本文作者包括明尼蘇達(dá)大學(xué)的張子?。ü餐谝蛔髡撸鯉V（共同第一作者），李世陽(yáng)，羅越波，洪明毅，丁才文。

CUDA 代碼的性能對(duì)于當(dāng)今的模型訓(xùn)練與推理至關(guān)重要，然而手動(dòng)編寫(xiě)優(yōu)化 CUDA Kernel 需要很高的知識(shí)門(mén)檻和時(shí)間成本。與此同時(shí)，近年來(lái) LLM 在 Code 領(lǐng)域獲得了諸多成功。這推動(dòng)人們?nèi)ヌ剿魅绾卫?LLM 來(lái)編寫(xiě)優(yōu)化 CUDA kernel。然而，現(xiàn)有的方法面臨諸多問(wèn)題，例如高昂的訓(xùn)練與推理成本，不良的 kernel 性能，以及缺乏硬件反饋導(dǎo)致的盲目探索。

那么對(duì)于使用 LLM 進(jìn)行 CUDA 代碼生成，我們能不能設(shè)計(jì)一個(gè)簡(jiǎn)單而有效的方法，使其能夠低成本地生成可靠高效的 CUDA kernel？

明尼蘇達(dá)大學(xué)的團(tuán)隊(duì)提出了一種新的方法——CudaForge。這是一種簡(jiǎn)單、高效且低成本的多智能體 CUDA Kernel 生成與優(yōu)化工作流。該工作流受人類專家的實(shí)際開(kāi)發(fā)流程啟發(fā)，包含初始 Kernel 的編寫(xiě)、正確性測(cè)試、硬件反饋分析以及迭代改進(jìn)等關(guān)鍵階段。

• 論文標(biāo)題：CudaForge: An Agent Framework with Hardware Feedback for CUDA Kernel Optimization
• 論文鏈接：https://arxiv.org/pdf/2511.01884
• 代碼地址： https://github.com/OptimAI-Lab/CudaForge

實(shí)驗(yàn)結(jié)果表明，CudaForge 在 KernelBench Levels 1-3 上取得了 SOTA 的結(jié)果，超越了現(xiàn)有的所有方法。值得注意的是，通過(guò) CudaForge 生成一個(gè)經(jīng)過(guò)優(yōu)化的 Kernel 在單張 RTX6000上僅需約26.5 分鐘，同時(shí)僅產(chǎn)生約0.3 美元的 API 調(diào)用成本！

CudaForge Workflow 介紹

正如人類專家所采用的開(kāi)發(fā)方法，包括初始 Kernel 的編寫(xiě)、正確性測(cè)試、硬件反饋分析以及迭代改進(jìn)，我們將 CudaForge 設(shè)計(jì)為如上所示的迭代式優(yōu)化框架。

該框架包含兩個(gè)相互獨(dú)立的智能體：CoderJudge

Coder 根據(jù)任務(wù)描述以及來(lái)自 Judge 的反饋生成候選 CUDA kernel；而 Judge 則利用 kernel 本身、硬件反饋以及運(yùn)行時(shí)信息對(duì)每個(gè)候選進(jìn)行評(píng)估。

具體而言，給定一個(gè) CUDA kernel 生成任務(wù)，Coder 首先接收任務(wù)要求以及對(duì)應(yīng)的 PyTorch 參考實(shí)現(xiàn)，然后生成一個(gè)初始的候選 kernel。該 kernel 將被編譯并在測(cè)試用例上執(zhí)行以驗(yàn)證其正確性。

如果測(cè)試失敗，Judge 會(huì)檢查運(yùn)行時(shí)信息（例如編譯錯(cuò)誤、與 PyTorch 參考結(jié)果不一致的輸出），并分析該錯(cuò)誤 kernel 的問(wèn)題所在。隨后，Judge 會(huì)返回相應(yīng)的糾錯(cuò)反饋（如缺少頭文件等），以指導(dǎo)下一輪生成。當(dāng)某個(gè)候選 kernel 通過(guò)了正確性測(cè)試后，Judge 會(huì)使用NCU工具對(duì)其進(jìn)行性能剖析，獲取NCU 性能指標(biāo)（如內(nèi)存帶寬、占用率、warp 效率等）。

