论文提出的多智能体框架 KernelArc，用四个各司其职的 LLM 智能体，把 GPU 内核优化变成一条自动流水线。论文报告在 KernelBench 全难度任务上，它拿下困难档最高解题数，并让多个经典算子的运行速度提升一倍以上。
过去一年，我们已经习惯让大模型写代码。但 KernelArc 换了一个问题：能不能让 AI 写更快、更省资源的 GPU 内核（kernel）——也就是 AI 底层算子的最终执行代码。
答案是：能。而且靠的不是一个更强的模型。
论文报告在 KernelBench 的 54 道任务、三个难度等级上，KernelArc 拿下了困难档最高解题数。把各条技术路线的成绩摆在一起看：
注：柱长按相对解题数比例缩放、非零起点。「解题」= 生成的内核通过功能正确性验证，且性能不低于参考 CUDA 实现。困难档任务共 12 道，数据依据论文公开报告整理。
第一名的位置说明了一件事：系统编排带来的增益，正在追平甚至超过模型本身的天赋差距。
想理解这个成绩的分量，先得知道 GPU 内核优化为什么长期是「专家活」。
资深工程师先读性能剖析（profile）定位瓶颈，再逐行调整线程块、循环展开、共享内存。每改一次都要重新编译、跑测、对比，单个算子动辄数天。
分析师定位瓶颈，程序员产出多份候选实现，调优师做组合搜索，验证环节把关。一轮跑分反馈，直接驱动下一轮优化。
六个维度互相制约，数千种组合等着试错。
注：六个维度并非独立调节——提高线程利用率可能挤爆寄存器，共享内存换性能可能牺牲占用率。这正是「多智能体协同」存在的理由。
但知道它为什么难，只是故事的一半。
更难的部分在于：如何让 AI 自己完成这个循环。
KernelArc 的思路是「分而治之」：先按结构特征把 kernel 拆开，再让四个专职智能体各管一段、接力协作。
通读 kernel 结构，制定优化路线——整体重写，还是先拆子块再逐个击破。
读 profile 与瓶颈数据，判断卡在访存带宽、寄存器压力还是线程利用率。
按策略产出多份候选 CUDA 实现，不追求一次写对，追求覆盖足够多的可能性。
多目标协同调优，在性能、资源占用、编译时间之间寻找帕累托最优解。
基准数字之外，论文报告了几个典型算子的端到端结果。对做 AI 基建的人来说，这些名字应该都不陌生：
注：加速比以论文报告的参考 CUDA 实现为基线（基线 = 1.0×）；不同算子、不同 GPU 与编译器版本下结果会浮动，具体以论文为准。
当然，最漂亮的数字也不代表全部故事。
论文的难得之处，在于主动公开了失败案例。顺着这些「没做好」的地方看，能更准确判断它的边界：
当 AI 开始优化 AI 赖以运行的底层代码，性能竞赛的胜负手正从「模型更大」转向「工程更聪明」。KernelArc 真正的价值不是多解几道难题，而是把系统工程师最后的护城河——优化代码——推进到了自动化的射程之内。
论文已在 arXiv 公开，标题为：
KernelArc: A Multi-Agent Framework for GPU Kernel Optimization评测脚本与消融实验随论文发布，可免费获取、复现与二次研究。