處的斷言；一旦違規，編譯器會回傳具體反例，指出相關執行緒、資料元素與程式點，讓代理取得密集且結構化的回饋以修正設計。
不變式在編譯期透過抽象詮釋與 SMT 求解器驗證，因而對執行期無額外負擔。系統還結合一個以 in-context 強化學習訓練的規劃器，並由精選的 GPU 最佳化知識庫支援策略學習與不變式合成。
在 AMD MI300X 的 GEMM、flash attention 與 MoE 測試中，Argus 生成的核心達到接近手工優化組譯的吞吐，並比既有代理系統快得多；同時在 KernelBench 大量任務上展現良好泛化。
延伸閱讀
- IFCodeEvolve：演員-模板共演進與MCTS驅動的程式指令資料生成
- ManimTrainer 與 ManimAgent：以 SFT＋GRPO 結合 Renderer-in-the-loop 驅動 LLM 程式化動畫
- 在資料與算力受限下：以 RLVR 微調 Qwen3-4B 等小型語言模型的實驗結果
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