結(jié)合 GPU 硬件規(guī)格，這些指標(biāo)構(gòu)成了用于識(shí)別主要性能瓶頸（如算力受限或帶寬受限）的硬件反饋，Judge 會(huì)進(jìn)一步基于此返回一個(gè)明確的優(yōu)化建議（如使用 shared memory）給 Coder。

在下一輪中，Coder 會(huì)同時(shí)接收上一輪的 kernel、Judge 的反饋以及原始任務(wù)需求，并生成新的、經(jīng)過(guò)修正或優(yōu)化的 kernel。該過(guò)程最多重復(fù)N輪，最終我們會(huì)從所有正確的候選結(jié)果中選擇效率最高的 kernel作為最終輸出。

在此，我們給出一個(gè)使用 CudaForge 進(jìn)行 Kernel 優(yōu)化的案例，并將其與Kevin-32B方法進(jìn)行對(duì)比：

這一對(duì)比進(jìn)一步凸顯出使用硬件反饋對(duì)于 Cuda 代碼優(yōu)化的重要意義。

具體來(lái)說(shuō)，CudaForge通過(guò)以下三項(xiàng)關(guān)鍵設(shè)計(jì)顯著提升了 CUDA kernel 的生成與優(yōu)化能力：

雙智能體分工協(xié)作：CudaForge 采用Coder–Judge雙智能體架構(gòu)，其中 Coder 專注于代碼生成，Judge 負(fù)責(zé)評(píng)估代碼并提供反饋，從而實(shí)現(xiàn)“認(rèn)知負(fù)載”的有效分離。

迭代式優(yōu)化流程：CudaForge 通過(guò)多輪迭代逐步糾錯(cuò)與提速，使得 Kernel 能在每一輪中持續(xù)被改進(jìn)，特別是在復(fù)雜任務(wù)中能夠獲得更加穩(wěn)定的優(yōu)化效果。

顯式引入硬件反饋：CudaForge 將GPU 規(guī)格NCU 性能指標(biāo)（如帶寬、占用率、Warp 效率）納入反饋，使 Judge 能精確定位瓶頸并提供可執(zhí)行的優(yōu)化指導(dǎo)

實(shí)驗(yàn)評(píng)估

我們?cè)?KernelBench Levels 1-3 上評(píng)估了我們的模型，并與 Kevin-32B，OpenAI-o3 等模型進(jìn)行了比較。

在 RTX 6000 上的 KernelBench Levels 1–3 主要結(jié)果：

在我們的主要實(shí)驗(yàn)中，我們默認(rèn)將OpenAI-o3同時(shí)用作 Coder 與 Judge，并將最大迭代輪數(shù)設(shè)為N = 10，以在性能提升與推理成本之間取得平衡。

在 KernelBench 上，CudaForge 達(dá)到了 97.6% 的正確率，平均加速比為 1.677×，F(xiàn)ast1 比例為 70.8%，并且實(shí)現(xiàn)了1.107× 的中位數(shù)加速比1.592× 的 75 分位加速比。這些結(jié)果顯著優(yōu)于基礎(chǔ)模型 OpenAI-o3 與一系列消融變體（包括o3-self-refine、o3-correction、o3-optimization）。

與 Kevin-32B 在 H200 上的對(duì)比：

考慮到 Kevin-32B 是基于 H200 訓(xùn)練的 RL 模型，我們?cè)?H200 上對(duì)比了 Kevin-32B 和 CudaForge。下圖展示了 CudaForge 與 Kevin-32B 在 KernelBench 上的正確性與性能表現(xiàn)對(duì)比。虛線表示 CudaForge 在 Level 1 和 Level 2 上的平均水平。

盡管CudaForge 不需要訓(xùn)練（training-free），它在KernelBench Level 1–2上的表現(xiàn)依然優(yōu)于Kevin-32B，并且在Level 3上也取得了極為出色的性能。

CudaForge 的 API 與計(jì)算時(shí)間成本分析

我們進(jìn)一步分析了 CudaForge 的性能與其 API 調(diào)用成本和計(jì)算時(shí)間之間的關(guān)系，如圖所示。隨著 API 成本與計(jì)算時(shí)間的增加，CudaForge 的性能呈單調(diào)提升趨勢(shì)。值得注意的是，即使在每個(gè)任務(wù)耗費(fèi)不超過(guò) 0.15 美元和 10 分鐘的情況下，CudaForge 也已經(jīng)能夠超越 Agentic 基線方法，這充分展示了其出色的性能-成本平衡能力。

基于 KernelBench，我們測(cè)評(píng)了 CudaForge 所需的時(shí)間和 API 成本，結(jié)果表明在 KernelBench Levels 1-3 所有任務(wù)上，CudaForge 每個(gè)任務(wù)僅需平均 0.3 美元的 API 成本，以及在單卡 RTX6000 上 26.5 分鐘的運(yùn)行時(shí)間！

消融實(shí)驗(yàn)

在不同 LLM 上實(shí)例化 CudaForge：

為了驗(yàn)證 CudaForge 是否依賴某個(gè)特定基礎(chǔ)模型，我們?cè)趯?shí)驗(yàn)中固定一方（Coder 或 Judge）為 OpenAI-o3（記作 O3），并將另一方替換為多種先進(jìn)的大模型，包括 QwQ-32B、GPT-5、Claude-Sonnet-4、GPT-OSS-120B 等。

如表所示，所有組合都能夠取得較高的正確率和良好的性能表現(xiàn)，并且在某些情況下甚至超過(guò)原始的 O3/O3 配置。

這一結(jié)果表明，CudaForge 并不依賴于某個(gè)特定的基礎(chǔ)模型：其有效性主要來(lái)源于 Coder–Judge 的工作流機(jī)制，并且隨著更強(qiáng)模型的出現(xiàn)，它可以直接受益并進(jìn)一步提升性能。

在不同 GPU 架構(gòu)上使用 CudaForge：

我們進(jìn)一步在多種 GPU 架構(gòu)上評(píng)估 CudaForge，包括 RTX 6000、RTX 4090、RTX 3090 和 A100，以考察其在不同硬件條件下的適用性。

實(shí)驗(yàn)結(jié)果（如表所示）顯示，CudaForge 在所有測(cè)試 GPU 上均保持了高正確率和強(qiáng)性能表現(xiàn)，證明其具有良好的硬件通用性和穩(wěn)定性。

總結(jié)

我們提出了 CudaForge，一個(gè)無(wú)需訓(xùn)練的多智能體 CUDA kernel 生成與優(yōu)化框架。該框架模擬人類專家的迭代式工作流程，并顯式地引入硬件反饋，以實(shí)現(xiàn)有針對(duì)性的 Kernel 優(yōu)化，而非盲目搜索。 在 KernelBench 基準(zhǔn)上，CudaForge 相較于現(xiàn)有方法取得了最高的正確率和顯著的性能提升，同時(shí)在不同 GPU 架構(gòu)和多種基礎(chǔ)大模型上均表現(xiàn)出強(qiáng)魯棒性與泛化性。

此外，CudaForge 的性能隨著迭代輪數(shù)的增加能夠進(jìn)一步提升。 最后，得益于其低 API 開(kāi)銷與低時(shí)間成本，CudaForge 為自動(dòng)化 CUDA Kernel 開(kāi)發(fā)提供了一種高效、實(shí)用且可投入實(shí)際使用的解決方案。